i

DAFTAR ISI

DAFTAR TABEL...................................................................................................i
DAFTAR GAMBAR..............................................................................................ii
BAB I PENDAHULUAN.....................................................................................iii
1.1 Latar Belakang Masalah.........................................................................1
1.2 Rumusan Masalah.....................................................................................3
1.3 Batasan Masalah.......................................................................................3
1.4 Tujuan Penelitian.......................................................................................4
1.5 Manfaat Penelitian.....................................................................................4
1.6 Sistematika Penulisan................................................................................5
1.7 Rencana Kegiatan......................................................................................6
BAB II LANDASAN TEORI................................................................................8
2.1 Penelitian Terdahulu..................................................................................8
2.2 Jaringan Syaraf Tiruan..............................................................................8
Konsep Jaringan Syaraf Tiruan..........................................................................10
Aplikasi Jaringan Syaraf Tiruan.........................................................................12
2.3 Backpropagation.....................................................................................13
2.3.1 Arsitektur Backpropagation......................................................................13
Fungsi Aktivasi...................................................................................................14
Algoritma Pelatihan Backpropagation...............................................................15
2.4 Pengertian prediksi..................................................................................18
2.5 Contoh Kasus..........................................................................................18
2.6 Definisi Obat...........................................................................................25
2.7 Pengelolaan Obat.....................................................................................26
2.8 Use Case Diagram...................................................................................28
2.9 Pengertian Flowchart..............................................................................29
2.10 Pengertian Matlab....................................................................................31
BAB III ANALISIS DAN PERANCANGAN SISTEM...................................33
3.1 Sejarah Singkat Puskesmas Bahorok......................................................33
3.2 Metode Penelitian....................................................................................36
3.2.1 Analisis Sistem.......................................................................................39
3.2.2 Perancangan Sistem................................................................................39
3.2.3 Rancangan Use Case Diagram...............................................................41
3.2.4 Diagram Aktivitas Proses Clustering.....................................................43
3.2.5 Diagram Aktivitas Informasi data kebutuhan obat..................................44
3.3 Data Pendukung......................................................................................44
3.4 Penerapan Metode...................................................................................48
3.5 Perancangan Antar Muka (Interface)......................................................57
3.5.1 Tampilan Halaman Utama.......................................................................57
3.5.2 Form Program memprediksi kebutuhan obat..........................................58
3.5.3 Form Program Hasil Output Kebutuhan Obat.........................................59
DAFTAR PUSTAKA
 ii

DAFTAR TABEL

Tabel I. 1 Rencana Kegiatan....................................................................................7

YTabel II. 1 Use Case Program..............................................................................28
Tabel II. 2 Simbol-simbol Flowchart....................................................................29
YTabel III. 1 Pola Masukkan dan Target Latih......................................................45
Tabel III. 2 Nilai Masukkan Data Latih dan Target Latih Data Kebutuhan Obat. 46
Tabel III. 3Pola Masukkan dan Target Uji............................................................46
Tabel III. 4Transformasi Nilai Masukkan Data Latih dan Target Latih Data.......47
Tabel III. 5 Hasil Perhitungan Metode Backpropagation......................................56

ii
 iii

DAFTAR GAMBAR

Gambar II. 1 Struktur dasar jaringan syaraf tiruan................................................10

Gambar II. 2 Model Tiruan Sebuah Neuron..........................................................11
Gambar II. 3 Arsitektur Backpropagation............................................................14
Gambar II. 4 Tampilan Awal MATLAB.................................................................32
Gambar III. 1 Struktur Organisasi UPT. PUSKESMAS BAHOROK...................35
Gambar III. 2 Alur Kerja Penelitian.......................................................................37
Gambar III. 3 Flowchart Algoritma Backpropagation..........................................40
Gambar III. 4 Rancangan Use Case Sistem Prediksi kebutuhan obat ..................41
Gambar III. 5 Diagram Aktivitas Proses Clustering..............................................43
Gambar III. 6 Diagram Aktivitas Informasi Data Kebutuhan Obat.......................44
Gambar III. 7 Gambar Arsitektur JST ..................................................................49
Gambar III. 8 Tampilan Menu Utama...................................................................57
Gambar III. 9 Program Prediksi Kebutuhan obat..................................................58
Gambar III. 10 Program Hasil Prediksi Kebutuhan Obat......................................59
Gambar III. 11 Program Output Kebutuhan Obat..................................................59

iii
 BAB I
PENDAHULUAN

Latar Belakang Masalah

Puskesmas (Pusat Kesehatan Masyarakat) adalah fasilitas pelayanan

kesehatan yang menyelenggarakan upaya kesehatan masyarakat dan upaya

kesehatan perseorangan tingkat pertama, dengan lebih mengutamakan upaya

promotif dan preventif, untuk mencapai derajat kesehatan masyarakat yang

setinggi-tingginya diwilayah kerjanya. Puskesmas adalah fasilitas sarana

pelayanan kesehatan terdepan dan merupakan ujung tombak pelayanan kesehatan

di seluruh tanah air, utamanya dalam era Jaminan Kesehatan Nasional (JKN).

Keberhasilan pelayanan kesehatan melalui Puskesmas memberikan kontribusi

yang cukup besar dalam pembangunan kesehatan. Puskesmas merupakan Unit

Pelayanan Teknis Dinas kesehatan kabupaten / kota yang bertanggung jawab

menyelenggarakan pembangunan kesehatan di suatu wilayah kerja.

Proses perencanaan dan pengadaan menghasilkan banyaknya data obat

seperti pemasukan, permintaan, dan pengembalian obat yang kemudian disimpan

di dalam database. Data-data yang dihasilkan dari proses perencanaan dan

pengadaan dapat dimanfaatkan melalui suatu mekanisme estimasi untuk dapat

dipergunakan membantu proses perencanaan obat esensial dan alat kesehatan

dasar. Oleh karena itu diperlukan suatu metode untuk pengolahan data pada

proses perencanaan dapat dilakukan dengan melakukan berbagai macam metode

yang dapat memprediksi untuk menentukan kebutuhan obat setiap bulannya.

 2

Jaringan syaraf tiruan adalah sistem yang adaptif yang dapat merubah

strukturnya untuk memecahkan masalah berdasarkan informasi internal dan

eksternal yang mengalir melalui jaringan tersebut. Jaringan syaraf tiruan dapat

digunakan untuk pemodelan data statistik non-linier yang dapat digunakan untuk

memodelkan hubungan yang kompleks dari masukan dan keluaran untuk

menemukan pola-pola pada data. Salah satu metode pada jaringan syaraf tiruan

adalah backpropagation atau rambat balik. Metode ini merupakan teknik

pembelajaran terawasi (supervised learning) yang digunakan pada jaringan multi-

layer yang dapat terdiri dari beberapa hidden-layer dan bertujuan untuk

meminimalisir error pada keluaran yang dihasilkan oleh jaringan.

Berdasarkan Penelitian Suci Ramadani 2019, h. 156-164, dengan judul

“Jaringan Syaraf Tiruan Memprediksi Laju Pertumbuhan Penduduk Kota Binjai

Metode Backpropagation (Studi Kasus: Dinas Kependudukan Dan Catatan Sipil

Dikota Binjai) “ bertujuan untuk memprediksi jumlah pertumbuhan penduduk

yang bertujuan untuk mengetahui berapa jumlah penduduk kota setiap tahunnya

dengan mengunakan jaringan syaraf tiruan dengan metode Backpropagation. Data

jumlah penduduk yang digunakan yaitu data tahun 2009-2018 yang berupa data

setiap tahunnya. Dengan maksimum epoch antara 0-10000, learning rate 0.2 dan

target error mulai dari 0.01. sampai dengan 56519.4 untuk mendapatkan hasil

yang konvergen. Hasil prediksi laju pertumbuhan penduduk setelah melakukan

proses pelatihan dan pengujian maka hasil prediksi laju pertumbuhan penduduk

mengalami penurunan dengan rata-rata hasil prediksi 56516.9637 untuk

mendapatkan hasil yang konvergen.

2
 3

Berdasarkan uraian latar belakang diatas, maka penulis tertarik untuk

merancang sebuah sistem informasi sebagai bahan penelitian dalam pembuatan

skripsi dengan judul “Jaringan Syaraf Tiruan Memprediksi Kebutuhan Obat-

Obatan Menggunakan Metode Backpropagation (Studi kasus : UPTD

PUSKESMAS BAHOROK)”.

Rumusan Masalah

Dari uraian diatas, maka yang menjadi rumusan masalah dalam penelitian

ini adalah sebagai berikut :

1. Bagaimana membuat model backpropagation neural network untuk

memprediksi kebutuhan obat dipuskesmas?

2. Bagaimana mengimplementasikan data obat-obatan dipuskesmas sebelumnya

dengan tingkat akurasi yang tepat yang dihasilkan oleh jaringan saraf tiruan

dalam memprediksi kebutuhan obat-obatan di puskesmas?

Batasan Masalah

Adapun batasan masalah yang akan dibahas oleh penulis adalah sebagai

berikut;

1. Menggunakan metode Backprogation untuk memprediksi kebutuhan obat

dipuskesmas.

2. Perancangan menggunakan Pemrograman MATLAB

3. Data yang akan di ambil adalah data pada tahun 2018 s/d 2019

3
 4

4. Variabel yang digunakan adalah nama obat, jumlah masuk, dan jumlah

keluar.

Tujuan Penelitian

Adapun Tujuan penelitian yang akan dicapai dalam penyusunan skripsi ini

adalah sebagai berikut :

1. Untuk membangun Jaringan saraf tiruan yang dapat digunakan untuk

memprediksi kebutuhan obat dipuskesmas dan mengimplementasikan data

pada tahun lalu dan memprediksi dimasa yang akan datang.

2. Untuk menerapkan metode Bacpropagition dalam proses perhitungan bobot

akhir dalam memprediksi kebutuhan obat-obatan dipuskesmas.

Manfaat Penelitian

Berdasarkan tujuan diatas, maka manfaat bagi penelitian adalah sebagai

berikut :

1. Dapat mengetahui dan memantau pemakaian obat dari periode waktu ke

waktu dan dapat membuat perencanaan kebutuhan berdasarkan informasi

tersebut.

2. Menambah referensi dalam perumusan implementasi metode

backpropagation.

3. Memberikan kontribusi pengetahuan mengenai penerapan metode

backpropagation untuk membantu memprediksi kebutuhan obat di

puskesmas.

