jurnaltesishairulcandra
TRANSCRIPT
-
7/23/2019 JurnalTesisHairulCandra
1/101
1
PENERAPAN METODE ADAPTIVE NEURO FUZZY
INFERENCE SYSTEM (ANFIS) UNTUK MEMPREDIKSI
KEPUASAN PASIEN RAWAT JALAN
TERHADAP SISTEM PELAYANAN KESEHATAN
(STUDI KASUS PUSKESMAS DESA GEDANG SUNGAIPENUH)
TESIS
Diajukan untuk Memenuhi Salah Satu Syarat
Memproleh Gelar Magister Komputer
HAIRUL CANDRA112321085
PROGRAM PASCA SARJANA MAGISTER ILMU KOMPUTER
UNIVERSITAS PUTRA INDONESIA YPTK PADANG
APRIL 2013
-
7/23/2019 JurnalTesisHairulCandra
2/101
2
Universitas Putra Indonesia YPTK PadangProgram Pascasarjana Magister Ilmu Komputer
Tanda Persetujuan Diberikan Kepada
NAMA :
NO BP :
HAIRUL CANDRA
112321085
PENERAPAN METODE ADAPTIVE NEURO FUZZY
INFERENCE SYSTEM (ANFIS) UNTUK MEMPREDIKSI
KEPUASAN PASIEN RAWAT JALAN
TERHADAP SISTEM PELAYANAN KESEHATAN
(STUDI KASUS PUSKESMAS DESA GEDANG SUNGAIPENUH)
Disetujui Untuk Diajukan Pada Ujian Akhir, Sidang Tertutup
Program Pasca Sarjana Magister Ilmu Komputer
Universitas Putra Indonesia YPTK Padang
MENYETUJUI
PEMBIMBING I
Dr. Ir. Gunadi Widi Nurcahyo, MSc
PEMBIMBING II
Dr. H. Sarjon Defit, MSc
-
7/23/2019 JurnalTesisHairulCandra
3/101
3
Telah Dinyatakan Lulus Ujian Tesis Pada Sidang Tertutup Program
Pascasarjana Magister Ilmu Komputer, Universitas Putra Indonesia YPTKPadang Pada Tanggal 19 Maret 2013 Dengan Hasil Sangat Baik.
Padang, 19 Maret 2013
Tim Penguji,
Penguji I :
Dr. H. Sarjon Defit, S.Kom., MSc.
Penguji II :
Dr. Ir. Gunadi Widi Nurcahyo, MSc.
Mengesahkan,
Direktur Program Pascasarjana
Universitas Putra Indonesia YPTK Padang
Dr. Ir. Gunadi Widi Nurcahyo, M.Sc
-
7/23/2019 JurnalTesisHairulCandra
4/101
4
Saya Menyatakan karya tesis ini adalah hasil kerja saya sendiri kecuali kutipan danringkasan buku dan jurnal yang masing-masing telah saya jelaskan sumbernya
Tanda tangan : .................................................
Nama Penulis : Hairul Candra
No BP : 112321085
Tanggal : 19 Maret 2013
-
7/23/2019 JurnalTesisHairulCandra
5/101
5
Sujud syukur kupanjatkan padaMu ya Allah atas keberhasilan ini, tiada keberhasilan yang
dapat kuraih tanpa Rahmat dan Hidayah Mu.
Tesis ini ku persembahkan kepada istri dan anandaku tercinta Nofear Mara Candra,
Pretty Roiyan Wilmara, dan Fabiyan Jannatan sebagai wujud terimakasih dan kasih sayangku
kepada mereka yang telah sabar menununggu. Dengan semangat dan dorongan yang mereka
berikan slalu menjadi motivasi bagi ku dalam menyelesaikan tesis ini.
Semoga tesis ini dapat menjadi pemicu semangat bagi mereka untuk meraih cita-citanya di masa
depan kelak, amin.
Karya ku ini tak luput dari do`a semua keluarga Besarku di Pengasi Baru Ayahnda tercinta
H.Abdullah Wali Mat Syah Karim Dept. Parwo, serta kerabat dan handai tolan terima kasih
atas do`anya.
Khusus teman-teman angkatan 18-C terima kasih atas semua bantuannya.
Terima kasih civitas akademika AMIK Depati Parbo Kerinci yang telah memberi bantuan
material dan spiritual.
-
7/23/2019 JurnalTesisHairulCandra
6/101
6
KATA PENGANTAR
Dengan mengucapkan puji syukur kehadirat Allah SWT, yang telah
memberikan kekuatan dan kesehatan serta hidayah-Nya kepada Penulis. Shalawat
beserta salam tidak lupa penulis ucapkan keharibaan Sri Baginda Rasulullah SAW
yang telah membawa umatnya dari jaman kegelapan menuju jalan yang terang
benderang penuh dengan ilmu pengetahuan, sehingga penulis dapat menyelesaikan
penulisan tesis ini dengan kesabaran dan keteguhan hati. Tidak lupa mengucapkan
terimaksih kepada semua pihak yang telah banyak membantu dalam menyelesaikan
tesis ini, antara lain :
1. H. Herman Nawas, Selaku Ketua Yayasan Perguruan Tinggi Komputer
YPTK Universitas Putra Indonesia Padang.
2. Dr. H. Sarjon Defit, S.Kom, M.Sc, Selaku Rektor Perguruan Tinggi
Komputer Universitas Putra Indonesia YPTK Padang sekaligus
Pembimbing II yang telah meluangkan waktu, perhatian dan ilmunya dalam
menyusun tesis ini sehingga tesis dapat terselesaikan dengan baik.
3. Dr. Ir. Gunadi Widi Nurcahyo, M.Sc, Selaku Direktur Pasca Sarjana
Universitas Putra Indonesia YPTK Padang yang memberikan kesempatan
kepada penulis untuk mengikuti Program Pasca Sarjana Magister Ilmu
Komputer dan sekaligus sebagai Pembimbing I yang telah meluangkan
waktu, perhatian dan membimbing penulis dalam menyusun tesis ini.
4. Seluruh Dosen, Program Magister Ilmu Komputer yang mendistribusikan
Pengetahuannya selama mengikuti Perkuliahan.
-
7/23/2019 JurnalTesisHairulCandra
7/101
7
5. Seluruh Pegawai dan Karyawan, Program Magister Ilmu Komputer dalam
layanan administrasi selama mengikuti perkuliahan.
6. Seluruh teman-teman, angkatan XVIII A,B,C,D Program Magister Ilmu
Komputer Universitas Putra Indonesia YPTK Padang yang sama-sama
berjuang mengikuti perkuliahan dan penyusunan tesis ini.
Akhirnya dengan segala kerendahan hati, penulis menyadari bahwa dalam
penulisan tesis ini masih banyak kekurangan dan kelemahan disebabkan berbagai
keterbatasan penulis. Oleh karena itu, penulis sangat berharap akan kritik dan saran
yang bersifat membangun dari pembaca demi kesempurnaan tesis ini sehingga dapat
lebih bermanfaat.
Padang, 19 Maret 2013
Penulis
-
7/23/2019 JurnalTesisHairulCandra
8/101
8
ABSTRAK
Tujuan utama dari penelitian ini adalah untuk menganalisa permasalahan kepuasan
pasien rawat jalan pada Puskesmas Desa Gedang Sungai Penuh. Responden yang
menjadi subjek dari penelitian ini berjumlah 20 orang. Penelitian menggunakan
survey, metode sampling dan kuesioner sebagai alat untuk mengumpulkan data.
Penelitian ini menggunakan metode Adaptive Neuro Fuzzy Inference System
(ANFIS). Data dianalisa menggunakan software MATLAB. Penelitian ini
menunjukkan hasil pelayanan seperti berikut: (1) Sangat Memuaskan (2) Memuaskan
(3) Sangat Tidak Memuaskan. Dengan memahami variable-variabel yangmempengaruhi tingkat kepuasan pasien, pihak manajemen akan mengetahui seberapa
pentingnya variable tersebut. Jadi, diharapkan mereka dapat memutuskan untuk
memelihara dan mengembangkannya dengan tujuan untuk mendapatkan kepuasan
pasien.
Kata Kunci : Reliability, Responsiveness,Assurance,Emphaty, Tangible, dan ANFIS.
-
7/23/2019 JurnalTesisHairulCandra
9/101
9
ABSTRACT
The main objective of this study was to analyze the problem of outpatient satisfaction
in Rural Health Center Desa Gedang Sungai Penuh. Respondents who are the
subject of this study amounted to 50 people. Research using surveys, sampling
methods and questionnaires as a tool to collect data. This study uses Adaptive
Neuro-Fuzzy Inference System (ANFIS). Data were analyzed using MATLAB
software. This study shows the results of the service as follows: (1) Very Good (2)
Satisfactory (3) Very Unsatisfactory. By understanding the variables that affect the
level of patient satisfaction, management will know how important the variable. So,
hopefully they can decide to maintain and develop it in order to obtain patient
satisfaction.Reserve Word : Reliability, Responsiveness,Assurance,Emphaty, Tangible, dan ANFIS.
