Kampus C.Mulyorejo, Surabaya 2)

Transkripsi

1 Journal of Information Systms Eninrin and Businss Intllinc Vol, No, April 205 SISTEM PENDUKUNG KEPUTUSAN PERAMALAN JUMLAH KUNJUNGAN PASIEN MENGGUNAKAN METODE EXTREME LEARNING MACHINE (STUDI KASUS : POLI GIGI RSU DR WAHIDIN SUDIRO HUSODO MOJOKERTO) Dlia Putri Fardani ), Eto Wuryanto 2), Indah Wrdininsih 3) )2)3) Proram Studi S Sistm Informasi, Fakultas Sains dan Tknoloi, Univrsitas Airlana Kampus CMulyorjo, Surabaya 2) towuryanto@mailcom Abstrak Pnlitian ini brtujuan mrancan dan mmbanun sistm pndukun kputusan untuk mramalkan jumlah kunjunan pasin RSU Dr Wahidin Sudiro Husodo Kota Mojokrto dnan mnunakan mtod Extrm Larnin Machin (ELM) Dnan adanya sistm pndukun kputusan ini dirktur Rumah Sakit dapat mramalkan jumlah kunjunan pasin dan mmbantu dalam pmbuatan kbijakan rumah sakit, mnatur sumbr daya manusia dan kuanan, srta mndistribusikan sumbr daya matrial dnan bnar khususnya pada poli ii Dalam rancan banun sistm pndukun kputusan ini dilakukan dalam bbrapa tahap Tahap yan prtama, pnumpulan data untuk mnidntifikasi inputan yan dibutuhkan dalam pnhitunan mtod ELM Tahap kdua, pnolahan data, data dibai mnjadi data trainin dan data tstin dnan komposisi data trainin sbanyak 80% (463 data) dari total 579 data dan 20% (6 data) sisanya sbaai data tstin yan kmudian di normalisasi Tahap ktia, pramalan jumlah kunjunan pasin mnunakan mtod ELM Tahap trakhir, prancanan sistm mnunakan sysflow dan pmbanunan sistm brbasis dsktop srta valuasi sistm Hasil pnlitian brupa aplikasi sistm pndukun kputusan untuk mramalkan jumlah kunjunan pasin Dan mlalui uji coba mnunakan 6 data tstin brdasarkan funsi aktivasi simoid binr dnan jumlah hiddn layr sbanyak 7 unit dan Epoch 500 diprolh hasil optimal MSE sbsar 0027 Kata Kunci Sistm Pndukun Kputusan, Pramalan, Jarinan Syaraf Tiruan, Extrm Larnin Machin Abstract In this rsarch, a dcision support systm to prdict th numbr of patints visit RSU Dr Wahidin Sudiro Husodo Kota Mojokrto was dsind and dvlopd usin Extrm Larnin Machin (ELM) mthod which aims to assist dirctor in makin dcision for th hospital, manain human and financial rsourc, as wll as distributin matrial rsourc proprly spcially in th Dpartmnt of Dntistry Th dsin of this dcision support systm to prdict th numbr of patints visit with ELM mthod is dividd into svral stas Th first sta is to idntify th input data collction ndd in th calculation mthod of ELM Th nxt sta is procssin th data; th data is dividd into trainin data and tstin data and thn normalizd, in which trainin data is 80% (452 data) and tstin 579 data 20% (6 data) Th third sta is problm solvin usin ELM Th last sta is th dsin and dvlopmnt of systms usin sysflow and dsktop-basd systm that includs th implmntation and valuation of th systm Th rsult of this rsarch is an application of dcision supportin systm to prdict numbr of patints By usin 6 tstin data basd on th binary simoid activation function usin 7 