Anda di halaman 1dari 101

1

PENERAPAN METODE ADAPTIVE NEURO FUZZY


INFERENCE SYSTEM (ANFIS) UNTUK MEMPREDIKSI
KEPUASAN PASIEN RAWAT JALAN
TERHADAP SISTEM PELAYANAN KESEHATAN
(STUDI KASUS PUSKESMAS DESA GEDANG SUNGAIPENUH)

TESIS

Diajukan untuk Memenuhi Salah Satu Syarat


Memproleh Gelar Magister Komputer

HAIRUL CANDRA
112321085

PROGRAM PASCA SARJANA MAGISTER ILMU KOMPUTER


UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG

APRIL 2013
2

Universitas Putra Indonesia “YPTK” Padang


Program Pascasarjana Magister Ilmu Komputer

Tanda Persetujuan Diberikan Kepada

NAMA : HAIRUL CANDRA


NO BP : 112321085

PENERAPAN METODE ADAPTIVE NEURO FUZZY


INFERENCE SYSTEM (ANFIS) UNTUK MEMPREDIKSI
KEPUASAN PASIEN RAWAT JALAN
TERHADAP SISTEM PELAYANAN KESEHATAN
(STUDI KASUS PUSKESMAS DESA GEDANG SUNGAIPENUH)

Disetujui Untuk Diajukan Pada Ujian Akhir, Sidang Tertutup


Program Pasca Sarjana Magister Ilmu Komputer
Universitas Putra Indonesia ”YPTK” Padang

MENYETUJUI

PEMBIMBING I PEMBIMBING II

Dr. Ir. Gunadi Widi Nurcahyo, MSc Dr. H. Sarjon Defit, MSc
3

Telah Dinyatakan Lulus Ujian Tesis Pada Sidang Tertutup Program


Pascasarjana Magister Ilmu Komputer, Universitas Putra Indonesia “YPTK”
Padang Pada Tanggal 19 Maret 2013 Dengan Hasil Sangat Baik.

Padang, 19 Maret 2013


Tim Penguji,

Penguji I :

Dr. H. Sarjon Defit, S.Kom., MSc.

Penguji II :

Dr. Ir. Gunadi Widi Nurcahyo, MSc.

Mengesahkan,
Direktur Program Pascasarjana
Universitas Putra Indonesia ”YPTK” Padang

Dr. Ir. Gunadi Widi Nurcahyo, M.Sc


4

“Saya Menyatakan karya tesis ini adalah hasil kerja saya sendiri kecuali kutipan dan
ringkasan buku dan jurnal yang masing-masing telah saya jelaskan sumbernya“

Tanda tangan : .................................................

Nama Penulis : Hairul Candra

No BP : 112321085

Tanggal : 19 Maret 2013


5

Sujud syukur kupanjatkan padaMu ya Allah atas keberhasilan ini, tiada keberhasilan yang
dapat kuraih tanpa Rahmat dan Hidayah Mu.
Tesis ini ku persembahkan kepada istri dan anandaku tercinta Nofear Mara Candra,
Pretty Roiyan Wilmara, dan Fabiyan Jannatan sebagai wujud terimakasih dan kasih sayangku
kepada mereka yang telah sabar menununggu. Dengan semangat dan dorongan yang mereka
berikan slalu menjadi motivasi bagi ku dalam menyelesaikan tesis ini.
Semoga tesis ini dapat menjadi pemicu semangat bagi mereka untuk meraih cita-citanya di masa
depan kelak, amin.
Karya ku ini tak luput dari do`a semua keluarga Besarku di Pengasi Baru Ayahnda tercinta
H.Abdullah Wali Mat Syah Karim Dept. Parwo, serta kerabat dan handai tolan terima kasih
atas do`anya.
Khusus teman-teman angkatan 18-C terima kasih atas semua bantuannya.
Terima kasih civitas akademika AMIK Depati Parbo Kerinci yang telah memberi bantuan
material dan spiritual.
6

KATA PENGANTAR

Dengan mengucapkan puji syukur kehadirat Allah SWT, yang telah

memberikan kekuatan dan kesehatan serta hidayah-Nya kepada Penulis. Shalawat

beserta salam tidak lupa penulis ucapkan keharibaan Sri Baginda Rasulullah SAW

yang telah membawa umatnya dari jaman kegelapan menuju jalan yang terang

benderang penuh dengan ilmu pengetahuan, sehingga penulis dapat menyelesaikan

penulisan tesis ini dengan kesabaran dan keteguhan hati. Tidak lupa mengucapkan

terimaksih kepada semua pihak yang telah banyak membantu dalam menyelesaikan

tesis ini, antara lain :

1. H. Herman Nawas, Selaku Ketua Yayasan Perguruan Tinggi Komputer

“YPTK” Universitas Putra Indonesia Padang.

2. Dr. H. Sarjon Defit, S.Kom, M.Sc, Selaku Rektor Perguruan Tinggi

Komputer Universitas Putra Indonesia “YPTK” Padang sekaligus

Pembimbing II yang telah meluangkan waktu, perhatian dan ilmunya dalam

menyusun tesis ini sehingga tesis dapat terselesaikan dengan baik.

3. Dr. Ir. Gunadi Widi Nurcahyo, M.Sc, Selaku Direktur Pasca Sarjana

Universitas Putra Indonesia “YPTK” Padang yang memberikan kesempatan

kepada penulis untuk mengikuti Program Pasca Sarjana Magister Ilmu

Komputer dan sekaligus sebagai Pembimbing I yang telah meluangkan

waktu, perhatian dan membimbing penulis dalam menyusun tesis ini.

4. Seluruh Dosen, Program Magister Ilmu Komputer yang mendistribusikan

Pengetahuannya selama mengikuti Perkuliahan.


7

5. Seluruh Pegawai dan Karyawan, Program Magister Ilmu Komputer dalam

layanan administrasi selama mengikuti perkuliahan.

6. Seluruh teman-teman, angkatan XVIII A,B,C,D Program Magister Ilmu

Komputer Universitas Putra Indonesia “YPTK” Padang yang sama-sama

berjuang mengikuti perkuliahan dan penyusunan tesis ini.

Akhirnya dengan segala kerendahan hati, penulis menyadari bahwa dalam

penulisan tesis ini masih banyak kekurangan dan kelemahan disebabkan berbagai

keterbatasan penulis. Oleh karena itu, penulis sangat berharap akan kritik dan saran

yang bersifat membangun dari pembaca demi kesempurnaan tesis ini sehingga dapat

lebih bermanfaat.

Padang, 19 Maret 2013

Penulis
8

ABSTRAK

Tujuan utama dari penelitian ini adalah untuk menganalisa permasalahan kepuasan
pasien rawat jalan pada Puskesmas Desa Gedang Sungai Penuh. Responden yang
menjadi subjek dari penelitian ini berjumlah 20 orang. Penelitian menggunakan
survey, metode sampling dan kuesioner sebagai alat untuk mengumpulkan data.
Penelitian ini menggunakan metode Adaptive Neuro Fuzzy Inference System
(ANFIS). Data dianalisa menggunakan software MATLAB. Penelitian ini
menunjukkan hasil pelayanan seperti berikut: (1) Sangat Memuaskan (2) Memuaskan
(3) Sangat Tidak Memuaskan. Dengan memahami variable-variabel yang
mempengaruhi tingkat kepuasan pasien, pihak manajemen akan mengetahui seberapa
pentingnya variable tersebut. Jadi, diharapkan mereka dapat memutuskan untuk
memelihara dan mengembangkannya dengan tujuan untuk mendapatkan kepuasan
pasien.
Kata Kunci : Reliability, Responsiveness, Assurance, Emphaty, Tangible, dan ANFIS.
9

ABSTRACT

The main objective of this study was to analyze the problem of outpatient satisfaction
in Rural Health Center Desa Gedang Sungai Penuh. Respondents who are the
subject of this study amounted to 50 people. Research using surveys, sampling
methods and questionnaires as a tool to collect data. This study uses Adaptive
Neuro-Fuzzy Inference System (ANFIS). Data were analyzed using MATLAB
software. This study shows the results of the service as follows: (1) Very Good (2)
Satisfactory (3) Very Unsatisfactory. By understanding the variables that affect the
level of patient satisfaction, management will know how important the variable. So,
hopefully they can decide to maintain and develop it in order to obtain patient
satisfaction.
Reserve Word : Reliability, Responsiveness, Assurance, Emphaty, Tangible, dan ANFIS.
10

DAFTAR ISI

BAB JUDUL HALAMAN

HALAMAN JUDUL ............................................................................. i

PERSETUJUAN PEMBIMBING ....................................................... ii

HALAMAN PENGESAHAN ............................................................. iii

HALAMAN PERSETUJUAN ............................................................. iv

HALAMAN PENGAKUAN ................................................................ v

HALAMAN DEDIKASI ...................................................................... vi

HALAMAN PENGHARGAAN .......................................................... vii

ABSTRAK .................................................................................... viii

ABSTRACT .................................................................................... ix

DAFTAR ISI .................................................................................... x

DAFTAR TABEL ................................................................................. xiv

DAFTAR GAMBAR ............................................................................ xvi

I PENDAHULUAN

1.1 Latar Belakang ...................................................................... 1

1.2 Perumusan Masalah .............................................................. 4

1.3 Tujuan Penelitian ................................................................... 5

1.4 Batasan Masalah..................................................................... 6

1.5 Sistematika Penulisan ............................................................ 6


11

II LANDASAN TEORI

2.1 Neural ........................................................................... 8

2.2 Fuzzy ............................................................................. 9

2.2.1 Pengertian Logika Fuzzy……….......................... 9

2.3 Neuro Fuzzy .................................................................. 10

2.4 Adaptif Neuro-Fuzzy Inference System (ANFIS) ....... 11

2.5 Proses Belajar ANFIS ................................................... 14

2.6 Struktur Sistem Peramalan Dengan ANFIS ................. 14

2.6.1 Teori Logika Fuzzy ............................................ 15

2.6.2 Himpunan Fuzzy (Fuzzy Sets) ............................ 15

2.6.3 Fungsi Keanggotaan ............................................ 17

2.6.4 Teori Fuzzy Sugeno ............................................ 22

2.6.5 Fuzzy C-Means (FCM) ....................................... 24

2.6.6 Algoritma FCM ................................................... 24

2.7 Prediksi ......................................................................... 26

2.7.1 Pengertian Prediksi............................................ 26

2.7.2 Jenis Prediksi....................................................... 26

2.7.3 Teknik Prediksi................................................. 27

2.7.4 Validasi Prediksi................................................. 27

2.8 Kepuasan…………………………………….………. 29

2.9 Kepuasan Pasien……………………………..……… 30

2.9.1. Faktor-Faktor Pendorong Kepuasan Pelanggan. 31


12

2.9.2. Pengukuran Kepuasan Pelanggan…………….. 32

2.10 Identifikasi Kepuasan Pasien…………………. 33

2.11 Skala Likert…………………………………………… 35

2.12 Korelasi Product Moment Pearson………………………. 37

III METODOLOGI PENELITIAN

3.1 Pendahuluan ................................................................................... 38

3.2 Kerangka Kerja Penelitian ............................................................. 38

IV ANALISA DAN HASIL

4.1 Analisa Data .................................................................................. 44

4.1.1 Analisis Predikasi Tingkat Kepuasan Pasien……………... 44

4.1.2 Analisa Metode Adaptive Neuro Fuzzy Inference System.. 46

4.1.3 Mengelola Data Dengan ANFIS ………………………….. 47

4.1.4 Pengelompokan Data………………………………………. 49

4.2 Analis Inpu/Output..…………………………………………….. 68

V IMPLEMENTASI DAN PENGUJIAN

5.1 Implementasi.................................................................................. 70

5.1.1 Langkah Implementasi………………………………….. ... 70

5.1.2 Proses Fuzifikasi………………………………………… .. 74

5.1.2.1 Variabel Input……………………………………. ........... 74

5.1.2.2 Variabel Output .............................................. 74

5.1.2.3 Rule…………………………………………………….. .......... 77

5.1.3 Pelatihan ANFIS………………………………………… .. 77


13

5.2 Pengujian Pasca Training ANFIS .................................................. 79

5.3 Proses Defuzifikasi……………………………………………… 80

VI KESIMPULAN DAN SARAN

6.1 Kesimpulan ...................................................................................... 87

6.2 Saran ................................................................................................ 88

DAFTAR PUSTAKA
14

DAFTAR TABEL

TABEL JUDUL HALAMAN

2.1. Pedoman Untuk Memberikan Interpretasi Pada Koefisien Korelasi.. 17

2.2. Representasi Data Transaksi dalam Database Transaksional ........... 18

2.3. Format Tabular Data Transaksi ......................................................... 19

2.4. Calon 2 Itemset .................................................................................. 20

2.5. Calon 3 Itemset .................................................................................. 20

2.6. Calon Aturan Asosiasi dari F3 ........................................................... 21

2.7. Aturan Asosiasi .................................................................................. 22

2.8. Aturan Asosiasi Final ......................................................................... 23

4.1. Data Quesioner................................................................................... 45

4.2. Himpunan Fuzzy Dimensi Pelayanan ................................................ 47

4.3. Himpunan Fuzzy Kehandalan ............................................................ 48

4.4. Himpunan Fuzzy Daya Tanggap ........................................................ 48

4.5. Himpunan Fuzzy Kepastian ............................................................... 48

4.6. Himpunan Fuzzy Berwujud................................................................ 48

4.7. Himpunan Fuzzy Empati .................................................................... 48

4.8. Contoh Perhitungan Pusat Cluster ..................................................... 50

4.9. Detil Penghitungan Fungsi Obyektif ................................................. 52

4.10. Fungsi Objektif Untuk Cluster ke-i .................................................. 52

4.11. Detil Penghitungan Derajat Keanggotaan Baru ................................. 53


15

4.12. Derajat Keanggotaan Tiap Data Pada Setiap Cluster Dengan FCM .. 55

4.13. Output Lapisan Pertama ..................................................................... 64

4.14. Output Lapisan Kedua dan Ketiga ..................................................... 65

4.15. Koefisien Parameter ........................................................................... 65

4.16. Output Lapisan Ke Empat dan Lima ................................................. 66

5.1. Data Input dan Output ...................................................................... 81


16

DAFTAR GAMBAR

GAMBAR JUDUL HALAMAN

2.1. Komponen Neuron ................................................................. 9

2.2. Arsitektur Jaringan ANFIS .................................................... 12

2.3. Komponen Fuzzy Logic Inference System ............................. 15

2.4. Representasi Kurva Bahu ....................................................... 16

2.5. Representasi Linier Naik ........................................................ 18

2.6. Representasi Linier Turun ...................................................... 19

2.7. Kurva Segitiga........................................................................ 20

2.8. Kurva Travesium .................................................................... 21

2.9. Kurva Bentuk Lonceng .......................................................... 22

2.10. Inferensi Fuzzy Model Sugeno .............................................. 23

2.11. Diagram Konsep Kepuasan Pelanggan .................................. 31

2.12. Indikator Variabel Kepuasan Pasien ...................................... 35

3.1. Kerangka Kerja Penelitian ..................................................... 39

4.1. Flowchart Tahapan Analisis ANFIS ...................................... 46

4.2. Variabel Input Dan Output .................................................... 47

5.1. Tampilan Data Pada Editor Matlab ........................................ 71

5.2. Tampilan Menyimpan Data ................................................... 71

5.3. Tampilan Awal Editor ANFIS ............................................... 72

5.4. Memilih File Data .................................................................. 72


17

5.5. Hasil Pelatihan (Training) ANFIS ......................................... 73

5.6. Setting Parameter Untuk Grid Partition Pada ANFIS ............ 74

5.7. Membership Function Sebelum Trainin................................. 75

5.8. Membership Function Output ................................................ 76

5.9. Rule FIS .................................................................................. 77

5.10. Hasil Training ........................................................................ 78

5.11. Hasil Test FIS ......................................................................... 79

5.12. Rule Viewer ............................................................................ 80

5.13. Surface View........................................................................... 80

5.14. Memasukkan Nilai Input pada Rule Viewer........................... 82

5.15. Menyimpan Hasil ANFIS ...................................................... 82

5.16. Hasil Perintah Readfis ............................................................ 83

5.17. Hasil Output dengan Fungsi Evalfis ....................................... 83


18

BAB I

PENDAHULUAN

1.1 Latar Belakang

Terwujudnya keadaan sehat adalah kehendak semua pihak. Tidak hanya oleh

orang per orang, tetapi juga oleh keluarga, kelompok dan bahkan masyarakat. Dalam

rangka mewujudkan status kesehatan masyarakat yang optimal, maka berbagai upaya

harus dilaksanakan, salah satu diantaranya adalah menyelenggarakan pelayanan

kesehatan. Penyelenggaraan pelayanan kesehatan untuk masyarakat di tingkat dasar di

Indonesia adalah melalui Pusat Kesehatan Masyarakat (Puskesmas) yang merupakan

unit organisasi fungsional Dinas Kesehatan Kabupaten/Kota dan diberi tanggung

jawab sebagai pengelola kesehatan bagi masyarakat tiap wilayah kecamatan dari

kabupaten/kota bersangkutan (Dewi Retno Indriaty, 2010).

