www.ejournal.unib.ac.id/index.php/pseudocode
ariussatoni@yahoo.co.id
Abstract: Based on the Joint Regulation between this graduation using Backpropagation
the Ministry of Education and Ministry of Health Algorithm. This study was conducted by
on Competency Examination Year 2013 No. observing some research variables that are often
36/2013 & No.I / Iv / Pb / 2013, then all Health considered by midwifery colleges, especially the
Universities throughout Indonesia are required to academic in predicting the results of the
conduct the Competency Exam as the main competency exam, namely 7 variables in the
requirement to obtain a degree for health obstetric competency test value with the type of
students in completing their studies. In Dehasen questions about Pregnant Women, Maternal
Bengkulu Midwifery Academy, Competency Woman, Nifas, BBL, KB , Kespro, and
Exam Pass is also the main requirement for the Pathology. Value variables are used as input
title of Amd.Keb. Therefore Dehasen Bengkulu variables on the Backpropagation algorithm as
Midwifery students must follow the Competency well as decisions Passed and Failed as output.
Exam. Before conducting a Competency The result of this research is in the form of a
Examination, lecturers or campus would want to knowledge in predicting the result of kebidanaan
know the prediction of the number of graduation competency test by implementing
from students who will carry out the Competency Backpropagation algorithm on Matlab R2010a
Exam. The technique in predicting the results of software. From the results of the application of
37
Jurnal Pseudocode, Volume V Nomor 1, Februari 2018, ISSN 2355-5920
www.ejournal.unib.ac.id/index.php/pseudocode
Backpropagation algorithm, obtained 90% tahun, disajikan. Itu jaringan dilatih dengan
accuracy rate in determining more accurate
menggunakan data dari hasil uji hemogram dari 30
results in accordance with actual data for a
prediction reference of the passing of midwifery pasien dan dokter ahli. Jaringan memiliki 5 input
competency examination in Dehasen Bengkulu
(HGB, HCT, MCV, MCH, MCHC) dan output.
Midwifery Academy.
Keywords: Backpropagation, Prediction. Simulasi pada 20 pasien yang berbeda
menunjukkan bahwa Jaringan Syaraf Tiruan
I. PENDAHULUAN mendeteksi penyakit dengan akurasi yang tinggi.
Dalam tulisan ini, terlihat bahwa anemia diagnosis
Berdasarkan Peraturan Bersama antara
dapat dilakukan melalui metode jaringan saraf.
Kementerian Dikbud & Kementrian Kesehatan
Referensi [3] menunjukkan bahwa Rough Set
Tentang Ujian Kompetensi Tahun 2013 No.
adalah pendekatan untuk mengekstrak
36/2013 & No.I/Iv/Pb/2013, maka seluruh
pengetahuan dan hubungan antara data dan nilai-
Perguruan Tinggi Kesehatan di Seluruh Indonesia
nilai data dalam beberapa tahun terakhir. Referensi
wajib untuk melaksanakan Ujian Kompetensi
[4] menunjukkan bahwa Toleransi Rough Set
sebagai syarat utama mendapatkan gelar bagi
Model bersantai persyaratan transitivitas
mahasiswa kesehatan dalam menyelesaikan
hubungan kesetaraan, dan sering digunakan dalam
studinya.
pencarian informasi untuk menemukan kelompok
Di Akademi Kebidanan Dehasen Bengkulu,
istilah indeks dalam basis data teks besar.
Lulus Ujian Kompetensi juga merupakan syarat
Referensi [5] menunjukkan bahwa Untuk melatih
utama untuk meraih gelar Amd.Keb. Oleh karena
umpan-maju ANN classifier, kembali propagasi
itu mahasiswa Kebidanan Dehasen Bengkulu
diaplikasikan sesuai dengan Duda dkk, dan 3-
wajib mengikuti Ujian Kompetensi. Sebelum
Sistem lapisan terpilih sebagai ANN BP standar.
melakukan Ujian Kompetensi, dosen ataupun
Lapisan input dari jaringan memiliki enam neuron
pihak kampus tentu ingin mengetahui prediksi
yang sesuai untuk enam nilai fitur input.
nilai dari Mahasiswa yang akan melaksanakan
Jaringan Saraf Tiruan (JST) atau Artificial
Ujian Kompetensi.