4
 5

Sistematika Penulisan

Sistematika penulisan yang digunakan dalam penulisan skripsi ini adalah:

BAB I : PENDAHULUAN

Bab ini membahas mengenai Latar Belakang Masalah, rumusan

Masalah, ruang lingkup, tujuan penelitian, manfaat penelitian,

metodologi pengimpulan data dan sistemaatika penulisan.

BAB II : LANDASAN TEORI

Bab ini berisikan uraian tentang metode backpropagition, uraian

mengenai kebutuhan obat, pengertian flowchart serta simbol-

simbolnya, dan penjelasan bahasa pemrograman Matlab.

BAB III : ANALISA DAN PERANCANGAN SISTEM

Bab ini membahas mengenai tinjauan umum, metodologi penelitian

perancangn requitment, penerapan metode Backpopagition dalam

memprediksi kebutuhan obat.

BAB IV : IMPLEMENTASI DAN PEMBAHASAN

Bab ini membahas mengenai implementasi analisis permasalahan

menggunakan metode Matlab, pembahasan listing program dan

pembahasan antarmuka program.

BAB V : KESIMPULAN DAN SARAN

Bab ini berisikan tentang kesimpulan dari hasil yang di peroleh dan

saran yang bermanfaat sehingga dapat digunakan di masa yang akan

datang.

5
 6

1.7 Rencana Kegiatan

Dalam penyelesaian penulisan skripsi ada baiknya penulis membuat suatu

rencana kegiatan yang dapat dilihat pada Tabel 1.1.

6
 Tabel I. 1 Rencana Kegiatan

No Kegiatan April 2020 Mei 2020 Juni 2020 Juli 2020 Agustus 2020 September 2020
I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
1 Indentifikasi Masalah
2 Analisis Kebutuhan Sistem
3 Pengumpulan Data
4 Pembuatan Rancangan Sistem
5 Rancangan Bangun Program
6 Uji Coba Program (Testing)
7 Revisi dan Evaluasi
8 Sidang
 BAB II
LANDASAN TEORI

2.1 Penelitian Terdahulu

Dalam penelitian ini terdapat jurnal pendukung dalam penerapan metode

backpropagation penelitian yang dilakukan oleh Simangunsong, F. R. D. B., &

Nasution, S. D. (2015, hal 1). Aplikasi Jaringan Saraf Tiruan untuk Memprediksi

Jumlah Pasien Rawat Inap dengan Metode Backpropagation(Studi Kasus : RSU.

Tere Margareth). JURIKOM (Jurnal Riset Komputer), yang bertujuan untuk

memprediksi keterjumlah kematian dengan hanya menganalisa data pasien rawat

inap tersebut. Dengan menggunakan metode Backpropagation, maka akan

diketahui prediksi jumlah pasien rawat inap tersebut. Metode Backpropagation

sangat bermanfaat untuk Jaringan syaraf tiruan memprediksi jumlah pasien rawat

inap.

Jurnal pendukung dalam penerapan metode backpropagation penelitian

yang dilakukan Widodo, W., Rachman, A., & Amelia, R. (2014, hal 1). Jaringan

Syaraf Tiruan Prediksi Penyakit Demam Berdarah Dengan Menggunakan Metode

Backpropagation. Jurnal IPTEK, yang bertujuan untuk memprediksi penakit

Demam Berdarah dengan proses klasifikasi DBD mempunyai ketepatan 74% dan

proses diagnosa DBD mempunyai ketepatan 99%.

2.2 Jaringan Syaraf Tiruan

Jaringan saraf tiruan (Artifial Neural Network) merupakan salah satu

sistem pemprosesan informasi yang di desain dengan menirukan cara kerja otak
 9

manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajar

melalui perubahan bobot sinopsisnya. Jaringan saraf tiruan mampu melakukan

pengenalan kegiatan berbasis data masa lalu. Data masa lalu akan di pelajari oleh

jaringan syaraf tiruan sehingga mempunyai kemampuan untuk memberikan

keputusan terhadap data yang belum pernah dipelajari.

Sejak ditemukan pertamakali oleh Mc.Culloch dan Pitts sistem jaringan

syaraf tiruan berkembang pesat dan banyak di gunakan oleh banyak aplikasi,

jaringan syaraf tiruan (Artificial Nural Network) adalah suatu jaringan untuk

memodelkan cara kerja sistem syaraf manusia (otak) dalam melaksanakan tugas

tertentu. Pemodelan ini didasari oleh kemampuan otak manusia dalam

mengorganisasi sel – sel penyusunan (neuron), sehingga memiliki kemampuan

untuk melaksanakan tugas – tugas tertentu khususnya pengenalan pola dengan

Efektifitas jaringan tertinggi. (Suyanto, 2013).

Menurut Fu (1994) sebuah jaringan syaraf tiruan merupakan simulasi dari

otak biologis yang bertujuan untuk belajar mengenali pola data dan

mensimulasikan proses belajar adaptif biologis, walau dalam skala yang sangat

sederhana. Sekali jaringan syaraf tiruan telah dilatih terhadap data, akan dapat

membuat prediksi dengan melakukan deteksi kemiripan/kesamaan pola-pola data

masukan. Jaringan syaraf tiruan bukanlah duplikasi persis dari sistem biologis

otak manusia, tetapi jaringan saraf tiruan ini dapat melakukan kemampuan seperti

generalisasi, belajar, abstaksi, dan bahkan intuisi. Mudahnya, merupakan suatu

model dari sistem saraf biologis yang disederhanakan sebagai suatu alternatif

sistem komputer.

9
 10

Konsep Jaringan Syaraf Tiruan

Pembuatan struktur jaringan saraf tiruan diilhami oleh struktur jaringan

biologi, khususnya jaringan otak manusia.Untuk lebih mengenal asal-usul serta

bagaimana suatu struktur jaringan syaraf tiruan dibuat dan dapat dipakai sebagai

suatu alat penghitung, berikut ini akan diulas sedikitistilah secara umum

digunakan.

Neuron adalah satuan unit pemroses terkecil pada otak, bentuk sederhana

sebuah neuron yang oleh para ahli dianggap sebagai satuan unit pemroses

tersebut digambarkan sebagai berikut:

Gambar II. 1 Struktur dasar jaringan syaraf tiruan dan struktur sederhana
sebuah neuron

Struktur pada gambar tersebut adalah bentuk standard dasar satuan unit

jaringan otak manusia yang telah disederhanakan. Bentuk standar ini mungkin

dikemudian hari akan berubah bila ada ilmuan yang dapat menciptakan bentuk

standar yang lebih baik atau pun memperbaiki bentuk standar yang digunakan saat

ini. Jaringan otak manusia tersusun tidak kurang dari 10 13 buah neuron yang

10
 11

masing-masing terhubung oleh sekitar 1015 buah dendrite. Fungsi dendrite adalah

sebagai penyampaian sinyal dari neuron tersebut ke neuron yang terhubung

dengannya. Sebagai keluaran, setiap neuron memiliki axon, sedangkan bagian

penerima sinyal disebut synapse. Penjelasan lebih rinci tentang hal ini dapat

diperoleh pada disiplin ilmu biologi molecular.

Tiruan neuron dalam struktur jaringan saraf tiruan adalah sebagai elemen

pemroses seperti pada gambar berikut yang dapat berfungsi seperti halnya sebuah

neuron. Sejumlah sinyak masukan a dilakukan dengan masing-masing

peningbangan yang bersesuaian dengan w. Kemudian dilakukan penjumlahan dari

seluruh hasil perkalian tersebut dan keluaran yang dihasilkan dilamasukkan

kedalam fungsi pengaktif untuk mendapatkan tingkatan derajat sinyal keluarannya

F(a,w). Walaupun masih jauh dari sempurna, namun kinerja dari tujuan neuron ini

identik dengan kinerja dari sel biologi yang kita kenal saat ini.

Gambar II. 2 Model Tiruan Sebuah Neuron

 aj : Nilai akivasi dari unit j

 wj,i : Bobot dari unir j ke unit i

 ini : Penjumlahan bobot dan masukkan ke unit i

 g : Fungsi Aktivasi

 ai : Nilai aktivasi dari unit i

11
 12

Misalkan ada n buah sinyal maukan dan n buah penimbang, fungsi keluaran

dari neuron adalah seperti persamaan (II.1) berikut,

Ini = ∑ jWji * aj

Kumpulan neuron ini dibuat menjadi sebuah jaringan yang akan berfungsi

sebagai alat komputasi. Jumlah neuron dan struktur jaringan untuk setiap

problema yang akan diselesaikan adalah berbeda.

Aplikasi Jaringan Syaraf Tiruan

Beberapa aplikasi jaringan syaraf tiruan adalah sebagai berikut :

1. Pengenalan Pola ( Pattern Recognition)

Jaringan syaraf tiruan dapat dipakai untuk mengenali pola ( misal huruf,

angka, suara atau tanda tangan) yang sudah sedikit berubah. Hal ini mirip

dengan otak manusia yang masih mampu menganali orang yang sudah

beberapa waktu tidak dijumpainya ( mungkin wajahnya/bentuk tubuhnya

sudah sedikit berubah).

2. Signal Processing

Jaringan syaraf tiruan (model adaline) dapat dipakai untuk menekan noise

dalam saluran telepon.

3. Peramalan

Jaringan syaraf tiruan juga dapat dipakai untuk meramalkan apa yang terjadi

dimasa yang akan datang berdasarkan pola kejadian yang ada dimasa yang

lampau. Ini dapat dilakukan mengingat kemampuan jaringan syaraf tiruan

12
 13

untuk mengingat dan membuat generalisasi dari apa yang sudah ada

sebelumnnya.

Disamping area-area tersebut, jaringan syaraf tiruan juga dilaporkan dapat

menyelesaikan masalah dalam bidang kontrol, kedokteran, dan lain-lain.

2.3 Backpropagation

Menurut Arya (2015, h.60-61) Pada jaringan saraf tiruan backpropagation,

kesalahan pada lapisan keluaran dipropagasikan kembali kelapisan sebelumnya

yang sedang belajar. Jika lapisan sesudahnya bukan lapisan masukan, maka

kesalahan pada lapisan tersembunyi dipropagasikan kembali kelapisan

sebelumnya, Backpropagation adalah salah satu algoritma pelatihan jaringan

syaraf tiruan yang banyak dimanfaatkan dalam bidang pengenalan pola

adalah backpropagation. Algoritma ini umumnya digunakan pada jaringan syaraf

tiruan yang berjenis multi-layer feed-forward, yang tersusun dari beberapa lapisan

dan sinyal dialirkan secara searah dari input menuju output.