-
7/23/2019 JurnalTesisHairulCandra
10/101
10
DAFTAR ISI
BAB JUDUL HALAMAN
HALAMAN JUDUL ............................................................................. i
PERSETUJUAN PEMBIMBING ....................................................... ii
HALAMAN PENGESAHAN ............................................................. iii
HALAMAN PERSETUJUAN ............................................................. iv
HALAMAN PENGAKUAN ................................................................ v
HALAMAN DEDIKASI ...................................................................... vi
HALAMAN PENGHARGAAN .......................................................... vii
ABSTRAK .................................................................................... viii
ABSTRACT .................................................................................... ix
DAFTAR ISI .................................................................................... x
DAFTAR TABEL ................................................................................. xiv
DAFTAR GAMBAR ............................................................................ xvi
I PENDAHULUAN
1.1 Latar Belakang ...................................................................... 1
1.2 Perumusan Masalah .............................................................. 4
1.3 Tujuan Penelitian ................................................................... 5
1.4 Batasan Masalah..................................................................... 6
1.5 Sistematika Penulisan ............................................................ 6
-
7/23/2019 JurnalTesisHairulCandra
11/101
11
II LANDASAN TEORI
2.1 Neural........................................................................... 8
2.2 Fuzzy ............................................................................. 9
2.2.1 Pengertian LogikaFuzzy.......................... 9
2.3 Neuro Fuzzy .................................................................. 10
2.4 Adaptif Neuro-Fuzzy Inference System (ANFIS) ....... 11
2.5 Proses Belajar ANFIS ................................................... 14
2.6 Struktur Sistem Peramalan Dengan ANFIS ................. 14
2.6.1 Teori Logika Fuzzy ............................................ 15
2.6.2 HimpunanFuzzy (Fuzzy Sets) ............................ 15
2.6.3 Fungsi Keanggotaan............................................ 17
2.6.4 Teori Fuzzy Sugeno ............................................ 22
2.6.5 Fuzzy C-Means (FCM) ....................................... 24
2.6.6 Algoritma FCM................................................... 24
2.7 Prediksi ......................................................................... 26
2.7.1Pengertian Prediksi............................................ 26
2.7.2Jenis Prediksi....................................................... 26
2.7.3Teknik Prediksi................................................. 27
2.7.4Validasi Prediksi................................................. 27
2.8 Kepuasan.. 29
2.9 Kepuasan Pasien.. 30
2.9.1. Faktor-Faktor Pendorong Kepuasan Pelanggan. 31
-
7/23/2019 JurnalTesisHairulCandra
12/101
12
2.9.2. Pengukuran Kepuasan Pelanggan.. 32
2.10 Identifikasi Kepuasan Pasien. 33
2.11 Skala Likert 35
2.12 KorelasiProduct Moment Pearson. 37
III METODOLOGI PENELITIAN
3.1 Pendahuluan ................................................................................... 38
3.2 Kerangka Kerja Penelitian ............................................................. 38
IV ANALISA DAN HASIL
4.1 Analisa Data .................................................................................. 44
4.1.1Analisis Predikasi Tingkat Kepuasan Pasien... 44
4.1.2 Analisa MetodeAdaptive Neuro Fuzzy Inference System.. 46
4.1.3 Mengelola Data Dengan ANFIS .. 47
4.1.4 Pengelompokan Data. 49
4.2 Analis Inpu/Output.... 68
V IMPLEMENTASI DAN PENGUJIAN
5.1 Implementasi.................................................................................. 70
5.1.1 Langkah Implementasi..... 70
5.1.2 Proses Fuzifikasi .. 74
5.1.2.1 VariabelInput............ 74
5.1.2.2 Variabel Output .............................................. 74
5.1.2.3Rule.. .......... 77
5.1.3 Pelatihan ANFIS .. 77
-
7/23/2019 JurnalTesisHairulCandra
13/101
13
5.2 Pengujian Pasca Training ANFIS.................................................. 79
5.3 Proses Defuzifikasi 80
VI KESIMPULAN DAN SARAN
6.1 Kesimpulan ...................................................................................... 87
6.2 Saran ................................................................................................ 88
DAFTAR PUSTAKA
-
7/23/2019 JurnalTesisHairulCandra
14/101
14
DAFTAR TABEL
TABEL JUDUL HALAMAN
2.1. Pedoman Untuk Memberikan Interpretasi Pada Koefisien Korelasi.. 17
2.2. Representasi Data Transaksi dalamDatabase Transaksional ........... 18
2.3. Format Tabular Data Transaksi ......................................................... 19
2.4. Calon 2Itemset .................................................................................. 20
2.5. Calon 3Itemset .................................................................................. 20
2.6. Calon Aturan Asosiasi dari F3 ........................................................... 21
2.7. Aturan Asosiasi .................................................................................. 22
2.8. Aturan Asosiasi Final ......................................................................... 23
4.1. Data Quesioner................................................................................... 45
4.2. Himpunan Fuzzy Dimensi Pelayanan ................................................ 47
4.3. Himpunan Fuzzy Kehandalan ............................................................ 48
4.4. Himpunan Fuzzy Daya Tanggap ........................................................ 48
4.5. Himpunan Fuzzy Kepastian ............................................................... 48
4.6. Himpunan Fuzzy Berwujud................................................................ 48
4.7. Himpunan Fuzzy Empati .................................................................... 48
4.8. Contoh Perhitungan Pusat Cluster ..................................................... 50
4.9. Detil Penghitungan Fungsi Obyektif ................................................. 52
4.10. Fungsi Objektif UntukClusterke-i .................................................. 52
4.11. Detil Penghitungan Derajat Keanggotaan Baru................................. 53
-
7/23/2019 JurnalTesisHairulCandra
15/101
15
4.12. Derajat Keanggotaan Tiap Data Pada Setiap Cluster Dengan FCM .. 55
4.13. Output Lapisan Pertama ..................................................................... 64
4.14. Output Lapisan Kedua dan Ketiga ..................................................... 65
4.15. Koefisien Parameter ........................................................................... 65
4.16. Output Lapisan Ke Empat dan Lima ................................................. 66
5.1. DataInputdan Output ...................................................................... 81
-
7/23/2019 JurnalTesisHairulCandra
16/101
16
DAFTAR GAMBAR
GAMBAR JUDUL HALAMAN
2.1. Komponen Neuron ................................................................. 9
2.2. Arsitektur Jaringan ANFIS .................................................... 12
2.3. KomponenFuzzy Logic Inference System ............................. 15
2.4. Representasi Kurva Bahu ....................................................... 16
2.5. Representasi Linier Naik ........................................................ 18
2.6. Representasi Linier Turun ...................................................... 19
2.7. Kurva Segitiga ........................................................................ 20
2.8. Kurva Travesium .................................................................... 21
2.9. Kurva Bentuk Lonceng .......................................................... 22
2.10. Inferensi Fuzzy Model Sugeno .............................................. 23
2.11. Diagram Konsep Kepuasan Pelanggan .................................. 31
2.12. Indikator Variabel Kepuasan Pasien ...................................... 35
3.1. Kerangka KerjaPenelitian ..................................................... 39
4.1. FlowchartTahapan Analisis ANFIS ...................................... 46
4.2. Variabel InputDan Output .................................................... 47
5.1. Tampilan Data Pada Editor Matlab ........................................ 71
5.2. Tampilan Menyimpan Data ................................................... 71
5.3. Tampilan Awal Editor ANFIS ............................................... 72
5.4. Memilih File Data .................................................................. 72
-
7/23/2019 JurnalTesisHairulCandra
17/101
17
5.5. Hasil Pelatihan (Training) ANFIS ......................................... 73
5.6. Setting Parameter Untuk Grid Partition Pada ANFIS ............ 74
5.7. Membership Function Sebelum Trainin................................. 75
5.8. Membership Function Output ................................................ 76
5.9. Rule FIS .................................................................................. 77
5.10. Hasil Training........................................................................ 78
5.11. Hasil Test FIS......................................................................... 79
5.12. Rule Viewer............................................................................ 80
5.13. Surface View........................................................................... 80
5.14. Memasukkan NilaiInputpadaRule Viewer........................... 82
5.15. Menyimpan Hasil ANFIS ...................................................... 82
5.16. Hasil PerintahReadfis ............................................................ 83
5.17. Hasil Outputdengan FungsiEvalfis....................................... 83
-
7/23/2019 JurnalTesisHairulCandra
18/101
18
BAB I
PENDAHULUAN
1.1Latar Belakang
Terwujudnya keadaan sehat adalah kehendak semua pihak. Tidak hanya oleh
orang per orang, tetapi juga oleh keluarga, kelompok dan bahkan masyarakat. Dalam
rangka mewujudkan status kesehatan masyarakat yang optimal, maka berbagai upaya
harus dilaksanakan, salah satu diantaranya adalah menyelenggarakan pelayanan
kesehatan. Penyelenggaraan pelayanan kesehatan untuk masyarakat di tingkat dasar di
Indonesia adalah melalui Pusat Kesehatan Masyarakat (Puskesmas) yang merupakan
unit organisasi fungsional Dinas Kesehatan Kabupaten/Kota dan diberi tanggung
jawab sebagai pengelola kesehatan bagi masyarakat tiap wilayah kecamatan dari
kabupaten/kota bersangkutan (Dewi Retno Indriaty, 2010).
Sebagai lembaga kesehatan yang bermisi meningkatkan derajat kesehatan
masyarakat, Puskesmas ini telah berperan dalam memelihara dan meningkatkan
derajat kesehatan masyarakat. Kepercayaan yang diberikan masyarakat dan
pemerintah terhadap Puskesmas tersebut adalah sebuah kehormatan sekaligus amanat
dan tugas berat yang harus dipikul dengan sungguh-sungguh dan hati penuh
keikhlasan, lebih-lebih dengan perkembangan ilmu dan teknologi dalam bidang
kesehatan maka Puskesmas ini dituntut ekstra keras berusaha dan meningkatkan
-
7/23/2019 JurnalTesisHairulCandra
19/101
19
profesionalisme dalam bekerja khususnya dalam memberikan pelayanan kesehatan
kepada para pasiennya.
Kualitas tingkat pelayanan terhadap kepuasan pasien merupakan suatu proses
yang komplet, sehingga pada akhirnya akan menyangkut manajemen puskesmas
secara keseluruhan. Maka konsep puskesmas perlu untuk selalu diperbarui dan
disempurnakan, sehingga dapat terwujud pelayanan kesehatan yang bermutu,
terjangkau, efektif, dan efisien, merata serta berkesenambungan. Sehingga dapat
dikatakan bahwa pada era globalisasi ini pemikiran ilmuan dan praktisi tertuju pada
bagaimana memberikan pelayanan yang berkualitas.
Pelayanan prima menjadi tuntutan masyarakat, sejalan dengan peningkatan
kebutuhan dan kesadaran dalam kehidupan bernegara dan bermasyarakat sebagai
imbas dari kemajuan teknologi informasi. Kualitas yang tinggi merupakan tuntutan,
tidak hanya dalam kegiatan bisnis namun juga dalam kegiatan pelayanan lembaga
pemerintah resisten terhadap tuntutan kualitas pelayanan public.