Neural Network merupakan suatu pendekatan yang
Referensi [1] menunjukkan bahwa Jaringan
berbeda dari metode AI lainnya. JST merupakan
syaraf tiruan dianggap sebagai salah satu
suatu model kecerdasan yang diilhami dari struktur
matematika-komputasi yang modern metode yang
otak manusia dan kemudian diimplementasikan
digunakan untuk memecahkan masalah yang
menggunakan program computer yang mampu
dinamis dan diantisipasi maju perilaku sistem
menyelesaikan sejumlah proses perhitungan
selama periode waktu. Dengan belajar untuk
selama proses pembelajaran berlangsung.
mengenali pola dari data yang lain. Metode
Algoritma Artificial Neural Network (ANN)
komputasi dan statistik gagal menyelesaikannya,
merupakan model penalaran yang didasarkan pada
jaringan saraf tiruan mampu memecahkan
otak manusia. ANN terdiri dari sejumlah prosesor
masalah.
sangat sederhana dan saling berhubungan yang
Referensi [2] menunjukkan bahwa
disebut neuron. Neuron yang terhubung dengan
Menggunakan Algoritma jaringan saraf untuk
pembobotan (weight) melewatisinyal dari neuron
diagnosis anemia untuk anak di bawah usia 18
satu ke neuron yang lain.
38
Jurnal Pseudocode, Volume V Nomor 1, Februari 2018, ISSN 2355-5920
www.ejournal.unib.ac.id/index.php/pseudocode
Dengan adanya algoritma Artificial Neural bertentangan dengan fakta atau hipotesa yang ada
Network maka pihak kampus dapat memprediksi sebelumnya atau tidak. Tahapan proses KDD dapat
nilai mahasiswa yang akan melaksanakan Ujian dilihat pada Gambar 1.
Kompetensi dari data nilai mahasiswa tahun
sebelumnya.
39
Jurnal Pseudocode, Volume V Nomor 1, Februari 2018, ISSN 2355-5920
www.ejournal.unib.ac.id/index.php/pseudocode
Mempelajari Literatur
40
Jurnal Pseudocode, Volume V Nomor 1, Februari 2018, ISSN 2355-5920
www.ejournal.unib.ac.id/index.php/pseudocode
Reproduksi), dan Patologi. Adapun output Pada tahap weight training dilakukan 2 (dua)
layernya adalah lulus atau gagal. kegiatan yaitu:
a. Menghitung error gradient pada output layer
B. Pemilihan Variabel
b. Menghitung error gradient pada hidden layer
Data sampel yang diuji dalam penelitian ini
4. Iteration
adalah 200 mahasiswa yang mengikuti ujian
Pada tahap ini dilakukan proses pengulangan
kompetensi di Akademi Kebidanan Dehasen
sampai mendapat error yang minimal. (Badrul
Bengkulu Tahun 2014 dan 2015. Adapun format
Anwar, 2011).
data sebagai berikut:
Dalam menentukan hasil Ujian Kompetensi
1. Nama Mahasiswa
Kebidanan yang dilakukan pada setiap tahunnya
2. Nilai tipe soal tentang Ibu Hamil
dipengaruhi oleh beberapa faktor utama, yaitu
3. Nilai tipe soal Ibu Bersalin
faktor nilai tipe soal tentang Ibu Hamil, Ibu
4. Nilai tipe soal Ibu Nifas
Bersalin, Ibu Nifas, BBL (Bayi baru lahir), KB
5. Nilai tipe soal BBL (bayi baru lahir)
(Keluarga Berencana), Kespro (Kesehatan
6. Nilai tipe soal KB (Keluarga Berencana)
Reproduksi), dan Patologi. Hal ini disebabkan
7. Nilai tipe soal Kespro (Kesehatan Reproduksi)
karena selama ini data hasil ujian kompetensi
8. Nilai tipe soal Patologi
kebidanan Akbid Dehasen Bengkulu yang berupa
Adapun yang diambil sebagai variabel
data nilai mahasiswa tidak dianalisis dan diolah
masukan atau input adalah nilai tipe soal tentang
untuk dijadikan sebagai bahan dalam memprediksi
Ibu Hamil, Ibu Bersalin, Ibu Nifas, BBL (Bayi
nilai hasil ujian kompetensi kebidanan pada tahun
baru lahir), KB (Keluarga Berencana), Kespro
berikutnya. Padahal yang terkandung di dalam data
(Kesehatan Reproduksi), dan Patologi dalam
hasil ujian kompetensi Kebidanan Akbid Dehasen
penerapan Algoritma Backpropagation dan Rough
Bengkulu terdapat sebuah pengetahuan yang baru
Set untuk memprediksi nilai hasil ujian kompetensi
untuk sebuah prediksi Institusi Akbid Dehasen
kebidanan.