Sebagai lembaga kesehatan yang bermisi meningkatkan derajat kesehatan

masyarakat, Puskesmas ini telah berperan dalam memelihara dan meningkatkan

derajat kesehatan masyarakat. Kepercayaan yang diberikan masyarakat dan

pemerintah terhadap Puskesmas tersebut adalah sebuah kehormatan sekaligus amanat

dan tugas berat yang harus dipikul dengan sungguh-sungguh dan hati penuh

keikhlasan, lebih-lebih dengan perkembangan ilmu dan teknologi dalam bidang

kesehatan maka Puskesmas ini dituntut ekstra keras berusaha dan meningkatkan
19

profesionalisme dalam bekerja khususnya dalam memberikan pelayanan kesehatan

kepada para pasiennya.

Kualitas tingkat pelayanan terhadap kepuasan pasien merupakan suatu proses

yang komplet, sehingga pada akhirnya akan menyangkut manajemen puskesmas

secara keseluruhan. Maka konsep puskesmas perlu untuk selalu diperbarui dan

disempurnakan, sehingga dapat terwujud pelayanan kesehatan yang bermutu,

terjangkau, efektif, dan efisien, merata serta berkesenambungan. Sehingga dapat

dikatakan bahwa pada era globalisasi ini pemikiran ilmuan dan praktisi tertuju pada

bagaimana memberikan pelayanan yang berkualitas.

Pelayanan prima menjadi tuntutan masyarakat, sejalan dengan peningkatan

kebutuhan dan kesadaran dalam kehidupan bernegara dan bermasyarakat sebagai

imbas dari kemajuan teknologi informasi. Kualitas yang tinggi merupakan tuntutan,

tidak hanya dalam kegiatan bisnis namun juga dalam kegiatan pelayanan lembaga

pemerintah resisten terhadap tuntutan kualitas pelayanan public.

Pada penelitian ini masalah yang akan diteliti tentang tingkat kualitas

pelayanan jasa puskesmas, di sini peneliti akan memprediksi kepuasan atau

ketidappuasan pasien atas kualitas pelayanan yang diberikan oleh puskesmas dan

dapat dibuktikan dengan kuesioner yang akan dibagikan langsung kepada pasien

puskesmas.

Kepuasan pasien sangat tergantung pada kualitas pelayanan. Suatu pelayanan

dikatakan baik oleh pasien, ditentukan oleh kenyataan apakah jasa yang diberikan bias

memenuhi kebutuhan pasien, dengan menggunakan persepsi pasien tentang pelayanan

yang diterima (memuaskan atau mengecewakan, juga termasuk lamanya waktu

pelayanan). Kepuasan mulai dari penerimaan terhadap pasien dari pertama kali dating,

sampai pasien meninggalkan puskesmas. Pelayanan dibentuk berdasarkan 5 prinsip


20

Service Quality yaitu kecepatan, ketepatan, keramahan dan kenyamanan layanan (

Wike Diah Anjaryani, 2009).

Prediksi puas atau tidaknya yang akan penulis lakukan adalah dengan

menggunakan bantuan metode Adaptive Neural Fuzzy Inference System (ANFIS)

guna mengatasi metode peneliti sebelumnya (statistic dan decision tree). Metode

ANFIS merupakan penggabungan antara metode sistem pengambilan keputusan fuzzy

(fuzzy inference system) dan mesin pembelajaran jaringan saraf tiruan (neural

network).

Dengan keunggulan sistem enferensi fuzzy yang dapat menerjemahkan

pengetahuan dari pakar dalam bentuk aturan-aturan serta pemodelan matematis,

meskipun memerlukan waktu lama untuk menetapkan fungsi keanggotaannya, namun

permasalahan nantinya akan tetap dapat teratasi (ANFIS dalam Anang Tjahyono dan

Prediksi nilai post test dalam Banon Tri Kuncahyo, 2012).

Meskipun penilitian ini ruang lingkupnya hanya puskesmas, tetapi sangat

mempunyai potensi yang baik meliputi potensi Sumber Daya Manusia, Manajemen

puskesmas dan pelayanannya, sehingga potensi yang dimiliki oleh Puskesmas Desa

Gedang Sungai Penuh dapat diterima oleh semua pasien yang berkunjung di

Puskesmas tersebut.

Berkaitan dengan hal tersebut di atas dan mengacu pada jurnal-jurnal

ilmiah yang dihimpan dari berbagai sumber maka penulis berkeinginan untuk

mengimplementasikan metode ANFIS dalam bentuk tesis dengan judul "

Penerapan Metode Adaptive Neuro Fuzzy Inference System(ANFIS)

Untuk Memprediksi Kepuasan Pasien Rawat Jalan Terhadap Sistem

Pelayanan Kesehatan (Studi kasus Puskesmas Desa Gedang

Sungaipenuh).
21

1.2 Perumusan Masalah

Berdasarkan hal tersebut di atas penelitian memfokuskan pada

penerapan ANFIS untuk prediksi kepuasan pelayanan kesehatan pasien,

sehingga apa yang diinginkan dapat tercapai. Untuk itu pada masalah ini ada

beberapa hal yang dapat dirumuskan antara lain:

1. Bagaimana merancang model ANFIS untuk prediksi kepuasan

pelayanan kesehatan pasien?

2. Bagaimana membangun model sistem pelayanan pasien

berdasarkan parameter yang dibangun dengan sistem ANFIS?

3. Bagaimana menentukan parameter untuk memprediksi kepuasan

pelayanan kesehatan pasien?

4. Bagaimana merancang prediksi kepuasan pelayanan kesehatan

pasien guna menghasilkan peringkat yang lebih akurat?

1.3 Tujuan Penelitian

Tujuan yang diharapkan dalam melakukan penelitian ini agar

penelitian ini bermamfaat nantinya adalah:

1. Mempelajari konsep dari Sistem ANFIS sebagai alat

pengambilan keputusan untuk memprediksi kepuasan

pelayanan, sehingga masalah yang terjadi selama ini dapat

teratasi.

2. Mengimplementasikan sistem atau aplikasi tersebut dengan


22

tujuan agar di dalam pelaksanaan nantinya tidak menimbulkan

masalah, dan apabila terjadi masalah dapat teratasi sedini

mungkin.

3. Merancang, dalam perancangan sistem akan dilakukan beberapa

kegiatan yaitu proses fuzzyfikasi yang dilakukan pada lapisan 1, sistem

inference fuzzy yang dilakukan pada lapisan 2 dan 3, dan defuzzyfikasi

yang dilakukan pada layer 4.

4. Membangun sistem yang akan digunakan nantinya sesuai

dengan apa yang elah dirancang.

5. Menguji, adalah tahapan pengujian sistem yang telah dibangun


dengan bantuan software Matlab dan merupakan proses yang

terakhir dari rangkaian dalam sistem ini.

1.4 Batasan Masalah

Dengan adanya batasan masalah, dapat membantu penulis dalam

penelitian ini, sehingga penelitian dapat diarahkan, terkoordinir dan tidak

simpang siur. Adapun batasan masalahnya yang dilakukan pada penelitian ini

adalah:

1. Menentukan rule untuk mendapatkan hasil yang terbaik dalam

prediksi kepuasan layanan pasien.

2. Melakukan pengujian terhadap model yang telah dibangun dengan

dukungan software MATlab.

3. Pasien yang menjadi responden hanya terbatas pada pasien rawat jalan di

puskesmat tersebut. Sebagian besar atribut yang digunakan dalam penelitian


23

ini diperoleh berdasarkan ketentuan khusus dari Dinas Kesehatan kepada

Puskesmas Desa Gedang dan terbatas dalam 5 dimensi kualitas jasa yaitu

reliability (keandalan), responsiveness (cepat tanggap), assurance (jaminan),

emphaty (empati), dan tangible (berwujud).

1.5 Sistimatika Penulisan

Sistimatika peulisan pembahasan laporan tugas akhir ini adalah

sebagai berikut:

1. Bab I Pendahuluan

Menguraikan latar belakang penyusunan tugas akhir dan

pembuatan aturan ANFIS, perumusan masalah, batasan masalah,

ruang lingkup, tujuan penelitian, dan sistematika penulisan.

2. Bab II Landasan Teori

Menguraikan teori–teori yang digunakan dalam tahap–tahap

penyelesaian masalah–masalah sesuai dengan topik penelitian.

3. Bab III Metode Penelitian

Menguraikan langkah-langkah atau tahapan–tahapan proses

yang akan dilakukan dalam penelitian.

4. Bab IV Analisa dan Perancangan Sistem

Menguraikan hasil analisa dan perancangan aturan ANFIS

yang akan digunakan pada implementasi dan pengujian.

5. Bab V Implementasi dan Pengujian

Melakukan Implementasi dan pengujian terhadap aturan

ANFIS yang telah ditetapkan.

6. Bab VI Penutup
24

Menguraikan kesimpulan dari penyusunan tugas akhir dan

pembuatan aturan ANFIS serta saran–saran untuk pengembangan.

BAB II

LANDASAN TEORI

2.1 Neural

Jaringan Syaraf Tiruan (artifical neural networks) atau disingkat JST adalah

sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang

sel syaraf biologi di dalam otak [Kristanto A., 2004 dalam Ferdinand Sinuhaji,

2009]. Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak

manusia yang selalu untuk mensimulasikan proses pembelajaran pada otak manusia

tersebut. Istilah buatan di sini digunakan karena jaringan syaraf ini

diimplementasikan dengan menggunakan program komputer yang mampu

menyelesaikan sejumlah proses perhitungan selama proses pembelajaran

[Kusumadewi S.,2003 dalam Ferdinand Sinuhaji, 2009].

Jaringan saraf tiruan (JST) (Bahasa Inggris: artificial neural network (ANN),

atau juga disebut simulated neural network (SNN), atau umumnya hanya disebut

neural network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang

dimodelkan berdasarkan jaringan saraf manusia. JST merupakan sistem adaptif yang

dapat merubah strukturnya untuk memecahkan masalah berdasarkan informasi

eksternal maupun internal yang mengalir melalui jaringan tersebut. Secara sederhana,

JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan
25

untuk memodelkan hubungan yang kompleks antara input dan output untuk

menemukan pola-pola pada data (id.wikipedia.org dalam Abdul Sani Sembiring,

2012).

Neuron adalah unit yang berfungsi untuk memproses informasi yang

merupakan dasar dari operasi Jaringan Saraf Tiruan (JST). Gambar 2.1 menunjukkan

komponen dari neuron. Terdapat 3 elemen dasar dari neuron, yaitu :

1. Sinapsis yang menghubungkan antara neuron yang satu dengan neuron yang lain,

dimana setiap sinapsis memiliki bobot masing-masing.

2. Penjumlah atau adder bertugas menjumlahkan sinyal input yang telah diberi bobot

berdasarkan bobot pada sinapsis neuron tersebut.

Fungsi aktivasi yang digunakan untuk membatasi keluaran dari sebuah neuron.

Gambar 2.1: Komponen Neuron

2.2 Fuzzy

2.2.1 Pengertian Logika Fuzzy

Fuzzy secara bahasa diartikan sebagai kabur atau samar-samar. Suatu nilai

dapat bernilai benar atau salah secara bersamaan. Dalam Fuzzy dikenal derajat
26

keanggotaan yang memiliki rentang nilai 0 (nol) hingga 1(satu). Berbeda dengan

himpunan tegas yang memiliki nilai 1 atau 0 (ya atau tidak) .

Logika Fuzzy merupakan seuatu logika yang memiliki nilai kekaburan

atau kesamaran (Fuzzy ness) antara benar atau salah. Dalam teori logika Fuzzy

suatu nilai bisa bernilai benar atau salah secara bersama. Namun berapa besar

keberadaan dan kesalahan suatu tergantung pada bobot keanggotaan yang

dimilikinya. Logika Fuzzy digunakan untuk menterjemahkan suatu besaran yang

diekspresikan menggunakan bahasa (linguistic), misalkan besaran kecepatan laju

kendaraan yang diekspresikan dengan pelan, agak cepat, cepat, dan sangat cepat. Dan

Logika Fuzzy menunjukan sejauh mana suatu nilai itu benar dan sejauh mana suatu

nilai itu salah. Tidak seperti Logika klasik crisp / tegas, suatu nilai hanya mempunyai

dua kemungkinan yaitu merupakan suatu anggota himpunan atau tidak. Derajat

keanggotaan 0 (nol) artinya nilai bukan merupakan anggota himpunan dan 1

(satu) berarti nilai tersebut adalah anggota himpunan.

Logika Fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang

input kedalam suatu ruang output, mempunyai nilai kontinyu. Fuzzy dinyatakan

dalam derajat dari suatu keanggotaan dan derajat dari kebenaran. Oleh sebab

itu sesuatu dapat dikatakan sebagian benar dan sebagian salah pada waktu yang sama

(Zadeh, L.A. 1972 dalam Banon Tri Kuncahyo, 2012).

2.3 Neuro-Fuzzy

Menurut Jang (1997:1,458 dalam Anang Tjahjono, 2010), Neuro-Fuzzy

adalah merupakan penggabungan kemampuan jaringan neural dan sistem fuzzy.

Menurut Rahmat (2000:6 dalam Anang Tjahjono, 2010) ada dua macam

neuro-fuzzy yaitu:
27

a. Adaptive Neuro-Fuzzy Inference System (ANFIS)

b. Modified Adaptive Neuro-Fuzzy Inference System (Mod_ANFIS)

Sistem neuro-fuzzy yang digunakan pada tugas akhir ini berstruktur ANFIS.

Termasuk dalam kelas jaringan neural namun berdasarkan fungsinya sama dengan

sistem inferensi fuzzy.

2.4 Adaptif Neuro-Fuzzy Inference System (ANFIS)

Adaptive Neuro-Fuzzy Inference System (ANFIS) adalah penggabungan

mekanisme fuzzy inference system yang digambarkan dalam arsitektur jaringan

syaraf. Sistem inferensi fuzzy yang digunakan adalah sistem inferensi fuzzy model

Tagaki-Sugeno-Kang (TSK) orde satu dengan pertimbangan kesederhanaan dan

kemudahan komputasi.

