Jurnal Riset Komputer (JURIKOM), Vol. 2 No.

6, Desember 2015
ISSN 2407-389X (Media Cetak)
Hal : 43-47

APLIKASI JARINGAN SARAF TIRUAN UNTUK MEMPREDIKSI

JUMLAH PASIEN RAWAT INAP DENGAN
METODE BACK PROPAGATION
(Studi Kasus : RSU. TERE MARGARETH)
Fitri Ruth Diani Br. Simangunsong 1, Surya Darma Nasution 2
1
Mahasiswa Teknik Informatika STMIK Budi Darma
2
Dosen Tetap STMIK Budi Darma
1, 2
Jl. Sisingamangaraja No. 338 Simpang Limun Medan

ABSTRAK
Jaringan syaraf tiruan merupakan program computer yang dapat meniru proses pemikiran dan pengetahuan untuk
menyelesaikan suatu masalah yang spesifik. Implementasi jaringan syaraf tiruan banyak dipandang sebagai cara
penyimpanan pengetuhan pada bidang tertentu dalam program computer sehingga keputusan dapat diberikan secara cerdas.
Salah satu implementasi yang diterapkan jaringan syaraf tiruan untuk melakukan prediksi jumlah pasien rawat inap.
Diharapkan dengan sistem ini, orang awam dapat menyelesaikan masalah tertentu baik sedikit rumit sekalipun tanpa bantuan
para ahli dalam bidang tersebut. Sedangkan bagi para ahli, sistem ini dapat digunakan sebagai asisten yang berpengalaman.
Aplikasi yang dikembangkan ini bertujuan untuk memprediksi keterjumlah kematian dengan hanya menganalisa data
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

Kata Kunci: Jaringan Syaraf Tiruan, Prediksi Jumlah pasien rawat inap, Backpropagation

I. PENDAHULUAN tinggi serta tampilan hasilnya agar mudah dalam

Pada era globalisasi saat ini, teknologi semakin
berkembang dengan sangat canggih. Komputer sangat
berperan penting dalam perkembangan teknologi ini.
Dengan segala kelebihannya, komputer telah menjadi
bagian utama yang sangat diperlukan untuk membantu
manusia dalam mengerjakan tugas dan menyelesaikan
masalah. Perkembangan teknologi komputer yang
sangat pesat telah membawa banyak perubahan ke
dalam berbagai aspek kehidupan. Berbagai dampak
perubahan baik sosial, budaya, ekonomi, dan yang
lainnya terjadi sebagai akibat dari perkembangan
teknologi komputer.
Jaringan saraf tiruan merupakan sistem yang
memproses informasi yang mencoba meniru kinerja
otak manusia. Jaringan saraf tiruan mampu melakukan
pengenalan kegiatan berbasis data masa lalu. Data
masa lalu akan dipelajari oleh jaringan saraf tiruan
sehingga mempunyai kemampuan untuk memberikan
keputusan terhadap data yang belum pernah dipelajari.
Jaringan saraf tiruan yang berupa susunan sel-sel saraf
tiruan (neuron) dibangun berdasarkan prinsip-prinsip
organisasi otak manusia.
Rumah sakit adalah bagian integral dari suatu
organisasi sosial dan kesehatan dengan fungsi
menyediakan pelayanan , penyembuhan penyakit dan
pencegahan penyakit kepada masyarakat.
Memprediksi jumlah pasien rawat sangat penting
untuk mengelola rumah sakit, mengatur sumber daya
manusia dan keuangan , serta untuk mendistribusikan
sumber daya material dengan benar. Apabila pasien
rawat inap dapat diprediksikan dengan akurat, hal
tersebut akan menjadi dasar perencanaan serta
pembuatan keputusan bagi pengelola rumah sakit.
Berdasarkan alasan tersebut maka dibutuhkan suatu
alat bantu elektronik yang dapat menentukan jumlah
pasien rawat inap dengan tingkat keakuratan yang
43
pembacaan dan pendataan.
II. TEORITIS
A. Aplikasi
Menurut Jogiayanto (2004), aplikasi merupakan
program yang berisikan perintah-perintah untuk
melakukan pengolahan data. Jogiyanto menambahkan
aplikasi secara umum adalah suatu proses dari cara
manual yang ditransformasikan ke komputer dengan
membuat sistem atau program agar data diolah lebih
berdaya guna secara optimal.
Menurut Anisyah (2000), aplikasi adalah
software yang berfungsi untuk melakukanberbagai
bentuk pekerjaan atau tugas –tugas tertentu seperti
penerapan , pengunaan dan penambahan data.
Gambar 1. Susunan Neuron Jaringan Saraf Tiruan
Sumber : Kusumadewi, 2003
B. Aplikasi Jaringan Syaraf Tiruan
Menurut Siang (2009), aplikasi jaringan syaraf
tiruan dibedakan menjadi tiga yaitu :
1. Pengenalan Pola (pattern Recognition)
Jaringan syaraf tiruan dapat dipakai untuk
mengenali pola (missal huruf, angka, suara, atau
tanda tangan) yang sudah sedikit berubah. Hal ini
mirip dengan otak manusia yang mampu