Pada penelitian ini masalah yang akan diteliti tentang tingkat kualitas
pelayanan jasa puskesmas, di sini peneliti akan memprediksi kepuasan atau
ketidappuasan pasien atas kualitas pelayanan yang diberikan oleh puskesmas dan
dapat dibuktikan dengan kuesioner yang akan dibagikan langsung kepada pasien
puskesmas.
Kepuasan pasien sangat tergantung pada kualitas pelayanan. Suatu pelayanan
dikatakan baik oleh pasien, ditentukan oleh kenyataan apakah jasa yang diberikan bias
memenuhi kebutuhan pasien, dengan menggunakan persepsi pasien tentang pelayanan
yang diterima (memuaskan atau mengecewakan, juga termasuk lamanya waktu
pelayanan). Kepuasan mulai dari penerimaan terhadap pasien dari pertama kali dating,
sampai pasien meninggalkan puskesmas. Pelayanan dibentuk berdasarkan 5 prinsip
-
7/23/2019 JurnalTesisHairulCandra
20/101
20
Service Quality yaitu kecepatan, ketepatan, keramahan dan kenyamanan layanan (
Wike Diah Anjaryani, 2009).
Prediksi puas atau tidaknya yang akan penulis lakukan adalah dengan
menggunakan bantuan metode Adaptive Neural Fuzzy Inference System (ANFIS)
guna mengatasi metode peneliti sebelumnya (statistic dan decision tree). Metode
ANFIS merupakan penggabungan antara metode sistem pengambilan keputusan fuzzy
(fuzzy inference system) dan mesin pembelajaran jaringan saraf tiruan (neural
network).
Dengan keunggulan sistem enferensi fuzzy yang dapat menerjemahkan
pengetahuan dari pakar dalam bentuk aturan-aturan serta pemodelan matematis,
meskipun memerlukan waktu lama untuk menetapkan fungsi keanggotaannya, namun
permasalahan nantinya akan tetap dapat teratasi (ANFIS dalam Anang Tjahyono dan
Prediksi nilai post test dalam Banon Tri Kuncahyo, 2012).
Meskipun penilitian ini ruang lingkupnya hanya puskesmas, tetapi sangat
mempunyai potensi yang baik meliputi potensi Sumber Daya Manusia, Manajemen
puskesmas dan pelayanannya, sehingga potensi yang dimiliki oleh Puskesmas Desa
Gedang Sungai Penuh dapat diterima oleh semua pasien yang berkunjung di
Puskesmas tersebut.
Berkaitan dengan hal tersebut di atas dan mengacu pada jurnal-jurnal
ilmiah yang dihimpan dari berbagai sumber maka penulis berkeinginan untuk
mengimplementasikan metode ANFIS dalam bentuk tesis dengan judul "
Penerapan Metode Adaptive Neuro Fuzzy Inference System(ANFIS)
Untuk Memprediksi Kepuasan Pasien Rawat Jalan Terhadap Sistem
Pelayanan Kesehatan (Studi kasus Puskesmas Desa Gedang
Sungaipenuh).
-
7/23/2019 JurnalTesisHairulCandra
21/101
21
1.2Perumusan MasalahBerdasarkan hal tersebut di atas penelitian memfokuskan pada
penerapan ANFIS untuk prediksi kepuasan pelayanan kesehatan pasien,
sehingga apa yang diinginkan dapat tercapai. Untuk itu pada masalah ini ada
beberapa hal yang dapat dirumuskan antara lain:
1. Bagaimana merancang model ANFIS untuk prediksi kepuasan
pelayanan kesehatan pasien?
2. Bagaimana membangun model sistem pelayanan pasien
berdasarkan parameter yang dibangun dengan sistem ANFIS?
3. Bagaimana menentukan parameter untuk memprediksi kepuasan
pelayanan kesehatan pasien?
4. Bagaimana merancang prediksi kepuasan pelayanan kesehatan
pasien guna menghasilkan peringkat yang lebih akurat?
1.3Tujuan PenelitianTujuan yang diharapkan dalam melakukan penelitian ini agar
penelitian ini bermamfaat nantinya adalah:
1. Mempelajari konsep dari Sistem ANFIS sebagai alat
pengambilan keputusan untuk memprediksi kepuasan
pelayanan, sehingga masalah yang terjadi selama ini dapat
teratasi.
2. Mengimplementasikan sistem atau aplikasi tersebut dengan
-
7/23/2019 JurnalTesisHairulCandra
22/101
22
tujuan agar di dalam pelaksanaan nantinya tidak menimbulkan
masalah, dan apabila terjadi masalah dapat teratasi sedini
mungkin.
3. Merancang, dalam perancangan sistem akan dilakukan beberapa
kegiatan yaitu prosesfuzzyfikasi yang dilakukan pada lapisan 1,sistem
inference fuzzy yang dilakukan pada lapisan 2 dan 3, dan defuzzyfikasi
yang dilakukan pada layer 4.
4. Membangun sistem yang akan digunakan nantinya sesuai
dengan apa yang elah dirancang.
5. Menguji, adalah tahapan pengujian sistem yang telah dibangun
dengan bantuan software Matlab dan merupakan proses yang
terakhir dari rangkaian dalam sistem ini.
1.4Batasan MasalahDengan adanya batasan masalah, dapat membantu penulis dalam
penelitian ini, sehingga penelitian dapat diarahkan, terkoordinir dan tidak
simpang siur. Adapun batasan masalahnya yang dilakukan pada penelitian ini
adalah:
1. Menentukan rule untuk mendapatkan hasil yang terbaik dalam
prediksi kepuasan layanan pasien.
2. Melakukan pengujian terhadap model yang telah dibangun dengan
dukungan software MATlab.
3. Pasien yang menjadi responden hanya terbatas pada pasien rawat jalan di
puskesmat tersebut. Sebagian besar atribut yang digunakan dalam penelitian
-
7/23/2019 JurnalTesisHairulCandra
23/101
23
ini diperoleh berdasarkan ketentuan khusus dari Dinas Kesehatan kepada
Puskesmas Desa Gedang dan terbatas dalam 5 dimensi kualitas jasa yaitu
reliability (keandalan), responsiveness (cepat tanggap), assurance (jaminan),
emphaty (empati), dan tangible (berwujud).
1.5Sistimatika PenulisanSistimatika peulisan pembahasan laporan tugas akhir ini adalah
sebagai berikut:1. Bab I Pendahuluan
Menguraikan latar belakang penyusunan tugas akhir dan
pembuatan aturan ANFIS, perumusan masalah, batasan masalah,
ruang lingkup, tujuan penelitian, dan sistematika penulisan.
2. Bab II Landasan TeoriMenguraikan teoriteori yang digunakan dalam tahaptahap
penyelesaian masalahmasalah sesuai dengan topik penelitian.
3. Bab III Metode PenelitianMenguraikan langkah-langkah atau tahapantahapan proses
yang akan dilakukan dalam penelitian.
4. Bab IV Analisa dan Perancangan SistemMenguraikan hasil analisa dan perancangan aturan ANFIS
yang akan digunakan pada implementasi dan pengujian.
5. Bab V Implementasi dan PengujianMelakukan Implementasi dan pengujian terhadap aturan
ANFIS yang telah ditetapkan.
6. Bab VI Penutup
-
7/23/2019 JurnalTesisHairulCandra
24/101
24
Menguraikan kesimpulan dari penyusunan tugas akhir dan
pembuatan aturan ANFIS serta saransaran untuk pengembangan.
BAB II
LANDASAN TEORI
2.1 Neural
Jaringan Syaraf Tiruan (artifical neural networks) atau disingkat JST adalah
sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang
sel syaraf biologi di dalam otak [Kristanto A., 2004 dalam Ferdinand Sinuhaji,
2009]. Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak
manusia yang selalu untuk mensimulasikan proses pembelajaran pada otak manusia
tersebut. Istilah buatan di sini digunakan karena jaringan syaraf ini
diimplementasikan dengan menggunakan program komputer yang mampu
menyelesaikan sejumlah proses perhitungan selama proses pembelajaran
[Kusumadewi S.,2003 dalam Ferdinand Sinuhaji, 2009].
Jaringan saraf tiruan (JST) (Bahasa Inggris: artificial neural network(ANN),
atau juga disebut simulated neural network (SNN), atau umumnya hanya disebut
neural network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang
dimodelkan berdasarkan jaringan saraf manusia. JST merupakan sistem adaptif yang
dapat merubah strukturnya untuk memecahkan masalah berdasarkan informasi
eksternal maupun internal yang mengalir melalui jaringan tersebut. Secara sederhana,
JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan
-
7/23/2019 JurnalTesisHairulCandra
25/101
25
untuk memodelkan hubungan yang kompleks antara input dan output untuk
menemukan pola-pola pada data (id.wikipedia.org dalam Abdul Sani Sembiring,
2012).
Neuron adalah unit yang berfungsi untuk memproses informasi yang
merupakan dasar dari operasi Jaringan Saraf Tiruan (JST). Gambar 2.1 menunjukkan
komponen dari neuron. Terdapat 3 elemen dasar dari neuron, yaitu :
1. Sinapsis yang menghubungkan antara neuron yang satu dengan neuron yang lain,
dimana setiap sinapsis memiliki bobot masing-masing.
2. Penjumlah atau adderbertugas menjumlahkan sinyal input yang telah diberi bobot
berdasarkan bobot pada sinapsis neuron tersebut.
Fungsi aktivasi yang digunakan untuk membatasi keluaran dari sebuah neuron.
Gambar 2.1: Komponen Neuron
2.2 Fuzzy
2.2.1 Pengertian Logika Fuzzy
Fuzzy secara bahasa diartikan sebagai kabur atau samar-samar. Suatu nilai
dapat bernilai benar atau salah secara bersamaan. DalamFuzzy dikenal derajat
-
7/23/2019 JurnalTesisHairulCandra
26/101
26
keanggotaan yang memiliki rentang nilai 0 (nol) hingga 1(satu). Berbeda dengan
himpunan tegas yang memiliki nilai 1 atau 0 (ya atau tidak) .