units of hiddn layr and 500 Epoch thn Optimal MSE valu that was obtaind is 0027 Kywords Dcision Supportin Systm, Prdiction, Artificial Nural Ntwork, Extrm Larnin Machin I PENDAHULUAN Rumah sakit adalah institusi playanan kshatan yan mnylnarakan playanan kshatan proranan yan mnydiakan playanan rawat jalan, rawat inap dan awat darurat (UU Rumah Sakit No 44 Tahun 2009) Rumah Sakit Umum (RSU) Dr Wahidin Sudiro Husodo Kota Mojokrto adalah badan playanan kshatan milik pmrintah yan mmbrikan playanan kshatan bai masyarakat Kota Mojokrto Pada playanan rawat jalan ada bbrapa poliklinik, diantaranya Poli THT, Poli Mata, Poli Rhab Mdik, Poli Gii, Poli Paru, Poli Uroloi, Poli Anak, Poli Pnyakit dalam, dan Poli Bdah Poli Gii adalah suatu bntuk playanan kshatan ii dan mulut yan ditujukan kpada masyarakat, kluara maupun proranan baik yan sakit maupun yan shat mliputi pninkatan kshatan ii dan mulut dan pncahan pnyakit ii Ktrsdiaan sumbr daya mrupakan faktor pntin yan harus diprhatikan, karna kurannya sumbr daya dapat mnurani kpdulian dan kualitas playanan trhadap pasin Sumbr daya yan ada khususnya sumbr daya matrial harus diprsiapkan atau dirncanakan untuk mnjaa kualitas dari Dcision Support Systm of Forcastin th Numbr of Visits Patints Usin Extrm Larnin Machin Mthod (Cas Study : Poly Dntal of Dr Wahidin Sudiro Husodo Hospital at Mojokrto) 33

2 -ISSN : playanan pihak rumah sakit Saat ini pihak manajmn poli ii RSU Dr Wahidin Sudiro Husodo Kota Mojokrto srin mnalami ksulitan dalam mlakukan prsiapan dan prncanaan Fluktuatif dan ktidakpastian jumlah kunjunan pasin di masa mndatan pada poli ii RSU Dr Wahidin Sudiro Husodo Kota Mojokrto mnybabkan pihak prncanaan ksulitan untuk mmprdiksi brapa jumlah pasin yan akan datan shina srin trjadi sumbr daya yan tlah disdiakan tidak ssuai dnan yan dibutuhkan Tknik pramalan (Forcastin) mrupakan alat atau tknik untuk mmprkirakan suatu nilai pada masa yan akan datan dnan mmprhatikan data atau informasi masa lalu maupun data atau informasi saat ini Pramalan trdiri atas suatu kranka krja atau tknik kuantitatif yan baku dan kaidah kaidah yan dapat dijlaskan scara matmatis Pramalan mrupakan baian vital bai stiap oranisasi bisnis dan untuk stiap pnambilan kputusan manajmn yan sanat sinifikan karna pramalan dapat mnjadi dasar bai prncanaan janka panjan prusahaan (Nachrowi, 2004) Dalam Artificial Intllnc yan dapat diunakan untuk mmprdiksi adalah jarinan syaraf tiruan (JST) Klbihan JST ini adalah pada control ara, prdiksi dan pnnalan pola srta mampu mnhasilkan output yan mampu mndkati nilai sbnarnya Sbuah mtod pmblajaran baru dalam JST brnama Extrm Larnin Machin (ELM) mrupakan JST fdforward dnan sinl hiddn layr atau biasa disbut dnan Sinl Hiddn Layr Fdforward Nural Ntworks (SLFNs) Slain itu ELM jua mmiliki klbihan dalam larnin spd, srta mmpunyai tinkat akurasi yan lbih baik Shina diharapkan dnan mtod ini output yan dihasilkan mampu mndkati knyataan dan pnylsaian yan optimal