mengenali orang yang sudah beberapa waktu
tidak dijumpanya (mungkin wajah/bentuk
tubuhnya sudah sedikit berubah).
2. Signal Processing
Jaringan saraf tiruan (model ADALINE) dapat
dipakai untuk menekan noise dalam saluran
telepon.
3. Peramalan
Jaringan syaraf tiruan juga dapat dipakai untuk
meramalkan apa yang akan terjadi dimasa yang
akan datang berdasarkan pola kejadian yang ada
dimasa yang lampau. Ini dapat dilakukan
mengingat kemampuan jaringan syaraf tiruan
untuk mengingat dan membuat generalisasi dari
apa yang sudah ada sebelumnya.
Pembangunan sistem AI yang didasarkan pada
pendekatan jaringan syaraf tiruan secara umum
meliputi langkah-langkah berikut (LiMin Fu, 1994):
1. Memilih model jaringan syaraf tiruan yang
susuai didasarkan pada sifat dasar permasalahan.
2. Membangun jaringan syaraf tiruan yang sesuain
dengan karakteristik domain aplikasinya
3. Melatih jaringan syaraf tiruan sesuai dengan
prosedur pembelajaran dari model yang dipilih.
4. Menggunakan jaringan yang telah dilataih
sebagai pembuatan inferensi atau pemecahan
masalah. Jika hasilnya memuasakan maka
kembali kelangkah berikutnya.
C. Prediksi
Menurut Eddy Herjanto (2008) mendefinisikan
bahwa “prediksi adalah proses peramalan kejadian
dimasa datang dengan berdasarkan data variabel di
masa sebelumnya.”dimasa datang dengan lebih
mendasarkan pada pertimbangan intuisi, dalam
prediksi juga sering digunakan data kuantitatif sebagai
pelengkap informasi dalam melakukan peramalan”.
Sedangkan “prakiraan didefinisikan sebagai proses
peramalan.
Proses peramalan terdiri dari hal-hal sebagai
berikut (Handoko,1994),
1. Penentuan tujuan
Pada tahap ini analis membicarakan dengan para
pembuat keputusan untuk mengetahui apa
kebutuhan-kebutuhan mereka dan menentukan.
a. Variabel-variabel apa yang akan diestimasi.
b. Siapa yang akan menggunakan hasil
peramalan.
c. Untuk tujuan-tujuan apa hasil peramalan
akan digunakan.
d. Estimasi jangka panjang atau pendek yang
diinginkan
e. Derajat ketetapan estimasi.
f. Kapan estimasi dibutuhkan.
g. Bagian-bagian peramalan yang diinginkan.
2. Pengembangan Model
Pengembangan model merupakan penyajian
secara lebih sederhana dari sistem yang
dipelajari. Model peramalan adalah suatu
kerangka analitik yang bisa dimasukkan data
masukan, menghasilkan estimasi jumlah data di
44
Jurnal Riset Komputer (JURIKOM), Vol. 2 No. 6, Desember 2015
ISSN 2407-389X (Media Cetak)
Hal : 43-47
waktu yang akan datang (variabel apa saja yang