2.3.1 Arsitektur Backpropagation

Menurut Agustin (2012, h.18) Arsitektur jaringan saraf tiruan

backpropagation terdiri atas banyak lapisan (multilayer) yaitu lapisan

masukan, minimal satu buah lapisan tersembunyi, dan lapisan keluaran,Lebih

dari satu lapisan tersembunyi mungkin diperlukan dalam beberapa penerapan

jaringan, namun dengan satu lapisan tersembunyi saja jaringan sudah cukup

memadahi dalam banyak penerapan.

13
 14

Vij merupakan bobot garis dari unit masukan Xi ke unit layer tersembunyi

Zj (Vj0 merupakan bobot garis yang menghubungkan bias diunit masukan keunit

layer tersembunyi Zi). Wkj merupakan bobot dari unit layer tersembunyi Zj ke unit

keluaran Yk (Wko merupakan bobot bias dilayer tersembunyi keunit keluaran Zk).

Berikut adalah Gambar II.3 Arsitektur Backpropagation.

Gambar II. 3 Arsitektur Backpropagation

2.3.2 Fungsi Aktivasi

Dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi

beberapa syarat yaitu kontinu, terdiferensial dengan mudah dan merupakan fungsi

yang tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut

sehingga sering dipakai. Berikut adalah fungsi aktivasi yang sering digunakan

yaitu:

14
 15

1. Fungsi Signoid Biner

Fungsi ini digunakan untuk jaringan syaraf tiruan yang dilatih dengan

menggunakan metode backpropagation,. Fungsi sigmoid biner memiliki nilai

range 0 sampai 1. fungsi ini sering digunakan untuk jaringan syaraf tiruan

yang membutuhkan nilai output yang terletak pada interval 0 sampai 1

Definisi fungsi sigmoid biner adalah sebagai berikut:

1
f1(x) = …………………………………. (2.1)
1+ e−x

Dengan turunan

f '1(x)= f1(x)(1-f1(x))…………………………. (2.2)

2. Fungsi Sigmoid Bipolar

Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya

saja output dari fungsi ini memiliki rang antara 1 sampai -1. Definisi sigmoid

bipolar adalah sebagai berikut:

F2(x) = 2f2(x)-1……………………………. (2.3)

Dengan turunan

1
f '2(x)= ¿f2(x))(1-f2(x))………………. (2.4)
2

2.3.3 Algoritma Pelatihan Backpropagation

Menurut sutojo (2011, h.361-363). Algoritma backpropagation yaitu;

1. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil).

2. Tetapkan mksimum Epoch, Targget error, dan learning rate.

3. Inisialisai Epoch = 0.

15
 16

4. Kerjakan langkah-langkah berikut selama kondisi bernilai salah yaitu dengan

tahapan berikut:

Tahapan perambatan maju ( forwardpropagation)

1) Tiap unit input (xi, i=1,2,3,….n) menerima sinyal xi dan meneruskan

sinyal tersebut pada lapisan yang ada diatasnya (lapisan tersembunyi).

2) Tiap-tiap unit pada suatu lapisan tersembunyi (zj, j=1,2,3,…..,p)

menjumlahkan sinyal-sinyal terbobot.

n
z_inj= v0j + ∑ xivij……………………….. (2.5)
i=1

Gunakan fungsi aktivitas untuk menghitung sinyal outputnya:

zj= f (Z_inj……………………………………(2.6)

Dan kirimkan sinyal tersebut kesemua unit dilapisan atasnya

(unit-unit outputnya)

3) Tiap unit outptnya ((yki k=1,2, 3….m) menjumlahkan sinyal-sinyal

input terbobot.
p
y_ink = w0k + ∑ zivjk……………………….. (2.7)
j=1

Gunakan fungsi aktivitasi untuk menghitung sinyal outputnya

yk= f (y_ink……………………………………….(2.8)

Dan kirimkan sinyal tersebut kesemua unit dilapisan atasnya

(unit-unit output).

Tahapan perambatan mundur (Backpropagation)

16
 17

1. Tiap-tiap unit output (ykk=1,2,3,…………………,m) menerima target

pola yang berhubungan dengan pola input pembelajaran. Hitung

informasi errornya.

ðk = (ƭk - yk) ƒ’(y_ink)………………………… (2.9)

Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk

memperbaiki wjk).

Δwkj = α ðzij………………………………… (2.10)

Hitung juga koreksi bias (yang nantinya akan digunakan untuk

memperbaiki nilai w0k)

Δwjk = α ðk ………………………………… (2.11)

Kirimkan ðk ini keunit –unit yang ada lapisan bawahnya.

2. Tiap-tiap unit tersembunyi (zj, j=1,2,3,…….,p) menjumlahkan delta

inputnya (dari unit-unit berada pada lapisan atasnya).

m
ð_inj = ∑ ð kwjk…………………………(2.12)
k =1

Kalikan nilai ini denan turunan dari fungsi aktivasinya untuk

menghitung informasi error.

ðj = ð_injƒ’(z_inj)………………………….(2.13)

Kemudian hitung koreksi bobot (yang nantinyaakan digunakan untuk

memperbaiki nilai vij).

Δvjk = α ðjxi ………………………………(2.14)

Hitung juga koreksi bias(yang nantinya akan digunakan untuk

memperbaiki nilai voj).

Δvjk = α ðj…………………………………(2.15)

17
 18

Tahapan perubahan bobot dan bias

Tiap unit output (yk1 k= 1,2,3,……..,m) memperbaiki bias dan bobonya

(j=0,1,2,3,….,p)

wjk(baru) = wjk (lama) + Δwjk……………………………(2.16)

Tiap-tiap unit tersembunyi (zj, j=1,2,3,…,p) memperbaiki bias dan

bobotnya (i=0,1,2,3,…….,n)

Vij(baru) = vij (lama) + Δwij……………………………(2.17)

2.4 Pengertian prediksi

Prediksi adalah hasil kegiatan memprediksi, meramal atau memperkirakan.

Prediksi dalam metode ilmiah atau proses ilmiah merupakan proses keilmuan

untuk memperoleh pengetahuan secara sistematis berdasarkan bukti fisis. Ilmuan

melakukan pengamatan serta membentuk hipotesis dalam usahanya untuk

menjelaskan fenomena alam prediksi yang dibuat berdasarkan hipotesis tersebut.

Kemudian hipotesis tersebut diuji dengan melakukan eksperimen. Jika suatu

hipotesis lolos uji berkali-kali, hipotesis tersebut dapat menjadi suatu teori ilmiah.

Berdasarkan pengertian prediksi yang telah disampaikan, bahwa prediksi

adalah suatu proses memperkirakan secara sistematis tentang suatu yang mungkin

terjadi dimasa depan dengan berdasarkan informasi pada masa lalu dan sekarang,

agar kesalahan (selisih antara sesuatu yang mungkin terjadidengan hasil

perkiraan) dapat diperkecil. Prediksi tidak haus memberikan jawaban secara pasti

kejadian yang akan terjadi melainkan hanya untuk meramalkan kejadian yang

akan terjadi selanjutnya.

18
 19

2.5 Contoh Kasus

Berikut adalah contoh kasus penyelesaian jaringan syaraf tituan dengan

menggunakan metode backpropagation yang dihitung secara manual,

menggunakan data kecelakaan lalu lintas yang disebabkan oleh faktor kecelakaan

diwilayah kabupaten langkat pada satu pola pelatihan seperti dibawah ini.

1. Lapisan masukan (X) terdiri dari 2 neuron.

2. Lapisan tersembunyi (z) terdiri dari 6 neuron.

3. Lapisan keluaran terdiri dari 1 neuron.

Bobot awal yang menghubungkan neuron-neuron pada lapisan input dan

lapisan tersembunyi ( V11,V1-n,V21,V2-n) dan bobot bias V01 dan V0n dipilih secra

acak. Demikian pula bobot awal yang mengubungkan neuron-neuron pada lapisan

tersembunyi dan lapisan output ( W11,W12,W,13,……..Wnn-6) dan bobot bias Wn

juga dipilih secara acak.

Berikut ini merupakan perhitungan pelatihan menggunakan metode

backpropagation secara manual.

Pola Input Data Data Nilai Input Data Nilai

Latih Target Latih Target
X1 X2 Latih X1 X2 Latih
Pola -1 Jan-11 Feb-11 Mar-11 54 33 32

Pada inisialisasiditetapkan :

1. Learning Rate (α) = 0,3

2. Target Error = 0,01

3. Maksimum epoch = 10000

19
 20

4. Target (T) = (32)

Inisialisasi bobot secara acak.

