6, Desember 2015
ISSN 2407-389X (Media Cetak)
Hal : 43-47
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
mengenali orang yang sudah beberapa waktu waktu yang akan datang (variabel apa saja yang
tidak dijumpanya (mungkin wajah/bentuk perlu diramal). Analis hendaknya memilih suatu
tubuhnya sudah sedikit berubah). model yang menggambarkan secara realistis
2. Signal Processing variabel-variabel yang dipertimbangkan.
Jaringan saraf tiruan (model ADALINE) dapat Misalnya jika ingin meramalkan jumlah
dipakai untuk menekan noise dalam saluran pengunjung yang polanya linier, maka model
telepon. yang dipilih dengan menunjukkan jumlah
3. Peramalan pengunjung, X menunjukkan waktu, a 11 dan b
Jaringan syaraf tiruan juga dapat dipakai untuk adalah parameter–parameter yang
meramalkan apa yang akan terjadi dimasa yang menggambarkan posisi dan kemiringan garis
akan datang berdasarkan pola kejadian yang ada pada grafik.
dimasa yang lampau. Ini dapat dilakukan 3. Penerapan Model
mengingat kemampuan jaringan syaraf tiruan Pada tahap ini, data historis dimasukkan ke
untuk mengingat dan membuat generalisasi dari model untuk menghasilkan suatu ramalan.
apa yang sudah ada sebelumnya. Dalam kasus peramalan banyaknya pengunjun,
Pembangunan sistem AI yang didasarkan pada analisis menghitung nilai a dan b.
pendekatan jaringan syaraf tiruan secara umum 4. Revisi dan Evaluasi
meliputi langkah-langkah berikut (LiMin Fu, 1994): Ramalan-ramalan yang telah dibuat harus
1. Memilih model jaringan syaraf tiruan yang senantiasa diperbaiki dan ditinjau kembali.
susuai didasarkan pada sifat dasar permasalahan. Perbaikan mungkin dilakukan karena adanya
2. Membangun jaringan syaraf tiruan yang sesuain perubahan- perubahan dalam suatu perusahaan
dengan karakteristik domain aplikasinya atau instansi yangmengelola. Bagi pihak lain
3. Melatih jaringan syaraf tiruan sesuai dengan evaluasi merupakan perbandingan ramalan-
prosedur pembelajaran dari model yang dipilih. ramalan dengan hasil-hasil nyata untuk menilai
4. Menggunakan jaringan yang telah dilataih ketepatan penggunaan suatu metodologi atau
sebagai pembuatan inferensi atau pemecahan teknik peramalan. Langkah ini diperlukan untuk
masalah. Jika hasilnya memuasakan maka menjaga kualitas estimasi-estimasi di masa yang
kembali kelangkah berikutnya. akan datang.
C. Prediksi D. Backpropagation
Menurut Eddy Herjanto (2008) mendefinisikan Metode backpropagation (propagsi balik)
bahwa “prediksi adalah proses peramalan kejadian merupakan metode pembelajaran lanjut yang
dimasa datang dengan berdasarkan data variabel di dikembangkan dari aturan perceptron hal yang ditiru
masa sebelumnya.”dimasa datang dengan lebih dari perceptrona dalah tahapan dalam algoritma
mendasarkan pada pertimbangan intuisi, dalam jaringa. Metode backpropagation ini dikembangkan
prediksi juga sering digunakan data kuantitatif sebagai oleh Rumelhart, Hinton dan Williams sekitar tahun
pelengkap informasi dalam melakukan peramalan”. 1986 yang mengakibatkan peningkatan kembali minat
Sedangkan “prakiraan didefinisikan sebagai proses terhadap jaringan saraf tiruan metode ini terdiri dari
peramalan. dua tahap,yaitu tahap feed forward yang diambil dari
Proses peramalan terdiri dari hal-hal sebagai perceptron dan tahap backpropagation error.
berikut (Handoko,1994), (Jaringan Syaraf Tiruan Memprediksi Ketersediaan
1. Penentuan tujuan Bahan Bakar Solar Dengan Menggunakan Metode
Pada tahap ini analis membicarakan dengan para Backpropagation, Pelita Informatika, 2301-9425, Vol
pembuat keputusan untuk mengetahui apa iv, Edisi 2, 2013)
kebutuhan-kebutuhan mereka dan menentukan. Menurut Kusumadewi (2003), dalam pelatihan
a. Variabel-variabel apa yang akan diestimasi. dengan backpropagationsama halnya seperti pelatihan
b. Siapa yang akan menggunakan hasil pada jaringan syaraf yang lain. Pada jaringan
peramalan. feedfoward (umpan maju), pelatihan dilakukan dalam
c. Untuk tujuan-tujuan apa hasil peramalan rangka perhitungan bobot sehingga pada akhir
akan digunakan. pelatihan akan diperoleh bobot-bobot yang baik.