Untuk menjelaskan arsitektut ANFIS, disini diasumsikan fuzzy inference

sistem (FIS) hanya mempunyai dua input, x dan y, serta satu output yang

dilambangkan z. Pada model sugeno orde satu, himpunan aturan menggunakan

kombinasi linier dari input-input yang ada, dapat diekspresikan sebagai berikut

(Artikel Abdul Sani Sembiring, 2012 dan Taylan, O, & Karagozoglu, B. 2009 dalam

Banon Tri Kuncahyo, 2012) :

IF x is A1 AND y is B1 THEN f1 = p1x + q1y + r1

IF x is A2 AND y is B2 THEN f2= p2x + q2y + r2.

ANFIS adalah jaringan Neural-Fuzzy yang terdiri dari atas lima lapisan dan

setiap lapisan terdapat node. Terdapat dua macam node yaitu node adaptif (bersimbol

kotak) artinya paramater bisa berubah dengan proses pembelajaran dan node tetap

(bersimbol lingkaran).
28

Layer 1 Layer 4

A1 Layer 2 Layer 3 X Y
W1 W1 W1f1 Layer 5
X
A2 T N
T f

M
B1 T N
T W2 W2 W2f2
Y
B2
X Y

Gambar 2.2 Arsitektur Jaringan ANFIS

Penjelasan pada masing-masing lapisan strukur ANFIS dapat dijabarkan

sebagai berikut:

1. Lapisan 1:

Setiap simpul i pada lapisan ini adalah simpul adaptif dengan fungsi

simpul:

O1,i = µAi(x) untuk i = 1,2 atau

O1,i = µAi-2(y) untuk i = 3,4 (1)

Di mana:

Dengan x dan y adalah input pada simpul ke i, dan Ai adalah label linguistik

seperti baik, buruk, dsb. Dengan kata lain O1,i adalah fungsi keanggotaan

dari Ai dan menspesifikasikan derajat keanggotaan x dan y terhadap Ai.

Fungsi keanggotaan µ Ai(x) didasarkan pada persamaan bell dengan nilai

maksimum 1 dan nilai minimum 0 (2.14).

Fungsi keanggotaan parameter dari A dapat didekati dengan fungsi bell::

µA1(X)= 1
2

x - ci
1+
ai
29

(2)

Di mana:

{ai, bi, ci} : himpunan parameter.

µ(x) : Derajat Keanggotaan

2. Lapisan 2:

Setiap simpul pada lapisan ini adalah simpul nonadaptif.

Outputnya merupakan perkalian dari semua input yang masuk pada lapisan ini

O2,i = wi = µAi(x) . µAi-2(y), i = 1,2,…,n (3)

Tiap keluaran simpul menyatakan derajat pengaktifan (firing

strength) tiap aturan fuzzy. Banyaknya simpul pada lapisan ini

menunjukkan banyaknya aturan yang dibentuk.

3. Lapisan 3 :

Untuk node yang terdapat pada layer ke-3, dan memiliki label N.

Dimana N mengidentifikasikan dilakukanya normalisasi terhadap output dari

layer ke-2, output dari lapyer ini adalah

Wi
O3,i = Wi = , i = 1,2
W1 + W2 (4)

Apabila dibentuk lebih dari 2 aturan, fungsi dapat diperluas dengan membagi

dengan jumlah total W untuk semua aturan.

4. Lapisan 4:

Setiap simpul pada lapisan ini adalah simpul adaptif dengan fungsi simpul :

O4,i = wifi = wi (pix + qiy + ri)


(5)
30

dengan Wi adalah bobot yang dinormalkan dari lapisan 3 dan {pi, qi, ri}

menyatakan parameter konsekuen yang adaptif.

5. Lapisan 5 :

Fungsi lapisan ini adalah untuk menjumlahkan semua masukan. Fungsi

simpul :
∑wifi
O5,i = ∑wifi = (6)
∑wifi
Jaringan adaptif dengan lima lapisan diatas ekivalen dengan sistem inferensi

fuzzy Takagi-Sugeno-Kang (TSK) atau yang lebih dikenal dengan sugeno (R.V. Hari

Ginardi, Isye Arieshanti, 2012).

2.5 Proses Belajar ANFIS

Menurut Jang(1997:340 dalam Anang Tjahjono, 2010) ANFIS dalam

kerjanya mempergunakan algoritma hibrida yaitu menggabungkan metode

Least_Squares Estimator (LSE) dan Error Back-Propagation (EBP).

Pada lapisan ke-1 parameternya merupakan parameter dari fungsi

keanggotaan himpunan fuzzy sifatnya non-linier terhadap keluaran system. Proses

belajar pada parameter ini menggunakan metode EBP untuk memperbaharui nilai

parameternya. Sedangkan pada lapisan ke-4, parameter merupakan parameter linier

terhadap keluaran sistem, yang menyusun basis kaidah fuzzy. Proses belajar untuk

memperbaharui parameter di lapisan ini menggunakan metode LSE.

2.6 Struktur Sistem Peramalan Dengan ANFIS


31

Untuk proses peramalan kepuasan pasien rawat jalan sesuai Tugas Akhir ini

digunakan arsitektur ANFIS 1 masukan dan 1 keluaran. Pada peramalan dengan

metode ANFIS terbagi menjadi 3 proses yaitu: proses Inisialisasi awal, proses

pembelajaran (learning), dan proses peramalan. Penentuan periode input dan periode

training dilakukan saat inisialisasi awal dimana tiap-tiap periode input memiliki pola

atau pattern yang berbeda. Data yang digunakan untuk proses pembelajaran (traning)

terdiri dari data input, parameter ANFIS, dan data test yang berada pada periode

traning ANFIS.

2.6.1 Teori Logika Fuzzy

Logika fuzzy menyatakan bahwa logika benar dan salah dalam logika

konvensional tidak dapat mengatasi masalah gradasi yang ada pada dunia nyata.

Tidak seperti logika Boolean, logika fuzzy mempunyai nilai yang kontinyu. Tingkat

fuzzy dinyatakan dalam derajat keanggotaan dan derajat kebenaran. Oleh sebab itu

dinyatakan bahwa sebuah kondisi bisa bernilai sebagian benar dan sebagian salah

pada waktu yang sama (Zadeh, L. A. 1972 dalam Banon Tri Kuncahyo, 2012).

Umumnya, sistem FL terdiri dari komponen fuzzification, inference system

dan defuzzification. Hubungan di antara mereka yang ditunjukkan pada Gambar 2.2

(S.Shamshirband, S. Kalantari and Z. Bakhshandeh, 2010).

2.6.2 Himpunan Fuzzy (Fuzzy Sets)

Himpunan fuzzy (fuzzy set) adalah sekumpulan obyek x dimana masing-

masing obyek memiliki nilai keanggotaan (membership function) “μ” atau disebut

juga dengan nilai kebenaran. Jika X adalah sekumpulan obyek dan anggotanya

dinyatakan dengan x maka himpunan fuzzy dari A di dalam X adalah himpunan


32

dengan sepasang anggota atau dapat dinyatakan dengan (Kusumadewi, Sri. 2002

dalam Banon Tri Kuncahyo, 2012):

= { μA( ) | ∶ ∈X, ( )∈[0,1]∈ R} (7)

Contoh, jika A = “bilangan yang mendekati 10” dimana :

A = {(x, μA(x)) | μA(x ) = (1+(x-10)2)-1}

A = {(0, 0.01),…,(5, 0.04),…,(10, 1),…,(15, 0.04),…}

Ada beberapa hal yang perlu diketahui dalam sistem fuzzy, yaitu (Kusumadewi, Sri.

2002 dalam Banon Tri Kuncahyo, 2012):

1. Variabel fuzzy

Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem

fuzzy. Contoh: umur, temperatur, permintaan, dan lain-lain.

2. Himpunan fuzzy

Himpunan fuzzy merupakan suatu grup yang memiliki suatu kondisi atau

keadaan tertentu dalam suatu variabel fuzzy. Contoh: Variabel temperatur terbagi

menjadi 5 himpunan fuzzy, yaitu: DINGIN, SEJUK, NORMAL, HANGAT dan

PANAS.

Bahu Bahu
Kiri Temperatur Kanan

DINGIN SEJUK NORMAL HANGAT PANAS

Derajat Keanggotaan
µ(x)

0 0 28 40
0
Temperatur ( C)

Gambar 2.4 Representasi Kurva Bahu

3. Semesta Pembicaraan
33

Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk

dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan

bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan

atau sebaliknya. Nilai semesta pembicaraan dapat berupa bilangan positif maupun

negatif. Contoh semesta pembicaraan:

a. Semesta pembicaraan untuk variabel umur: [0 +∞]

b. Semesta pembicaraan untuk variabel temperatur: [0 40]

4. Domain

Domain himpunan fuzzy adalah keseluruhan nilai yang diizinkan dan boleh

dioperasikan dalam suatu himpunan fuzzy. Semesti halnya semesta pembicaraan,

domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara

monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun

negatif. Contoh domain himpunan fuzzy:

a. DINGIN = [0, 20]

b. SEJUK = [15, 25]

c. NORMAL = [20, 30]

d. HANGAT = [25, 35]

e. PANAS = [30, 40].

2.6.3 Fungsi Keanggotaan

Ada dua cara mendefenisikan keanggotaan himpunan fuzzy,yakni sebagai

berikut:

1. Secara numeris
34

Menyatakan derajat fungsi keanggotaan suatu himpunan fuzzy sebagai vector

bilangan yang dimensinya tergantunng pada level diskretisasi (cacah elemen

diskret didalam semesta).

2. Secara fungsional

Menyatakan fungsi keanggotaan suatu himpunan fuzzy dalam ekspresi analitis

yang memungkinkan derajat keanggotaan dalam setiap elemen dapat dihitung di

dalam setiap wacana yang didefenisikan.

2.6.4 Teori Fuzzy Sugeno

Penalaran dengan metode Sugeno hampir sama dengan penalaran Mamdani,

hanya saja output (konsekuen) sistem tidak berupa himpunan Fuzzy , melainkan

berupa konstanta atau persamaan linear. Michio Sugeno mengusulkan penggunaan

singleton sebagai fungsi keanggotaan dari konsekuen. Singleton adalah sebuah

himpunan Fuzzy dengan fungsi keanggotaan yang pada titik tertentu mempunyai

sebuah nilai 1 dan 0 di luar titik tersebut.

Ada 2 model Fuzzy dengan metode Sugeno yaitu sebagai berikut:

1. Model Fuzzy Sugeno Orde-Nol

Secara umum bentuk model Fuzzy Sugeno Orde Nol adalah:

IF (x1 is A1) o (x2 is A2) o (x3 is A3) o… o (xN is AN) THEN z=k dengan Ai

adalah himpunan Fuzzy ke-I sebagai antesenden, dan k adalah suatu

konstanta (tegas) sebagai konsekuen.

2. Model Fuzzy Sugeno Orde-Satu

Secara umum bentuk model Fuzzy Sugeno Orde-Satu adalah:

IF (x1 is A1) o… o (xN is AN) THEN z = p1*x1+… + pN*xN+q dengan Ai

adalah himpunan Fuzzy ke-i sebagai antesenden, dan pi adalah suatu

konstanta (tegas) ke-i dan q juga merupakan konstanta dalam konsekuen.


35

2.6.5 Fuzzy C-Means (FCM)

Fuzzy clustering adalah salah satu teknik untuk menentukan cluster optimal

dalam suatu ruang vektor yang didasarkan pada bentuk normal Euclidian untuk jarak

antar vektor. Fuzzy clustering sangat berguna bagi pemodelan fuzzy terutama dalam

mengidentifikasi aturan-aturan fuzzy. Ada beberapa algoritma clustering data, salah

satu diantaranya adalah Fuzzy C-Means atau sering disingkat FCM (Sri Kusumadewi

2002, dalam Nur Endah Sari. dkk. 2011).

Fuzzy C-Means (FCM) adalah suatu teknik pengclusteran data yang mana

keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat

keanggotaan. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun

1981.

Konsep dasar FCM, pertama kali adalah menentukan pusat cluster yang akan

menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat cluster ini

masih belum akurat. Tiap-tiap data memiliki derajat keanggotaan untuk tiap-tiap

cluster. Dengan cara memperbaiki pusat cluster dan nilai keanggotaan tiap-tiap data

secara berulang, maka dapat dilihat bahwa pusat cluster akan menuju lokasi yang

tepat. Perulangan ini didasarkan pada minimasi fungsi obyektif yang

menggambarkan jarak dari titik data yang diberikan ke pusat cluster yang terbobot

oleh derajat keanggotaan titik data tersebut (Eko Sediyono, et al. 2006).

2.6.6 Algoritma FCM

Dalam algoritma Fuzzy C-Means, input data yang akan di cluster berupa

matriks X berukuran n x m (n = jumlah sampel data dan m = atribut setiap data). Xij

= data sampel ke-i (i= 1, 2, , n), atribut ke-j (j = 1, 2, ..., m). Algoritma yang akan
36

digunakan untuk menyelesaikan permasalahan fuzzy clustering dengan menggunakan

metode Fuzzy C-Means adalah sebagai berikut:

1. Tetapkan:

Jumlah cluster = c (≥ 2).

Pangkat pembobot = w (> 1)

Maksimum iterasi = MaxIter

Error terkecil yang diharapkan = ξ

Fungsi obyek awal = P0 = 0

Iterasi awal =t=1

2. Bentuk matriks partisi awal, U0, dibuat secara random dengan syarat jumlah tiap

kolom harus bernilai satu.

(4)

3. Hitung pusat cluster, V, tiap cluster:

(5)

Dengan :

Vij = pusat cluster

µik = derajat keanggotaan titik ke-k di cluster ke-i

w = pangkat pembobot

x = data masukan ke-k

4. Hitung fungsi obyektif pada iterasi ke-t

(6)

5. Update derajat keanggotan μ


37

(7)

6. Cek kondisi berhenti,

Jika |Pt – Pt-1| < ɛ atau (t < MaxIterasi) maka berhenti. (8)

Jika tidak: t = t+1, ulangi langkah ke 3.

2.7 Prediksi

2.9.1 Pengertian Prediksi

Prediksi adalah memperkirakan sesuatu yang akan terjadi di masa yang akan

datang. Kejadian masa lampau dipelajari untuk menentukan kecondongan atau pola

datanya. Dengan kata lain peramalan bertujuan mendapatkan peramalan yang

bisa meminimumkan kesalahan meramal (forecase error) yang biasanya diukur

dengan mean square error, mean absolute error, dan sebagainya. Data merupakan

salah satu unsur utama yang tidak dapat dipisahkan dari kegiatan peramalan. Tipe

pola suatu data dapat mempengaruhi hasil peramalan.

2.9.2 Jenis Prediksi

Jenis prediksi berdasarkan horizon perencanaan adalah sebagai berikut :

1. Prediksi jangka pendek

Prediksi jangka pendek merupakan waktu prediksi kurang dari tiga bulan.

2. Prediksi jangka menengah

Prediksi jangka menengah merupakan prediksinya tiga bulan hingga dua

tahun.

3. Prediksi jangka panjang


38

Prediksi jangka panjang merupakan jangka waktu prediksi lebih dari dua

tahun.

2.9.3 Teknik Prediksi

Terdapat dua kategori umum teknik prediksi yaitu kuantatif dan kualitatif.

Antara lain adalah sebagai berikut :

1. Teknik prediksi kuantitatif meliputi regression analys, exponential

smoothing, moving average, life cycle, box-jenskin, trend line analys,

docomposition, stright-line, projection,life cycle analys, simulation, neural

network.

2. Teknik prediksi kuantitatif, meliputi ; neural network, jury of

executiveopinion, sales force coposite, customer expectations (customer

survey), delphi dan naive.

2.9.4 Validasi Prediksi

Error pada prediksi merupakan selisih dari nilai data aktual (Y(t)) dengan

nilai hasil prediksi Y^(t)).

