(F-H102-10) pp.338-344 Penerapan Adaptive Neuro Fuzzy Inference System (ANFIS) Untuk Sistem PDF
(F-H102-10) pp.338-344 Penerapan Adaptive Neuro Fuzzy Inference System (ANFIS) Untuk Sistem PDF
(F-H102-10) pp.338-344 Penerapan Adaptive Neuro Fuzzy Inference System (ANFIS) Untuk Sistem PDF
Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011
Abstract
This project is an application to realize a system that
capable of providing data and information between
levels of health centers clinic and health center
department in the district/municipality. Data from the
system that created dug deeper to find out the prediction
of drug distribution in the future. The system to be built
is the system that is able to predict the level of the drug
needs that will happen in time (month/year) that you
want based on the data of time (month/year) earlier. For
example: data about the need for medicine at a local
clinic is the data in 2009, then this data are used for
input materials for ANFIS system. The ANFIS system
will search the best function to predict the drugs needs
in year 2010. Furthermore, the output is used as the
data in 2010. The data output as prediction will be
matched with actual data, whether the resulting function
of ANFIS system has a small error. If so, then the
function obtained is optimal.
Keyword: Time Series Prediction, neural network,
ANFIS.
1. Pendahuluan
Ketersediaan data dan informasi yang akurat,
komprehensif dan mutakhir akan diperoleh jika
memiliki Sistem Informasi Kesehatan yang mampu
mengelola data dan informasi yang terintegrasi mulai
dari tingkat Kecamatan (Puskesmas), Kabupaten/Kota,
Propinsi sampai Nasional.
Penelitian ini (Penerapan Adaptive Neuro
Fuzzy Inference System (ANFIS) untuk Sistem
Pengambilan Keputusan Distribusi Obat Pada Sistem
Informasi Terintegrasi Puskesmas Dan Dinas
Kesehatan/Kotamadya) merupakan salah satu bentuk
aplikasi untuk mewujudkan sebuah sistem yang mampu
menyediakan data dan informasi yang dibutuhkan untuk
tujuan diatas. Penelitian ini diharapkan dapat
memberikan sistem berbasiskan komputerisasi kepada
masyarakat di level bawah yaitu puskesmas dan
ISBN: 978-979-8689-14-7
338
5.
4.
339
n4a = n2a
Lapisan 3:
Setiap simpul pada lapisan ini diberi label n5a
dan n6a, juga bersifat non adaptif. Masing-masing
simpul menampilkan derajad pengaktifan ternormalisasi
dengan bentuk.
n5a = n3a / (n3a+n4a)
n6a = n4a / (n3a+n4a)
Lapisan 4:
Tiap simpul pada lapisan ini berupa simpul
adaptif, dan pada lapisan ini diperoleh matriks A,
sebagai berikut :
Alur Mundur
Pada blok diagram Gambar 3 dijelaskan
mengenai sistematika alur mundur dari suatu system
ANFIS. Pada proses ini dilakukan algoritma EBP (Error
Backpropagation) dimana pada setiap layer dilakukan
perhitungan error untuk melakukan update parameterparameter ANFIS.
340
Desain Data
Susunan pasangan data latih untuk proses
pelatihan berdasarkan data yang diperoleh dari
puskesmas disusun dengan format sebagai berikut :
[x(t): x(t+365)]
Data kebutuhan obat yang diambil sebagai data
latih adalah data per bulan pada tahun 2009 sebagai
masukan jaringan. Dan selanjutnya data per bulan tahun
2010 sebagai keluaran jaringan. Sedangkan data actual
per bulan pada tahun 2010 digunakan untuk menguji
keakuratan hasil prediksi dari sistem neuro-fuzzy.
Contoh data yang digunakan sebagai data latih
sistem adalah sebagai berikut :
8.