perlu diramal). Analis hendaknya memilih suatu
model yang menggambarkan secara realistis
variabel-variabel yang dipertimbangkan.
Misalnya jika ingin meramalkan jumlah
pengunjung yang polanya linier, maka model
yang dipilih dengan menunjukkan jumlah
pengunjung, X menunjukkan waktu, a 11 dan b
adalah parameter–parameter yang
menggambarkan posisi dan kemiringan garis
pada grafik.
3. Penerapan Model
Pada tahap ini, data historis dimasukkan ke
model untuk menghasilkan suatu ramalan.
Dalam kasus peramalan banyaknya pengunjun,
analisis menghitung nilai a dan b.
4. Revisi dan Evaluasi
Ramalan-ramalan yang telah dibuat harus
senantiasa diperbaiki dan ditinjau kembali.
Perbaikan mungkin dilakukan karena adanya
perubahan- perubahan dalam suatu perusahaan
atau instansi yangmengelola. Bagi pihak lain
evaluasi merupakan perbandingan ramalan-
ramalan dengan hasil-hasil nyata untuk menilai
ketepatan penggunaan suatu metodologi atau
teknik peramalan. Langkah ini diperlukan untuk
menjaga kualitas estimasi-estimasi di masa yang
akan datang.
D. Backpropagation
Metode backpropagation (propagsi balik)
merupakan metode pembelajaran lanjut yang
dikembangkan dari aturan perceptron hal yang ditiru
dari perceptrona dalah tahapan dalam algoritma
jaringa. Metode backpropagation ini dikembangkan
oleh Rumelhart, Hinton dan Williams sekitar tahun
1986 yang mengakibatkan peningkatan kembali minat
terhadap jaringan saraf tiruan metode ini terdiri dari
dua tahap,yaitu tahap feed forward yang diambil dari
perceptron dan tahap backpropagation error.
(Jaringan Syaraf Tiruan Memprediksi Ketersediaan
Bahan Bakar Solar Dengan Menggunakan Metode
Backpropagation, Pelita Informatika, 2301-9425, Vol
iv, Edisi 2, 2013)
Menurut Kusumadewi (2003), dalam pelatihan
dengan backpropagationsama halnya seperti pelatihan
pada jaringan syaraf yang lain. Pada jaringan
feedfoward (umpan maju), pelatihan dilakukan dalam
rangka perhitungan bobot sehingga pada akhir
pelatihan akan diperoleh bobot-bobot yang baik.
Selama proses pelatihan, bobot-bobot diatur secara
iteratif untuk meminimumkan error(kesalahan) yang
terjadi. Kesalahan dihitung berdasarkan rata-rata
kuadrat kesalahan (MSE). Rata-rata kuadrat kesalahan
juga dijadikan dasar perhitungan untuk kerja fungsi
aktivasi.
Sebagian besar pelatihan untuk jaringan
feedfoward.(umpan maju) menggunakan gradient dari
fungsi aktivasi untuk menentukan bagaimana
mengatur bobot-bobot dalam rangka meminimumkan
kinerja. Gradient ini ditentukan dengan menggunakan