1. Root Mean Squared Error (RMSE)

Kesalahan rata-rata akar kuadrat atau Root Mean Squared Errors (RMSE)

dengan persamaan:
n

RMSE = ∑(Xt – t)2 (12)

t=1 n
Keterangan:
39

Xt :Nilai aktual pada periode ke t

Ft :Nilai Peramalan pada periode ke t

N :Jumlah data

Xt-Ft :Nilai Kesalahan (error) pada periode ke t

RMSE adalah metode untuk mengevaluasi teknik peramalan. Akar kuadrat

dari hasil masing-masing kesalahan (selisih data aktual dengan data peramalan

dikuadratkan kemudian dijumlahkan kemudian dibagi dengan jumlah data).

2. Mean Absolute Percentage Error ( MAPE)

Nilai tengah kesalahan presentase absolute atau Mean Absolute Percentage

Error (MAPE), dengan persamaan:

MAPE = ∑ (X – F )
t t
(13)
t=1 X1
100
n %
Keterangan:

Xt = nilai aktual periode t

Ft = nilai peramalan pada periode t

Xt – Ft = nilai kesalahan peramalan (eror)

n = jumlah data

MAPE merupakan presentase yang dihitung dari nilai absolut kesalahan di

masing-masing periode dan dibagi dengan nilai data aktual periode tersebut

kemudian dicari rata-rata kesalahan.

2.8 Kepuasan
40

Kepuasan atau satisfaction berasal dari bahasa Latin “satis” (artinya cukup

baik, memadai) dan “facto” (melakukan atau membuat), sehingga secara sederhana

dapat diartikan sebagai upaya pemenuhan sesuatu (Edwardson, 1998 dalam Wardani,

2004:

Menurut Kotler (2000) dalam Indah Setyawati, S.KM. (2009) menyatakan

bahwa kepuasan pelanggan adalah tingkat keadaan perasaan seseorang yang

merupakan hasil perbandingan antara penilaian kinerja/hasil akhir produk dalam

hubungannya dengan harapan pelanggan.

Menurut R. Oliver (2003:31), kepuasan adalah respon pemenuhan dari

konsumen. Kepuasan adalah hasil penilaian konsumen bahwa produk atau pelayanan

telah memberikan tingkat kenikmatan dimana tingkat pemenuhan ini dapat lebih

ataupun kurang.

2.9 Kepuasan Pasien

Kepuasan pasien tergantung pada kualitas pelayanan. Pelayanan adalah

semua upaya yang dilakukan karyawan untuk memenuhi keinginan pelanggannya

dengan jasa yang akan diberikan. Suatu pelayanan dikatakan baik oleh pasien,

ditentukan oleh kenyataan apakah jasa yang diberikan bisa memenuhi kebutuhan

pasien, dengan menggunakan persepsi pasien tentang pelayanan yang diterima

(memuaskan atau mengecewakan, juga termasuk lamanya waktu pelayanan).

Kepuasan dimulai dari penerimaan terhadap pasien dari pertama kali datang,

sampai pasien meninggalkan rumah sakit (puskesmas). Pelayanan dibentuk

berdasarkan 5 prinsip Service Quality yaitu kecepatan, ketepatan, keramahan,

kepekaan dan kenyamanan layanan.

Ketidakpuasan pasien diartikan sama dengan keluhan terhadap puskesmas

atau rumah sakit, berikut pelayanan yang dilakukan oleh tenaga kesehatannya
41

(dokter, perawat, apoteker, psikolog dan lainnya) dan struktur sistem perawatan

kesehatan (biaya, sistem asuransi, kemampuan dan prasarana pusat kesehatan dan

lain-lain). Pasien mengharapkan interaksi yang baik, sopan, ramah, nyaman dengan

tenaga kesehatan, sehingga kompetensi, kualifikasi serta kepribadian yang baik dari

pelayan kesehatan. Faktor utama dalam mempengaruhi kepuasan pasien adalah

lengkapnya peralatan medik, bangunan dan fasilitas rumah sakit yang memadai,

kelengkapan sarana pendukung dalam pelayanan.

Proses kepuasan pelanggan tersebut dapat dilihat pada Gambar 2.1 berikut

ini.

Tujuan Perusahaan Kebutuhan dan


keinginan Pelanggan

PRODUK/JASA
Harapan pelanggan
terhadap produk
Nilai Produk bagi
pelanggan

Tingkat kepuasan
pelanggan

Gambar 2.11 Diagram Konsep Kepuasan Pelanggan (Rangkuti, 2006)

2.9.1. Faktor-Faktor Pendorong Kepuasan Pelanggan

Menurut Irawan (2007 dalam Velma Fidelia Rahmani, 2009), terdapat lima

komponen yang dapat mendorong kepuasan pelanggan, yaitu :

1. Kualitas produk

Kualitas produk mencakup enam elemen, yaitu performance, durability, feature,

reliability, consistency, dan design.


42

Setelah membeli dan menggunakan suatu produk, pembeli akan merasa puas bila

ternyata kualitas produknya baik atau berkualitas.

2. Kualitas pelayanan

Salah satu konsep service quality adalah ServQual sangat tergantung dari tiga

faktor, yaitu : 1) sistem, 2) teknologi, 3) manusia. Berdasarkan konsep ServQual,

komponen ini mempunyai banyak dimensi, yaitu : reliability, responsiveness,

assurance, empathy, dan tangible.

3. Faktor emosional

Kepuasan konsumen yang diperoleh pada saat menggunakan suatu produk yang

berhubungan dengan gaya hidup. Kepuasan pelanggan didasari atas rasa bangga,

rasa percaya diri, simbol sukses, dan sebagainya.

4. Harga

Komponen harga sangat penting karena dinilai mampu memberikan kepuasan

yang relatif besar dalam industri ritel. Harga yang murah akan memberikan

kepuasan bagi pelanggan yang sensitif terhadap harga karena mereka akan

mendapatkan value for money yang tinggi.

5. Kemudahan

Komponen ini berhubungan dengan biaya untuk memperoleh produk atau jasa.

Pelanggan akan semakin puas apabila relatif mudah, nyaman, dan efisien dalam

mendapatkan produk atau pelayanan.

2.9.2. Pengukuran Kepuasan Pelanggan

Metode penelitian yang akan dilakukan adalah dengan menggunakan metode

survei. Pengukurannya dilakukan dengan cara berikut :


43

1. Pengukuran dilakukan secara langsung melalui interview dengan menggunakan

kuesioner kepada pasien.

2. Kuesioner berisikan pertanyaan-pertanyaan dengan menggunakan skala ordinal

mengenai harapan dan kinerja yang terkait dengan atribut yang ada. Untuk

tingkat harapan terdiri dari ”sangat tidak penting”, ”tidak penting”, ”penting”,

dan ”sangat penting”. Untuk tingkat kenyataan (kinerja) terdiri dari ”sangat tidak

baik”, ”tidak baik”, ”baik”, dan ”sangat baik”.

3. Responden diminta menilai seberapa besar harapan mereka terhadap suatu atribut

tertentu dan seberapa besar yang mereka rasakan terhadap atribut tersebut.

4. Responden diminta merangking elemen atau atribut penawaran dari pertanyaan-

pertanyaan yang ada berdasarkan derajat kepentingan setiap elemen dan seberapa

baik kinerja perusahaan pada masing-masing elemen.

2.10 Identifikasi Kepuasan Pasien

Indikator variabel kepuasan pelanggan yang dilakukan Puskesmas Desa Gedang

Sungai Penuh adalah sebagai berikut:

1. Kepuasan Terhadap Layanan Medis

Kebijakan yang di lakukan Puskesmas Desa Gedang Sungai Penuh terkait dengan

kepuasan terhadap layanan medis adalah penggunaan standar terapi yang valid dan up to

date, penerapan patient safety sebagai budaya layanan medis dengan mengutamakan hak

dan kenyamanan pasien dalam setiap kebijakan tindakan medis yang akan dilakukan.

2. Kepuasan Terhadap Fasilitas Layanan Penunjang Medis

Kebijakan yang dilakukan Puskesmas Desa Gedang Sungai Penuh terkait dengan

kepuasan terhadap fasilitas penunjang medis adalah adanya disediakannya fasilitas

penunjang medis seperti; Laboratorium, Rontgen, Instalasi Farmasi, Rekam Medis.

Penggunaan alat–alat penunjang medis yang terkalibrasi secara akurat menjamin hasil
44

pemeriksaan penunjang yang akurat, hal ini sangat berpengaruh terhadap kebijakan

layanan medis yang akan dilakukan terhadap pasien. Ketersediaan obat di Instalasi

Farmasi sesuai standar terapi rumah sakit.

3. Kepuasan Terhadap Fasilitas Layanan Umum

Kebijakan yang dilakukan Puskesmas Desa Gedang Sungai Penuh terkait dengan

kepuasan terhadap fasilitas umum adalah disediakan karyawan cleaning service yang

setiap hari selalu membersihkan lingkungan fisik rumah sakit. Parkir yang luas, adanya

ruang tunggu yang nyaman. Puskesmas Desa Gedang Sungai Penuh juga merenovasi tata

letak (layout) agar lebih nyaman dan mudah diakses sesuai kebutuhan pasien dan

pengunjung lainnya.

4. Kepuasan Terhadap Layanan Administrasi

Kebijakan yang di lakukan Puskesmas Desa Gedang Sungai Penuh terkait dengan

kepuasan terhadap layanan administrasi adalah penentuan tarif layanan yang kompetitif

dan pasti serta informasi yang jelas tentang tatacara layanan rawat jalan, informasi

nama–nama dokter dan hari / jam praktek. Penentuan kesepakatan cara pemenuhan

kewajiban administratif dan pembayaran yang dilakukan bersama pasien sejak awal

layanan.

5. Kepuasan Terhadap Sikap Karyawan

Kebijakan yang dilakukan Puskesmas Desa Gedang Sungai Penuh terkait dengan

kepuasan terhadap sikap karyawan adalah Puskesmas Desa Gedang Sungai Penuh

memberikan kesempatan pada pasien atau keluarga pasien untuk memberikan penilaian

terhadap pelayanan yang diberikan karyawan pasca pelayanan medis. Selain itu

Puskesmas Desa Gedang Sungai Penuh menyediakan bagian informasi yang selalu siap
45

sedia memberikan penjelasan tentang akses terhadap fasilitas medis, penunjang medis

dan penunjang umum yang dibutuhkan oleh pasien dan keluarganya.

Kepuasan terhadap layanan medis

Kepuasan thd layanan penunjang medis

Kepuasan
Pasien
Kepuasan terhadap fasilitas layanan umum

Kepuasan terhadap layanan administrasi

Kepuasan terhadap sikap karyawan

Gambar 2.12: Indikator Variabel Kepuasan Pasien

Sumber : Kebijakan di Puskesmas Desa Gedang Kodya Sungai Penuh tentang Kepuasan
Pasien, 2009.

2.12.1 Skala Likert

Skala pengukuran yang digunakan dalam penelitian ini adalah Skala Likert

agar data kualitatif dapat dikuantitatifkan sehingga nilai variabel yang diukur dengan

instrument tertentu dapat dinyatakan dalam bentuk angka. Skala Likert merupakan

skala yang dapat memperlihatkan tanggapan konsumen terhadap karakteristik suatu

produk/jasa (Durianto dkk., 2004 dalam Velma Fidelia Rahmanai, 2009). Informasi

yang diperoleh dengan skala Likert berupa skala pengukuran ordinal, oleh karenanya
46

terhadap hasil hanya dapat dibuat rangking tanpa dapat diketahui berapa besarnya

selisih antara satu tanggapan ke tanggapan lainnya.

Responden diminta untuk menjawab tingkat harapan (importance) pada tiap

atribut kualitas pelayanan dengan memberi bobot sebagai berikut:

a) 1 untuk jawaban sangat tidak penting

b) 2 untuk jawaban tidak penting

c) 3 untuk jawaban penting

d) 4 untuk jawaban sangat penting

Responden dinyatakan tingkat kenyataan atau kinerja (performance) pada

atribut-atribut kualitas pelayanan yang sama dengan memberikan bobot sebagai

berikut:

a) 1 untuk jawaban sangat tidak setuju

b) 2 untuk jawaban tidak setuju

c) 3 untuk jawaban setuju

d) 4 untuk jawaban sangat setuju

Pada penulisan inin sendiri menggunakan pilihan jawaban dan nilai jawaban
responden sebagi berikut:
Besar Bobot dan Kategori Kategori
Penilaian Bobot
1 Sangat Tidak Puas (STP)
2 Tidak Puas (TP)
3 Cukup Puas (CP)
4 Puas (P)
5 Sangat Puas (SP)

Menurut Freedy Rangkuty, 2002 dalam Khairunnisa Rizkiani, 2011, langkah-

langkah dalam mengerjakan metode Skala Likert adalah:


47

1. Mengumpulkan sejumlah pertanyaan-pertanyaan yang berkaitan dengan

masalah yang akan diteliti. Responden diharuskan memilih salah satu dari

sejumlah kategori jawaban yang tersedia, kemudian masing-masing jawaban

diberi nilai tertentu.

2. Membuat nilai total untuk setiap orang yang dengan menjumlahkan nilai

untuk jawaban.

3. Menilai kekompakan antar pertanyaan.

2.12.2 Korelasi Product Moment Pearson

Teknik korelasi ini digunakan untuk mencari hubungan dan membuktikan

hipotesis hubungan dua variable bila data kedua variable berbentuk interval atau ratio

dan sumber data dari dau varibel atau lebih adalah sama (Sugiyono, 2003 dalam

Velma Fidelia Rahmanai, 2009). Kuat lemahnya hubungan diukur diantara jarak

(range) 0 sampai dengan 1.

Untuk dapat memberikan penafsiran terhadap koefisien korelasi yang

ditemukan baik besar atau kecil, maka dapat berpedoman pada ketentuan yang tertera

pada Tabel 2 berikut:

Tabel 21: Pedoman Untuk Memberikan Interpretasi Terhadap

Koefisien Korelasi

Interval Koefisien Tingkat Hubungan


(Nilai Korelasi) (Interpretasi) Tingkat Kepuasan
0,00-0,199 Sangat Rendah Sangat Kurang Memuaskan
0,20-0,399 Rendah Kurang Memuaskan
0,40-0,599 Sedang/agak rendah Memuaskan
0,60-0,799 Kuat/Cukup Cukup Memuaskan
0,80-1,000 Sangat Kuat/Tinggi Sangat Memuaskan
48

Sumber: Sugiyono, 2003 dalam Velma Fidelia Rahmanai, 2009 dan Sudibyo
Supardi, 2008).

BAB III

METODOLOGI PENELITIAN

3.1 Pendahuluan

Pada bab ini akan diuraikan metodologi penelitian yang digunakan dalam

penyelesaian tesis ini. Metodologi penelitian merupakan urutan-urutan yang

dilakukan dalam melakukan sebuah penelitian. Metodologi ini bertujuan agar

penelitian bisa lebih terkonsep dan terarah sesuai dengan tujuan yang diharapkan

terhadap penelitian tersebut.

Metodologi penelitian ini kemudian digambarkan ke dalam bentuk sebuah

kerangka kerja. Berdasarkan pedoman dari kerangka kerja inilah penelitian akan

akan dilakukan. Kerangka kerja ini akan dimulai dari melakukan studi pendahuluan

hingga nantinya akan menghasilkan sebuah sistem yang setelah diuji dapat

memenuhi tujuan dan memecahkan permasalahan yang diteliti.