srta waktu komputasi yan rlatif sinkat Brdasarkan kbutuhan dan ksulitan yan ada di poli ii di RSU Dr Wahidin Sudiro Husodo Kota Mojokrto dalam mramalkan jumlah kunjunan pasin dan kmampuan mtod ELM maka prlu kiranya dilakukan pnlitian tntan pnunaan mtod ELM dalam mramalkan jumlah kunjunan pasin di RSU Dr Wahidin Sudiro Husodo Kota Mojokrto bsrta aplikasi SPK-nya II TINJAUAN PUSTAKA Mnurut (Suryadi, 998), dalam sistm pndukun kputusan, pross pnambilan kputusan trdiri dari 3 fas : Intllinc, tahap ini mrupakan pross pnlusuran dan pndtksian dari linkunan problmatika srta pross pnnalan masalah Data masukan diprolh, dipross, dan diuji dalam ranka mnidntifikasi masalah Dsin, tahap ini mrupakan pross mnmukan, mnmbankan dan mnanalisis altrnatif tindakan yan bisa dilakukan dan mliputi pross untuk mnrti masalah, mnurunkan solusi ndan mnuji klayakan solusi Choic, tahap ini dilakukan pross pmilihan diantara brbaai altrnatif tindakan yan munkin dijalankan Hasil pmilihan trsbut kmudian diimplmntasikan dalam pross pnambilan kputusan Tahap dsain atau prancanan sistm mmpunyai dua tujuan yaitu untuk : mmnuhi kbutuhan pmakai systm dan mmbrikan ambaran yan jlas dan rancan banun yan jlas lnkap untuk nantinya diunakan untuk pmbuatan proram komputrnya (Hartono, 2005) Salah satu cara pnambaran alur systm (Systm Flow) dapat mnunakan flowchart yan mrupakan suatu diaram yan mnampilkan aliran data dan rankaian tahapan oprasi dalam suatu sistm (Widjajanto, 200) JST atau Artifcial Nural Ntwork adalah upaya untuk mmodlkan pmrossan informasi brdasarkan kmampuan sistm syaraf biolois yan ada pada manusia Jadi JST mrupakan jarinan syaraf biolois dipandan dari sudut pandan pnolahan informasi Hal ini dimunkinkan untuk mrancan modl yan dapat disimulasikan dan dianalisis Dalam JST nuron nuron diklompokkan dalam lapisan-lapisan (layr) Umumnya, nuron-nuron yan trltak pada layr yan sama akan mmiliki kadaan yan sama Faktor trpntin dalam mnntukan klakuan suatu nuron adalah funsi aktivasi dan pola bobotnya Pada stiap layr yan sama, nuron-nuron akan mmiliki funsi aktivasi yan sama Dalam (Sian, 2005) dijlaskan bahwa arsitktur jarinan yan srin dipakai dalam JST adalah Jarinan Layar Tunal (sinl layr ntwork) dan Jarinan Layar Jamak (multi layr ntwork) Slain itu ditrankan jua tntan funsi aktivasi yan mrupakan aturan yan mmtakan pnjumlahan input lmn pmross trhadap outputnya Funsi ini adalah funsi umum yan akan diunakan untuk mnntukan kluaran suatu nuron Tujuan lain dari funsi ini adalah untuk mmodifikasi output kdalam rntan nilai trtntu Funsi-funsi aktivasi yan biasanya diunakan dalam sistm Jarinan Syaraf : Funsi Stp Binr, Funsi Simoid Binr dan Funsi Simoid Bipolar (Huan, 2006) mnmukakan bahwa mtod platihan ELM mrupakan salah satu mtod platihan yan rlativ baru di JST dan trmasuk mtod platihan trawasi Mtod-mtod JST yan tlah ada mmiliki klmahan dalam hal larnin spd karna smua paramtr pada jarinan ditntukan scara itratif dnan mnunakan suatu mtod pmblajaran 34 Sistm Pndukun Kputusan Pramalan Jumlah Kunjunan Pasin Mnunakan Mtod Extrm Larnin Machin (Studi Kasus : Poli Gii RSU Dr Wahidin Sudiro Husodo Mojokrto)