Logika Fuzzy merupakan seuatu logika yang memiliki nilai kekaburan
atau kesamaran (Fuzzy ness) antara benar atau salah. Dalam teori logikaFuzzy
suatu nilai bisa bernilai benar atau salah secara bersama. Namun berapa besar
keberadaan dan kesalahan suatu tergantung pada bobot keanggotaan yang
dimilikinya. LogikaFuzzy digunakan untuk menterjemahkan suatu besaran yang
diekspresikan menggunakan bahasa (linguistic), misalkan besaran kecepatan laju
kendaraan yang diekspresikan dengan pelan, agak cepat, cepat, dan sangat cepat. Dan
LogikaFuzzy menunjukan sejauh mana suatu nilai itu benar dan sejauh mana suatu
nilai itu salah. Tidak seperti Logika klasik crisp / tegas, suatu nilai hanya mempunyai
dua kemungkinan yaitu merupakan suatu anggota himpunan atau tidak. Derajat
keanggotaan 0 (nol) artinya nilai bukan merupakan anggota himpunan dan 1
(satu) berarti nilai tersebut adalah anggota himpunan.
Logika Fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang
input kedalam suatu ruang output, mempunyai nilai kontinyu. Fuzzy dinyatakan
dalam derajat dari suatu keanggotaan dan derajat dari kebenaran. Oleh sebab
itu sesuatu dapat dikatakan sebagian benar dan sebagian salah pada waktu yang sama
(Zadeh, L.A. 1972 dalam Banon Tri Kuncahyo, 2012).
2.3 Neuro-Fuzzy
Menurut Jang (1997:1,458 dalam Anang Tjahjono, 2010), Neuro-Fuzzy
adalah merupakan penggabungan kemampuan jaringan neuraldan sistemfuzzy.
Menurut Rahmat (2000:6 dalam Anang Tjahjono, 2010) ada dua macam
neuro-fuzzy yaitu:
-
7/23/2019 JurnalTesisHairulCandra
27/101
27
a. Adaptive Neuro-Fuzzy Inference System (ANFIS)
b. Modified Adaptive Neuro-Fuzzy Inference System (Mod_ANFIS)
Sistem neuro-fuzzy yang digunakan pada tugas akhir ini berstruktur ANFIS.
Termasuk dalam kelas jaringan neural namun berdasarkan fungsinya sama dengan
sistem inferensi fuzzy.
2.4 Adaptif Neuro-Fuzzy Inference System (ANFIS)
Adaptive Neuro-Fuzzy Inference System (ANFIS) adalah penggabungan
mekanisme fuzzy inference system yang digambarkan dalam arsitektur jaringan
syaraf. Sistem inferensi fuzzy yang digunakan adalah sistem inferensi fuzzy model
Tagaki-Sugeno-Kang (TSK) orde satu dengan pertimbangan kesederhanaan dan
kemudahan komputasi.
Untuk menjelaskan arsitektut ANFIS, disini diasumsikan fuzzy inference
sistem (FIS) hanya mempunyai dua input, x dan y, serta satu output yang
dilambangkan z. Pada model sugeno orde satu, himpunan aturan menggunakan
kombinasi linier dari input-input yang ada, dapat diekspresikan sebagai berikut
(Artikel Abdul Sani Sembiring, 2012 dan Taylan, O, & Karagozoglu, B. 2009 dalam
Banon Tri Kuncahyo, 2012) :
IF x is A1 AND y is B1 THEN f1 = p1x + q1y + r1
IF x is A2 AND y is B2 THEN f2= p2x + q2y + r2.
ANFIS adalah jaringan Neural-Fuzzy yang terdiri dari atas lima lapisan dan
setiap lapisan terdapat node. Terdapat dua macam node yaitu node adaptif (bersimbol
kotak) artinya paramater bisa berubah dengan proses pembelajaran dan node tetap
(bersimbol lingkaran).
-
7/23/2019 JurnalTesisHairulCandra
28/101
-
7/23/2019 JurnalTesisHairulCandra
29/101
29
(2)
Di mana:
{ai, bi, ci} : himpunan parameter.
(x) : Derajat Keanggotaan
2. Lapisan 2:
Setiap simpul pada lapisan ini adalah simpul nonadaptif.
Outputnya merupakan perkalian dari semua input yang masuk pada lapisan ini
O2,i = wi = Ai(x) . Ai-2(y), i = 1,2,,n (3)
Tiap keluaran simpul menyatakan derajat pengaktifan (firing
strength) tiap aturan fuzzy. Banyaknya simpul pada lapisan ini
menunjukkan banyaknya aturan yang dibentuk.
3. Lapisan 3 :
Untuk node yang terdapat pada layer ke-3, dan memiliki label N.
Dimana N mengidentifikasikan dilakukanya normalisasi terhadap output dari
layer ke-2, output dari lapyer ini adalah
(4)
Apabila dibentuk lebih dari 2 aturan, fungsi dapat diperluas dengan membagi
dengan jumlah total W untuk semua aturan.
4. Lapisan 4:
Setiap simpul pada lapisan ini adalah simpul adaptif dengan fungsi simpul :
(5)
Wi
O3,i = Wi = , i = 1,2W1 + W2
O4,i = wifi = wi (pix + qiy + ri)
-
7/23/2019 JurnalTesisHairulCandra
30/101
30
dengan Wi adalah bobot yang dinormalkan dari lapisan 3 dan {pi, qi, ri}
menyatakan parameter konsekuen yang adaptif.
5. Lapisan 5 :
Fungsi lapisan ini adalah untuk menjumlahkan semua masukan. Fungsi
simpul :
(6)
Jaringan adaptif dengan lima lapisan diatas ekivalen dengan sistem inferensi
fuzzy Takagi-Sugeno-Kang (TSK) atau yang lebih dikenal dengan sugeno (R.V. Hari
Ginardi, Isye Arieshanti, 2012).
2.5 Proses Belajar ANFIS
Menurut Jang(1997:340 dalam Anang Tjahjono, 2010) ANFIS dalam
kerjanya mempergunakan algoritma hibrida yaitu menggabungkan metode
Least_Squares Estimator(LSE) danError Back-Propagation (EBP).
Pada lapisan ke-1 parameternya merupakan parameter dari fungsi
keanggotaan himpunan fuzzy sifatnya non-linier terhadap keluaran system. Proses
belajar pada parameter ini menggunakan metode EBP untuk memperbaharui nilai
parameternya. Sedangkan pada lapisan ke-4, parameter merupakan parameter linier
terhadap keluaran sistem, yang menyusun basis kaidah fuzzy. Proses belajar untuk
memperbaharui parameter di lapisan ini menggunakan metode LSE.
2.6 Struktur Sistem Peramalan Dengan ANFIS
wifi
O5,i = wifi =
wifi
-
7/23/2019 JurnalTesisHairulCandra
31/101
31
Untuk proses peramalan kepuasan pasien rawat jalan sesuai Tugas Akhir ini
digunakan arsitektur ANFIS 1 masukan dan 1 keluaran. Pada peramalan dengan
metode ANFIS terbagi menjadi 3 proses yaitu: proses Inisialisasi awal, proses
pembelajaran (learning), dan proses peramalan. Penentuan periode input dan periode
training dilakukan saat inisialisasi awal dimana tiap-tiap periode input memiliki pola
ataupattern yang berbeda. Data yang digunakan untuk proses pembelajaran (traning)
terdiri dari data input, parameter ANFIS, dan data test yang berada pada periode
traning ANFIS.
2.6.1 Teori Logika Fuzzy
Logika fuzzy menyatakan bahwa logika benar dan salah dalam logika
konvensional tidak dapat mengatasi masalah gradasi yang ada pada dunia nyata.
Tidak seperti logika Boolean, logika fuzzy mempunyai nilai yang kontinyu. Tingkat
fuzzy dinyatakan dalam derajat keanggotaan dan derajat kebenaran. Oleh sebab itu
dinyatakan bahwa sebuah kondisi bisa bernilai sebagian benar dan sebagian salah
pada waktu yang sama (Zadeh, L. A. 1972 dalam Banon Tri Kuncahyo, 2012).
Umumnya, sistem FL terdiri dari komponen fuzzification, inference system
dan defuzzification. Hubungan di antara mereka yang ditunjukkan pada Gambar 2.2
(S.Shamshirband, S. Kalantari and Z. Bakhshandeh, 2010).
2.6.2 Himpunan Fuzzy (Fuzzy Sets)
Himpunan fuzzy (fuzzy set) adalah sekumpulan obyek x dimana masing-
masing obyek memiliki nilai keanggotaan (membership function) atau disebut
juga dengan nilai kebenaran. Jika X adalah sekumpulan obyek dan anggotanya
dinyatakan dengan x maka himpunan fuzzy dari A di dalam X adalah himpunan
-
7/23/2019 JurnalTesisHairulCandra
32/101
32
dengan sepasang anggota atau dapat dinyatakan dengan (Kusumadewi, Sri. 2002
dalam Banon Tri Kuncahyo, 2012):
= { A() | X, ( )[0,1]R} (7)
Contoh, jikaA = bilangan yang mendekati 10 dimana :
A = {(x, A(x)) | A(x ) = (1+(x-10)2)-1}
A = {(0, 0.01),,(5, 0.04),,(10, 1),,(15, 0.04),}
Ada beberapa hal yang perlu diketahui dalam sistem fuzzy, yaitu (Kusumadewi, Sri.
2002 dalam Banon Tri Kuncahyo, 2012):
1. Variabel fuzzy
Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem
fuzzy. Contoh: umur, temperatur, permintaan, dan lain-lain.
2. Himpunan fuzzy
Himpunan fuzzy merupakan suatu grup yang memiliki suatu kondisi atau
keadaan tertentu dalam suatu variabel fuzzy. Contoh: Variabel temperatur terbagi
menjadi 5 himpunan fuzzy, yaitu: DINGIN, SEJUK, NORMAL, HANGAT dan
PANAS.