3.2 Kerangka Kerja (Frame Work) Penelitian


49

Pada bab ini juga akan diuraikan metodologi penelitian dan kerangka kerja

penelitian. Kerangka kerja ini merupakan langkah-langkah yang akan dilakukan

dalam penyelesaian masalah yang akan dibahas. Adapun kerangka kerja penelitian

ini dapat digambarkan pada gambar 3.1 berikut:

Gambar 3.1 Kerangka Kerja (Frame Work) Penelitian

Berdasarkan kerangka kerja pada gambar 3.1 maka masing-masing

langkahnya dapat diuraikan seperti berikut ini :

1. Mendefenisikan Ruang Lingkup Masalah

Pada tahap ini akan didefinisikan ruang lingkup permasalahan dan

dirumuskan masalah yang akan diteliti dan batasan masalah yang akan diteliti

agar gambarannya jelas dan bahasan tidak melebar sesuai dengan topik dalam

hal ini yaitu tentang ANFIS untuk prediksi kepuasan pasien terhadap

pelayanan puskesmas berdasarkan analisis pelayanan pasien dengan alat

bantu matlab toolbox, maka akan didapat suatu solusi yang terbaik dari
50

masalah tersebut. Jadi langkah pertama ini adalah langkah awal yang

terpenting dalam penulisan ini.

2. Langkah analisisa permasalahan adalah langkah untuk dapat memahami

masalah yang telah ditentukan pada ruang lingkup atau batasannya. Dengan

menganalisa masalah yang telah ditentukan tersebut, maka diharapkan

masalah dapat dipahami dengan baik dan penyelesaian bisa diperoleh dengan

maksimal dan dengan metode yang cocok. Teknik analisisa yang digunakan

dapat dilakukan dengan beberapa tahap berikut:

a. tahap identify yaitu: mengidentifikasi permasalahan yang terjadi,

b. tahap understand yaitu: memahami lebih lanjut tentang permasalahan

yang ada dengan cara melakukan pengumpulan data yang dibutuhkan,

c. tahap analyze yaitu: mencari kelemahan-kelemahan sistem yang ada

dan mengumpulkan informasi tentang kebutuhan-kebutuhan lebih

lanjut tentang harapan pasien.

Masalah yang dihadapi pada Puskesmas Desa Gedang Sungai Penuh

adalah dalam melakukan penilaian kepuasan yang dilakukan oleh Puskesmas

untuk memprediksi kepuasan pasien terhadap pelayanan yang diberikan.

Pelayanan ini sangat perlu baik bagi pasien maupun Puskesmas. Prediksi yang

tidak akurat akan berdampak negative bagi pihak Puskesmas ataupun pasien.

3. Menentukan Tujuan

Berdasarkan pemahaman dari masalah, maka ditentukan tujuan yang

akan dicapai dari penulisan ini. Pada tujuan ini ditentukan target yang akan

dicapai, terutama yang dapat mengatasi masalah-masalah yang ada.

4. Mempelajari Literatur yang berkaitan dengan judul


51

Berdasarkan pemahaman dari masalah, maka ditentukan tujuan yang

akan dicapai dari penulisan ini. Pada tujuan ini ditentukan target yang dicapai,

terutama yang dapat mengatasi masalah-masalah yang ada. Setelah masalah

dianalisa, maka dipelajari literatur yang berhubungan dengan permasalahan.

Kemudian literatur-literatur yang dipelajari tersebut diseleksi untuk dapat

ditentukan literatur mana yang akan digunakan dalam penelitian ini. Sumber

literatur didapatkan dari perpustakaan, jurnal, artikel, yang membahas tentang

Logika Fuzzy, ANFIS, sistem pelayanan, analisa kepuasan pasien dan bahan

bacaan lain yang mendukung penelitian.

5. Mengumpulkan data-data yang dibutuhkan

Dalam melakukan penelitian ini, metode pengumpulan data yang

digunakan adalah metode survei yaitu teknik pengumpulan dan analisis data

berupa opini dari responden yang diteliti melalui tanya jawab.

Dan dalam metode survei ini, penulis menggunakan kuesioner

(pertanyaan tertulis) karena dengan adanya kontak langsung antara peneliti dan

responden akan menciptakan suatu kondisi yang cukup baik, sehingga

responden dengan sukarela memberikan data yang obyektif dan cepat.

Pengumpulan data dan informasi pada tahap ini dilakukan untuk

mengetahui mengenai sistem yang diteliti. Dari data dan informasi yang

dikumpulkan akan didapat data untuk pendukung penelitian. Metode yang

digunakan penulis untuk pengumpulan data adalah sebagai berikut:

a. Observasi

Yaitu pengamatan secara langsung ditempat penelitian sehingga

permasalahan yang ada dapat diketahui secara jelas.

b. Wawancara
52

Wawancara dilakukan dengan pihak yang terkait yang bertujuan untuk

mendapatkan data atau informasi yang dibutuhkan. Pada penelitian ini

pihak yang di wawancarai adalah pasien rawat jalan, dan pihak

Puskesmas.

c. Melakukan studi pustaka dengan membaca buku-buku/jurnal ilmiah yang

menunjang untuk dapat menganalisa data dan informasi yang didapat.

6. Menganalisa Data-data yang ada

Setelah pengumpulan data selanjutnya dilakukan analisisa terhadap

data. Hal ini bertujuan untuk melakukan pengelompokan terhadap data

tersebut, sehingga akan memudahkan penulis di dalam melakukan analisisa

berikutnya. Analisisa data diperlukan untuk mengelompokkan data pelayanan

pasien.

7. Perancangan sistem ANFIS

Setelah menganalisa data-data yang ada dan menentukan metode yang

akan digunakan dalam merancang sistem dengan metode ANFIS. Pada

perancangan sistem akan dilakukan beberapa kegiatan yaitu proses fuzzyfikasi

yang dilakukan pada lapisan 1, sistem inference fuzzy yang dilakukan pada

lapisan 2 dan 3, dan defuzzyfikasi yang dilakukan pada layer 4.

8. Pengujian Sistem

Menampilkan hasil pengolahan data. Proses ini merupakan proses

yang terakhir dari rangkaian dalam sistem ini. Adapun mekanisme pengujian

yang akan dilakukan adalah:

a. Pengujian manual dengan menggunakan rumus. Di mana dalam mencari

nilai dari variabel input dilakukan proses fuzzifikasi dengan mencari nilai
53

derajat keanggotaan masing-masing kriteria input. Proses pencarian

derajat keanggotaan bell.

b. Pengujian dengan menggunakan matlab toolbox, yaitu dengan

mencocokkan hasil yang didapat dengan rumus manual, dimasukkan

dengan ANFIS matlab toolbox.

9. Menarik Kesimpulan

Langkah selanjutnya adalah menarik kesimpulan dari pengujian

sistem dengan yang ada di lapangan dan mencocokkan hasilnya, diharapkan

nantinya dari hasil penelitian ini dengan menggunakan metode ANFIS bisa

digunakan untuk prediksi kepuasan pasien rawat jalan berdasar analisis

sistem pelayanan sehingga menghasilkan kesimpulan yang sesuai dengan

rumusan masalah dan tujuan yang akan dicapai, serta saran-saran yang

diperlukan untuk pengembangan penelitian yang akan datang sekaligus

sebagai referensi.
54

BAB IV

ANALISA DAN PERANCANGAN

4.1 Analisa Data

Pada tahap melakukan penganalisaan data berdasarkan pada data yang telah

ada dan diperoleh pada tahap pengumpulan data, akan dilakukan beberapa

perancangan tahap penyelesaian perangkat lunak. Berdasarkan literatur-literatur

yang ada dan observasi lapangan, data disusun dan dikelompokkan dalam bentuk

tabel multikriteria sederhana. Hal ini agar mempermudah dalam analisa dan proses

data.

Pada tahap ini juga akan dijelaskan analisa penyelesaian permasalahan,

analisa perangkat lunak yang akan digunakan pada penelitian ini dan perancangan

dengan melakukan transformasi analisis ke model perancangan dengan

menggunakan Adaptive Neuro Fuzzy Inference System (ANFIS).

Analisis terhadap masalah pada penelitian ini yakni pada prediksi kepuasan

pelayanan berdasarkan analisis kepuasan pasien. Dengan menggunakan Adaptive

Neuro Fuzzy Inference System (ANFIS) untuk melakukan prediksi, data yang akan

digunakan pada prediksi berdasarkan data-data yang ada yang akan diteliti.

4.1.1. Analisis Predikasi Tingkat Kepuasan Pasien

Prediksi kepuasan pasien dilakukan menggunakan metode tradisional dan

model pengambilan keputusan individu (The Satisficing Models). Dalam prediksi


55

kepuasan pasien pada Puskesmas Desa Gedang Sungai Penuh memiliki kebijakan

tersendiri.

a. Faktor-faktor yang Mempengaruhi Kepuasan Pasien

Dalam banyak penelitian menyatakan ada banyak jumlah variabel yang

mempengaruhi prediksi, dan pada penelitian ini ada banyak faktor yang

mempengaruhi kepuasan pasien. Dalam penelitian ini dipilih 5 (lima) faktor yang

mempengaruhi kepuasan pasien, seperti nilai Tangibles, Reliability, Responsiveness,

Assurance, dan Emphaty.

b. Data Input

Input data untuk melakukan prediksi kepuasan pasien berdasarkan dimensi

pelayanan terbagi atas 5 (lima) input, yaitu tangible, reliability, responsiveness,

assurance, dan empaty.

Tabel 4.1 Data Quesioner

RESPON INPUT DATA


Tangibles Reliability Responsiveness Assurance Emphaty OUTPUT
DEN

2 5 3 3 5 3.6
1
2 3 2 2 1 2
2
5 4 6 4 5 4.8
3
6 7 8 5 9 7
4
8 8 7 9 10 8.4
5
2 3 2 2 4 2.6
6
3 6 5 7 8 5.8
7
2 3 4 6 8 4.6
8
2 2 2 2 3 2.2
9
2 3 2 4 5 3.2
10
2 3 4 6 5 4
11
3 2 2 1 4 2.4
12
9 8 7 6 5 7
13
3 2 3 4 5 3.4
14
3 5 2 3 10 4.6
15
6 5 5 6 9 6.2
16
5 10 5 4 6 6
17
10 9 8 7 5 7.8
18
56

8 8 8 8 9 8.2
19
2 2 3 8 2 3.4
20
Sumber: Hasil questioner di Puskesmas Desa Gedang Sungai Penuh.

c. Pemerosesan Data

Berdasarkan data-data di atas, pemodelan prediksi menghasilkan 3 (tiga)

parameter yaitu:

1. Sangat Tidak Puas, direpresentasikan dengan angka ≤ 2 berarti Sangat Tidak

Setuju.

2. Puas, direpresentasikan dengan 2 ≥ angka ≤ 6 bearti Setuju

3. Sangat Puas, direpresentasikan dengan angka > 6 berarti Sangat Setuju.

4.1.2 Analisa Metode Adaptive Neuro Fuzzy Inference System (ANFIS)

Permasalahan yang akan diselesaikan adalah membuat suatu prediksi yang

dapat meramalkan tingkat kepuasan pasien jangka pendek, menengah ataupun jangka

panjang. Langkah-langkah yang dilakukan untuk memprediksi tingkat kepuasan

dengan metode Adaptive Neuro Fuzzy Inference System (ANFIS) terlihat pada

flowchart berikut:

Start

Menghimpun data

Data di-cluster denan


algoritma FCM

Perhitungan Mean dan


Standar deviasi

Perhitungan dengan
Metode ANFIS

Perhitungan dengan
MAPE

Stop
57

Gambar 4.1 Flowchart Tahapan Analisis ANFIS

4.1.3 Mengelola Data Dengan ANFIS

Desain struktur data harus menggunakan himpunan fuzzy. Data dibedakan

atas kriteria dan parameter. Kriteria yang digunakan adalah Dimensi pelayanan,

Kategori, dan Tingkat kepuasan pasien. Kriteria ini direpresentasikan sebagai data

fuzzy. Masing-masing kriteria memiliki parameter yang mencerminkan keanggotaan

pada himpunan fuzzy. Dalam sistem fuzzy keanggotaan ini direpresentasikan dalam

membership function (mf). Nilai fungsi keanggotaan masing-masing . Seperti pada

gambar 4.2 ;

Gambar 4.2 Variabel Input Dan Output

Tabel 4.2: Himpunan Fuzzy Dimensi Pelayanan

Fungsi Nama Variabel Semesta Pembicaraan

Kehandalan [1 10]
DayaTanggap [1 10]
Input Kepastian [1 10]
Berwujud [1 10]
Empati [1 10]
58

Output Hasil [1 10]

Dari variabel yang telah dimunculkan, dirancanglahlah domain himpunan

fuzzy seperti terlihat pada table 4.3.

Tabel 4.3: Himpunan Fuzzy Kehandalan

Variabel Nama Himpnan Fuzzy Domain


Sangat Tidak Setuju [1 2]
Kehandalan Setuju [2 6]
(Reliability) Sangat Setuju [6 10]

Tabel 4.4: Himpunan Fuzzy Daya Tanggap

Variabel Nama Himpnan Fuzzy Domain


Sangat Tidak Setuju [1 2]
DayaTanggap Setuju [2 6]
(Responsiveness) Sangat Setuju [6 10]

Tabel 4.5: Himpunan Fuzzy Kepastian

Variabel Nama Himpnan Fuzzy Domain


Sangat Tidak Setuju [1 2]
Kepastian Setuju [2 6]
(Assurance) Sangat Setuju [6 10]

Tabel 4.6: Himpunan Fuzzy Berwujud

Variabel Nama Himpnan Fuzzy Domain


Sangat Tidak Setuju [1 2]
Berwujud Setuju [2 6]
(Tangible) Sangat Setuju [6 10]

Tabel 4.7: Himpunan Fuzzy Empati

Variabel Nama Himpnan Fuzzy Domain


Sangat Tidak Setuju [1 2]
Empati Setuju [2 6]
(Emphaty) Sangat Setuju [6 10]
59

4.1.4 Pengelompokan Data

Data dikelompokkan dengan menggunakan algoritma FCM. Langkah-langkah kerja

menggunakan algoritma Fuzzy C-Means (FCM) yakni:

a. Ditentukan:

Jumlah Cluster (C = 2)

Pangkat/boboto (w = 2)

Maksimum iterasi (MaxIter = 100)

Error terkecil yang diharapkan (ξ = 0,0001)

Fungsi Obyektif awal (P0 = 0)

Iterasi awal (t =1).

b. Bentuk matriks partisi awal, U0, dibuat secara random dengan syarat jumlah

tiap kolom harus bernilai satu, dan didapat hasil sebagai berikut:

0.856 0.294 0.845 0.774 0.023 0.735 0.895 0.115 0.524 0.373
Uo = 0.098 0.233 0.436 0.467 0.236 0.180 0.944 0.141 0.314 0.862

0.069 0.110 0.009 0.255 0.519 0.434 0.775 0.133 0.825 0.227
0.318 0.321 0.743 0.247 0.424 0.910 0.366 0.737 0.347 0.500

c. Hitung pusat cluster V.


60

Tabel 4.8 Contoh Perhitungan Pusat Cluster

Derajad
Cluster Data yang di-cluster
Keanggotaan (µ11)2 (µ11)2*x1 (µ11)2*x2 (µ11)2*x3 (µ11)2*x4 (µ11)2*x5
Ke-
µ11 x1 x2 x3 x4 x5
2 5 3 3 5
0.20 0.04 0.08 0.20 0.12 0.12 0.20
2 3 2 2 1
0.10 0.01 0.02 0.03 0.02 0.02 0.01
5 4 6 4 5
0.30 0.09 0.45 0.36 0.54 0.36 0.45
6 7 8 5 9
0.40 0.16 0.96 1.12 1.28 0.80 1.44
8 8 7 9 10
0.60 0.36 2.88 2.88 2.52 3.24 3.60
2 3 2 2 4
0.23 0.05 0.11 0.16 0.11 0.11 0.21
3 6 5 7 8
0.78 0.61 1.83 3.65 3.04 4.26 4.87
2 3 4 6 8
0.75 0.56 1.13 1.69 2.25 3.38 4.50
2 2 2 2 3
0.55 0.30 0.61 0.61 0.61 0.61 0.91
2 3 2 4 5
0.66 0.44 0.87 1.31 0.87 1.74 2.18
2 3 4 6 5
0.64 0.41 0.82 1.23 1.64 2.46 2.05
3 2 2 1 4
0.67 0.45 1.35 0.90 0.90 0.45 1.80
9 8 7 6 5
0.87 0.76 6.81 6.06 5.30 4.54 3.78
3 2 3 4 5
0.98 0.96 2.88 1.92 2.88 3.84 4.80
3 5 2 3 10
0.45 0.20 0.61 1.01 0.41 0.61 2.03
6 5 5 6 9
0.40 0.16 0.96 0.80 0.80 0.96 1.44
5 10 5 4 6
0.70 0.49 2.45 4.90 2.45 1.96 2.94
10 9 8 7 5
0.80 0.64 6.40 5.76 5.12 4.48 3.20
8 8 8 8 9
0.90 0.81 6.48 6.48 6.48 6.48 7.29
2 2 3 8 2
0.25 0.06 0.13 0.13 0.19 0.50 0.13
jumlah 7.56 37.80 41.18 37.51 40.90 47.81
Vij 3.60 3.92 3.57 3.90 4.55
61

Sambungan Tabel untuk cluster ke-2.