3 Paramtr yan dimaksud adalah bobot input dan bias yan mnhubunkan antara layr satu dnan layr yan lain Pada mtod ELM, bobot input dan bias mula-mula ditntukan scara random Stlah itu, untuk mncari bobot akhir mnunakan Moor-Pnros Gnralizd Invrs Matriks yan diunakan dalam prhitunan bobot akhir adalah matriks yan branotakan jumlahan atau kluaran dari masin-masin input k layr trsmbunyi Shina ELM mmiliki larnin spd yan cpat Pnlitian yan dilakukan (Austina, 200) diktahui bahwa ELM mmiliki klbihan dari mtod yan sudah ada sprti Backpropaation (BP) dan Support Vctor Machin (SVM) trutama dalam hal konsumsi waktu dan prforma III METODE PENELITIAN A Pnumpulan dan Pnolahan Data Tknik pnumpulan data dalam pnlitian ini dilakukan dnan bbrapa cara : Studi litratur, Wawancara dan Obsrvasi Data yan tlah trkumpul slanjutnya dianalisis, diolah dan dijadikan input dalam sistm ELM una mnhasilkan pramalan jumlah kunjunan pasin poli ii RSU Dr Wahidin Sudiro Husodo Kota Mojokrto B Pramalan Jumlah Kunjunan Pasin dnan Mnunakan Mtod ELM Lankah-lankah yan dilakukan dalam pramalan ini adalah sbaai brikut: ) Pmbaian data trainin dan tstin : Data akan dibai dua baian, baian prtama diunakan sbaai data trainin sbanyak 80% dari total data dan yan lainnya untuk data tstin sbsar 20% (Zhan, 998) Gambar Rancanan arsitktur Extrm Larnin Machin yan akan diunakan 2) Dsain Arsitktur Jarinan : Arsitktur jarinan yan akan diunakan trdiri dari 3 layr yaitu input layr, hiddn layr, dan output layr Journal of Information Systms Eninrin and Businss Intllinc Vol, No, April 205 Sblum masuk pada input layr, data yan dimasukkan dinormalisasi trlbih dahulu Rancanan arsitktur jarinan dapat dilihat pada ambar 3) Platihan (Trainin) : Platihan dilakukan una mmprolh bobot yan ssuai untuk diunakan pada tstin Lankah-lankah trainin yan dapat dilihat pada ambar 2 adalah sbaai brikut a) Lankah : Inisialisasi bobot dan bias dnan bilanan acak yan kcil, trantun funsi aktivasi yan diunakan b) Lankah 2: Jika kondisi pnhntian blum trpnuhi, maka lakukan lankah 3 sampai lankah 7 Fas I : Propaasi Maju (fdfoward) c) Lankah 3: Stiap unit input (x,, x n ) mnrima sinyal input dan mnruskan sinyal trsbut pada sluruh unit lapisan di atasnya (unit hiddn) d) Lankah 4 : Mnhitun smua kluaran di unit trsmbunyi dnan mnunakan funsi aktivasi (,, ) = + () ) Lankah 5 : Mnhitun bobot akhir dari hiddn layr k output layr (β) = (2) Dimana H + mrupakan matriks Moor-Pnros Gnralizd Invrs dari matriks H sdankan matriks H mrupakan matriks yan trsusun dari output masin-masin Hiddn Layr dan T adalah matriks tart f) Lankah 6 : Mnhitun smua kluaran di unit output dnan mnunakan funsi aktivasi ( ) = (3) ) Lankah 7: Mnhitun nilai Error distiap unit output Fas II : Prubahan (updat) bobot dan bias h) Lankah 8 : Mnhitun