1. Bobot awal input ke hidden layer (Vij);

V11=-0.3 V12=0.3 V13= -0.1 V14=0.4 V15= 0.1 V16= 0.1

V21=0.2 V22=0.2 V23=0.3 V24=-0.3 V25= 0.4 V26=0.4

Bobot awal bias ke hidden layer (V0j);

V01=0.1 V02= -0.1 V03=-0.4 V04= 0.2 V05=-0.5 V06=0.3

2. Bobot awal hidden layer ke output layer (wJK);

W11=0.2 W21=0.1 W31=-0.1 W41=0.3 W51=-0.2 W61=0.4

3. Bobot awal bias ke outputlayer (W0j);

W01=-0.2

Tahapan Perambatan Maju (Forward Propagation)

Unit tersembunyi menjumlakan bobot sinyal output:

12
Z_in1 = V01 + ∑ ❑X1Vi1)
i=1

Z_in1 = 0.1 + (56*(-0.3))+(33*0.2) = -9.5

12
Z_in2 = V02+ ∑ ❑X1Vi2)
i=1

Z_in2 = 0.1 + (56*0.3)+(33*0.2) = 22.7

12
Z_in3 = V03 + ∑ ❑X1Vi3)
i=1

Z_in3 = -0.4 + (56*(-0.1))+(33*0.3) = 4.1

12
Z_in4 = V04 + ∑ ❑X1Vi4)
i=1

20
 21

Z_in4 = 0.2 + (56*(-0.1))+(33*0.3) = 11.9

12
Z_in5 = V05 + ∑ ❑X1Vi5)
i=1

Z_in5 = 0.5 + (54*(-0.1))+(33*0.4) = 18.1

12
Z_in6 = V06 + ∑ ❑X1Vi6)
i=1

Z_in6 = 0.3 + (54*(-0.1))+(33*0.4) = 18.9

Menghitung sinyal output menggunakan fungsi aktivasi:

1 1
Z1 = −z 1 = = 0.0001
1+ e ¿
1+ e 9.5

1 1
Z2 = −z 2 = =1
1+ e ¿
1+ e−22.7

1 1
Z3 = −z 3 = = 0.9837
1+ e ¿
1+ e−4.1

1 1
Z4 = −z 4 = =1
1+ e ¿
1+ e−11.9

1 1
Z5 = −z 5 = =1
1+ e ¿
1+ e−18.1

1 1
Z6 = −z 6 = =1
1+ e ¿
1+ e−18.9

Unit output menjumlahkan bobot sinyal input:

6
Y_in1 = Wk1 + ∑ ❑Z1 Wkj)
i=1

Y_in1 = -0.2 + 0.0001 (-0.2) + 1 (0.1) + 0.9837 (-0.1) +1 (0.3) + 1 (-0.2) + 1(0.4) =

0.3016

Menghitung sinyal output menggunakan fungsi aktivasi sigmoid binner:

21
 22

1 1
Y1 = −y 6 = = 0.5748
1+ e ¿
1+ e−3016

Cek error (iterasi berhenti bila error < 0.01)

Error lapisan Y1 = 0-05748)2 = 0.3304

Tahap perambatan balik (Bakpropagation)

1
ð1 = (T1 – y) * ¿ )*[1-( )]
1+ e− y 1
¿

1
ð1 = (32 – 0.5748) * ¿ )*[1-( −0.73553 )] = 7.6805
1+ e

suku perubahan bobot Wkj (dengan α = 0.3):

menghitung koreksi bobot dengan persamaan:

Δw11 = αð1Z1 = 0.3 * 7.6805*0.0001 = 0.0002

Δw21 = αð1Z2 = 0.3 * 7.6805*1 = 2.3041

Δw31 = αð1Z3 = 0.3 * 7.6805*0.9837 = 2.2666

Δw41 = αð1Z4 = 0.3 * 7.6805*1 = 2.3041

Δw51 = αð1Z5 = 0.3 * 7.6805*1 = 2.3041

Δw61 = αð1Z6 = 0.3 * 7.6805*1 = 2.3041

Menghitung koreksi bias dengan persaman berikut:

Δw01 = αð1= 0.3 * 7.6805 = 2.3041

Unit tersembunyi menjumlahkan data input :

m
ð_in1= ∑ ❑ ð w1k) = 7.6805*0.2 = 1.5361
k =1

m
ð_in2= ∑ ❑ ð w2k) = 7.6805*0.1= 0.7680
k =1

m
ð_in3= ∑ ❑ ð w3k) = 7.6805*(-0.1) = 0.7680
k =1

22
 23

m
ð_in4= ∑ ❑ ð w4k) = 7.6805*0.3 = 2.3041
k =1

m
ð_in5= ∑ ❑ ð w5k) = 7.6805*(-0.2) = 1.5361
k =1

m
ð_in6= ∑ ❑ ð w6k) = 7.6805*0.4= 3.0722
k =1

Hitung informasi output dengan persamaan :

1
ð1 = ð_in1 *¿ )*[1-( )]
1+ e− y 1
¿

1
ð1 = (0.0232)*¿ )*[1-( )] = 0.0001
1+ e 9.5

1 1
ð2 = ð_in2¿( −y 1
)∗[1−( )]
1+e ¿
1+ e− y 1 ¿

1
ð2 = (-0.0116)*¿ )*[1-( )] = 0
1+ e−22.7

1 1
ð3 = ð_in3¿( −y 1
)∗[1−( )]
1+e ¿
1+ e− y 1 ¿

1
ð3 = (0.0116)*¿ )*[1-( )] = -0.0123
1+ e−4.1

1 1
ð4 = ð_in4¿( −y 1
)∗[1−( )]
1+e ¿
1+ e− y 1 ¿

1
ð4 = (-0.0348)*¿ )*[1-( )] = 0
1+ e−11.9

1 1
ð5 = ð_in5¿( −y 1
)∗[1−( )]
1+e ¿
1+ e− y 1 ¿

1
ð5 = (0.0232)*¿ )*[1-( )] = 0
1+ e−18.1

1 1
ð6 = ð_in6¿( −y 1
)∗[1−( )]
1+e ¿
1+ e− y 1 ¿

23
 24

1
ð6 = (-0.0464)*¿ )*[1-( )] = 0
1+ e−18.9

Hitung koreksi bobot dengan persamaan:

ΔV11 = αð1X1 = 0.3*0.0001*54 = 0.0019

ΔV21 = αð1X1 = 0.3*0*54 = 0

ΔV31 = αð1X1 = 0.3*(-0.0123)*54 = -0.1995

ΔV41 = αð1X1 = 0.3*0*54 = 0

ΔV51 = αð1X1 = 0.3*0*54 = 0

ΔV61 = αð1X1 = 0.3*0*54 = 0

ΔV21 = αð1X2 = 0.3*0.0001*33 = 0.0011

ΔV22 = αð1X2 = 0.3*0.0001*33 = 0

ΔV23 = αð1X2 = 0.3*(-0.0123)*33 = -0.1219

ΔV24 = αð1X2 = 0.3*0*33 = 0

ΔV25 = αð1X2 = 0.3*0*33 = 0

ΔV26 = αð1X2 = 0.3*0*33 = 0

Hitung bias dengan persamaan:

ΔV01 = αð1X2 = 0.3*0.0001= 0

ΔV02 = αð1X2 = 0.3*0 = 0

ΔV03 = αð1X2 = 0.3*(-0.0123) = -0.0037

ΔV04 = αð1X2 = 0.3*0 = 0

ΔV05 = αð1X2 = 0.3*0 =0

ΔV06 = αð1X2 = 0.3*0 = 0

24
 25

Hitung perubahan bobot dan bias dengan persamaan:

V11 (baru) = V11 (lama) + ΔV11 = -0.3 + 0.0019 = -0.2981

V12 (baru) = V12 (lama) + ΔV12 = -0.3 + 0= -0.3

V13 (baru) = V13 (lama) + ΔV13 = -0.1 + (-0.1995) = -0.2995

V14 (baru) = V14 (lama) + ΔV14 = -0.4 + 0 = 0.4

V15 (baru) = V15 (lama) + ΔV15 = -0.1 + 0 = 0.1

V16 (baru) = V16 (lama) + ΔV16 = -0.1 + 0 = 0.1

V21 (baru) = V21 (lama) + ΔV21 = 0.2 + 0.0011 = -0.2011

V22 (baru) = V22 (lama) + ΔV22 = 0.2 + 0= -0.2

V23 (baru) = V23 (lama) + ΔV23 = 0.3 + (-0.1995) = -0.1781

V24 (baru) = V24 (lama) + ΔV24 = -0.3 + 0 = 0.3

V25 (baru) = V25 (lama) + ΔV25 = 0.4 + 0 = 0.4

V26 (baru) = V26 (lama) + ΔV26 = 0.4 + 0 = 0.4

V01 (baru) = V01 (lama) + ΔV01 = -0.1 + 0 = -0.1

V02 (baru) = V02 (lama) + ΔV02 = (-0.1) + (-0.0037) = -0.1

V03 (baru) = V03 (lama) + ΔV03 = 0.4 + (-0.0037) = -0.4037

V04 (baru) = V04 (lama) + ΔV04 = 0.2 + 0 =0.2

V05 (baru) = V05 (lama) + ΔV05 = (-0.5) + 0 =-0.5

V06 (baru) = V06 (lama) + ΔV06 = 0.3 + 0 = 0.3

W11 (baru) = W11 (lama) + ΔW11 = 0.2 + 0.0002 = 0.2

25
 26

W21 (baru) = W21 (lama) + ΔW21 = 0.1 + 2.3031 = 2.4

W31 (baru) = W32 (lama) + ΔW31 = (-0.1) 2.2666) = 2.2

W41 (baru) = W41 (lama) + ΔW41 = 0.3 + 2.3041 = 2.6

W51 (baru) = W51 (lama) + ΔW51 = (-0.2) + 2.3041 = 2.1

W61 (baru) = W61 (lama) + ΔW61 = 0.41 + 2.3041 = 2.7

W01 (baru) = W01 (lama) + ΔW01 = -0.2 + 2.3041 = 2.1041

Ulangi iterasi hingga maksimal epoch atau error <error target tercapai.

2.6 Definisi Obat

Menurut Ansel (2012, h.14) Obat adalah zat yang digunakan untuk

diagnosis, mengurangi rasa sakit, serta mengobati atau mencegah penyakit pada

manusia atau hewan. Obat dalam arti luas ialah setiap zat kimia yang dapat

mempengaruhi proses hidup, maka farmakologi merupakan ilmu yang sangat luas

cakupannya.

Menurut Departemen Kesehatan RI (2005), Obat merupakan sediaan atau

paduan bahan-bahan yang siap untuk digunakan untuk mempengaruhi atau

menyelidiki sistem fisiologi atau keadaan patologi dalam rangka penetapan

diagnosis, pencegahan, penyembuhan, pemulihan, peningkatan, kesehatan dan

kontrasepsi.

2.7 Pengelolaan Obat

Menurut Aditama (2007, h.5) pengelolaan obat pada tahap penyimpanan

merupakan bagian penting dalam menghindari penggunaan yang tidak

bertanggung jawab, menjaga mutu obat-obatan, memudahkan pencarian dan

26
 27

pengawasan, menjaga kelangsungan persediaan, mengurangi resiko kerusakan dan

kehilangan, mengoptimalkan persediaan, serta memberikan informasi kebutuhan

obat yang akan datang.

Kegiatan pengelolaan Obat dan Bahan Medis Habis Pakai meliputi:

1) Perencanaan

Menurut Permenkes Nomor 30 tahun 2014 Perencanaan yakni kegiatan

seleksi obat dalam menentukan jumlah dan jenis obat dalam memenuhi kebutuhan

sediaan farmasi di puskesmas dengan pemilihan yang tepat agar tercapainya tepat

jumlah, tepat jenis, serta efisien.