Derajad
Cluster Data yang di-cluster
Keanggotaan (µ11)2 (µ11)2*x1 (µ11)2*x2 (µ11)2*x3 (µ11)2*x4 (µ11)2*x5
Ke-
µ11 x1 x2 x3 x4 x5
2 5 3 3 5
0.80 0.64 1.28 3.20 1.92 1.92 3.20
2 3 2 2 1
0.90 0.81 1.62 2.43 1.62 1.62 0.81
5 4 6 4 5
0.70 0.49 2.45 1.96 2.94 1.96 2.45
6 7 8 5 9
0.60 0.36 2.16 2.52 2.88 1.80 3.24
8 8 7 9 10
0.40 0.16 1.28 1.28 1.12 1.44 1.60
2 3 2 2 4
0.77 0.59 1.19 1.78 1.19 1.19 2.37
3 6 5 7 8
0.22 0.05 0.15 0.29 0.24 0.34 0.39
2 3 4 6 8
0.25 0.06 0.13 0.19 0.25 0.38 0.50
2 2 2 2 3
0.45 0.20 0.41 0.41 0.41 0.41 0.61
2 3 2 4 5
0.34 0.12 0.23 0.35 0.23 0.46 0.58
2 3 4 6 5
0.36 0.13 0.26 0.39 0.52 0.78 0.65
3 2 2 1 4
0.33 0.11 0.33 0.22 0.22 0.11 0.44
9 8 7 6 5
0.13 0.02 0.15 0.14 0.12 0.10 0.08
3 2 3 4 5
0.02 0.00 0.00 0.00 0.00 0.00 0.00
3 5 2 3 10
0.55 0.30 0.91 1.51 0.61 0.91 3.03
6 5 5 6 9
0.60 0.36 2.16 1.80 1.80 2.16 3.24
5 10 5 4 6
0.30 0.09 0.45 0.90 0.45 0.36 0.54
10 9 8 7 5
0.20 0.04 0.40 0.36 0.32 0.28 0.20
8 8 8 8 9
0.10 0.01 0.08 0.08 0.08 0.08 0.09
2 2 3 8 2
0.75 0.56 1.13 1.13 1.69 4.50 1.13
jumlah 5.10 16.74 20.92 18.59 20.78 25.13
Vij 1.59 1.99 1.77 1.98 2.39

3.60 3.92 3.57 3.90 4.55


Maka diperoleh pusat cluster V0 =
1.59 1.99 1.77 1.98 2.39

d. Menghitung fungsi obyektif.


62

Tabel 4.9 Detil Penghitungan Fungsi Obyektif

Cluster 1 Cluster 2
Data
ke- (Xi1-Vi1)2 (Xi2-Vi1)2 Total (Xi1-Vi2)2 (Xi2-Vi2)2 Total
1 8 2 10 1 4 4
2 11 2 13 2 4 5
3 8 2 10 1 4 4
4 8 2 10 1 3 4
5 13 1 14 2 2 5
6 8 1 10 1 2 3
7 7 1 8 0 1 2
8 12 2 14 2 3 6
9 9 1 10 1 1 2
10 10 2 12 1 3 5
11 12 2 14 2 3 5
12 11 2 13 2 3 5
13 10 1 11 1 2 3
14 10 2 12 1 3 4
15 11 1 13 2 2 4
16 12 0 12 2 1 3
17 7 1 9 0 3 3
18 12 1 13 2 2 4
19 11 2 12 2 3 4
20 7 1 9 1 2 3

Tabel 4.10: Fungsi Objektif Untuk Cluster ke-i

Cluster 1 Cluster 2
i (Xij-Vkj)2 (µi1)2 P (Xij-Vkj)2 (µi1)2 P P Cluster
1 9 0.7327 10.1208 3.6902 0.0048 3.70 13.8158
2 13 0.0864 13.2343 3.5344 0.0121 3.55 16.7808
3 9 0.7140 10.1697 3.9244 0.0001 3.92 14.0941
4 10 0.5991 10.4964 3.0102 0.0650 3.08 13.5716
5 15 0.0005 15.1871 2.1638 0.2694 2.43 17.6203
6 10 0.5402 10.6845 2.4211 0.1884 2.61 13.2939
7 9 0.8010 9.9517 1.4762 0.6006 2.08 12.0285
8 14 0.0132 14.4913 3.4484 0.0177 3.47 17.9574
63

9 12 0.2746 11.8074 1.3572 0.6806 2.04 13.8452


10 13 0.1391 12.7203 3.1082 0.0515 3.16 15.8800
11 15 0.0096 14.6173 2.7956 0.1011 2.90 17.5140

Tabel 4.10: Fungsi Objektif Untuk Cluster ke-i (lanjutan)

Cluster 1 Cluster 2
i (Xij-Vkj)2 (µi1)2 P (Xij-Vkj)2 (µi1)2 P P Cluster
12 14 0.0543 13.6483 2.7856 0.1030 2.89 16.5369
13 12 0.1901 12.3284 1.5550 0.5520 2.11 14.4354
14 12 0.2181 12.1413 3.0380 0.0610 3.10 15.2404
15 14 0.0557 13.6276 2.4524 0.1798 2.63 16.2597
16 14 0.0324 14.0200 1.1664 0.8281 1.99 16.0145
17 9 0.8911 9.7477 2.6374 0.1340 2.77 12.5190
18 14 0.0199 14.3007 1.5700 0.5432 2.11 16.4139
19 13 0.0986 13.1018 2.6994 0.1204 2.82 15.9217
20 9 0.7430 10.0944 2.2201 0.2500 2.47 12.5645
ΣP 302.3078

e. Kemudian dilakukan perbaikan matriks U (matriks partisi). Berikut

perhitungan untuk data ke-1:

Tabel 4.11 Detil Penghitungan Derajat Keanggotaan Baru

2 2 2 2
(Xi1-Vi1) (Xi2-Vi1) (Xi1-Vi2) (Xi2-Vi2) LT µ1 µ2
Data
ke- L1 L2 L3 L4 L1+L2+L3+L4 (L1+L2)/LT (L3+L4)/LT

1 8 2 1 4 10 0.9481 0.4073
2 11 2 2 4 15 0.8865 0.3523
3 8 2 1 4 11 0.9479 0.4208
4 8 2 1 3 10 0.9362 0.3523
5 13 1 2 2 16 0.8503 0.2817
6 8 1 1 2 10 0.9289 0.3068
7 7 1 0 1 8 0.9429 0.2315
8 12 2 2 3 16 0.8677 0.3420
9 9 1 1 1 11 0.8984 0.2230
10 10 2 1 3 14 0.8923 0.3337
11 12 2 2 3 16 0.8618 0.3117
12 11 2 2 3 15 0.8755 0.3129
13 10 1 1 2 12 0.8896 0.2394
14 10 2 1 3 13 0.9021 0.3338
64

15 11 1 2 2 15 0.8736 0.2954
16 12 0 2 1 14 0.8595 0.2230
17 7 1 0 3 9 0.9535 0.3406

Tabel 4.11 Detil Penghitungan Derajat Keanggotaan Baru (lanjutan)

2 2 2 2
(Xi1-Vi1) (Xi2-Vi1) (Xi1-Vi2) (Xi2-Vi2) LT µ1 µ2
Data
ke- L1 L2 L3 L4 L1+L2+L3+L4 (L1+L2)/LT (L3+L4)/LT

18 12 1 2 2 15 0.8581 0.2481
19 11 2 2 3 14 0.8835 0.3098
20 7 1 1 2 9 0.9425 0.2984

Dan didapatkan U yang baru, hasilnya sebagai berikut:

0.856 0.294 0.845 0.774 0.023 0.735 0.895 0.115 0.524 0.373
0.098 0.233 0.436 0.467 0.236 0.180 0.944 0.141 0.314 0.862
U1 =
0.069 0.110 0.009 0.255 0.519 0.434 0.775 0.133 0.825 0.227
0.318 0.321 0.743 0.247 0.424 0.910 0.366 0.737 0.347 0.500

f. Berikutnya dilakukan pengecekan kondisi berhenti.

Karena |P1-P0| = |302.3078 - 0| >> (0,001) dan iterasi = 1 < Maxlter (=100).

Maka dilanjutkan kembali tahapan algoritma peng-clusteran data di atas ke

iterasi ke-2 (t=2). Setelah dilakukan 14 kali iterasi, maka diperoleh hasil |P14-

P13| = |250.4879 - 250.4878| = 0,0001.

Setelah syarat terpenuhi dimana error terkecil yang diharapkan (ξ = 0,0001),

maka data dapat ditampilkan. Sehingga nilai U menjadi:

0.0590 0.1025 0.3722 0.9294 0.9102 0.0354 0.6574 0.2659 0.0556 0.0129
0.1038 0.0724 0.8992 0.0215 0.3549 0.8161 0.7504 0.8765 0.9426 0.1885

0.9410 0.8975 0.6278 0.0706 0.0898 0.9646 0.3426 0.7341 0.9444 0.9871
0.8962 0.9276 0.1008 0.9785 0.6451 0.1839 0.2496 0.1235 0.0574 0.8115
65

U14 =

g. Dari nilai tersebut di atas, didapat kecenderungan masuk cluster data

pelatihan sebagai berikut:

Tabel 4.12: Derajat Keanggotaan Tiap Data


Pada Setiap Cluster Dengan FCM

Derajat keanggotaan (µ) data Data cenderung masuk


pada cluster ke- cluster ke-
Data
Ke- X1 X2 X3 X4 X5 1 2 1 2
1 2 5 3 3 5 0.0590 0.9410 √
2 2 3 2 2 1 0.1025 0.8975 √
3 5 4 6 4 5 0.3722 0.6278 √
4 6 7 8 5 9 0.9294 0.0706 √
5 8 8 7 9 10 0.9102 0.0898 √
6 2 3 2 2 4 0.0354 0.9646 √
7 3 6 5 7 8 0.6574 0.3426 √
8 2 3 4 6 8 0.2659 0.7341 √
9 2 2 2 2 3 0.0556 0.9444 √
10 2 3 2 4 5 0.0129 0.9871 √
11 2 3 4 6 5 0.1038 0.8962 √
12 3 2 2 1 4 0.0724 0.9276 √
13 9 8 7 6 5 0.8992 0.1008 √
14 3 2 3 4 5 0.0215 0.9785 √
15 3 5 2 3 10 0.3549 0.6451 √
16 6 5 5 6 9 0.8161 0.1839 √
17 5 10 5 4 6 0.7504 0.2496 √
18 10 9 8 7 5 0.8765 0.1235 √
19 8 8 8 8 9 0.9426 0.0574 √
20 2 2 3 8 2 0.1885 0.8115 √

h. Berdasarkan nilai yang dihasilkan dari proses clustering maka proses bisa

dilanjutkan dengan, penghitungan nilai mean dan deviasi standar. Berikut

perhitungan nilai mean (c):

c11 = =
66

c11 = 6.33

c12 = =

c12 = 2.55

c21 =

c21 = 5.55

c22 = 2.36

C31 = 6.33

C32 = 2.36

C41 = 6.44

C42 = 3.09

C51 = 7.33

C52 = 4.18

Berikut perhitungan nilai deviasi standart (a) :


57

a11 = √ (6-6.33)2 +(8-6.33)2 + (3-6.33)2 + (2-6.33)2+ (9-6.33)2 + (6-6.33)2+(5-6.33)2 + (10-6.33)2+(8-6.33)2


9

= √0.1089+2.7889+11.0889+18.7489+7.1289+0.1089+1.7689+13.4689+2.7889
9
= √58.0001/9 = 6.4444556

a11= √ 6.4444556

a11= 2.5385

= √ (2-6.33)2+(2-6.33)2+(5-6.33)2+(2-6.33)2+(2-6.33)2+(2-6.33)2+(2-6.33)2+(3-6.33)2+(3-6.33)2+(3-6.33)2+(2-6.33)2
11
= √(-4.33) +(-4.33) +(-1.33) +(-4.33) +(-4.33)2+(-4.33)2 +(-4.33)2 +(-3.33)2 +(-3.33)2 +(-3.33)2+(-4.33)2
2 2 2 2

11

=
√ 18.7489+18.7489+1.7689+18.7489+18.7489+18.7 489+11.0889+11.0889+11.0889+18.7489
11

=
√ 12.40365
a = 3.5218
12
58

= √ (5-2.36)2 +(3-2.36)2+(4-2.36)2+(3-2.36)2+(3-2.36)2+(2-2.36)2+(3-2.36)2+(2-2.36)2+(2-2.36)2+(5-2.36)2+(2-2.36)2
11
= √ 6.9696 + 0.4096 + 2.6896 + 0.4096 + 0.4096 + 0.1296 + 0.4096 + 0.1296 + 0.1296 +6.9696 +0.1296
11

= √ 18.7856/11

a21 = 1.7078

= √(5-2.36)2 +(3-2.36)2+(4-2.36)2+(3-2.36)2+(3-2.36)2+(2-2.36)2+(3-2.36)2+(2-2.36)2+(2-2.36)2+(5-2.36)2+(2-2.36)2
11

a22 = √6.9696 + 0.4096 +2.6896 + 0.4096 +0.4096 + 0.1296 +0.4096 +0.1296 +0.1296 + 6.9696 + 0.1296
11

= √ 18.7856/11

a22 = 1.7078
59

= √(8-2.36)2 +(7-2.36)2+(5-2.36)2 +(4-2.36)2+(7-2.36)2 +(5-2.36)2+(5-2.36)2 +(8-2.36)2+(8-2.36)2


9

= √ (31.8096)+(21.5296)+ (6.9696) + (2.6896) + (21.5296) + (6.9696)+ (6.9696) + (31.8096) + (31.8096)


9

= √(162.0864)/9

a31= 18.0096

=√(3-2.36)+(2-2.36)+(3-2.36)+(2-2.36)+(4-2.36)+(2-2.36)+(2-2.36)+(2-2.36)+(3-2.36)+(2-2.36)+(3-2.36)
11
= √(0.4096)+( 0.1296)+( 0.4096)+( 0.1296)+( 2.6896)+( 0.1296)+( 0.1296)+( 0.1296)+( 0.4096)+( 0.1296)+( 0.4096)
11

= √(5.1056)/11

a32 = 0.4641

= √(5-2.36)2+(9-2.36)2 +(6-2.36)2+(6-2.36)2+(6-2.36)2+(6-2.36)2+(4-2.36)2+(7-2.36)2+(8-2.36)2
9
60

= √(21.5296)+(44.0896) +(13.2496)+( 13.2496) )+( 13.2496)+( 13.2496)+( 2.6896)+( 21.5296)+( 31.8096)


9

= √( 174.6464)/9

a41 = 19.4052

= √(3-2.36)2+(2-2.36)2+(3-2.36)2+(2-2.36)2+(6-2.36)2+(2-2.36)2+(4-2.36)2+(1-2.36)2+(4-2.36)2+(3-2.36)2+(8-2.36)2
11

= √(0.4096)+( 0.1296)+( 0.4096)+( 0.1296)+(13.2496)+( 0.1296)+( 2.6896)+(1.8496)+( 2.6896)+( 0.4096)+( 31.8096)


11

= √ 60.7456/11

a42= 5.5223

= √ (9-2.36)2+(10-2.36)2+(8-2.36)2+(5-2.36)2+(5-2.36)2+(9-2.36)2+(6-2.36)2+(5-2.36)2+(9-2.36)2
9

= √ (44.0896)+(58.3696)+(31.8096)+( 21.5296)+( 21.5296)+( 44.0896)+( 13.2496)+( 21.5296)+( 44.0896)


9

= √(300.2864)/9  a51= 33.3652


61

= √(5-2.36) +(1-2.36) +(5-2.36) +(4-2.36) +(8-2.36) +(3-2.36) +(5-2.36) +(4-2.36) +(5-2.36) +(5-2.36) +(2-2.36)
2 2 2 2 2 2 2 2 2 2 2

11

= √(21.5296)+( 1.8496)+( 21.5296)+( 2.6896)+( 31.8096)+( 0.4096)+( 21.5296)+( 2.6896)+( 21.5296)+( 0.1296)
11

= √(128.3856)/11 a52 = 11.6714


62

Dapat disimpulkan sebagai berikut :

c= 6.33 2.55 a= 2.5385 3.5218


5.55 2.36 1.7078 1.7078
6.33 2.36 18.0096 0.4641
6.44 3.09 19.4052 5.5223
7.33 4.18 33.3652 11.6714

i. Kemudian kita akan mencari nilai inferensi dengan menggunakan metode

ANFIS.

a. Pertama kita akan menghitung nilai untuk setiap neuron pada lapisan

pertama akan diperoleh:

b. Penghitungan output lapisan pertama berupa derajat keanggotaan setiap

data.