suatu teknik yang disebut backpropagation. Pada
dasarnya, algoritma pelatihan standar
backpropagationakan menggerakkan bobot dengan
arah gradientnegatif. Prinsip dasar dari algoritma
backpropagation.
Gambar 2. Arsitektur Backpropagation
Sumber : Kusumadewi ( 2003:117)
III. ANALISA dan PEMBAHASAN
Permasalahan yang akan dibahas dalam tugas
akhir ini adalah membuat suatu sistem yang dapat
memprediksi jumlah pasien rawat inap berdasarkan
data yang dilatihkan yaitu data yang diambil dari
RSU. TERE MARGARETH. Penerapan jaringan saraf
tiruan dalam permasalahan prediksi jumlah pasien
rawat inap meliputi penentuan komponen-komponen
jaringan saraf tiruan yang digunakan dan
mengaplikasikannya dalam permasalahannya. Untuk
memprediksi jumlah pasien rawat inap ini diterapkan
algoritma backpropagation.
B. Analisa Metode Backpropagation
Backpropagation merupakan algoritma
pembelajaran yang terawasi dan biasanya digunakan
oleh perceptron dengan banyak lapisan untuk
mengubah bobot-bobot yang terhubung dengan
neuron-neuron yang ada pada lapisan tersembunyinya.
Pelatihan sebuah jaringan yang menggunakan
backpropagation terdiri dari tiga langkah, yaitu
pelatihan pola input secara feedforward, perhitungan
backpropagation dari kumpulan kesalahan dan
penyesuaian bobot. Sesudah pelatihan, aplikasi dari
jaringan hanya terdiri dari fase feedforward. Bahkan
jika pelatihan menjadi lambat, sebuah jaringan yang
dilatih dapat menghasilkan outputnya sendiri secara
cepat.
C. Memprediksi Jumlah Pasien Rawat Inap
dengan JST menggunakan Algorithm
Backpropagation
Pola pasien rawat inap setiap tahunnya akan
banyak berubah. Pola pasien rawat inap akan berulang
pada setiap tahun. Pengulangan ini juga akan terjadi
pada pola kurva dari tahun ke tahun. Pengalaman
bagian pendataan di RSU. TERE MARGARETH
menunjukkan bahwa jumlah pasien rawat inap pada
setiap tahunnya dipengaruhi oleh jumlah kematian
pada tahun sebelumnya. Berikut ini merupakan
sebagian contoh untuk mengimplementasikan
algoritma yang digunakan
D. Normalisasi Data
45
Jurnal Riset Komputer (JURIKOM), Vol. 2 No. 6, Desember 2015
ISSN 2407-389X (Media Cetak)
Hal : 43-47
Data yang digunakan dalam penelitian ini
merupakan database jumlah pasien rawat inap pada
tahun 2012 dimuilai dari bulan februari sampai tahun
2014. Data disusun dan dipilih variabel faktor-faktor
dengan record data yang memiliki informasi paling
lengkap. Data tersebut kemudian dibagi menjadi 2
bagian yaitu, data pelatihan (training), data pengujian
(testing).
X’ = 0. 8(x-a) + 0,1
b-a
E. Data Input dan Target
Sebelum proses pengolahan data dilakukan,
perlu proses penentuan masukan (input) serta target
atau hasil yang ingin didapatkan dari proses
pengolahan data, sehingga akan memudahkan dalam
melakukan pembagian data dan proses pengolahan
data untuk mendapatkan hasil sesuai dengan apa yang
diharapkan sebelumnya.
F. Menggunakan Algoritma Pelatihan
Inisialisasi semua bobot dengan bilangan acak
kecil. Tabel bobot-bobot dari layer input ke layar
tersembunyi.
Fase 1 Perambatan Maju
1. Langkah Nol
Inisialisasi bobot dengan bilangan acak
kecil table bobot dari layer input ke layer tersembunyi.
Interval acak kecil dimulai dari( -0.5 – 0.5)
2. Langkah 1
Proses pembelajarn dilakukan hingga
kuadrat jumlah errornya kurang dari 0.01 jika kondisi
penghentian belum terpenuhi lakukan langkah 2.
3. Langkah 2
Untuk setiap data pasangan pelatihan
lakukan langkah 2 -8.
Data pelatihan sebagai beriku
4. Langkah 3
Tiap unit masukan menerima sinyal dan
meneruskan ke unit tersembunyi.
5. Langkah 4
Hitung semua keluaran di unit tersembunyi (Zj);
Znetj = Vj0 + ∑𝑛𝑖=1 xivji
Znet 1 = V10 + ∑𝑛𝑖=1 xivji
Znet 1 = X1. V11 + X2 . V12 + X3 . V13 + X4 .V14
+ X5. V15 + X6.V16+ X7. V17+ X8 .V18 +
X9. V19 + X10 . V110+ X 11 . V 111+ X12 . V112+
X13 . V113 + X14. V114
= 0.4*0.1 +0.3*0.1 +0.2*0.9 +(-0.1)* 0.7
+0.2*0.1 +0.4*0.1 +0.1*0.1 +1.4*0.9 +0.3*0.9
+0.3*0.4 +0.1*0.9 +0.4*0.9+(-0.1)*0.9+(-0.1)*1.5
=0.04+0.03+0.18+(0.07)+0.02+0.04+0.001+0
.14+0.27+0.27+0.04+0.36+ (-0.09)+(-0.15)
=1.09
Znet 2 = X1. V21 + X2 . V22 + X3 . V23 + X4 .V24
+ X5. V25 + X6.V26+ X7.\V27+ X8 .V28 + X9. V29
+ X10 . V210+ X 11 . V 211+ X12 . V212+
X13 . V213 + X14. V214
 Jurnal Riset Komputer (JURIKOM), Vol. 2 No. 6, Desember 2015
ISSN 2407-389X (Media Cetak)
Hal : 43-47