smua prubahan bobot Prubahan bobot aris yan mnuju k unit trsmbunyi (hiddn) W j(baru) = W j(lama) + I j *Error i) Lankah 9 : Mmriksa kondisi pnhntian Data dinormalisasi trlbih dahulu dalam rntan [0,] jika funsi aktifasi yan diunakan simoid binr Sdankan jika funsi aktivasi adalah simoid bipolar, maka data akan dinormalisasi dalam rntan [-,] Paramtr yan akan diinputkan antara lain yaitu jumlah hiddn, max poch dan tart rror Untuk stoppin condition, yaitu itrasi = maksimal poch atau MSE tart rror Satu poch mwakili satu kali prhitunan untuk smua data pada data trainin Dcision Support Systm of Forcastin th Numbr of Visits Patints Usin Extrm Larnin Machin Mthod (Cas Study : Poly Dntal of Dr Wahidin Sudiro Husodo Hospital at Mojokrto) 35

4 -ISSN : Start Input Data Trainin Normalisasi Data Inisialisasi Bobot dan Bias Input Paramtr Pross Fdforward Stoppin condition MSE < 0-4 atau poch max Ya Bias dan Bobot Akhir Tidak mlakukan studi litratur, wawancara, dan obsrvasi Studi litratur, dilakukan untuk mntahui dan mmahami pnunaan mtod Extrm Larnin Machin dalam mlakukan pramalan jumlah kunjunan pasin Wawancara dnan Administrasi poli ii dnan tujuan mndapatkan informasi mnnai kunjunan pasin Mlakukan obsrvasi trhadap dokumn untuk mmprolh data skundr TABEL 2 DATA JUMLAH KUNJUNGAN PASIEN YANG TERNORMALISASI No Tanal 2 Januari Januari Januari Dsmbr 203 Jumlah Kunjunan Pasin End Gambar 2 Flowchart Aloritma Trainin C Rancan Banun Sistm Dalam prancanan sistm akan mnunakan alur sistm yan mnambarkan alur sistm SPK pnntuan jumlah kunjunan pasin di poli ii RSU Dr Wahidin Sudiro Husodo Kota Mojokrto Implmntasi sistm pndukun kputusan untuk mramalkan jumlah kunjunan pasin mnunakan mtod jarinan syaraf tiruan Extrm Larnin Machin akan dibanun dnan bahasa pmroraman JAVA srta databas MySQL Evaluasi sistm brtujuan untuk mntahui akurasi kinrja mtod jarinan syaraf tiruan ELM sbaai sistm pndukun kputusan pramalan jumlah kunjunan pasin poli ii Evaluasi sistm akan dilakukan brdasarkan hasil dari tstin data, dnan mmbandinkan antara data sbnarnya dnan data hasil pramalan TABEL DATA JUMLAH KUNJUNGANN PASIEN POLI GIGI No Tanal 2 Januari Januari Januari Dsmbr 203 Jumlah Kunjunan Pasin Data skundr yan diprolh lansun dari sumbr data RSUD Dr Wahidin Sudiro Husodo Kota Mojokrto adalah jumlah kunjunan pasin pada poli ii pada Januari 202-Dsmbr 203 Banyaknya data yan diprolh adalah 579 data yan akan dibai dua : data trainin sbanyak 80% dari total 579 data atau 463 data dan data tstin sbsar 20%-nya atau 6 data TABEL 3 CONTOH DATAA TRAINING Sbaian Data skundr dapat dilihat pada tabl Untuk kprluan pnolahan data maka data di tabl dinormalisasi brdasarkan funsi Aktivasi Simoid Binr dan hasil normaliasinya dapat dilihat pada tabl 2 TABEL 4 CONTOH DATAA TESTING IV HASIL DAN PEMBAHASAN A Pnumpulan dan Pnolahan Data Pnumpulan data dan informasi dilakukan di Rntan normalisasi data akan dilakukan Poli Gii RSU Dr Wahidin Sudiro Husodo Kota ssuai dnan funsi aktivasi yan diunakan Mojokrto Mtod pnumpulan data yan Dinormalisasi dalam rntan [0,] untuk contoh diunakan dalam pnlitian ini adalah dnan Sistm Pndukun Kputusan Pramalan Jumlah Kunjunan Pasin Mnunakan Mtod Extrm 36 Larnin Machin (Studi Kasus : Poli Gii RSU Dr Wahidin Sudiro Husodo Mojokrto)