Bahu Bahu
Kiri Temperatur Kanan
DINGIN SEJUK NORMAL HANGAT PANAS
Derajat Keanggotaan
(x)
0 0 28 40
Temperatur (0C)
Gambar 2.4 Representasi Kurva Bahu
3. Semesta Pembicaraan
-
7/23/2019 JurnalTesisHairulCandra
33/101
33
Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk
dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan
bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan
atau sebaliknya. Nilai semesta pembicaraan dapat berupa bilangan positif maupun
negatif. Contoh semesta pembicaraan:
a. Semesta pembicaraan untuk variabel umur: [0 +]
b. Semesta pembicaraan untuk variabel temperatur: [0 40]
4. Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diizinkan dan boleh
dioperasikan dalam suatu himpunan fuzzy. Semesti halnya semesta pembicaraan,
domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara
monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun
negatif. Contoh domain himpunan fuzzy:
a. DINGIN = [0, 20]
b. SEJUK = [15, 25]
c. NORMAL = [20, 30]
d. HANGAT = [25, 35]
e. PANAS = [30, 40].
2.6.3 Fungsi Keanggotaan
Ada dua cara mendefenisikan keanggotaan himpunan fuzzy,yakni sebagai
berikut:
1. Secara numeris
-
7/23/2019 JurnalTesisHairulCandra
34/101
34
Menyatakan derajat fungsi keanggotaan suatu himpunan fuzzy sebagai vector
bilangan yang dimensinya tergantunng pada level diskretisasi (cacah elemen
diskret didalam semesta).
2. Secara fungsional
Menyatakan fungsi keanggotaan suatu himpunan fuzzy dalam ekspresi analitis
yang memungkinkan derajat keanggotaan dalam setiap elemen dapat dihitung di
dalam setiap wacana yang didefenisikan.
2.6.4 Teori Fuzzy Sugeno
Penalaran dengan metode Sugeno hampir sama dengan penalaran Mamdani,
hanya saja output (konsekuen) sistem tidak berupa himpunan Fuzzy , melainkan
berupa konstanta atau persamaan linear. Michio Sugeno mengusulkan penggunaan
singleton sebagai fungsi keanggotaan dari konsekuen. Singleton adalah sebuah
himpunan Fuzzy dengan fungsi keanggotaan yang pada titik tertentu mempunyai
sebuah nilai 1 dan 0 di luar titik tersebut.
Ada 2 modelFuzzy dengan metode Sugeno yaitu sebagai berikut:
1. ModelFuzzy Sugeno Orde-Nol
Secara umum bentuk modelFuzzy Sugeno Orde Nol adalah:
IF (x1 is A1) o (x2 is A2) o (x3 is A3) o o (xN is AN) THEN z=kdenganAi
adalah himpunan Fuzzy ke-I sebagai antesenden, dan k adalah suatu
konstanta (tegas) sebagai konsekuen.
2. ModelFuzzy Sugeno Orde-Satu
Secara umum bentuk modelFuzzy Sugeno Orde-Satu adalah:
IF (x1 is A1) o o (xN is AN) THEN z = p1*x1+ + pN*xN+q dengan Ai
adalah himpunan Fuzzy ke-i sebagai antesenden, dan pi adalah suatu
konstanta (tegas) ke-i dan q juga merupakan konstanta dalam konsekuen.
-
7/23/2019 JurnalTesisHairulCandra
35/101
35
2.6.5 Fuzzy C-Means (FCM)
Fuzzy clusteringadalah salah satu teknik untuk menentukan cluster optimal
dalam suatu ruang vektor yang didasarkan pada bentuk normal Euclidian untuk jarak
antar vektor. Fuzzy clusteringsangat berguna bagi pemodelan fuzzy terutama dalam
mengidentifikasi aturan-aturan fuzzy. Ada beberapa algoritma clusteringdata, salah
satu diantaranya adalah Fuzzy C-Means atau sering disingkat FCM (Sri Kusumadewi
2002, dalam Nur Endah Sari. dkk. 2011).
Fuzzy C-Means (FCM) adalah suatu teknik pengclusteran data yang mana
keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat
keanggotaan. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun
1981.
Konsep dasar FCM, pertama kali adalah menentukan pusat clusteryang akan
menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat clusterini
masih belum akurat. Tiap-tiap data memiliki derajat keanggotaan untuk tiap-tiap
cluster. Dengan cara memperbaiki pusat clusterdan nilai keanggotaan tiap-tiap data
secara berulang, maka dapat dilihat bahwa pusat cluster akan menuju lokasi yang
tepat. Perulangan ini didasarkan pada minimasi fungsi obyektif yang
menggambarkan jarak dari titik data yang diberikan ke pusat cluster yang terbobot
oleh derajat keanggotaan titik data tersebut (Eko Sediyono, et al. 2006).
2.6.6 Algoritma FCM
Dalam algoritma Fuzzy C-Means, input data yang akan di cluster berupa
matriks X berukuran n x m (n = jumlah sampel data dan m = atribut setiap data). Xij
= data sampel ke-i (i= 1, 2, , n), atribut ke-j (j = 1, 2, ..., m). Algoritma yang akan
-
7/23/2019 JurnalTesisHairulCandra
36/101
36
digunakan untuk menyelesaikan permasalahanfuzzyclusteringdengan menggunakan
metode Fuzzy C-Means adalah sebagai berikut:
1. Tetapkan:
Jumlah cluster = c ( 2).
Pangkat pembobot = w (> 1)
Maksimum iterasi = MaxIter
Errorterkecil yang diharapkan =
Fungsi obyek awal = P0 = 0
Iterasi awal = t = 1
2. Bentuk matriks partisi awal, U0, dibuat secara random dengan syarat jumlah tiap
kolom harus bernilai satu.
(4)
3. Hitung pusat cluster, V, tiap cluster:
(5)
Dengan :
Vij = pusat cluster
ik= derajat keanggotaan titik ke-k di cluster ke-i
w = pangkat pembobot
x = data masukan ke-k
4. Hitung fungsi obyektif pada iterasi ke-t
(6)
5. Update derajat keanggotan
-
7/23/2019 JurnalTesisHairulCandra
37/101
-
7/23/2019 JurnalTesisHairulCandra
38/101
-
7/23/2019 JurnalTesisHairulCandra
39/101
39
Xt :Nilai aktual pada periode ke t
Ft :Nilai Peramalan pada periode ke t
N :Jumlah data
Xt-Ft :Nilai Kesalahan (error) pada periode ke t
RMSE adalah metode untuk mengevaluasi teknik peramalan. Akar kuadrat
dari hasil masing-masing kesalahan (selisih data aktual dengan data peramalan
dikuadratkan kemudian dijumlahkan kemudian dibagi dengan jumlah data).
2. Mean Absolute Percentage Error ( MAPE)
Nilai tengah kesalahan presentase absolute atau Mean Absolute Percentage
Error(MAPE), dengan persamaan:
(13)
Keterangan:
Xt = nilai aktual periode t
Ft = nilai peramalan pada periode t
XtFt = nilai kesalahan peramalan (eror)
n = jumlah data
MAPE merupakan presentase yang dihitung dari nilai absolut kesalahan di
masing-masing periode dan dibagi dengan nilai data aktual periode tersebut
kemudian dicari rata-rata kesalahan.
2.8 Kepuasan
n
MAPE = (XtFt)t=1 X1
n
100
-
7/23/2019 JurnalTesisHairulCandra
40/101
40
Kepuasan atau satisfaction berasal dari bahasa Latin satis (artinya cukup
baik, memadai) dan facto (melakukan atau membuat), sehingga secara sederhana
dapat diartikan sebagai upaya pemenuhan sesuatu (Edwardson, 1998 dalam Wardani,
2004:
Menurut Kotler (2000) dalam Indah Setyawati, S.KM. (2009) menyatakan
bahwa kepuasan pelanggan adalah tingkat keadaan perasaan seseorang yang
merupakan hasil perbandingan antara penilaian kinerja/hasil akhir produk dalam
hubungannya dengan harapan pelanggan.
Menurut R. Oliver (2003:31), kepuasan adalah respon pemenuhan dari
konsumen. Kepuasan adalah hasil penilaian konsumen bahwa produk atau pelayanan
telah memberikan tingkat kenikmatan dimana tingkat pemenuhan ini dapat lebih
ataupun kurang.
2.9 Kepuasan PasienKepuasan pasien tergantung pada kualitas pelayanan. Pelayanan adalah
semua upaya yang dilakukan karyawan untuk memenuhi keinginan pelanggannya
dengan jasa yang akan diberikan. Suatu pelayanan dikatakan baik oleh pasien,
ditentukan oleh kenyataan apakah jasa yang diberikan bisa memenuhi kebutuhan
pasien, dengan menggunakan persepsi pasien tentang pelayanan yang diterima
(memuaskan atau mengecewakan, juga termasuk lamanya waktu pelayanan).
Kepuasan dimulai dari penerimaan terhadap pasien dari pertama kali datang,
sampai pasien meninggalkan rumah sakit (puskesmas). Pelayanan dibentuk
berdasarkan 5 prinsip Service Quality yaitu kecepatan, ketepatan, keramahan,
kepekaan dan kenyamanan layanan.
Ketidakpuasan pasien diartikan sama dengan keluhan terhadap puskesmas
atau rumah sakit, berikut pelayanan yang dilakukan oleh tenaga kesehatannya
-
7/23/2019 JurnalTesisHairulCandra
41/101
-
7/23/2019 JurnalTesisHairulCandra
42/101
-
7/23/2019 JurnalTesisHairulCandra
43/101
43
1. Pengukuran dilakukan secara langsung melalui interview dengan menggunakan
kuesioner kepada pasien.
2. Kuesioner berisikan pertanyaan-pertanyaan dengan menggunakan skala ordinal
mengenai harapan dan kinerja yang terkait dengan atribut yang ada. Untuk
tingkat harapan terdiri dari sangat tidak penting, tidakpenting, penting,
dan sangat penting. Untuk tingkat kenyataan(kinerja) terdiri dari sangat tidak
baik, tidak baik, baik, dan sangatbaik.
3. Responden diminta menilai seberapa besar harapan mereka terhadap suatu atribut
tertentu dan seberapa besar yang mereka rasakan terhadap atribut tersebut.