Penghitungan untuk data ke 1


63

0.9951

Langkah yang sama juga dilakukan untuk data ke-2, 3, 4, 5 hingga 20.

Contoh hasil perhitungan 5 data pertama terlihat pada tabel berikut.


64

Tabel 4.13 Output Lapisan Pertama

Data Derajat Keanggotaan


ke- µA1 µB1 µC1 µD1 µE1 µA2 µB2 µC2 µD2 µE2
1 0.2558 0.906 0.9669 0.9695 0.9951 0.6235 0.295 0.3446 0.9997 0.9951
2 0.2558 0.3096 0.9453 0.9502 0.9652 0.9761 0.8768 0.6243 0.9625 0.9309
3 0.7846 0.5483 0.9996 0.9844 0.9951 0.6738 0.5202 0.016 0.9735 0.9950
4 0.9834 0.5811 0.9915 0.9945 0.9975 0.5103 0.1193 0.0067 0.8931 0.8543
5 0.6979 0.3270 0.9986 0.9829 0.9936 0.2946 0.0840 0.0099 0.4661 0.8009

c. Perhitungan output lapisan kedua dan ketiga, sebagai berikut:

Data perhitungan untuk lapisan ke-2 pada data ke-1

Lapisan 2

w1 = μA1*μB1*μC1* μD* μE1 = 0.2558 * 0.906 * 0.9669 * 0.9695 * 0.9951 = 0.2162

w2 = μA2*μB2*μC2*μD2* μE2 = 0.6235 * 0.295 *0.3446 * 0.9997 * 0.9951 = 0.0631

Lapisan 3

= 0.2162/ 0.2162+ 0.0631 = 0.7742

= 0.0631/ 0.2162 + 0.0631 = 0.2258

Langkah penghitungan yang sama juga dilakukan untuk data ke 2, 3,

4, 5, dst. Hasil perhitungan 5 data pertama dapat dilihat pada tabel berikut ini:

Tabel 4.14 Output Lapisan Kedua dan Ketiga

Lapisan 2 Lapisan 3
Data ke-
w1 w2 ŵ1 ŵ2
1 0.2162 0.0631 0.7742 0.2258
2 0.0679 0.4788 0.1242 0.8758
3 0.4212 0.0055 0.9872 0.0128
4 0.5621 0.0003 0.9994 0.0006
5 0.2226 0.0001 0.9996 0.0004
65

d. Selanjutnya adalah penentuan koefisien parameter, berikut perhitungan

untuk data ke-1:

p1 = ŵ1 * x1 = 0.7742 * 2 = 1.5484

p2 = ŵ2 * x2 = 0.2258 * 5 = 1.129

q1 = ŵ1 * x1 = 0.7742* 5 = 3.871

q2 = ŵ2 * x2 = 0.2258* 5 = 1.129

r1 = ŵ1 = 0.7742

r2 = ŵ2 = 0.2258

q2 = ŵ2 * x2 = 0.2258 * 5 = 1.129

r2 = ŵ2 = 0.2258

Langkah yang sama juga dilakukan untuk perhitungan koefisien

parameter pada data ke-2, 3, 4, 5 dst.

Tabel 4.15 Koefisien Parameter

Data Koefisien Dari


ke- p1 q1 r1 p2 q2 r2
1 1.5484 3.871 0.7742 1.129 1.129 0.2258
2 2.3226 1.5484 1.5484 …… …… ……

e. Penghitungan output lapisan ke empat dan lapisan ke lima.

Berikut ini adalah perhitungan untuk data ke-1 lapisan ke-4:

ŵ1y1 = (ŵ1x1)p1 + (ŵ1x2)q1 + r1

ŵ1y1 = ((0.7742 * 2) * 1.5484) + ((0.7742 * 5) * 3.871) + 0.7742

ŵ1y1 = 1.5484*1.5484 + 3.871*3.871+ 0.7742 = 15.7588

ŵ2y2 = (ŵ2x1)p2 + (ŵ2x2)q2 + r2

ŵ2y2 = ((0.2258 * 2) * 1.129) + ((0.2258 * 5) * 1.129) + 0.2258

ŵ2y2 = (0.4516*1.129)+(1.129)+0.2258= 0.5098+1.129+0.2258 = 1.8646


66

Penghitungan lapisan ke 5:

y’ = Σŵiyi = Ŵ1y1 + Ŵ2y2

y’ = 15.7588+ 1.8646= 17.6234

Langkah yang sama juga dilakukan untuk data 2, 3, 4, 5, dst. untuk

lapisan ke-4 dan ke-5. Tabel berikut merupakan contoh hasil perhitungan data

ke1.

Tabel 4.16 Output Lapisan Ke Empat dan Lima

Data Lapisan ke-4 Lapisn ke-5


ke- ŵ1y1 ŵ2y2 Σŵiyi
1 15.7588 1.8646 17.6234
2 ……… ……… ………

4. Setelah diperoleh output dari lapisan ke-4 dan ke-5, sekarang dilakukan

proses prediksi kepuasan pasien.

Berikut ini adalah proses perhitungan untuk prediksi kepuasan pelayanan:

Prediksi responden /data ke-i = Σŵiyi / x2

Prediksi responden /data ke-1 = 18/5 = 3.6 Rerata prediksi

Prediksi responden /data ke-2 = 10/5 = 2

Prediksi responden /data ke-3 = 24/5 = 4.8

Prediksi responden /data ke-4 = 35/5 = 7

Prediksi responden /data ke-5 = 42/5 = 8.4

Prediksi responden /data ke-6 = 13/5 = 2.6.

Dari ke-6 data responden di atas terlihat bahwa data ke-5 memiliki rerata

terbesar yaitu 8.4, dan ini berarti responden boleh dikatakan merasa sangat puas

akan pelayanan kesehatan berdasarkan rentang kepuasan pada bab 2.


67

5. Setelah melakukan tahapan penalaran (inference) model ANFIS selanjutnya

dilakukan pembelajaran hybrid sebagai berikut:

a. Penghitungan pembelajaran arah maju (forward) dengan metode Least

Squares Estimator (LSE) Recursive.

Langkah-langkah perhitungan adalah sebagai berikut:

1) Penentuan matriks A berdasarkan koefisien parameter.

1.5484 3.871 0.7741 1.129 1.129 0.2258


A= 2.3226 1.5484 1.5484

2) Penentuan nilai Y yang didasarkan pada output target (Y(t))

5
3
Y= 4
7
8

3) Maka didapat nilai p1, q1, r1, p2, q2, r2 menggunakan persamaan:

ϴ = A-1Y

Invers matriks A atau A-1 adalah:

1.548 0.225
-1
A = 3.871 2.322

0.774 1.548
1.129 1.548
1.129

Maka A-1Y adalah

1.548 0.225 5
3.871 2.322 3
X
4
0.774 1.548 7
1.129 1.548 8
1.129
68

b. Pembelajaran arah mundur (backward)

1) Propagasi error pada lapisan ke-5, (ε13 = -6.8) dan error pada lapisan ke-4

(ε11 = -6.8 dan ε12 = -6.8)

Penghitungan untuk data ke-1:

Error lapisan ke-5

ɛ13 = -2(y(t) - y’) = 2 (5 – 8.40) = -6.8

Error lapisan ke-4

ɛ11 = ɛ13(1) = -6.8

ɛ12 = ɛ13(1) = -6.8

Langkah yang sama juga dilakukan untuk data 2, 3, 4, 5, dst.

2) Propagasi error pada lapisan ke-3 adalah (ε9 = -107.1598 dan ε10 = -12.6792).

Berikut penghitungan untuk data ke 1:

ɛ9 = ɛ11f1 = (-6.8) * (15.7588) = -107.1598

ɛ10 = ɛ12f2 = (-6.8) * (1.8646) = -12.6792

Langkah yang sama juga dilakukan untuk data ke-2, 3, 4, 5, dst.

3) Propagasi error pada lapisan ke-2, diperoleh (ε7 = 21.3337 dan ε8 = -21.3337)

Penghitungan error lapisan ke-2 untuk data ke-1


69

4.2 Analisis

Untuk mempermudah dalam analisis data terdapat beberapa hal yang perlu

diperhatikan, seperti :

1. Input, meliputi :

a. Dimensi Kehandalan, didapatkan bilangan real sebesar 7,5 yaitu

merupakan keanggotaan dari domain himpunan bilangan fuzzy puas [6 8]

yang artinya variabel tingkat pelayanan sudah dapat dikatakan puas

(reliable).

b. Dimensi Daya Tanggap, didapatkan bilangan real sebesar 7,5 yaitu

merupakan keanggotaan dari domain himpunan bilangan fuzzy puas [6 8]

yang artinya variabel tingkat pelayanan sudah dapat dikatakan puas

(reliable).

c. Dimensi Kepastian, didapatkan bilangan real sebesar 7,5 yaitu merupakan

keanggotaan dari domain himpunan bilangan fuzzy puas [6 8] yang

artinya variabel tingkat pelayanan sudah dapat dikatakan puas (reliable).

d. Dimensi Berwujud, didapatkan bilangan real sebesar 7,5 yaitu merupakan

keanggotaan dari domain himpunan bilangan fuzzy cukup puas [6 8] yang

artinya variabel tingkat pelayanan sudah dapat dikatakan cukup puas

(reliable).

e. Dimensi Empati, didapatkan bilangan real sebesar 7,5 yaitu merupakan

keanggotaan dari domain himpunan bilangan fuzzy cukup puas [6 8] yang

artinya variabel tingkat pelayanan sudah dapat dikatakan cukup puas

(reliable).

2. Output, hanya ada satu output yaitu tingkat kepuasan pasien didapatkan

bilangan real sebesar 0.75 yaitu merupakan keanggotaan dari domain


70

himpunan bilangan fuzzy sangat puas [7 10] yang artinya tingkat kepuasan

sangat memuaskan.
71

BAB V

IMPLEMENTASI DAN PENGUJIAN

Analisa merupakan proses mengkaji suatu masalah dengan menggunakan

suatu metode, selanjutnya dilakukan pengimplementasian hasil analisa tersebut yang

kemudian akan diuji kebenaran hasil dari analisis yang telah dilakukan. Pengujian

dilakukan untuk menemukan kesalahan-kesalahan yang mungkin terjadi.

5.1 Implementasi

Penerapan data questioner/responden sebagai pertimbangan untuk

menghasilkan nilai atau prediksi kepuasan pelayanan, berikutnya data historis

quesioner yang diperoleh mengguanakan matlab versi 6.1.

5.1.1 Lingkungan Implementasi dan Pengujian

Pada implementasi dan pengujian hasil analisa ini, digunakan aplikasi toolbox

matlab untuk tahap pengujian terhadap analisa kepada Fuzzy Matlab Toolbox, yang

harus dilakukan setelah menjalankan aplikasi matlab adalah menggaktifkan toolbox

fuzzy dengan cara membuat matriks data pada editor FIS seperti gambar 5.1 di

bawah ini adalah contoh data 20 quesioner..

Data yang dimasukkan ke editor ANFIS adalah berupa matriks input dan output

sekaligus. Data yang terdapat pada kolom pertama merupakan input

Kehandalan(X1), kolom kedua DayaTanggap(X2), kolom ketiga Kepastian(X3),


72

kolom ke empat Berwujud(X4), dan kolom ke lima Empati(X5), dan data pada

kolom terakhir kolom ke enam merupakan output target (Y).

Gambar 5.1 Tampilan Data Pada Editor Matlab

Selanjutnya data disimpan dengan nama dataquesioner.dat, yang disimpan

dalam folder Matlab, kemudian klik tombol Save.

Gambar 5.2 Tampilan Menyimpan Data

Berikutnya ketikan “anfisedit” pada command window Matlab, setelah itu

tekan Enter, maka tampillah editor ANFIS, seperti gambar 5.3 di bawah ini.
73

Gambar 5.3 Tampilan Awal Editor ANFIS

Pada bagian isian Load Data klik tombol radio file, yang artinya kita akan

mengambil data yang telah kita simpan sebelumnya. Klik load data dan akan muncul

tampilan gambar 5.4 sebagai berikut.

Gambar 5.4 Memilih File Data

Setelah menemukan file quesioner.dat, klik tombol OK, maka akan muncul

tampilan editor ANFIS yang telah berisi data, seperti gambar 5.5 berikut ini.
74

Gambar 5.5 Hasil Pelatihan (Training) ANFIS

Pada isian generate FIS, pilih grid partition, hal ini dikarenakan pada grid

partition berguna apabila kita ingin menentukan jumlah aturan dan fungsi

keanggotaan snediri, oleh karena itu tidak digunakan Subclustering. Selanjutnya,

dilanjutkan dengan mengklik tombol Generate FIS, maka akan muncul jendela yang

baru. Pada tahap ini digunakan grid partition untuk meng-generate FIS. Dimana

grid partition merupakan pemilihan type membership funtion, jumlah membership

function dan tipe output yang diinginkan.

Dalam tesis ini akan dibuat MF Type untuk input adalah gbellmf, hal ini

dikarenakan fungsi keanggotaan generalized bell merupakan default atau bawaan

dari sistem ANFIS. Sedangkan jumlah input-nya adalah 3 3 3 3, karena input yang

digunakan adalah tiga buah. Untuk output type MF adalah linier karena bentuk Fuzzy

Sugeno yang digunakan dalam tesis ini merupakan Sugeno orde 1. Berikut tampilan

grid partisi dari program ANFIS.


75

Gambar 5.6 Setting Parameter untuk Grid Partition pada ANFIS

5.1.2 Proses Fuzzifikasi

Variabel yang digunakan dalam proses fuzzifikasi ini terdiri atas lima variabel

input yang diperoleh dari data questioner/responden, serta satu buah variabel output

yang juga diperoleh dari data historis responden yang telah dinormalisasi.