= 1.2*0.1 +(-0.4)*0.1 +0.1*0.9 +(-0.1)*0.7 ∆v10 = α ϑ 1 =0.1 *(7.0022) * 1

+0.1*0.1 +(- 0.1)*0.1 +0.3*0.1 +0.1*0.9 +(-0.2)*0.9 =0.70022
+0.4*04 +0.1*0.9 + 0.3*0.9 + 1.2*0.9 +0.4*1.5
=0.12 + (-0.04) +0.09+(-0.07) + 0.01+(-0.01) ∆v20 = α ϑ 1 =0.1 *(2.3463) * 1
+ 0.03+ 0.09+(- 0.18)+0.16+ 0.09+ 0.27 +1.08 + 0.6 = 0.23463
=2.24
9. Langkah 8
Z1 = f (Znet 1) = 1 Perubahan bobot garis yang menuju unit
1 + e– 1.09 keluaran.
= -0.251 Wkj(baru) =wkj(lama) ∆wkj
Z2 f (Znet 2) = 1 W11 (baru) =w11(lama) +∆w11 = 0.2 +0.5597 =
1 + e -2.24 0.7597
= -0.096 W12(baru_= w12(lama)+ ∆w12 =1.3 + 0.2140 =1.514
Vij (baru) = v11(lama) + ∆v11
6. Langkah 5 = 0.4 + 7.0022
Hitung semua jaringan di unit keluaran (yk). =7.4022
Fase 2 Perambatan Balik Vij (baru) = v21(lama) + ∆v21
𝑝
Ynetk = wk 0+ ∑𝑗=1 Zjwkj =1.2 + 0.2140
𝑝 =1.414
Ynet k= wk 0+ ∑𝑗=1 Zjwkj =Z1.W1 + Z2.W2
Vij (baru) = v12(lama) + ∆v12
= 0.2 *(-0.251) + 1.3 * (-0.096)
= 0.3 + 7.0022
=(-0.0502) + (-0.1248)
=7.3022
=(-0.175)
Vij (baru) = v22(lama) + ∆v22
Y1=f(Y-netk) = 1
=0.4 + 0.2140
1+ e –ynetk
=0.614
= 1
Vij (baru) = v13(lama) + ∆v13
1 + e 0.175
= 0.2 + 7.0022
= 3.191
=7.2022
7 . Langkah 6
Vij (baru) = v23(lama) + ∆v23
Besar nya α = 0.1
=0.1 + 0.2140
ϑ k= (tk –yk) f’ (y_netk) = (tk-yk) yk(1-yk)
=0.314
ϑ 1 =(t1 –y1) f’ (y_net1) = (t1-y1) y1(1-y1)
Vij (baru) = v14(lama) + ∆v14
=(0-3.191) * (3.191) * (1- 3.191)
= -0.1 + 7.0022
= (- 22.30)
=6.9022
∆wkj = α ϑ k zj
Vij (baru) = v24(lama) + ∆v24
∆ w11 = α ϑ k z1
=-0.1 + 0.2140
0.1 (-22.30) *( -0.251) = 0.5597
=0.114
∆ w12 = α ϑ k z2
Vij (baru) = v15(lama) + ∆v15
0.1 (-22.30) * (-0.096) =0.2140
= 0.2 + 7.0022
=7.2022
8. Langkah 7
Vij (baru) = v25(lama) + ∆v25
Hitung faktor ϑ unit tersembunyi
=0.1 + 0.2141
berdasarkan kesalahan disetiap unit tersembunyi
=0.3141
zj.(J=1,2,3……m)
Vij (baru) = v16(lama) + ∆v16
ϑ netj =∑𝑚𝑘=1 ϑ𝑘 wkj = 0.4+ 7.0022
ϑ net1 = ϑ 1 * w11
=7.4022
=- 22.30 * 0.2
Vij (baru) = v26(lama) + ∆v26
= -4.46
=-0.1 + 0.2141
ϑ net2 = ϑ 1 * w12
=0.1141
=- 22.30 * 1.3
Vij (baru) = v17(lama) + ∆v17
= -28.99
= 0.1+ 7.0022
Faktor kesalahan ϑ unit tersembunyi
=7.1022
ϑ j= ϑ netj f’ (z_netj) = ϑ net zj(1-zj)
Vij (baru) = v27(lama) + ∆v27
ϑ 1= ϑ net1 z1 (1-z1)
=0.3 + 0.2141
= -22.30 *(-0.251)*(1-(-0.251)
=0.5141
=7.0022
Vij (baru) = v18(lama) + ∆v18
ϑ 1= ϑ net2 z2 (1-z2)
= 1.4+ 7.0022
= -22.30 *(-0.096) * (1-(-0.096))
=8.4022
= 2.3463
Vij (baru) = v28(lama) + ∆v28
=0.1 + 0.2141
∆vij =α ϑ 1 xi
=0.3141
46
 Jurnal Riset Komputer (JURIKOM), Vol. 2 No. 6, Desember 2015
ISSN 2407-389X (Media Cetak)
Hal : 43-47