5 Journal of Information Systms Eninrin and Businss Intllinc Vol, No, April 205 data trainin trdapat pada tabl 3 dan contoh data tstin yan tlah pada tabl 4 B Pramalan jumlah kunjunan pasin dnan mnunakan mtod ELM Lankah-lankah yan akan dilakukan dalam platihan ssuai dnan ambar 2 Stlah mlakukan input data dan normalisasi, lankah slanjutnya adalah inisialisasi bobot dan bias yan ditntukan scara random Funsi aktivasi yan akan diunakan adalah funsi Simoid Binr shina nilai bobot awal input dan bias dnrat scara random dalam rntan 0 sampai sprti pada tabl 5 Karna mnunakan 6 unit input dnan 6 unit hiddn, maka akan trdapat 36 w ij (bobot antara input layr dan hiddn layr), 6 b i (bias antara input layr dan hiddn layr), 6 β jk (bobot antara Hiddn Layr dan output layr) TABEL 5 BOBOT AWAL INPUT DAN BIAS Bobot Input (w ij ) Bias (b i ) w 020 w b 024 w w b w w b 3 0 w w b w w b 5 04 w w b w w w w w w w w w w w w w w 6 02 w w w w w w w w w w Bobot output β dari Hiddn Layr k output layr dihitun mnunakan Equation 2 Epoch yan akan diunakan pada prhitunan MSE tart rror dnan tart rror sbsar 0-4 atau Epoch = Epoch Max Slanjutnya dilakukan Pross propaasi maju, lankah prtama yan akan dilakukan pada fas ini adalah mnhitun smua kluaran pada unit hiddn G(x i ) yan trtra di-equation dnan nilai sbaai brikut: G(x ) = (w x + b ) + (w 2 x 2 +b ) + + (w 6 x 6 +b ) = 2,7023 G(x 2 ) = (w 2 x + b 2 ) + (w 22 x 2 +b 2 ) + + (w 26 x 6 +b 2 )=,9543 G(x 3 ) = (w 3 x + b 3 ) + (w 32 x 2 +b 3 ) + + (w 36 x 6 +b 3) = 2359 G(x 4 ) = (w 4 x + b 4 ) + (w 42 x 2 +b 4 ) + + (w 46 x 6 +b 4 )= 5,389 G(x 5 ) = (w 5 x + b 5 ) + (w 52 x 2 +b 5 ) + + (w 56 x 6 +b 5 )= 3,292 G(x 6 ) = (w 6 x + b 6 ) + (w 62 x 2 +b 6 ) + + (w 66 x 6 +b 6 )= 5,3609 Stlah mndapatkan nilai G(x i ), dapat dihitun (x i ) dnan mnunakan Equation 3 sbaai brikut : x x x x x x Brikutnya mnhitun bobot output β dari Hiddn Layr k output layr, dnan Equation 2, H= T = Brdasarkan prhitunan mnunakan Matlab (Sian, 2005), maka Moor-Pnros Gnralizd Invrs dari matriks H adalah sbaai brikut : H + = dan β = H + T = Hasil (x i ) yan sudah dihitun akan diprunakan untuk mnhitun y, y 073 x x x Slanjutnya hitun kluaran di unit output Y mnunakan funsi aktivasi diprolh Y Dcision Support Systm of Forcastin th Numbr of Visits Patints Usin Extrm Larnin Machin Mthod (Cas Study : Poly Dntal of Dr Wahidin Sudiro Husodo Hospital at Mojokrto) 37