5.1.2.1 Variabel Input

Dalam penilaian ini langkah awal yang dilakukan adalah penentuan fungsi

keanggotaan. Gambar 5.7 berikut adalah gambar yang merupakan membership

function sebelum dilakukan proses training data.


76

Gambar 5.7 Membership Function Sebelum Training


77

Pada gambar 5.7 di atas dapat dijelaskan bahwa analisa fuzzy menggunakan

Matlab mempunyai 5 input dan satu output.

5.1.2.2 Output

Inferensi output metode Takagi-Sugeno yang dihasilkan berupa persamaan

linier. Gambaran inferensi output menggunakan Matlab, sebagai berikut.

Gambar 5.8 Membership Function Output


78

5.1.2.3 Rule

Rule yang dihasilkan dengan menggunakan ANFIS di Matlab adalah sebagai

berikut :

Gambar 5.9 Rule FIS

5.1.3 Pelatihan (Training) ANFIS

Untuk pelatihan FIS, ANFIS menyediakan dua metode optimasi parameter

fungsi keanggotaan yaitu Backpropagation dan Hybrid (gabungan backpropagation

dan least square). Untuk penelitian ini adalah menggunakan optimasi Hybrid.

Untuk menghentikan proses training, ANFIS menggunakan nilai error

tolerance, sehingga jika setelah training data error memasuki daerah error tolerance
79

ini maka training akan berhenti. Dipilih error tolerance sebesar 0. Kemudian

banyaknya epoch (iterasi) proses training ditentukan sebanyak 40 kali iterasi.

Untuk memulai proses training, klik Train now. Hasilnya akan terlihat seperti

gambar 5.10 berikut.

Gambar 5.10 Hasil Training

Output dari ANFIS ini adalah Root Mean Square Error (RMSE). Error yang terjadi

menunjukkan tingkat keakurasian struktur ANFIS yang telah disusun dalam mengenali pola

data.

Kurva biru menunjukkan konvergensi Root Mean Square Error (RMSE) dari

data training. Kurva konvergensi ini digunakan untuk mengevaluasi hasil dari proses

training yang dilakukan. Dari grafik konvergensi dapat dilihat bahwa jaringan memiliki

trendescending (semakin menurun). Apabila penurunan pada RMSE sudah tidak

signifikan, proses training bisa dihentikan. Pada gambar 5.10 terlihat bahwa proses

hybrid training dengan menggunakan type membership function gbellmf langsung dapat

mencapai error minimalnya pada iterasi ke-2. Karena ANFIS yang telah disusun telah dapat
80

mencapai error yang diinginkan, ini berarti jaringan telah mempelajari data dengan baik

sehingga siap untuk digunakan dalam melakukan prediksi atau peramalan.

Jika diperhatikan, training error grafiknya semakin menurun dan mencapai

titik error tetap pada angka 2.6362e-007 atau 0,00000026362 pada saat epoch

0,00000026362 mencapai 2. Artinya bahwa proses training menghasilkan error

minimum pada nilai dari toleransi error yang kita definisikan.

Dengan nilai error yang kecil maka struktur ANFIS dengan output linier

dapat digunakan sebagai arsitektur untuk melakukan prediksi atau peramalan.

Sedangkan proses prediksi sendiri akan dilakukan secara manual.

5.2 Pengujian Pasca Training ANFIS

Untuk mengetahui performance ANFIS yang telah di-training dengan data

awal (dataquesioner.dat), kita bisa melakukan test dengan melakukan ploting data

dataquesioner dan ANFIS dengan nilai input yang sama. Pada kolom Test FIS di

ANFIS editor klik Test Now dengan sebelumnya memilih training data pada bagian

Plot Against.

Gambar 5.11 Hasil Test FIS

5.3 Proses Defuzzifikasi


81

Pada tahap defuzzification ini kita dapat memperoleh nilai pasti (best value) dari

data historis responden. Pada tahap melihat rule dimaksudkan untuk mendapatkan hasil

dari nilai fuzzy setelah dibuatkan ke dalam logika fuzzy dengan output seperti yang terlihat

pada gambar 5.14.

Gambar 5.14 Rule Viewer

Gambar 5.15 Surface Viewer


82

Semua nilai dari masing-masing variabel input kita masukkan misalnya

digunakan data ke-1 dari tabel 5.1.

Tabel 5.1 Data Input dan Output

INPUT
OUTPUT
Responden Tangibles Reliability Responsiveness Assurance Emphaty (Y)
(X1) (X2) (X3) (X4) (X5)

1 2 5 3 3 5 3.6

2 2 3 2 2 1 2

3 5 4 6 4 5 4.8

4 6 7 8 5 9 7

5 8 8 7 9 10 8.4

6 2 3 2 2 4 2.6

7 3 6 5 7 8 5.8

8 2 3 4 6 8 4.6

9 2 2 2 2 3 2.2

10 2 3 2 4 5 3.2

11 2 3 4 6 5 4

12 3 2 2 1 4 2.4

13 9 8 7 6 5 7

14 3 2 3 4 5 3.4

15 3 5 2 3 10 4.6

16 6 5 5 6 9 6.2

17 5 10 5 4 6 6

18 10 9 8 7 5 7.8

19 8 8 8 8 9 8.2

20 2 2 3 8 2 3.4

Dimana untuk X1 =2, X2 =5, X3 =3, X4 =3, X5 =5 dimasukkan pada bagian

input lalu tekan Enter maka diperoleh nilai korelasi output sebesar 3.6 maka proses

training data yang dilakukan tidak mengalami perubahan, sesuai dengan tabel input-

output dari data historis responden bernilai korelasi sebesar 3.6, lihat gambar 5.16.
83

Gambar 5.16 Memasukkan Nilai Input pada Rule Viewer

Hasil yang kita lakukan sebelumnya, dapat disimpan dengan mengklik menu

File, Export, To Disk. Dari tampilan kotak dialog Save yang tampil, berikan nama

file dan tentukan tempat penyimpanannya dan klik Save.

Gambar 5.17 Menyimpan Hasil ANFIS

Setelah proses penyimpanan kita lakukan maka, kita juga bisa melakukan

proses pencarian nilai output ini juga bisa dilakukan untuk beberapa input sekaligus

yang dilakukan pada command window Matlab. Pertama-tama ketik perintah berikut:
84

fis=readfis(‘kepuasanpasien’), maka akan tampil informasi seperti gambar 5.18

berikut ini:

>> fis=readfis('kepuasanpasien')

fis =
>>
name: 'KepuasanPasien'
type: 'sugeno
andMethod: 'prod'
orMethod: 'probor'
defuzzMethod: 'wtaver'
impMethod: 'min'
aggMethod: 'max'
input: [1x5 struct]
output: [1x1 struct]
rule: [1x243 struct]
>>
Gambar 5.18 Hasil Perintah Readfis

Selanjutnya untuk mengevaluasi FIS ketik perintah berikut ini:

out = evalfis([2 5 3 3 5; 2 3 2 2 1; 5 4 6 4 5; 6 7 8 5 9;8 8 7 9 10; 2 3 2 2 4;3 6 5 7 8;


2 4 6 8;2 2 2 2 3;2 3 2 4 5;2 3 4 6 5;3 2 2 1 4;9 8 7 6 5;3 2 3 4 5;3 5 2 3 10;6 5 5 6 9;
5 10 5 4 6;10 9 8 7 5;8 8 8 8 9;2 2 3 8 2],fis)

Maka akan ditampilkan hasil seperti gambar 5.19 berikut ini:

out =

3.6000
2.0000
4.8000
7.0000
8.4000
2.6000
5.8000
4.6000
2.2000
3.2000
2.4000
7.0000
3.4000
4.6000
6.2000
6.0000
7.8000
8.2000
3.4000
>>

Gambar 5.19 Hasil Output dengan Fungsi Evalfis


85

Hasil dari tampilan gambar 5.18 tersebut sesuai dengan tabel 5.1 Data Input

dan Output sebelumnya.

Berikut adalah contoh untuk proses perhitungan prediksi kepuasan untuk

mengetahui prediksi kepuasan pasien atau responden ke-1 menggunakan ANFIS

pada command line Matlab. Setelah kita menggunakan proses training data pada

GUI ANFIS sebelumnya, maka bisa dilanjutkan dengan langkah sebagai berikut:

1. Masukkan data input yang akan dicari nilai output-nya, dengan menggunakan perintah

evalfis.

>> prediksiKepuasanResponden1=evalfis([2;5;3;3;5],fis)
prediksiKepuasanResponden1 =
3.6000
2. Masukkan data ke-2, dalam hal ini menggunakan responden2.

>> prediksiKepuasanResponden2=evalfis([2;3;2;2;1],fis)

prediksiKepuasanResponden2 =

2.0000

3. Langkah selanjutnya adalah melakukan proses prediksi kepuasan pasien secara

keseluruhan.

>> totaldata=[85;98;88;97;118;92.2]

totaldata =

85.0000
98.0000
88.0000
97.0000
118.0000
92.2000

>> prediksi=[85/20;98/20;88/20;97/20;118/20;486/5]

prediksi =

4.2500 prediksi untuk rerata dimensi 1


4.9000 prediksi untuk rerata dimensi 2
4.4000 prediksi untuk rerata dimensi 3
86

4.8500 prediksi untuk rerata dimensi 4


5.9000 prediksi untuk rerata dimensi 5
97.2000 prediksi rerata seluruh dimensi pelayanan.

>> Prediksi20Pasien=([85+98+88+97+118]/5)

Prediksi20Pasien =

97.2000.

Dari hasil perhitungan menggunakan command line Matlab diperoleh hasil

korelasi prediksi kepuasan pasien sebesar 97.2000. Dari angka tersebut telah

menunjukkan nilai korelasi 97.2% dengan interpretasi tinggi, dan ini berarti tingkat

pelayanan kesehatan sangat memuaskan. Perhitungan ini telah sesuai harapan

mencapai 97.2%, dan ini sesuai dengan interpretasi terhadap koefisien korelasi yang

telah dijelaskan pada bab 2.

.Berikut ini adalah tabel hasil perbandingan untuk data lainnya, beserta nilai

error yang terjadi yang dibuat dalam tabel 5.2.

Tabel 5.2 Perbandingan Hasil Perhitungan Manual dan Perhitungan ANFIS


di MATLAB
Responden Hitungan Hitungan Nilai
87

Manual Matlab
Error(%)
(Anfis)
1 3.6 3.6 0.00%

2 2 2 0.00%

3 4.8 4.8 0.00%

4 7 7 0.00%

5 8.4 8.4 0.00%

6 2.6 2.6 0.00%

7 5.8 5.8 0.00%

8 4.6 4.6 0.00%

9 2.2 2.2 0.00%

10 3.2 3.2 0.00%

11 4 4 0.00%

12 2.4 2.4 0.00%

13 7 7 0.00%

14 3.4 3.4 0.00%

15 4.6 4.6 0.00%

16 6.2 6.2 0.00%

17 6 6 0.00%

18 7.8 7.8 0.00%

19 8.2 8.2 0.00%

20 3.4 3.4 0.00%

Σ 0.00%
MAPE 0,00%

Dari data yang ditampilkan pada tabel 5.2 di atas, total error yang terjadi

antara perhitungan manual dengan perhitungan menggunakan ANFIS adalah 0.00%.

Sehingga perbandingan antara perhitungan manual dengan perhitungan

menggunakan ANFIS di MATLAB adalah sama, hasil perhitungan baik

menggunakan perhitungan manual maupun menggunakan ANFIS di MATLAB bisa

digunakan memprediksi kepuasan pelayanan kesehatan.


88

BAB VI

KESIMPULAN DAN SARAN

6.1 Kesimpulan

Dalam penulisan tesis ini dapat dianalisa dan disimpulkan beberapa hal yang

diperlukan untuk menentukan evaluasi dalam pendidikan untuk peningkatan

prestasi belajar :

1. Model sistem ANFIS untuk prediksi kepuasan pasien berdasarkan analisis

data questioner responden pada Puskesmas Desa Gedang Sungai Penuh

mempunyai 5 parameter, yaitu: kehandalan, daya tanggap, kepastian,

berwujud dan empati.

2. Membangun model berdasarkan parameter Rule yang digunakan pada sistem

ANFIS bisa dibangun dengan software yang digunakan yaitu Matlab 6.1

toolbox ANFIS.

3. Model ANFIS mampu digunakan untuk memprediksi kepuasan pasien

berdasarkan analisis data questioner/responden, yang menghasilkan nilai

output yang akurat.

6.2 Saran
89

Setelah penulis menyelesaikan tahap akhir dari penelitian ini, penulis

menyadari masih banyak kekurangan-kekurangan yang mesti diperbaiki dan

dipenuhi, antara lain :

1. Penelitian ini masih jauh dari sempurna dan hanya di

implementasikan pada sistem prediksi tingkat kepuasan pasien saja.

Pada suatu saat nantinnya penelitian ini mungkin bisa dikembangkan

lagi menjadi penelitian yang lebih kompleks dan di implementasikan

untuk semua bentuk implementasi pada sistem prediksi tingkat

kepuasan pelayanan.

2. Penulis menyadari bahwa rancangan sistem aplikasi yang berbasis

sistem berbasis ANFIS ini masih sangat sederhana, maka jika ada

peneliti lain yang berminat untuk mengembangkan penelitian ini

sesungguhnya penulis siap membantu jika diperlukan.

3. Penulis mengharapkan agar hasil dari penelitian ini dapat bermamfaat

bagi penulis dan khususnya bagi Puskesmas Desa Gedang Sungai

Penuh, dan dunia pendidikan lain pada umumnya.

4. Penelitian hendaknya dilakukan secara berkala, karena perubahan

kondisi pelayanan dan perilaku pasien/konsumen akan mengakibatkan

perubahan preferensi dan persepsi pasien.


90

DAFTAR PUSTAKA

Nur Endah Sari, dkk. 2011. “Prediksi Cuaca Berbasis Logika Fuzzy Untuk

Rekomendasi Penerbangan Di Bandar Udara Raja Haji Fisabilillah”. Jurnal

Universitas Gunadarma Jakarta.

Velma Fidelia Rahmani. 2009. “Analisa Tingkat Kepuasan Pasien Rawat Jalan

Terhadap Kualitas Pelayanan (Studi Kasus: RSU Bakti Asih Tangerang)”.

Jurnal Institute Pertanian Bogor.

Dewi Retno Indriaty. 2010. “Analisa Pengaruh Tingkat Kualitas Pelayana Jasa

Puskesmas Terhadap Kepuasan Pasien Studi Kasus: Puskesmas Gunungpati

Semarang“. Jurnal Universitas Diponegoro Semarang.

Ferdinand Sinuhaji. 2009. “Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis

Pada Penyakit Asma ”. Jurnal USU Medan.

Abdul Sani Sembiring. 2012. “Metode Neuro Fuzzy”. Artikel.

Lia Farihul Mubin, dkk. 2012. “Prediksi Jumlah Kunjungan Pasien Rawat Jalan

Menggunakan Metode Genetic Fuzzy Systems Studi Kasus: Rumah Sakit Usada

Sidoarjo”. Jurnal ITS Surabaya.

Sudibyo Supardi, dkk. 2008. “Faktor-faktor Yang Berhubungan Dengan Kepuasan

Pasien Rawat Jalan Dan Rawat Inap Di Puskesmas”. Artikel Badan

Litbangkes Depkes RI.

Noorly Evalin. 2012. “Pemodelan ANFIS (Adaptive Neuro Fuzzy Inference System)

Untuk Memprediksi Beban Listrik Sumatera Utara”. Jurnal UMSU Medan.


91

Khairunnisa Rizkiani. 2011. “Analisa Kepuasan Konsumen Dengan Pendekatan

Fuzzy Pada Giant Hypermarket Jatiasih Bekasi”. Jurnal Universitas

Gunadarma Jakarta.