4. Responden diminta merangking elemen atau atribut penawaran dari pertanyaan-
pertanyaan yang ada berdasarkan derajat kepentingan setiap elemen dan seberapa
baik kinerja perusahaan pada masing-masing elemen.
2.10 Identifikasi Kepuasan Pasien
Indikator variabel kepuasan pelanggan yang dilakukan Puskesmas Desa Gedang
Sungai Penuh adalah sebagai berikut:
1. Kepuasan Terhadap Layanan Medis
Kebijakan yang di lakukan Puskesmas Desa Gedang Sungai Penuh terkait dengan
kepuasan terhadap layanan medis adalah penggunaan standar terapi yang valid dan up to
date, penerapanpatient safety sebagai budaya layanan medis dengan mengutamakan hak
dan kenyamanan pasien dalam setiap kebijakan tindakan medis yang akan dilakukan.
2. Kepuasan Terhadap Fasilitas Layanan Penunjang Medis
Kebijakan yang dilakukan Puskesmas Desa Gedang Sungai Penuh terkait dengan
kepuasan terhadap fasilitas penunjang medis adalah adanya disediakannya fasilitas
penunjang medis seperti; Laboratorium, Rontgen, Instalasi Farmasi, Rekam Medis.
Penggunaan alatalat penunjang medis yang terkalibrasi secara akurat menjamin hasil
-
7/23/2019 JurnalTesisHairulCandra
44/101
44
pemeriksaan penunjang yang akurat, hal ini sangat berpengaruh terhadap kebijakan
layanan medis yang akan dilakukan terhadap pasien. Ketersediaan obat di Instalasi
Farmasi sesuai standar terapi rumah sakit.
3. Kepuasan Terhadap Fasilitas Layanan Umum
Kebijakan yang dilakukan Puskesmas Desa Gedang Sungai Penuh terkait dengan
kepuasan terhadap fasilitas umum adalah disediakan karyawan cleaning service yang
setiap hari selalu membersihkan lingkungan fisik rumah sakit. Parkir yang luas, adanya
ruang tunggu yang nyaman. Puskesmas Desa Gedang Sungai Penuh juga merenovasi tata
letak (layout) agar lebih nyaman dan mudah diakses sesuai kebutuhan pasien dan
pengunjung lainnya.
4. Kepuasan Terhadap Layanan Administrasi
Kebijakan yang di lakukan Puskesmas Desa Gedang Sungai Penuh terkait dengan
kepuasan terhadap layanan administrasi adalah penentuan tarif layanan yang kompetitif
dan pasti serta informasi yang jelas tentang tatacara layanan rawat jalan, informasi
namanama dokter dan hari / jam praktek. Penentuan kesepakatan cara pemenuhan
kewajiban administratif dan pembayaran yang dilakukan bersama pasien sejak awal
layanan.
5. Kepuasan Terhadap Sikap Karyawan
Kebijakan yang dilakukan Puskesmas Desa Gedang Sungai Penuh terkait dengan
kepuasan terhadap sikap karyawan adalah Puskesmas Desa Gedang Sungai Penuh
memberikan kesempatan pada pasien atau keluarga pasien untuk memberikan penilaian
terhadap pelayanan yang diberikan karyawan pasca pelayanan medis. Selain itu
Puskesmas Desa Gedang Sungai Penuh menyediakan bagian informasi yang selalu siap
-
7/23/2019 JurnalTesisHairulCandra
45/101
-
7/23/2019 JurnalTesisHairulCandra
46/101
46
terhadap hasil hanya dapat dibuat rangking tanpa dapat diketahui berapa besarnya
selisih antara satu tanggapan ke tanggapan lainnya.
Responden diminta untuk menjawab tingkat harapan (importance) pada tiap
atribut kualitas pelayanan dengan memberi bobot sebagai berikut:
a) 1 untuk jawaban sangat tidak penting
b) 2 untuk jawaban tidak penting
c) 3 untuk jawaban penting
d) 4 untuk jawaban sangat penting
Responden dinyatakan tingkat kenyataan atau kinerja (performance) pada
atribut-atribut kualitas pelayanan yang sama dengan memberikan bobot sebagai
berikut:
a) 1 untuk jawaban sangat tidak setuju
b) 2 untuk jawaban tidak setuju
c) 3 untuk jawaban setuju
d) 4 untuk jawaban sangat setuju
Pada penulisan inin sendiri menggunakan pilihan jawaban dan nilai jawaban
responden sebagi berikut:
Besar Bobot dan Kategori
Penilaian Bobot
Kategori
1
2
3
4
5
Sangat Tidak Puas (STP)
Tidak Puas (TP)
Cukup Puas (CP)
Puas (P)
Sangat Puas (SP)
Menurut Freedy Rangkuty, 2002 dalam Khairunnisa Rizkiani, 2011, langkah-
langkah dalam mengerjakan metode Skala Likert adalah:
-
7/23/2019 JurnalTesisHairulCandra
47/101
-
7/23/2019 JurnalTesisHairulCandra
48/101
-
7/23/2019 JurnalTesisHairulCandra
49/101
49
Pada bab ini juga akan diuraikan metodologi penelitian dan kerangka kerja
penelitian. Kerangka kerja ini merupakan langkah-langkah yang akan dilakukan
dalam penyelesaian masalah yang akan dibahas. Adapun kerangka kerja penelitian
ini dapat digambarkan pada gambar 3.1 berikut:
Gambar 3.1 Kerangka Kerja (Frame Work) Penelitian
Berdasarkan kerangka kerja pada gambar 3.1 maka masing-masing
langkahnya dapat diuraikan seperti berikut ini :
1. Mendefenisikan Ruang Lingkup Masalah
Pada tahap ini akan didefinisikan ruang lingkup permasalahan dan
dirumuskan masalah yang akan diteliti dan batasan masalah yang akan diteliti
agar gambarannya jelas dan bahasan tidak melebar sesuai dengan topik dalam
hal ini yaitu tentang ANFIS untuk prediksi kepuasan pasien terhadap
pelayanan puskesmas berdasarkan analisis pelayanan pasien dengan alat
bantu matlab toolbox, maka akan didapat suatu solusi yang terbaik dari
-
7/23/2019 JurnalTesisHairulCandra
50/101
50
masalah tersebut. Jadi langkah pertama ini adalah langkah awal yang
terpenting dalam penulisan ini.
2. Langkah analisisa permasalahan adalah langkah untuk dapat memahami
masalah yang telah ditentukan pada ruang lingkup atau batasannya. Dengan
menganalisa masalah yang telah ditentukan tersebut, maka diharapkan
masalah dapat dipahami dengan baik dan penyelesaian bisa diperoleh dengan
maksimal dan dengan metode yang cocok. Teknik analisisa yang digunakan
dapat dilakukan dengan beberapa tahap berikut:
a. tahap identify yaitu: mengidentifikasi permasalahan yang terjadi,
b. tahap understandyaitu: memahami lebih lanjut tentang permasalahan
yang ada dengan cara melakukan pengumpulan data yang dibutuhkan,
c. tahap analyze yaitu: mencari kelemahan-kelemahan sistem yang ada
dan mengumpulkan informasi tentang kebutuhan-kebutuhan lebih
lanjut tentang harapan pasien.
Masalah yang dihadapi pada Puskesmas Desa Gedang Sungai Penuh
adalah dalam melakukan penilaian kepuasan yang dilakukan oleh Puskesmas
untuk memprediksi kepuasan pasien terhadap pelayanan yang diberikan.
Pelayanan ini sangat perlu baik bagi pasien maupun Puskesmas. Prediksi yang
tidak akurat akan berdampak negative bagi pihak Puskesmas ataupun pasien.
3. Menentukan Tujuan
Berdasarkan pemahaman dari masalah, maka ditentukan tujuan yang
akan dicapai dari penulisan ini. Pada tujuan ini ditentukan target yang akan
dicapai, terutama yang dapat mengatasi masalah-masalah yang ada.
4. Mempelajari Literatur yang berkaitan dengan judul
-
7/23/2019 JurnalTesisHairulCandra
51/101
-
7/23/2019 JurnalTesisHairulCandra
52/101
-
7/23/2019 JurnalTesisHairulCandra
53/101
-
7/23/2019 JurnalTesisHairulCandra
54/101
-
7/23/2019 JurnalTesisHairulCandra
55/101
-
7/23/2019 JurnalTesisHairulCandra
56/101
56
198 8 8 8 9 8.2
202 2 3 8 2 3.4
Sumber: Hasil questioner di Puskesmas Desa Gedang Sungai Penuh.
c. Pemerosesan Data
Berdasarkan data-data di atas, pemodelan prediksi menghasilkan 3 (tiga)
parameter yaitu:
1. Sangat Tidak Puas, direpresentasikan dengan angka 2 berarti Sangat Tidak
Setuju.