Bengkulu dalam melaksanakan kegiatan Ujian
Algoritma pelatihan pada backpropagation
Kompetensi.
sebagai berikut:
Jaringan Syaraf Tiruan dengan Algoritma
1. Initiliazation
Backpropagation pada prediksi hasil Ujian
Memberikan nilai awal terhadap nilai-nilai
Kompetensi menggunakan 7 buah variabel input,
yang diperlukan oleh neural network seperti
yaitu :
weight, threshold.
x1 = Nilai tipe soal tentang Ibu Hamil (IH)
2. Activation
x2 = Nilai tipe soal Ibu Bersalin (IB)
Nilai-nilai yang diberikan pada tahap
x3 = Nilai tipe soal Ibu Nifas (IN)
initiliazation akan digunakan pada tahap
x4 = Nilai tipe soal Bayi Baru Lahir (BBL)
activation.Dengan melakukan perhitungan:
x5 = Nilai tipe soal Keluarga Berencana (KB)
a. Menentukan actual output pada hidden layer
x6 = Nilai tipe soal Kesehatan Reproduksi
b. Menghitung actual output pada output layer
(Kespro)
3. Weight Training
x7 = Nilai tipe soal Patologi (Pt)
41
Jurnal Pseudocode, Volume V Nomor 1, Februari 2018, ISSN 2355-5920
www.ejournal.unib.ac.id/index.php/pseudocode
42
Jurnal Pseudocode, Volume V Nomor 1, Februari 2018, ISSN 2355-5920
www.ejournal.unib.ac.id/index.php/pseudocode
Dari uraian pada bab 1 sampai dengan bab 5 1. Dari beberapa pola tersebut pola arsitektur 7-25-
yang sudah dibahas sebelumnya dapat ditarik 1 dianggap lebih akurat dengan tingkat akurasi
menerapkan algoritma backpropagation dalam Bengkulu pada ujian kompetensi kebidanan yang
43
Jurnal Pseudocode, Volume V Nomor 1, Februari 2018, ISSN 2355-5920
www.ejournal.unib.ac.id/index.php/pseudocode
1. Pada penelitian ini, penulis mencoba sebuah banyak dan lebih lengkap untuk mendukung
teknik dalam memprediksi yaitu dengan dalam prediksi.
menerapkan algoritma backpropagation,
didapatkan tingkat akurasi 90% dalam REFERENSI
menentukan hasil yang lebih akurat sesuai
[1] Seyyed Reza Khaze, et al (2013). “Application of
dengan data aktual untuk sebuah acuan prediksi Artificial Neural Networks In Estimating Participation In
Elections”. IJITMC. Vol. 1, No. 3. 23
hasil kelulusan ujian kompetensi kebidanan di [2] Kaya, et al. (2014). Diagnosis Of Anemia In Children
Via Artivicial Neural Network. IJISAE. Vol. 4, No. 2. 24
Akademi Kebidanan Dehasen Bengkulu. Oleh [3] Tripathy, et al. (2011). A Framework For Intelligent
Medical Diagnosis Using Rough Set With Formal
sebab itu perlu dilakukan penerapan metode Concept Analysis. IJAIA. Vol. 2, No. 2. 45-46.
[4] Duntsch, et al. (2015). Rought Set Clustering. Technical
yang lebih baik lagi dalam memprediksi hasil Report# CS-15-02. 1.
[5] Nukala, et al. (2014). An Efficient And Robust Fall
ujian kompetensi kebidanan di Akbid Dehasen Detection System Using Wireless Gait Analysis Sensor
Bengkulu untuk yang akan datang. With Artificial Neural Network (ANN) And Support
Vector Machine (SVM) Algorithms. 3. 31.
2. Untuk mendapatkan hasil prediksi yang baik [6] Mabrur dan Lubis. (2012). Penerapan Data Mining
untuk Memprediksi Kriteria Nasabah Kredit.
sangat diperlukan data/knowledge yang lebih KOMPUTA. Vol. 1. No. 1. 5-6.
[7] Fadlina, (2014). Data Mining untuk Analisa Tingkat
Kejahatan Jalanan dengan Algoritma Association Rule
Metode Apriori. INTI. Vol. 3. No. 1. 145.
44