Vij (baru) = v19(lama) + ∆v19 2. Jaringan Syaraf Tiruan menggunakan algoritma

= 0.3+ 7.0022 pelatihan backpropagation untuk memprediksi
=7.3022 jumlah pasien rawat inap.
Vij (baru) = v29(lama) + ∆v29 3. Proses implementasi jaringan syaraf tiruan
=-0.2 + 0.2141 menggunakan metode aplikasi matlab dengan 28
=0.0141 data , di mana data akan dibagi menjadi dua
Vij (baru) = v110(lama) + ∆v110 bagian, bagian pertama digunakan untuk data
= 0.3 + 7.0022 pengujian (testing) dan bagian kedua untuk data
=7.3022 pelatihan (Training).
Vij (baru) = 210(lama) + ∆v210
=0.4 + 0.2141 VI. DAFTAR PUSTAKA
=0.6141 1. Pemograman Matlab pada Sistem Pakar Fuzzy (Mohammad
Yazdi Pusadan) 2015
Vij (baru) = 111(lama) + ∆v111 2. Jong Jek Siang, 2004, Penggunaan Matriks Matlab,
= 0.1+ 7.0022 Yogyakarta, Penerbit Andi.
=7.1022 3. Ruth Chrestanti, 2002, Jaringan Saraf Tiruan.
Vij (baru) = v211(lama) + ∆v211 4. Diyah Puspitaningrum. Pengantar Jaringan Saraf Tiruan
Penerbit Andi
=0.1+ 0.2141 5. Jogiyanto H.M., 1989, Analisis dan Disain, Penerbit Andi.
=0.3141 6. Badul Anwar, 2011, Algoritma Backpropagation.
Vij (baru) = v112(lama) + ∆v18
= 0.4+ 7.0022
=7.4022
Vij (baru) = v212(lama) + ∆v212
=0.3 + 0.2141
=0.5141
Vij (baru) = v113(lama) + ∆v113
= - 0.1+ 7.0022
=6.9022
Vij (baru) = v213(lama) + ∆v213
=1.2 + 0.2141
=1.4141
Vij (baru) = v114(lama) + ∆v114
= -0.1+ 7.0022
=6.9022
Vij (baru) = v214(lama) + ∆v214
=0.4 + 0.2141
=0.6141

Tes nilai tertentu untuk berhenti belum terpenuhi

terpenuhi karena nilai error dari output belum kecil
dari 0,01

Denormalisasi dengan rumus :

Xi =y (xmax – xmin)+ xmin
2017 =-0.175 ( 84 -75) + 75
= -0.175 * 9 + 75
=73
Keterangan :
Xi = jumlah pesien rawat inap tahun 2017
Y = hasil output jaringan -0.175
Xmin = data dengan nilai minimum 75
Xmax =data dengan nilai maximum 84

IV. KESIMPULAN
Kesimpulan yang dapat diambil setelah melakukan
penelitian terhadap prediksi jumlah pasien rawat inap
dengan menggunakan algoritma backpropagation
adalah :
1. Jaringan Syaraf Tiruan dengan Algoritma
Backpropagation mampu menentukan atau
memprediksi jumlah pasien rawat inap.

47