Perencanaan obat dilakukan dengan tujuan untuk mendapatkan

peningkatan efisisensi penggunaan obat, peningkatan penggunaan obat secara

rasional, dan perkiraan jenis dan jumlah obat yang dibutuhkan.

2) Permintaan

Permintaan merupakan kegiatan untuk memenuhi kebutuhan obat yang

sudah direncanakan dengan mengajukan permintaan kepada Dinas Kesehatan

Kabupaten/Kota, sesuai peraturan dan kebijakan pemerintah setempat.

3) Penerimaan

Penerimaan obat adalah kegiatan menerima obat dari Instalasi Farmasi

Kabupaten/Kota sesuai dengan permintaan yang sudah diajukan oleh puskesmas

(Permenkes, 2014). Pada kegiatan penerimaan obat harus menjamin jumlah, mutu,

waktu penyerahan, spesifikasi, kesesuaian jenis dan harga yang tertera pada

pesanan.

27
 28

4) Penyimpanan

Penyimpanan adalah suatu kegiatan pengaturan obat agar terhindar dari

kerusakan fisik maupun kimia, agar aman dan mutunya terjamin. Penyimpanan

obat harus mempertimbangkan berbagai hal yaitu bentuk dan jenis sediaan, mudah

atau tidaknya meledak/terbakar, stabilitas, dan narkotika dan psikotropika

disimpan dalam lemari khusus (Permenkes, 2014). Kegiatan penyimpanan obat

meliputi:

a. Perencanaan/persiapan dan pengembangan ruang-ruang penyimpanan

(storage space)

b. Penyelenggaraan tata laksana penyimpanan (storage procedure)

c. Perencanaan/penyimpanan dan pengoperasian alat-alat pembantu

pengaturan barang (material handling equipment)

d. Tindakan-tindakan keamanaan dan keselamatan

Tujuan dari penyimpanan obat menurut Warman (2004) yakni :

a. Menghindari penggunaan yang tidak bertanggung jawab

b. Memudahkan pencarian dan pengawasan sediaan

c. Memelihara mutu sediaan farmasi
d. Menjaga ketersediaan

2.8 Use Case Diagram

Use case diagram digunakan untuk memodelkan bisnis proses berdasarkan

perspektif pengguna sistem. Use Case diagram terdiri atas diagram untuk use case

dan actor. Actor mempresentasikan orang yang akan mengoperasikan atau orang

yang berinteraksi dengan sistem aplikasi.

Tabel II. 1 Use Case Program

28
 29

Gambar Nama Keterangan

Menspesifikasikan himpunan peran

Actor yang pengguna mainkan ketika
berinteraksi dengan use case.

Hubungan dimana perubahan yang

terjadi pada suatu elemen mandiri
Dependency (independent) akan mempengaruhi
elemen yang bergantung padanya
elemen yang tidak mandiri.
Hubungan dimana objek anak
(descendent) berbagai perilaku dan
Generalization struktur data dari objek yang ada
diatasnya objek induk (ancestor).
Menspesifikasikan bahwa use case
Include sumber secara eksplisit.
Menspesifikasikan bahwa use case
Extend target memperluas perilaku dari use
case sumber pada satu titik yang
diberikan.
Apa yang menghubungkan antara
Association
objek satu dengan objek lainnya.

Menspesifikasikan paket yang

System menampilkan sistem secara terbatas

Deskripsi dar urutan aksi-aksi yang

Use Case ditampilkan sistem yang
menghasilkan suatu hasil yang
terstruktur bagi suatu actor.
Interaksi aturan-aturan dan elemen
Collaboration lain yang berkerja sama untuk
menyediakan prilaku yang lebih
besar dari jumlah dan elemen-
elemennya (sinergi).

29
 30

2.9 Pengertian Flowchart

Flowchart merupakan gambar atau bagian yang memperlihatkan urutan

dan hubungan antar proses beserta intruksinya. Gambaran ini dinyatakan dengan

symbol. Dengan demikian setiap simbol menggambarkan proses tertentu.

Sedangkan hubungan antar proses digambarkan denagn garis penghubung.

Simbol-simbol flowchart yang biasa dipakai dalam simbol-simbol

flowchart yang dikeluarkan oleh ANSI (American National Standards Institue)

dan ISO (International Standarisation Organisation).

Simbol-simbol standardyang biasa digunakan untuk membuat Flowchart:

Tabel II. 2 Simbol-simbol Flowchart

No Simbol Nama Fungsi

1 Simbol ini digunakan untuk
Terminal menggambarkan suatu permulaan
dan akhirnya dari jalannya suatu
proses.
2 Simbol ini digunakan untuk
Input/Output menggambarkan masukkan atau
pun keluaran hasil proses.
3 Simbol ini digunakan untuk
Keputusan menggambarkan keputusan dari
suatu kondisi (percabangan) dari
suatu kegiatan pengolahan informasi.
4 Simbol ini digunakan untuk
menggambarkan semua jenis
dokumen, merupakan formulir
Dokumen
yang digunakan untuk merekam
data terjadinya suatu transaksi
yang menunjukkan input maupun
out put baik untuk proses
manual,mekanik, dan komputer.
5 Simbol ini digunakan untuk
Proses Manual menggambarkan kegiatan manual
atau pekerjaan yang dilakukan
tanpa menggunakan computer.

30
 31

Uraian singkat kegiatan manual

dicantumkan dalam simbol.
6 Simbol ini digunakan untuk
Proses menggambarkan proses kegiatan
Komputer proses dari pengolahan data
dengan komputer. Uraian singkat
kegiatan komputer dicantumkan
dalam simbol ini.
7 Arsip Simbol ini digunakan untuk
menggambarkan file yang
disimpan sebagai arsip

8 Penghubung Symbol ini digunakan untuk

pada halaman menunjukkan hubungan arus
yang sama proses yang terputus namun masig
dalam halaman yang sama,
didalam symbol diberi nomor
sebagai penghubung.
9 Penghubung Symbol ini digunakanuntuk
pada halaman menunjukan hubungan arus proses
yang berbeda yang terputus namun dalam hal
yang lain, didalam symbol diberi
nomor sebagai penghubung.
10 Garis alir Simbol ini menunjukkan arah
aliran dari proses pengolahan data

11 Symbol Simbol yang menyatakan input

magneting- berasal dari pita magnetic atau
tipe unit output disimpan ke pita magnetic
12 Symbol Off- Simbol untuk keluar/masuk
line Cornner procedure atau proses dalam
lembar/halaman yang lain.
13 Symbol Simbol yang menyatakan input
Punched Card berasal dari kartu atau output
ditulis ke kartu.
14 Database Simbol yang menyediakan tempat
pengolahan data serta
penyimpanan dalam stroge.
15 Symbol Simbol yang menyatakan
display peralatan output yang digunakan
yaitu layar, plotter, printer, dan
sebagainya.

31
 32

2.10 Pengertian Matlab

Menurut Lastefo dan Nurhayati (2008, h. 21) MATLAB merupakan

singkatan dari matrix laboratory, MATLAB awalnya dibuat untuk memudahkan

dalam mengakses software matriks yang telah dikembangkan oleh LINPACK dan

EISPACK. Dalam perkembangannya, MATLAB mampu mengintegrasikan

beberapa software matriks sebelumnya dalam satu software untuk komputasi

matriks. Tidak hanya itu, MATLAB juga mampu melakukan komputasi simbolik

yang biasa dilakukan oleh MAPLE.

MATLAB merupakan bahasa pemrograman yang dikembangkan oleh The

Mathwork Inc. Matlab telah menjadi sebuah lingkungan pemrograman yang

canggih yang berisi fungsi-fungsi built-in untuk melakukan tugas pengolahan

sinyal, aljabar linier dan kalkulasi matematis lainnya. Matlab juga berisi toolbox

yang berisi fungsi-fungsi tambahan untuk aplikasi khusus.

Kegunaan matlab secara umum adalah untuk :

a. Matematika dan komputasi

b. Pengembangan dan algoritma

c. Pemodelan, simulasi, dan pembuatan prototype

d. Analisa data, eksplorasi dan visualisasi

e. Pembuatan aplikasi termasuk pembuatan graphical user interface (GUI)

Berikut ini tampilan awal dari MATLAB versi 7.7.0

32
 33

Gambar II. 4 Tampilan Awal MATLAB

33
 34

BAB III
ANALISIS DAN PERANCANGAN SISTEM

3.1 Sejarah Singkat Puskesmas Bahorok

Pembangunan kesehatan bertujuan untuk meningkatkan kesadaran,

kemauan kemampuan hidup sehat setiap orang agar terwujud derajat kesehatan

masyarakat yang setinggi tingginya, sebagai investasi pembangunan sumber daya

manusia yang produktif secara sosial dan ekonomis (undang – undang kesehatan

no tahun 2009). Oleh karena itu pembangunan kesehatan merupakan bagian

terpadu dari pembangunan nasional yang antara lain untuk mencapai dan

mewujudkan bangsa yang maju, mandiri, sejah teralahir dan batin melalui strategi

pradigma sehat yang mengutamakan upaya promotif dan preventif tanpa

mengabaikan kuratif dan vabilitative.

Puskesmas adalah salah satu sarana pemerintah yang paling dekat dengan

masyarakat dan merupakan mencapai tujuan atau kesehatan tersebut. Karena

puskesmas kesehatan merupakan suatu kesatuan organisasi kesehatan fungsional

yang merupakan pusat pengembanagan kesehatan masyarakat yang juga pembina

peran serta masyarakat disamping memberikan pelayanan secara seluruh dan

terpadu kepada masyarakat di wilayah kerjanya dalam bentuk kegiatan pokok.

Puskesmas memberikan pelayanan kesehatan yang meliputi pelayanan pengobatan

( kuratif ), upaya pencegahan ( preventif ), peningkatan kesehatan ( promotif ) dan

pemulihan kesehatan ( rehabilitatif ).

 35

Puskesmas Bahorok kini disajikan data indicator kesehatan dan indikator

yang terkait kesehatan yang meliputi :

a. Tugas Kelompok

Puskesmas Bahorok merupakan unsur kesehatan daerah Bahorok yang

dipimpin oleh Kepala Puskesmas yang berada dan bertanggung jawab kepada

masyarakatnya melalui pemerintah.

b. Fungsi

Untuk menyelenggarakan tugas pokok dan fungsi Puskesmas Bahorok ialah :

a. Merumuskan kebijakan teknik di bidang kesehatan pada masyarakat yang

meliputi pengolahan kesehatan.

b. Menyelenggarakan urusan pemerintahan dan pelayanan umum di bidang

pekerjaan kesehatan yang meliputi pengolahan kesehatan.

c. Membina dan melaksanakan tugas di bidang pekerjaan kesehatan umum

yang meliputi pekerjaan kesehatan .