6 -ISSN : kmudian mnhitun nilai rror, Error = = 0078 Lankah trakhir adalah mlakukan pmbaharuan nilai bobot yan slanjutnya diunakan untuk mnhitun bobot output yan hasilnya dapat dilihat pada tabl 6 38 TABEL 6 BOBOT BARU Bobot Input (w ij ) Bias (b i ) w 027 w 4 02 b 03 w w b 2 04 w w b 3 05 w w b 4 08 w 5 05 w b w w b w w Bobot Output w w β 233 w w β w w β 3-86 w w β w w β w w 6 09 β w w w w w w 64 0 w w w w Stlah mndapatkan bobot dan bias yan baru, maka lankah brikutnya adalah mmriksa Epoch Karna data trainin yan sudah dilakukan prhitunan masih satu kali dan mnhasilkan nilai rror = 0,078 maka MSE > 0,0000, maka smua Epoch tidak trpnuhi Olh karna itu dilanjutkan prhitunan kmbali scara brulan dari awal mnunakan bobot trakhir yan sudah didapat Prhitunan brhnti ktika Epoch tlah trpnuhi Pnujian dilakukan jika tlah mndapatkan bobot yan ssuai dari prhitunan Trainin Bobot akhir pada Trainin mrupakan bobot yan diunakan untuk prhitunan Tstin Lankahlankah Tstin sama sprti pross fdforward pada Trainin yaitu diawali dnan mnhitun smua kluaran pada unit hiddn G(x i ) sbaai brikut: G(x ) = (w x + b ) + (w 2 x 2 +b ) + + (w 6 x 6 +b ) = G(x 2 ) = (w 2 x + b 2 ) + (w 22 x 2 +b 2 ) + + (w 26 x 6 +b 2 ) = 8998 G(x 3 ) = (w 3 x + b 3 ) + (w 32 x 2 +b 3 ) + + (w 36 x 6 +b 3) = 8735 G(x 4 ) = (w 4 x + b 4 ) + (w 42 x 2 +b 4 ) + + (w 46 x 6 +b 4 ) = 5546 G(x 5 ) = (w 5 x + b 5 ) + (w 52 x 2 +b 5 ) + + (w 56 x 6 +b 5 ) = 3393 G(x 6 ) = (w 6 x + b 6 ) + (w 62 x 2 +b 6 ) + + (w 66 x 6 +b 6 ) = 5723 Dan nilai (x i ) dapat diprolh sprti brikut: x x x x x x Hasil (x i ) akan diprunakan untuk mnhitun y dan didapat : y 250 x x x Slanjutnya hitun kluaran di unit output Y mnunakan funsi aktivasi diprolh : Y Hasil kluaran unit output kmudian di dnormalisasi untuk mnkonvrsi kmbali nilai yan sama dnan asalnya dihasilkan nilai 5 yan mrupakan pramalan pada hari snin TABEL 7 ARSITEKTUR DARI TRAINING DENGAN MSE TERKECIL PADA FUNGSI AKTIFASI SIGMOID BINER C Rancan Banun Sistm Prancanan sistm diambarkan dnan mnunakan sysflow sprti yan trlihat pada ambar 4 TABEL 8 ARSITEKTUR DARI TRAINING DENGAN MSE TERKECIL PADA FUNGSI AKTIFASI SIGMOID BIPOLAR Stlah mlakukan prancanan sistm, pross slanjutnya adalah implmntasi sistm yan brupa GUI (Graphical Usr Intrfac) untuk sistm pndukun kputusan pramalan jumlah kunjunan pasin poli ii di RSU Dr Wahidin Sudiro Husodo Kota Mojokrto Antarmukanya Sistm Pndukun Kputusan Pramalan Jumlah Kunjunan Pasin Mnunakan Mtod Extrm Larnin Machin (Studi Kasus : Poli Gii RSU Dr Wahidin Sudiro Husodo Mojokrto)

7 Journal of Information Systms Eninrin and Businss Intllinc Vol, No, April 205 trdiri dari lima halaman yaitu halaman loin, halaman mnu usr, halaman mastr data, halaman trainin data dan halaman tstin data PERAMALAN JUMLAH KUNJUNGANN PASIEN Usr Sistm MULAI Hasil uji coba yan tlah dilakukan mnunakan kombinasi jumlah hiddn layr, dan funsi aktivasi hasil akurasi palin optimal pada stiap funsi aktivasi dapat dilihat pada tabl 7 dan tabl 8 Pada funsi aktivasi simoid binr dnan 7 hiddn layr dan Epoch 500 mnhasilkan MSE palin kcil yaitu sbsar (lihat ambar 5) Input : Jumlah Pasin Input : -Paramtr Hasil : Pramalan jumlah kunjunan pasin SELESAI Gambar 