2. Puas, direpresentasikan dengan 2 angka 6 bearti Setuju
3. Sangat Puas, direpresentasikan dengan angka > 6 berarti Sangat Setuju.
4.1.2 Analisa Metode Adaptive Neuro Fuzzy Inference System (ANFIS)Permasalahan yang akan diselesaikan adalah membuat suatu prediksi yang
dapat meramalkan tingkat kepuasan pasien jangka pendek, menengah ataupun jangka
panjang. Langkah-langkah yang dilakukan untuk memprediksi tingkat kepuasan
dengan metode Adaptive Neuro Fuzzy Inference System (ANFIS) terlihat pada
flowchartberikut:
Start
Data di-cluster denan
algoritma FCM
Menghimpun data
Stop
Perhitungan Mean dan
Standar deviasi
Perhitungan dengan
Metode ANFIS
Perhitungan dengan
MAPE
-
7/23/2019 JurnalTesisHairulCandra
57/101
-
7/23/2019 JurnalTesisHairulCandra
58/101
-
7/23/2019 JurnalTesisHairulCandra
59/101
-
7/23/2019 JurnalTesisHairulCandra
60/101
-
7/23/2019 JurnalTesisHairulCandra
61/101
-
7/23/2019 JurnalTesisHairulCandra
62/101
62
Tabel 4.9 Detil Penghitungan Fungsi Obyektif
Data
ke-
Cluster 1 Cluster 2
(Xi1-Vi1)2
(Xi2-Vi1)2
Total (Xi1-Vi2)2
(Xi2-Vi2)2
Total
1 8 2 10 1 4 4
2 11 2 13 2 4 5
3 8 2 10 1 4 4
4 8 2 10 1 3 4
5 13 1 14 2 2 5
6 8 1 10 1 2 3
7 7 1 8 0 1 2
8 12 2 14 2 3 6
9 9 1 10 1 1 2
10 10 2 12 1 3 5
11 12 2 14 2 3 5
12 11 2 13 2 3 5
13 10 1 11 1 2 3
14 10 2 12 1 3 4
15 11 1 13 2 2 4
16 12 0 12 2 1 3
17 7 1 9 0 3 3
18 12 1 13 2 2 4
19 11 2 12 2 3 4
20 7 1 9 1 2 3
Tabel 4.10: Fungsi Objektif UntukCluster ke-i
i
Cluster 1 Cluster 2
P Cluster(Xij-Vkj)2
(i1)2
P (Xij-Vkj)2
(i1)2
P
1 9 0.7327 10.1208 3.6902 0.0048 3.70 13.8158
2 13 0.0864 13.2343 3.5344 0.0121 3.55 16.7808
3 9 0.7140 10.1697 3.9244 0.0001 3.92 14.0941
4 10 0.5991 10.4964 3.0102 0.0650 3.08 13.5716
5 15 0.0005 15.1871 2.1638 0.2694 2.43 17.6203
6 10 0.5402 10.6845 2.4211 0.1884 2.61 13.2939
7 9 0.8010 9.9517 1.4762 0.6006 2.08 12.0285
8 14 0.0132 14.4913 3.4484 0.0177 3.47 17.9574
-
7/23/2019 JurnalTesisHairulCandra
63/101
-
7/23/2019 JurnalTesisHairulCandra
64/101
-
7/23/2019 JurnalTesisHairulCandra
65/101
65
U14=
g. Dari nilai tersebut di atas, didapat kecenderungan masuk cluster data
pelatihan sebagai berikut:
Tabel 4.12: Derajat Keanggotaan Tiap Data
Pada Setiap Cluster Dengan FCM
DataKe- X1 X5
Derajat keanggotaan () data
padacluster ke-
Data cenderung masuk
cluster ke-
X2 X3 X4 1 2 1 2
1 2 5 3 3 5 0.0590 0.9410
2 2 3 2 2 1 0.1025 0.8975
3 5 4 6 4 5 0.3722 0.6278
4 6 7 8 5 9 0.9294 0.0706
5 8 8 7 9 10 0.9102 0.0898
6 2 3 2 2 4 0.0354 0.9646
7 3 6 5 7 8 0.6574 0.3426
8 2 3 4 6 8 0.2659 0.7341
9 2 2 2 2 3 0.0556 0.9444
10 2 3 2 4 5 0.0129 0.9871
11 2 3 4 6 5 0.1038 0.8962
12 3 2 2 1 4 0.0724 0.9276
13 9 8 7 6 5 0.8992 0.1008
14 3 2 3 4 5 0.0215 0.9785
15 3 5 2 3 10 0.3549 0.6451
16 6 5 5 6 9 0.8161 0.1839
17 5 10 5 4 6 0.7504 0.2496
18 10 9 8 7 5 0.8765 0.1235 19 8 8 8 8 9 0.9426 0.0574
20 2 2 3 8 2 0.1885 0.8115
h. Berdasarkan nilai yang dihasilkan dari proses clustering maka proses bisa
dilanjutkan dengan, penghitungan nilai mean dan deviasi standar. Berikut
perhitungan nilai mean (c):
c11 = =
-
7/23/2019 JurnalTesisHairulCandra
66/101
66
c11 = 6.33
c12 = =
c12 = 2.55
c21 =
c21 = 5.55
c22 = 2.36
C31 = 6.33
C32 = 2.36
C41 = 6.44
C42 = 3.09
C51 = 7.33
C52 = 4.18
Berikut perhitungan nilai deviasi standart (a) :
-
7/23/2019 JurnalTesisHairulCandra
67/101
-
7/23/2019 JurnalTesisHairulCandra
68/101
58
= (5-2.36)2 +(3-2.36)2+(4-2.36)2+(3-2.36)2+(3-2.36)2+(2-2.36)2+(3-2.36)2+(2-2.36)2+(2-2.36)2+(5-2.36)2+(2-2.36)211
= 6.9696 + 0.4096 + 2.6896 + 0.4096 + 0.4096 + 0.1296 + 0.4096 + 0.1296 + 0.1296 +6.9696 +0.129611
= 18.7856/11
a21 = 1.7078
= (5-2.36)2 +(3-2.36)2+(4-2.36)2+(3-2.36)2+(3-2.36)2+(2-2.36)2+(3-2.36)2+(2-2.36)2+(2-2.36)2+(5-2.36)2+(2-2.36)211
a22 = 6.9696 + 0.4096 +2.6896 + 0.4096 +0.4096 + 0.1296 +0.4096 +0.1296 +0.1296 + 6.9696 + 0.129611
= 18.7856/11
a22 = 1.7078
-
7/23/2019 JurnalTesisHairulCandra
69/101
-
7/23/2019 JurnalTesisHairulCandra
70/101
60
=(21.5296)+(44.0896) +(13.2496)+( 13.2496) )+( 13.2496)+( 13.2496)+( 2.6896)+( 21.5296)+( 31.8096)
9
= ( 174.6464)/9
a41 = 19.4052
=(3-2.36)2+(2-2.36)
2+(3-2.36)
2+(2-2.36)
2+(6-2.36)
2+(2-2.36)
2+(4-2.36)
2+(1-2.36)
2+(4-2.36)
2+(3-2.36)
2+(8-2.36)
2
11
=(0.4096)+( 0.1296)+( 0.4096)+( 0.1296)+(13.2496)+( 0.1296)+( 2.6896)+(1.8496)+( 2.6896)+( 0.4096)+( 31.8096)
11
= 60.7456/11
a42= 5.5223
= (9-2.36)2+(10-2.36)2+(8-2.36)2+(5-2.36)2+(5-2.36)2+(9-2.36)2+(6-2.36)2+(5-2.36)2+(9-2.36)2
9
= (44.0896)+(58.3696)+(31.8096)+( 21.5296)+( 21.5296)+( 44.0896)+( 13.2496)+( 21.5296)+( 44.0896)
9
= (300.2864)/9 a51= 33.3652
-
7/23/2019 JurnalTesisHairulCandra
71/101
-
7/23/2019 JurnalTesisHairulCandra
72/101
-
7/23/2019 JurnalTesisHairulCandra
73/101
-
7/23/2019 JurnalTesisHairulCandra
74/101
-
7/23/2019 JurnalTesisHairulCandra
75/101
65
d. Selanjutnya adalah penentuan koefisien parameter, berikut perhitungan
untuk data ke-1:
p1= 1 * x1 = 0.7742 * 2 = 1.5484
p2 = 2 * x2 = 0.2258 * 5 = 1.129
q1= 1 * x1 = 0.7742* 5 = 3.871
q2 = 2 * x2 = 0.2258* 5 = 1.129
r1= 1 = 0.7742
r2= 2 = 0.2258
q2= 2 * x2 = 0.2258 * 5 = 1.129
r2= 2 = 0.2258
Langkah yang sama juga dilakukan untuk perhitungan koefisien
parameter pada data ke-2, 3, 4, 5 dst.
Tabel 4.15 Koefisien Parameter
Data
ke-
Koefisien Dari
p1 q1 r1 p2 q2 r2
1 1.5484 3.871 0.7742 1.129 1.129 0.2258
2 2.3226 1.5484 1.5484
e. Penghitungan output lapisan ke empat dan lapisan ke lima.
Berikut ini adalah perhitungan untuk data ke-1 lapisan ke-4:
1y1 = (1x1)p1+ (1x2)q1 + r1
1y1 = ((0.7742 * 2) * 1.5484) + ((0.7742 * 5) * 3.871) + 0.7742
1y1 = 1.5484*1.5484 + 3.871*3.871+ 0.7742 = 15.7588
2y2 = (2x1)p2+ (2x2)q2 + r2
2y2 = ((0.2258 * 2) * 1.129) + ((0.2258 * 5) * 1.129) + 0.2258
2y2 = (0.4516*1.129)+(1.129)+0.2258= 0.5098+1.129+0.2258 = 1.8646
-
7/23/2019 JurnalTesisHairulCandra
76/101
-
7/23/2019 JurnalTesisHairulCandra
77/101
-
7/23/2019 JurnalTesisHairulCandra
78/101
-
7/23/2019 JurnalTesisHairulCandra
79/101
69
4.2 AnalisisUntuk mempermudah dalam analisis data terdapat beberapa hal yang perlu
diperhatikan, seperti :
1. Input, meliputi :
a. Dimensi Kehandalan, didapatkan bilangan real sebesar 7,5 yaitu
merupakan keanggotaan dari domain himpunan bilangan fuzzy puas [6 8]
yang artinya variabel tingkat pelayanan sudah dapat dikatakan puas
(reliable).
b. Dimensi Daya Tanggap, didapatkan bilangan real sebesar 7,5 yaitu
merupakan keanggotaan dari domain himpunan bilangan fuzzy puas [6 8]
yang artinya variabel tingkat pelayanan sudah dapat dikatakan puas
(reliable).
c. Dimensi Kepastian, didapatkan bilangan real sebesar 7,5 yaitu merupakan
keanggotaan dari domain himpunan bilangan fuzzy puas [6 8] yang
artinya variabel tingkat pelayanan sudah dapat dikatakan puas (reliable).
d. Dimensi Berwujud, didapatkan bilangan real sebesar 7,5 yaitu merupakan
keanggotaan dari domain himpunan bilanganfuzzy cukup puas [6 8] yang
artinya variabel tingkat pelayanan sudah dapat dikatakan cukup puas
(reliable).
e. Dimensi Empati, didapatkan bilangan real sebesar 7,5 yaitu merupakan
keanggotaan dari domain himpunan bilanganfuzzy cukup puas [6 8] yang
artinya variabel tingkat pelayanan sudah dapat dikatakan cukup puas
(reliable).