3.1.1 Visi dan Misi

Visi UPT Puskesmas Bahorok adalah :

a. Terwujudnya pelayanan bermutu dan mandiri menuju masyarakat Bahorok

yang sehat.

Misi UPT Puskesmas Bahorok adalah :

a. Mewujudkan pelayanan kesehatan yang bermutu, professional, merata dan

terjangkau oleh masyarakat secara efektif dan efisien.

b. Meningkatkan derajat kesehatan masyarakat yang optimal.

35
 36

c. Mendorong kemandirian masyarakat untuk berperilaku sehat dan hidup dalam

lingkungan yang sehat secaara konfrehensif.

3.1.2 Struktur Organisasi UPT Puskesmas Bahorok

Didalam setiap organisasi baik organisasi yang bersifat sosial maupun

bermotif mencari laba haruslah mempunyai struktur organisasi tersebut dapat

berjalan dengan baik, sehingga tujuan dapat dicapai dengan efesien. Untuk lebih

jelasnya dapat dilihat pada gambar struktur organisasi UPT Puskesmas Bahorok.

Kepala Puskesmas

Tim Mutu
Kasubag Tata Usaha

Urusan Kesehatan
Urusan Pelayanan Urusan Pencegahan
Keluarga dan
Kesehatan Pemberantasan penyakit
Masyarakat
danPenyehatan
Lingkungan

Gambar III. 1 Struktur Organisasi UPT. PUSKESMAS BAHOROK

36
 37

3.2 Metode Penelitian

Pada penelitian ini mengangkat jenis penelitian kuantitatif, dimana peneliti

ingin mencari sesuatu secara sistematis dengan menggunakan metode ilmiah serta

nara sumber yang berlaku. Dalam proses penelitian ini ditujukan untuk

mengetahui kebutuhan obat-obatan di puskesmas, untuk memberikan hasil yang

lebih berarti, baik dari segi pelayanan maupun kualitas yang diharapkan terus

bertahan dengan baik. Hasil dari konseptualisasi akan dituangkan menjadi suatu

metode penelitian yang lengkap dengan pola studi literature, pengumpulan data

yang diperlukan untuk menganalisis sistem prediksi yang akan dibuat yaitu untuk

memprediksi kebutuhan obat-obatan di puskesmas menggunakan metode

backpropagation.

Atas dasar metodologi penelitian yang digunakan pada penelitian ini,

dapat dibuat suatu alur kegiatan metode kerja penelitian seperti gambar III.2

Sebagai berikut:

37
 38

Persiapan

Kajian Teori

Pengumpulan Data-Data

Analisis Data dan Pengolahan Data

Pengujian dan Implementasi

Tahap Akhir

Gambar III. 2 Alur Kerja Penelitian

Berdasarkan gambar diatas dapat dijelaskan bahwa ada beberapa tahapan

yang digunakan dalam pembuatan aplikasi ini yaitu sebagai berikut:

a) Persiapan

Tahapan ini merupakan awal, yaitu dengan penentu latar belakang masalah

kemudian dilakukan identifikasi masalah, rumusan masalah kemudian

selanjutnya diberikan batasan pada masalah yang akan difokuskan dalam

penyesuaian skripsi serta penentu tujuan dan manfaat dari pelaksanaan

skripsi.

38
 39

b) Kajian Teori

Pada tahap ini akan dilakukan kajian teori terhadap masalah yang ada. Kajian

dilakukan untuk menentukan konsep yang akan digunakan dalam penelitian.

c) Pengumpulan Data

Tahap ini dimaksudkan untuk mengumpulkan data-data pendukung yang

diperoleh dari pakar dengan cara interview secara langsung, buku-buku,

dokumen, laporan riset, dan informasi yang didapati dari internet.

d) Analisa Data

Pada tahap ini akan dilakukan analisa data-data pendukung yang telah

diperoleh pada tahap sebelumnya.

e) Pengujian dan Implementasi

Pada tahap ini akan dilakukan pengujian level variabel data dan implementasi

data serta penyusunan program sistem. Tahap ini didasarkan pada hasil

analisa data yang dilakukan sebelumnya.

f) Tahap Akhir

Pada tahap akhir perancangan Jaringan Syaraf Tiruan ini akan dibahas

tentang kesimpulan serta saran yang diperlukan untuk pengembangan

program selanjutnya.

39
 40

3.2.1 Analisis Sistem

Berdasarkan pendahuluan dan mengacu pada landasan teori, dapat disusun

suatu analisis sistem yang menjadi kerangka pemikiran penulis skripsi sebagai

berikut:

a) Dilakukan analisis sistem terhadap teknik peramalan atau prediksi data

kebutuhan obat menggunakan metode backpropagation yang dilatih kedalam

jaringan syaraf tiruan menggunakan software matlab.

b) Menentukan kebutuhan sistem sehingga dapat dilakukan penganalisaan

prediksi dari data kebutuhan obat menggunakan algoritma backpropagation.

c) Data kebutuhan obat merupakan data masukan, yang kemudian akan diproses

dan dilatih dengan algoritma backpropagation, kemudian akan dilakukan

pengujian terhadap data yang telah dilatih sebelumnya, setelah itu didapat

hasil keluaran terhadap data yang telah diuji.

3.2.2 Perancangan Sistem

Pada perancangan sistem jaringan syaraf tiruan denan menggunakan

algoritma backpropagation yang akan penulis buat diharapkan dapat memprediksi

kebutuhan obat. Adapun rancangan proses pelatihan dan pengujian pada jaringan

syaraf tiruan dapat dilihat pada Gambar III.3 Flowchart proses pelatihan data dan

pengujian berikut ini.

40
 41

Mulai

Masukan nilai data latih

dan nilai target latih

Tentukan Epoch, Target

error dan Learning Rate

Hitung Perambatan Maju

(Forward Propagation)

Hitung Perambatan Mundur

(Backpropagation)

Tidak
Target Error Tercapai?
(Konvergen)

Ya
Hasil Prediksi JST
(Target Diketahui)

Selesai

Gambar III. 3 Flowchart Algoritma Backpropagation

Keterangan:

1. Flowchart diawali dari mulai awal kerja sistem.

2. Menentukan nilai data latih dan target data latih

3. Menentukan Epoch, Target Error dan Learning Rate

4. Menghitung nilai perambatan maju.

41
 42

5. Menghitung nilai perambatan mundur,

6. Hasil target jika belum tercapai maka akan kembali memasukkan nilai

data target latih, jika target sudah capai maka akan keluar hasil prediksi

dengan menggunakan JST

7. Selesai.

3.2.3 Rancangan Use Case Diagram

Use case diagram adalah suatu representasi atau model yang digunakan

pada rekayasa perangka lunak yang menunjukkan sekumpulan use case dan aktor

serta hubungan diantara keduanya. Berikut gambar III.4 Rancangan use case

sistem prediksi kebutuhan obat menggunkan metode Backpropagation.

Input data latih

dan data uji

Ubah data latih

dan data uji

Input data
Obat Kepala
Puskesmas
Admin
Proses pelatihan
dan pengujian

Hasil
Prediksi

Gambar III. 4 Rancangan Use Case Sistem Prediksi kebutuhan obat

Menggunakan metode Backpropagation.

42
 43

Pada use case diatas, dapat mendeskripsikan hal-hal sebagai berikut:

a) Admin merupakan aktor.

b) Admin dapat membuat data latih dn data uji pada aplikasi jaringan tiruan

memprediksi kebutuhan obat menggunakan backpropagation.

c) Admin dapat melakukan pengubahan data latih dan data uji.

d) Admin melakukan pemasukan data obat pada jaringan syaraf tiruan

memprediksi kebutuhan obat menggunakan metode backpropagation.

e) Admin melakukan proses pilihan dan pengujian data.

f) Admin dan kepala puskesmas dapat melihat hasil prediksi yang sudah

menjalani pelatihan dan pengujian data.

43
 44

3.2.4 Diagram Aktivitas Proses Prediksi Kebutuhan Obat

Selanjutnya untuk lebih memahami alir aktifitas Algoritma

Backpropagation dalam sistem yang nantinya akan di bangun dapat di lihat

proses sistem Unified Modeling Language (UML), seperti diagram aktivitas

proses backpropagation berikut ini:

User Aplikasi

Membuka Menampilkan form

Aplikasi menu utama

Pilih Menu

Memilih Menampilkan form

menampilkan data proses
penjualan mobil backpropagation

Menginput data untuk Menampilkan hasil

melakukan proses Prediksi

Memilih untuk
menampilkan tabel dan Menampilkan tabel
ya
grafik hasil prediksi hasil bacpropagation

Tidak

Gambar III. 5 Diagram Aktivitas Proses Prediksi Kebutuhan Obat

44
 45

Diagram Aktivitas Informasi data kebutuhan obat

Untuk mengetahui alur sistem dari proses informasi data kebutuhan obat

yang nantinya akan di bangun dapat dilihat diagram activity informasi data

kebutuhan obat adalah sebagai berikut:

User
Aplikasi
 

Membuka Menampilkan form

Aplikasi menu utama

Pilih Menu

Memilih menampilkan Menampilkan form

informasi data informasi data
kebutuhan obat kebutuhan obat

Memilih kategori
Menampilkan
untuk informasi data Ya
informasi data
kebutuhan obat

Tidak

Gambar III. 6 Diagram Aktivitas Informasi Data Kebutuhan Obat

3.3 Data Pendukung

Data-data yang digunakan dalam proses analisa Jaringan Syaraf Tiruan

menggunakan metode perambatan balik (backpropagation) adalah data-data

kebutuhan obat selama 12 bulan dari bulan januari sampai desember 2018 sebagai

45
 46

input dan total hasilnya adalah output. Data tersebut diambil secara acak dari data

kebutuhan obat dengan menggunakan data selama 1 bulan dari bulan januari

sampai desember 2018, data kebutuhan obat akan dibagi menjadi dua, data yang

pertama digunakan untuk melatih agar mencapai data yang konvergen. Data yang

kedua akan digunakan sebagai data uji, yaitu data yang belum pernah pelatihan

untuk menghasilkan prediksi jumlah tingkat kebutuhan obat pada puskemas

ditahun yang akan datang. Setiap data pelatihan menggunakan 12 pola dan

memiliki target data latih. Sedangkan data pengujian menggunakan 12 pola dan

12 target data uji.