d. Estimasi jangka panjang atau pendek yang Selama proses pelatihan, bobot-bobot diatur secara
diinginkan iteratif untuk meminimumkan error(kesalahan) yang
e. Derajat ketetapan estimasi. terjadi. Kesalahan dihitung berdasarkan rata-rata
f. Kapan estimasi dibutuhkan. kuadrat kesalahan (MSE). Rata-rata kuadrat kesalahan
g. Bagian-bagian peramalan yang diinginkan. juga dijadikan dasar perhitungan untuk kerja fungsi
2. Pengembangan Model aktivasi.
Pengembangan model merupakan penyajian Sebagian besar pelatihan untuk jaringan
secara lebih sederhana dari sistem yang feedfoward.(umpan maju) menggunakan gradient dari
dipelajari. Model peramalan adalah suatu fungsi aktivasi untuk menentukan bagaimana
kerangka analitik yang bisa dimasukkan data mengatur bobot-bobot dalam rangka meminimumkan
masukan, menghasilkan estimasi jumlah data di kinerja. Gradient ini ditentukan dengan menggunakan
44
Jurnal Riset Komputer (JURIKOM), Vol. 2 No. 6, Desember 2015
ISSN 2407-389X (Media Cetak)
Hal : 43-47
suatu teknik yang disebut backpropagation. Pada Data yang digunakan dalam penelitian ini
dasarnya, algoritma pelatihan standar merupakan database jumlah pasien rawat inap pada
backpropagationakan menggerakkan bobot dengan tahun 2012 dimuilai dari bulan februari sampai tahun
arah gradientnegatif. Prinsip dasar dari algoritma 2014. Data disusun dan dipilih variabel faktor-faktor
backpropagation. 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
Gambar 2. Arsitektur Backpropagation atau hasil yang ingin didapatkan dari proses
Sumber : Kusumadewi ( 2003:117) pengolahan data, sehingga akan memudahkan dalam
melakukan pembagian data dan proses pengolahan
III. ANALISA dan PEMBAHASAN data untuk mendapatkan hasil sesuai dengan apa yang
Permasalahan yang akan dibahas dalam tugas diharapkan sebelumnya.
akhir ini adalah membuat suatu sistem yang dapat
memprediksi jumlah pasien rawat inap berdasarkan F. Menggunakan Algoritma Pelatihan
data yang dilatihkan yaitu data yang diambil dari Inisialisasi semua bobot dengan bilangan acak
RSU. TERE MARGARETH. Penerapan jaringan saraf kecil. Tabel bobot-bobot dari layer input ke layar
tiruan dalam permasalahan prediksi jumlah pasien tersembunyi.
rawat inap meliputi penentuan komponen-komponen Fase 1 Perambatan Maju
jaringan saraf tiruan yang digunakan dan 1. Langkah Nol
mengaplikasikannya dalam permasalahannya. Untuk Inisialisasi bobot dengan bilangan acak
memprediksi jumlah pasien rawat inap ini diterapkan kecil table bobot dari layer input ke layer tersembunyi.
algoritma backpropagation. Interval acak kecil dimulai dari( -0.5 – 0.5)
2. Langkah 1
B. Analisa Metode Backpropagation Proses pembelajarn dilakukan hingga
Backpropagation merupakan algoritma kuadrat jumlah errornya kurang dari 0.01 jika kondisi
pembelajaran yang terawasi dan biasanya digunakan penghentian belum terpenuhi lakukan langkah 2.
oleh perceptron dengan banyak lapisan untuk 3. Langkah 2
mengubah bobot-bobot yang terhubung dengan Untuk setiap data pasangan pelatihan
neuron-neuron yang ada pada lapisan tersembunyinya. lakukan langkah 2 -8.
Pelatihan sebuah jaringan yang menggunakan Data pelatihan sebagai beriku
backpropagation terdiri dari tiga langkah, yaitu 4. Langkah 3
pelatihan pola input secara feedforward, perhitungan Tiap unit masukan menerima sinyal dan
backpropagation dari kumpulan kesalahan dan meneruskan ke unit tersembunyi.
penyesuaian bobot. Sesudah pelatihan, aplikasi dari 5. Langkah 4
jaringan hanya terdiri dari fase feedforward. Bahkan Hitung semua keluaran di unit tersembunyi (Zj);
jika pelatihan menjadi lambat, sebuah jaringan yang Znetj = Vj0 + ∑𝑛𝑖=1 xivji
dilatih dapat menghasilkan outputnya sendiri secara Znet 1 = V10 + ∑𝑛𝑖=1 xivji
cepat.
Znet 1 = X1. V11 + X2 . V12 + X3 . V13 + X4 .V14
C. Memprediksi Jumlah Pasien Rawat Inap + X5. V15 + X6.V16+ X7. V17+ X8 .V18 +
dengan JST menggunakan Algorithm X9. V19 + X10 . V110+ X 11 . V 111+ X12 . V112+
Backpropagation X13 . V113 + X14. V114
Pola pasien rawat inap setiap tahunnya akan = 0.4*0.1 +0.3*0.1 +0.2*0.9 +(-0.1)* 0.7
banyak berubah. Pola pasien rawat inap akan berulang +0.2*0.1 +0.4*0.1 +0.1*0.1 +1.4*0.9 +0.3*0.9
pada setiap tahun. Pengulangan ini juga akan terjadi +0.3*0.4 +0.1*0.9 +0.4*0.9+(-0.1)*0.9+(-0.1)*1.5
pada pola kurva dari tahun ke tahun. Pengalaman =0.04+0.03+0.18+(0.07)+0.02+0.04+0.001+0
bagian pendataan di RSU. TERE MARGARETH .14+0.27+0.27+0.04+0.36+ (-0.09)+(-0.15)
menunjukkan bahwa jumlah pasien rawat inap pada =1.09
setiap tahunnya dipengaruhi oleh jumlah kematian
pada tahun sebelumnya. Berikut ini merupakan Znet 2 = X1. V21 + X2 . V22 + X3 . V23 + X4 .V24
sebagian contoh untuk mengimplementasikan + X5. V25 + X6.V26+ X7.\V27+ X8 .V28 + X9. V29
algoritma yang digunakan + X10 . V210+ X 11 . V 211+ X12 . V212+
X13 . V213 + X14. V214
D. Normalisasi Data
45
Jurnal Riset Komputer (JURIKOM), Vol. 2 No. 6, Desember 2015
ISSN 2407-389X (Media Cetak)
Hal : 43-47
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