341
Deksameta
son tablet
0,5 mg
169.93
90
215.363
0
222.20
94
285.7736
ANFIS
Metode
Terbaik
ANFIS
Moving
Average
Regresi
Linear
Regresi
Exponensial
8.9494
38.77
34.71
89.85
ANFIS
37.057
46.05
49.63
115.40
ANFIS
383.09
598.24
588.59
886.26
ANFIS
Periode
0.076
85.303
41.63
368.30
221.01
79.25
0.72
299.42
69.67
573.12
352.22
128.06
0.7165
301.03
86.37
637.36
334.25
154.71
0.723
392.77
370.93
13513.59
50518.7
166.80
ANFIS
ANFIS
ANFIS
ANFIS
ANFIS
ANFIS
Data
Prediksi
Eror
196
198.5821
2.582131
196
207.1809
11.18091
236
227.2548
8.74524
235
222.9508
12.04916
229
211.4808
17.51922
243
231.5612
11.43878
264
250.2875
13.71249
272
250.2875
21.71249
237
232.9975
4.002549
10
211
208.6141
2.385853
11
180
187.1179
7.117924
12
201
207.1809
6.180906
13
204
202.8814
1.118595
342
14
188
218.6487
30.64866
15
235
240.1865
5.186526
16
227
231.5612
4.56122
17
234
217.2149
16.78511
18
264
251.7358
12.2642
19
302
282.9406
19.05936
20
293
282.9406
10.05936
21
259
264.8726
5.872573
22
229
228.6899
0.310082
23
203
201.4483
1.551707
24
229
238.7474
9.747444
25
242
245.9516
3.951597
26
233
253.1858
20.18583
27
267
295.6938
28.69383
28
269
272.2944
3.29438
29
270
286.0586
16.05857
30
315
295.6938
19.30617
31
364
335.1688
28.83122
32
347
335.1688
11.83122
33
312
305.8874
6.112571
34
274
270.8002
3.199809
35
237
247.3955
10.39555
36
278
276.8131
1.186938
37
284
284.4946
0.494575
38
277
299.0202
22.02025
39
317
322.6726
5.672616
40
313
300.7088
12.29116
41
318
304.1415
13.85854
42
374
382.1477
8.147712
43
413
409.7112
3.288806
44
405
405.4241
0.424136
45
355
358.7126
3.712632
46
306
318.7569
12.7569
47
271
286.0586
15.05857
48
306
324.6752
18.67518
2.
3.
4.
5.
6.
ANFIS
Memiliki eror yang paling baik dibanding
semua metode yang lain.
Moving Average (MA)
Tidak bisa meramalkan data tepat sejumlah
data training yang diperlukan, karena
digunakan untuk penghitungan average
sebelumnya.
Nilai eror lebih besar daripada Anfis.
Regresi Linear
Memiliki Eror yang lebih besar daripada anfis
dan moving average
Regresi Exponensial
Memiliki Eror yang lebih besar daripada anfis,
moving average, dan regresi linear.
Metode ini paling tidak cocok memprediksi
data yang stasioner.
Di semua percobaan, Metode paling baik untuk
prediksi distribusi obat melalui uji coba ini adalah
Adaptive Neuro Fuzzy Inference System (ANFIS).
Karena ANFIS Memiliki RMSE yang paling baik
dibanding semua metode yang lain.
Metode paling tidak sesuai untuk prediksi
distribusi obat melaui ujicoba ini adalah regresi
exponensial. Karena memiliki nilai RMSE paling
tinggi.
343
Daftar Pustaka
[1] Jang, J.-S. R. 1993. ANFIS: Adaptive-networkbased fuzzy inference systems, IEEE Trans. on
Systems, Man and Cybernetics, 23(03):665-685. [2]
Jang, J.-S. R. 1997. Neuro-Fuzzy and Soft
Computing. NewJersey Prentice-Hall.
[2] Jang, J.-S. R. 1997. Neuro-Fuzzy and Soft
Computing. NewJersey Prentice-Hall.
[3] Gorzalczany M. B., A. Gluszek. 2000. Neuro- fuzzy
systems for rule-based modeling of dynamic
processes. Proceedings of ESIT 2000,
pp. 416-422.
[4] Fariza Arna. M.Kom., Tesis Hybrid Algorithma
Genetika Simulated Annealing untuk peramalan
Data Time series Program Pasca Sarjana
Institut Teknologi Sepuluh Nopember Surabaya,
Juli 2003.
[5] G. Atsalakis, Ucenic Time series prediction of
water consumption using neuro-fuzzy (ANFIS)
approach.
344