Tabel dibawah ini merupakan nilai data latih, berupa jumlah tingkat

kebutuhan obat di puskesmas.

Tabel III. 1 Pola Masukkan dan Target Latih

Pola Masukkan Latih Data Variabel Target Latih

Rasio Data
Kebutuhan Jenis Jumlah Masuk Jumlah Keluar
Tahun 2018 Januari Januari Januari Februari
Tahun 2018 Februari Februari Februari Maret
Tahun 2018 Maret Maret Maret April
Tahun 2018 April April April Mei
Tahun 2018 Mei Mei Mei Juni
Tahun 2018 Juni Juni Juni Juli
Tahun 2018 Juli Juli Juli Agustus
Tahun 2018 Agustus Agustus Agustus September
Tahun 2018 September September September Oktober
Tahun 2018 Oktober Oktober Oktober November
Tahun 2018 November November November Desember
Tahun 2018 Desember Desember Desember Januari

Tabel dibawah ini merupakan nilai data latih, berupa jumlah kebutuhan obat:
46
 47

Tabel III. 2 Nilai Masukkan Data Latih dan Target Latih Data Kebutuhan
Obat

Pola Masukkan Latih Data Variabel Target

Rasio Kebutuhan Latih Data
Jenis Kadarluarsa Stok
Februari 2018 4 22 22 25
Maret 2018 2 10 10 15
April 2018 3 3 3 4
Mei 2018 2 4 4 5
Juni 2018 2 12 12 15
Juli 2018 3 10 10 20
Agustus 2018 1 3 3 5
September 2018 2 6 6 10
Oktober 2018 2 9 9 15
November 2018 3 7 7 10
Desember 2018 1 4 4 10
Januri 2019 1 4 4 10

Tabel III. 3Pola Masukkan dan Target Uji

Pola Masukkan Latih Data Variabel Target

Rasio Jenis Jumlah Jumlah Latih Data
Kebutuhan Masuk Keluar
Februari 2018 4 22 22 25
Maret 2018 2 10 10 15
April 2018 3 3 3 4
Mei 2018 2 4 4 5
Juni 2018 2 12 12 15
Juli 2018 3 10 10 20
Agustus 2018 1 3 3 5
September 2018 2 6 6 10
Oktober 2018 2 9 9 15
November 2018 3 7 7 10
Desember 2018 1 4 4 10
Januri 2019 1 4 4 10

Tabel dibawah ini merupakan nilai masukkan data latih dan target latih yang

sudah ditransformasikan.

47
 48

Tabel III. 4Transformasi Nilai Masukkan Data Latih dan Target Latih Data
Kebutuhan obat

Pola Masukkan Latih Data Variabel Target

Jenis Jumlah Masuk Jumlah Latih Data
Keluar
0,4 0,22 0,22 0,25
0,2 0,10 0,10 0,15
0,3 0,3 0,3 0,4
0,2 0,4 0,4 0,5
0,2 0,12 0,12 0,15
0,3 0,10 0,10 0,20
0,1 0,3 0,3 0,5
0,2 0,6 0,6 0,10
0,2 0,9 0,9 0,15
0,3 0,7 0,7 0,10
0,1 0,4 0,4 0,10
0,1 0,4 0,4 0,10

Seluruh data variabel yang terkumpul dipisahkan menjadi dua bagian,

yaitu masukkan dan keluaran. Data masukan berfungsi sebagai proses pelatihan

dan pengujian. Sedangkan data keluaran sebagai target pencapaian proses. Yang

tergolong masukkan secara berurutan adalah:

1. Jumlah jenis obat pada variabel X1

2. Jumlah masuk obat pada variabel X2

3. Jumlah keluar variabel X3

48
 49

3.4 Penerapan Metode

Proses perhitungan secara manual menggunakan data kebutuhan obat

selama 1 tahun pada tahun 2010-2018 dan yang telah dibagi 1.000.000 dengan

perhitungan sebagai berikut:

Input Data latih Data Nilai Input Data Nilai

Pola Target Latih Target
Latih Latih
X1 X2 X3 X1 X2 X3
Pola -1 Jenis Jumlah Jumlah Kebutuhan 0.4 0.22 0.22 0,25
Masuk Keluar obat

Arsitektur Jaringan Syaraf Tiruan menggunakan metode Backpropagation

terdiri dari:

a) Lapisan Masukkan (X1) terdiri dari 2 neuron,

b) Lapisan tersembunyi (Z1) terdiri dari 3 neuron,

c) Lapisan keluaran (Y1) terdiri dari 1 neuron,

d) LearningRate (α) = 0.3

e) Target Error = 0.01

f) KonstantaBias

49
 50

Input Layer Hidden Layer Output Layer

Z1
X1

Z2
X2

Z3
X3

Z4
X4
Y1

Z5
X5

I
Z6
X6 Bias

Z7 Y2
X7

Z8
X8

Z9
X9

Z10
X10

Z11
X11

Z12
X12

Bias

Gambar III. 7 Gambar Arsitektur JST untuk memprediksi Jumlah

kebutuhan obat dengan menggunakan metode Backpropagation
50
 51

Keterangan :

Xi : Lapisan input 2 neuron ( variabel jumlah bulan januari, februari

dan seterusnya)

Zj : Lapisan hidden 3 neuron

Yk : Lapisan output 1 neuron

Vij : Bobot pada lapisan tersembunyi

Wij :bobot pada lapisan keluaran

V0j : Bias pada lapisan tersembunyi

W0j : Bias pada lapisan keluar

i,j,k : 1,2,3,….,n

n : Jumlah neuron dalam suatu lapisan

I : Konstanta bias = V01 = 0.3, V02 = 0.1, V03 = 0.4, V04 = 0.2

Bobot Awal yang menghubungkan neuron-neuron pada lapisan input dan

output lapisan tersembunyi ( V11, V1-N, V21, V2-N) dan bobot bias V01 dan V0n

dipilih secara acak. Demikian pula bobot awal yang menghubungkan neuron-

neuron pada lapisan tersembunyi dan lapisan output (W11, W12, W13,….,Wn-31) dan

bobot biasW0 juga dipilih secara acak.

Berikut ini merupakan perhitungan pelatihan-pelatihan menggunakan

metode Backpropagaion:

Pada inisialisasi ditetapkan :

a) LearningRate (α) = 0.3

b) Target Error = 0.01

c) MaksimuEpoch = 10000

51
 52

d) Target (T) = (0.110)

Inisialisasi bobot secara acak.

a) Bobot Awal input ke hidden layer (Vij):

V11 = 0.1 V12 = 0.3 V13 = 0.4 V14 = -0.2

V21 = 0.2 V22 = -0.1 V23 = 0.5 V24 = 0.3
V31 = 0.1 V32 = 0.2 V33 = 0.3 V34 = 0.4

b) Bobot Awal Bias ke hidden layer (V0j):

V01 = 0.3 V02 = 0.1 V03 = 0.4 V04 = 0.2

c) Bobot awal Hidden Layer ke output layer (Wjk)

W11 = -0.1
W21 = 0.3
W31 = -0.4
W41 = 0.2

d) Bobot awal bias ke output layer(W0j):

W01 = 0.3

Tahap Perambatan Maju ( Forward Propagation )

Operas pada hidden layer dengn persamaan:

5
Z_in1 = V01 + ∑ Xi Vi1)
i=1

Z_in1 = 0.3 + ( 0.1 * 0.4 ) + (0.2 * 0.22) + (0.1 * 0.22) = 0.4060

5
Z_in1 = V02 + ∑ Xi Vi1)
i=1

Z_in1 = 0.1 + ( 0,3 * 0.4 ) + (0.1 * 0,22) + (0.2 * 0.22) = 0.2860

52
 53

5
Z_in1 = V03 + ∑ Xi Vi1)
i=1

Z_in1 = 0.4 + ( 0.4 * 0.4 ) + (0.2 * 0.,22) + (0.3 * 0,22) = 0,6700

5
Z_in1 = V04 + ∑ Xi Vi1)
i=1

Z_in1 = 0.2 + ( 0,2 * 0,4 ) + (0,3 * 0,22) + (0,4* 0,22) = 0,4340

Fungsi aktivasi sigmoid biner pada hidden layer dengan persamaan

1 1
Z1 = −z 1 = = 1.6663
1+ e ¿
1+ e−0.4060

1 1
Z2 = −z 2 = = 1.7513
1+ e ¿
1+ e−0.2860

1 1
Z3 = −z 3 = = 1.5117
1+ e ¿
1+ e−0.6700

1 1
Z4 = −z 3 = = 1.6479
1+ e ¿
1+ e−0.4340

Operasi pada output layer dengan persamaan

3
Y_in1 = Wk1 + ∑ Z1 Wkj)
i=1

Y_ in1 = 0.3 + 1.6663 (0.1) + 1.7513 (0.3) + 1,5117 (-0.4) + 1.6479 (0.2) = 1,9263

Fungsi aktivasi sigmoid biner pada output layer dengan persamaan

1 1
Y1 = −y 6 = = 1,1457
1+ e ¿
1+ e−1,9263

Cek error (iterasi berhenti bila error < 0.01)

Error lapisan Y1 = 0.01 - 1,1457 = -1,1357

Jumlah kuadrat Error = (1,1457)2 = 1,2898

53
 54

Tahap perambatan balik (Bakpropagation)

1
ð1 = (T1 – y) * ¿ )*[1-( )]
1+ e− y 1
¿

1
ð1 = (0.25 – 1,1457 * ¿ )*[1-( )] = -2,2083
1+ 1,9263

suku perubahan bobot Wkj (dengan α = 0.3):

menghitung koreksi bobot dengan persamaan:

Δw11 = αð1Z1 = 0.3 * (-2,2083 * 1.6663) = -1,1039

Δw21 = αð1Z2 = 0.3 *( -2,2083 * 1.7513) = -1,1602

Δw31 = αð1Z3 = 0.3 * (-2,2083 * 1.5117) = -1,0015

Δw41 = αð1Z4 = 0.3 * (-2,2083 * 1.6479) = -1,0917

Menghitung koreksi bias dengan persaman berikut:

Δw01 = αð1= 0.3 * (-2,2083) = -0,6625

Unit tersembunyi menjumlahkan data input :

m
ð_in1= ∑ ð w1k) = (-2,2083) * (0.1) = -0,2208
k =1

m
ð_in2= ∑ ð w2k) = (-2,2083) * (0.3) = -0,6625
k =1

m
ð_in3= ∑ ð w3k) = (-2,2083) * (0,4) = -0,8833
k =1

m
ð_in4= ∑ ð w3k) = (-2,2083) * (0.2) = -0,4417
k =1

54
 55

Hitung informasi output dengan persamaan :

1
ð1 = ð_in1 *¿ )*[1-( )]
1+ e− y 1
¿

1 1
ð1 = (-0,2208)* ( −0,4060 ) *[1-( )] = 0,2452
1+ e 1+ e−0,4060

1 1
ð2 = ð_in2¿( −y 1
)∗[1−( )]
1+e ¿
1+ e− y 1 ¿

1
ð2 = (-0,6625)*¿) * [1-( )] = 0,8716
1+ e−0,2860

1 1
ð3 = ð_in3¿( −y 1
)∗[1−( )]
1+e ¿
1+ e− y 1 ¿

ð3 = (-0,8833)*¿ )*[1-¿ )] = 0,6833

1 1
ð4 = ð_in4¿( −y 1
)∗[1−( )]
1+e ¿
1+ e− y 1 ¿

ð4 = (-0,4417)*¿ )*[1-¿ )] = 0,4716

Hitung koreksi bobot dengan persamaan:

ΔV11 = αð1X1 = 0.3* (0,2452) * 0.4 = 0,0294

ΔV21 = αð1X1 = 0.3*(0,8716)*0.4 = 0,1046

ΔV31 = αð1X1 = 0.3*( 0,6833)*0.4 = 0,0820

ΔV41 = αð1X1 = 0.3*(0,4716)*0.4 = 0,0566

ΔV21 = αð1X1 = 0.3* (0,2452) * 0.22 = 0,0162

ΔV22 = αð1X1 = 0.3*(0,8716)*0.22 = 0,0575

ΔV23 = αð1X1 = 0.3*( 0,6833)*0.22 = 0,0451

ΔV24 = αð1X1 = 0.3*(0,4716)*0.22 = 0,0311

55
 56

ΔV31 = αð1X1 = 0.3* (0,2452) * 0.22 = 0,0162

ΔV32 = αð1X1 = 0.3*(0,8716)*0.22 = 0,0575

ΔV33 = αð1X1 = 0.3*( 0,6833)*0.22 = 0,0451

ΔV34 = αð1X1 = 0.3*(0,4716)*0.22 = 0,0311

Hitung bias dengan persamaan:

ΔV01 = αð1X2 = 0.3* (0,2452) = 0,0736

ΔV02 = αð1X2 = 0.3*(0,8716) = 0,2615

ΔV03 = αð1X2 = 0.3*(0,6833) = 0,2050

ΔV04 = αð1X2 = 0.3*(0,4716) = 0,1415

Hitung perubahan bobot dan bias dengan persamaan:

V11 (baru) = V11 (lama) + ΔV11 = 0.1 + 0,0294= 0,1294

V12 (baru) = V12 (lama) + ΔV12 = 0.3 + 0,1046 = 0,4046

V13 (baru) = V13 (lama) + ΔV13 = 0.4 + 0,0820 = 0,4820

V14 (baru) = V14 (lama) + ΔV14 = 0.2 + 0,0566 = 0,2566

V21 (baru) = V21 (lama) + ΔV21 = 0.2 + 0,0162 = 0,2162

V22 (baru) = V22 (lama) + ΔV22 = 0.1 + 0,0575 = 0,1575

V23 (baru) = V23 (lama) + ΔV23 = 0.5 + 0,0451 = 0,2451

V24 (baru) = V24 (lama) + ΔV24 = 0.3 + 0,0311 = 0,3311

V31 (baru) = V31 (lama) + ΔV31 = 0.1 + 0,0162 = 0,1161

V32 (baru) = V32 (lama) + ΔV32 = (-0.2) + 0,0575 = 0,2575

V33 (baru) = V33 (lama) + ΔV33 = 0.3 + 0,0451= 0,3451

56
 57

V34 (baru) = V34 (lama) + ΔV34 = 0.4 + 0,0311 = 0.43112

V01 (baru) = V01 (lama) + ΔV01 = 0,4060 + 0,0736 = 0,4796

V02 (baru) = V02 (lama) + ΔV02 = 0,2860 + 0,2615 = 0,5475

V03 (baru) = V03 (lama) + ΔV03 = 0,6700+ 0,2050 = 0,8750

V04 (baru) = V04 (lama) + ΔV04 = 0,4340 + 0,1415 = 0,5755

W11 (baru) = W11 (lama) + ΔW11 = 0.1 + (-1,1039) = -1,0039

W21 (baru) = W21 (lama) + ΔW21 = 0.3 + (-1,1602) = -0,8620

W31 (baru) = W32 (lama) + ΔW31 = 0.4 + (-1,0015) = -0,6015

W41 (baru) = W42 (lama) + ΔW41 = 0.2 + (-1,0917) = -0,8917

W01 (baru) = W01 (lama) + ΔW01 = 0.3 + (-0,6625) = -0,3625

Ulangi iterasi hingga maksimal epoch atau error < error target tercapai.

Tabel III. 5 Hasil Perhitungan Metode Backpropagation

Pola Masukkan Latih Data Variabel Target

Jenis Jumlah Masuk Jumlah Latih Data
Keluar
0,4 0,22 0,22 0,36
0,2 0,10 0,10 0,38
0,3 0,3 0,3 0,32
0,2 0,4 0,4 0,29
0,2 0,12 0,12 0,38
0,3 0,10 0,10 0,37
0,1 0,3 0,3 0,28
0,2 0,6 0,6 0,41
0,2 0,9 0,9 0,41
0,3 0,7 0,7 0,42
0,1 0,4 0,4 0,39
0,1 0,4 0,4 0,41

57
 58

Pada data kedua, juga akan dilakukan operasi-operasi yang sama dengan

menggunakan bobot-bobot akhir pengelolaan data pertama ini sebagai bobot

awalnya. Proses ini dilakukan secara berulang sampai pada maksimum epoch atau

kuadrat error < target error ( 0.01).

3.5 Perancangan Antar Muka (Interface)

Perancangan antar muka dibuat untuk mempermudah user atau pengguna

dalam memprediksi kebutuhan obat, maka dibuat suatu aplikasi GUI dari software

matlab. Aplikasi ini didesain sederhana memungkinkan untuk mempermudah user

dalam menggunakannya. Dibawah ini adalah rancangan antarmuka yang akan

dibuat yaitu sebagai berikut:

3.5.1 Tampilan Halaman Utama

58
 59

Gambar III. 8 Tampilan Menu Utama

3.5.2 Form Program memprediksi kebutuhan obat

59
 60

Gambar III. 9 Program Prediksi Kebutuhan obat

3.5.3 Form Program Hasil Prediksi

JARINGAN SARAF TIRUAN MEMPREDIKSI

logo KEBUTUHAN OBAT

xx xxx xxx xxx xxx

1
BACK
2 EXIT

3
4 xxx xxx xxx xxx
5
6

Gambar III. 10 Program Hasil Prediksi Kebutuhan Obat

60
 61

3.5.4 Form Program Hasil Output

JARINGAN SARAF TIRUAN MEMPREDIKSI

logo KEBUTUHAN OBAT

xx xxx xxx xxx xxx

1
2
BACK
3
EXIT

4 xxx xxx xxx xxx

5
6

Gambar III. 11 Program Hasil Output Kebutuhan Obat

61
 62

DAFTAR PUSTAKA

Aditama, 2007 Pengelolaan Obat. Jurnal Kesehatan

Agustin, M. & Prahasto, T. Jurnal Sistem Imformasi Bisnis. Penggunaan
Jaringan Syaraf Tiruan Backpropagation Untuk Seleksi Penerimaan
Mahasiswa Baru Pada Jurusan Teknik Komputer Di Politeknik Negeri
Sriwijaya, 02 2012 . hlm 89-97.
Ansel 2012, Definisi Obat. Jurnal Kesehatan
Arya 2015, Penegertian Backpropagation, Penerbit Andi, Yogyakarta
Kusumodestoni, R. H., Sucipto, A., Ismiati, S. N., & Abid, M. N. (2019).
Penerapan Algoritma Backpropagation Pada Game Pengenalan Nahwu Di
Mi Darul Falah Jepara. POSITIF : Jurnal Sistem Dan Teknologi Informasi.
Lastefo. Nurhayati. 2008 Pemrograman GUI dengan MATLAB, Penerbit Andi,
Yogyakarta
Puspitaningrum, D. 2004. Pengantar Jaringan Syaraf Tiruan. In Jurnal
Transformatika.
Siang, J. J. 2005. Jaringan Syaraf Tiruan dan Pemogramannya Menggunakan
MATLAB. Yogyakarta: Andi.
Simangunsong, F. R. D. B., & Nasution, S. D. 2015. Aplikasi Jaringan Saraf
Tiruan untuk Memprediksi Jumlah Pasien Rawat Inap dengan Metode
Back Propagation (Studi Kasus : RSU. Tere Margareth). JURIKOM
(Jurnal Riset Komputer).
Soeratri, W., Ifansyah, N., & Fitrianingrum, D. 2005. Penentuan stabilitas sediaan
krim tabir surya dari bahan ekstrak rimpang kencur (Kaempferia galanga
L.). Journal of Biological Researches.
Sudarsono, A. 2016. Jaringan Syaraf Tiruan Untuk Memprediksi Laju
Pertumbuhan Penduduk Menggunakan Metode Backpropagation. Media
Infotama.
Suyanto. 2012. Jaringan Syaraf Tiruan. In Dinamik - Jurnal Teknologi Informasi.
Widodo, W., Rachman, A., & Amelia, R. 2014. Jaringan Syaraf Tiruan Prediksi
Penyakit Demam Berdarah Dengan Menggunakan Metode
Backpropagation. Jurnal IPTEK.
Widodo, P. P. & Handayanto, R.T., 2009. Penerapan Soft Computing Dengan
Matlab. Penerbit. Rekayasa Sains.

62