4 Sysflow Sistm Mmbai data trainin dan data tstin Normalisasi Data Trainin Inisia alisasi bobot dan bias Mnylsaikan pnhitunan trainin data MSE 0-4? Simpan Bobot dan bias Normalisasi Data Tstin Mnylsaikan pnhitunan data tstin Dnormalisasi Data Evaluasi sistm yan dilakukan dalam pnlitian ini didapat mlalui trial and rror Uji coba dilakukan brdasarkan jumlah hiddn layr, dan funsi aktivasi untuk mndapatkan hasil akurasi yan optimal Hasil akurasi didapatkan dari mncocokkan output data asli dnan output dari sistm mnunakan data tstin Gambar 5 Grafik MSE Hasil Trainin dnan 7 unit Hiddn Layr dan Epoch 500 pada Funsi Aktifasi Simoid Binr Ya V KESIMPULAN Dalam mrancan dan mmbanun sistm pndukun kputusan untuk mramalkan jumlah kunjunan pasin mnunakan ELM pada poli ii RSU Dr Wahidin Sudiro Husodo Kota Mojokrto, Evaluasi sistm dilakukan dnan mncocokan hasil yan trdapat pada data asli dnan hasil yan dikluarkan olh sistm Evaluasi dilakukan bbrapa kali mnunakan 6 data tstin mlalui uji coba brdasarkan funsi aktivasi dan jumlah hiddn layr Hasil optimal didapat nilai MSE yan dicapai sbsar 0027 pada funsi aktifasi simoid binr dan jumlah hiddn layr sbanyak 7 unit srta Epoch 500 Dari hasil pnlitian ini, diprlukan pnmbanan aloritma platihan Jarinan Syaraf tiruan ELM dnan mlakukan pnlitian lbih lanjut mnunakan mtod jarinan syaraf tiruan yan lainnya sprti Optimally Prund mtod Extrm Larnin Machin (OPELM) atau dapat di hybrid dnan bbrapa aloritma platihan lain dalam jarinan syaraf tiruan sprti Backpropaation (BP), Radial Basis Function (RBF), Lrnin Vctor Quantitation (LVQ), Support Vctor Machin(SVM) dan aloritma platihan lainnya untuk mninkatkan kmampuan jarinan dalam mnnali pola data jumlah kunjunan pasin DAFTAR PUSTAKA Austina, I (200) Pnrapan Mtod Extrm Larnin Machin untuk Pramalan Prmintaan, Skripsi Surabaya: Institut Tknoloi Spuluh Novmbr Hartono, J (2005) Analisis dan Dsain Sistm Informasi : Pndkatan Trstruktur, Tori, dan Praktik Aplikasi Bisnis Yoyakarta: Andi Huan, G B (2006) Extrm larnin machin: Thory and application Nurocomputin, 70, Nachrowi, N (2004) Tknik Pnambilan Kputusan Jakarta: Grasindo Rojas, R (997) Nural Ntwork : A Systmatic Introduction Brlin: Sprinr-Vrla Sian, J (2005) Jarinan Syaraf Tiruan & Pmroramannya Mnunakan Matlab Yoyakarta: Andi Suryadi, K a (998) Sistm Pndukun Kputusan: Suatu Wacana Struktural Idalisasi dan Implmntasi Konsp Pnambilan Kputusan Bandun: PT Rmaja Rosdakarya Dcision Support Systm of Forcastin th Numbr of Visits Patints Usin Extrm Larnin Machin Mthod (Cas Study : Poly Dntal of Dr Wahidin Sudiro Husodo Hospital at Mojokrto) 39

8 -ISSN : Widjajanto, N (200) Sistm Informasi Akuntansi Jakarta: Erlana Zhan, G P (998) Forcastin with Artificial Nural Ntworks : Th Stat of th Art Elsvir Intrnational Journal of Forcastin, 4, Sistm Pndukun Kputusan Pramalan Jumlah Kunjunan Pasin Mnunakan Mtod Extrm Larnin Machin (Studi Kasus : Poli Gii RSU Dr Wahidin Sudiro Husodo Mojokrto)