2. Output, hanya ada satu output yaitu tingkat kepuasan pasien didapatkan
bilangan real sebesar 0.75 yaitu merupakan keanggotaan dari domain
-
7/23/2019 JurnalTesisHairulCandra
80/101
-
7/23/2019 JurnalTesisHairulCandra
81/101
-
7/23/2019 JurnalTesisHairulCandra
82/101
-
7/23/2019 JurnalTesisHairulCandra
83/101
73
Gambar 5.3 Tampilan Awal Editor ANFIS
Pada bagian isian Load Data klik tombol radiofile, yang artinya kita akan
mengambil data yang telah kita simpan sebelumnya.Klikload data dan akan muncul
tampilan gambar 5.4 sebagai berikut.
Gambar 5.4 Memilih File Data
Setelah menemukan file quesioner.dat, klik tombol OK, maka akan muncul
tampilan editorANFIS yang telah berisi data, seperti gambar 5.5 berikut ini.
-
7/23/2019 JurnalTesisHairulCandra
84/101
-
7/23/2019 JurnalTesisHairulCandra
85/101
-
7/23/2019 JurnalTesisHairulCandra
86/101
-
7/23/2019 JurnalTesisHairulCandra
87/101
77
Pada gambar 5.7 di atas dapat dijelaskan bahwa analisa fuzzy menggunakan
Matlab mempunyai 5 inputdan satu output.
5.1.2.2 Output
Inferensi output metode Takagi-Sugeno yang dihasilkan berupa persamaan
linier. Gambaran inferensioutputmenggunakan Matlab, sebagai berikut.
Gambar 5.8 Membership Function Output
-
7/23/2019 JurnalTesisHairulCandra
88/101
78
5.1.2.3 Rule
Rule yang dihasilkan dengan menggunakan ANFIS di Matlab adalah sebagai
berikut :
Gambar 5.9 RuleFIS
5.1.3 Pelatihan (Training) ANFIS
Untuk pelatihan FIS, ANFIS menyediakan dua metode optimasi parameter
fungsi keanggotaan yaitu Backpropagation dan Hybrid(gabungan backpropagation
dan least square). Untuk penelitian ini adalah menggunakan optimasiHybrid.
Untuk menghentikan proses training, ANFIS menggunakan nilai error
tolerance, sehingga jika setelah training data errormemasuki daerah error tolerance
-
7/23/2019 JurnalTesisHairulCandra
89/101
79
ini maka training akan berhenti. Dipilih error tolerance sebesar 0. Kemudian
banyaknya epoch (iterasi) proses trainingditentukan sebanyak 40 kali iterasi.
Untuk memulai proses training, klikTrain now. Hasilnya akan terlihat seperti
gambar 5.10 berikut.
Gambar 5.10 HasilTraining
Outputdari ANFIS ini adalah Root Mean Square Error(RMSE). Erroryang terjadi
menunjukkan tingkat keakurasian struktur ANFIS yang telah disusun dalam mengenali pola
data.
Kurva biru menunjukkan konvergensi Root Mean Square Error (RMSE) dari
data training. Kurva konvergensi ini digunakan untuk mengevaluasi hasil dari proses
training yang dilakukan. Dari grafik konvergensi dapat dilihat bahwa jaringan memiliki
trendescending (semakin menurun). Apabila penurunan pada RMSE sudah tidak
signifikan, proses training bisa dihentikan. Pada gambar 5.10 terlihat bahwa proses
hybrid training dengan menggunakan type membership function gbellmf langsung dapat
mencapai errorminimalnya pada iterasi ke-2. Karena ANFIS yang telah disusun telah dapat
-
7/23/2019 JurnalTesisHairulCandra
90/101
-
7/23/2019 JurnalTesisHairulCandra
91/101
81
Pada tahap defuzzification ini kita dapat memperoleh nilai pasti (best value) dari
data historis responden. Pada tahap melihat rule dimaksudkan untuk mendapatkan hasil
dari nilaifuzzysetelah dibuatkan ke dalam logikafuzzydengan outputseperti yang terlihat
pada gambar 5.14.
Gambar 5.14 Rule Viewer
Gambar 5.15 Surface Viewer
-
7/23/2019 JurnalTesisHairulCandra
92/101
-
7/23/2019 JurnalTesisHairulCandra
93/101
-
7/23/2019 JurnalTesisHairulCandra
94/101
84
fis=readfis(kepuasanpasien), maka akan tampil informasi seperti gambar 5.18
berikut ini:
>> fis=readfis('kepuasanpasien')
fis =
Gambar 5.18 Hasil Perintah Readfis
Selanjutnya untuk mengevaluasi FIS ketik perintah berikut ini:
out = evalfis([2 5 3 3 5; 2 3 2 2 1; 5 4 6 4 5; 6 7 8 5 9;8 8 7 9 10; 2 3 2 2 4;3 6 5 7 8;
2 4 6 8;2 2 2 2 3;2 3 2 4 5;2 3 4 6 5;3 2 2 1 4;9 8 7 6 5;3 2 3 4 5;3 5 2 3 10;6 5 5 6 9;
5 10 5 4 6;10 9 8 7 5;8 8 8 8 9;2 2 3 8 2],fis)
Maka akan ditampilkan hasil seperti gambar 5.19 berikut ini:
Gambar 5.19 Hasil Output dengan Fungsi Evalfis
>>
name:
type:
andMethod:
orMethod:
defuzzMethod:
impMethod:
aggMethod:
input:
output:
'KepuasanPasien'
'sugeno
'prod'
'probor'
'wtaver'
'min'
'max'
[1x5 struct]
[1x1 struct]
out =
3.6000
2.0000
4.8000
7.0000
8.4000
2.60005.8000
4.6000
2.20003.2000
2.4000
7.00003.4000
4.6000
6.2000
6.0000
7.8000
8.2000
3.4000
>>
-
7/23/2019 JurnalTesisHairulCandra
95/101
85
Hasil dari tampilan gambar 5.18 tersebut sesuai dengan tabel 5.1 Data Input
dan Outputsebelumnya.
Berikut adalah contoh untuk proses perhitungan prediksi kepuasan untuk
mengetahui prediksi kepuasan pasien atau responden ke-1 menggunakan ANFIS
pada command line Matlab. Setelah kita menggunakan proses training data pada
GUI ANFIS sebelumnya, maka bisa dilanjutkan dengan langkah sebagai berikut:
1. Masukkan data inputyang akan dicari nilai output-nya, dengan menggunakan perintah
evalfis.
>> prediksiKepuasanResponden1=evalfis([2;5;3;3;5],fis)
prediksiKepuasanResponden1 =
3.60002. Masukkan data ke-2, dalam hal ini menggunakan responden2.
>> prediksiKepuasanResponden2=evalfis([2;3;2;2;1],fis)
prediksiKepuasanResponden2 =
2.0000
3. Langkah selanjutnya adalah melakukan proses prediksi kepuasan pasien secara
keseluruhan.
>> totaldata=[85;98;88;97;118;92.2]
totaldata =
85.0000
98.000088.0000
97.0000
118.0000
92.2000
>> prediksi=[85/20;98/20;88/20;97/20;118/20;486/5]
prediksi =
4.2500 prediksi untuk rerata dimensi 1
4.9000 prediksi untuk rerata dimensi 24.4000 prediksi untuk rerata dimensi 3
-
7/23/2019 JurnalTesisHairulCandra
96/101
86
4.8500 prediksi untuk rerata dimensi 4
5.9000 prediksi untuk rerata dimensi 5
97.2000 prediksi rerata seluruh dimensi pelayanan.
>> Prediksi20Pasien=([85+98+88+97+118]/5)
Prediksi20Pasien =
97.2000.
Dari hasil perhitungan menggunakan command line Matlab diperoleh hasil
korelasi prediksi kepuasan pasien sebesar 97.2000. Dari angka tersebut telah
menunjukkan nilai korelasi 97.2% dengan interpretasi tinggi, dan ini berarti tingkat
pelayanan kesehatan sangat memuaskan. Perhitungan ini telah sesuai harapan
mencapai 97.2%, dan ini sesuai denganinterpretasi terhadap koefisien korelasi yang
telah dijelaskan pada bab 2.
.Berikut ini adalah tabel hasil perbandingan untuk data lainnya, beserta nilai
erroryang terjadi yang dibuat dalam tabel 5.2.
Tabel 5.2 Perbandingan Hasil Perhitungan Manual dan Perhitungan ANFIS
di MATLABResponden Hitungan Hitungan Nilai
-
7/23/2019 JurnalTesisHairulCandra
97/101
87
Manual Matlab
(Anfis)Error(%)
13.6 3.6 0.00%
22 2 0.00%
34.8 4.8 0.00%
4 7 7 0.00%
58.4 8.4 0.00%
62.6 2.6 0.00%
75.8 5.8 0.00%
84.6 4.6 0.00%
92.2 2.2 0.00%
103.2 3.2 0.00%
114 4 0.00%
122.4 2.4 0.00%
13
7 7 0.00%
143.4 3.4 0.00%
154.6 4.6 0.00%
166.2 6.2 0.00%
176 6 0.00%
187.8 7.8 0.00%
198.2 8.2 0.00%
203.4 3.4 0.00%
0.00%
MAPE 0,00%
Dari data yang ditampilkan pada tabel 5.2 di atas, total error yang terjadi
antara perhitungan manual dengan perhitungan menggunakan ANFIS adalah 0.00%.
Sehingga perbandingan antara perhitungan manual dengan perhitungan
menggunakan ANFIS di MATLAB adalah sama, hasil perhitungan baik
menggunakan perhitungan manual maupun menggunakan ANFIS di MATLAB bisa
digunakan memprediksi kepuasan pelayanan kesehatan.
-
7/23/2019 JurnalTesisHairulCandra
98/101
-
7/23/2019 JurnalTesisHairulCandra
99/101
-
7/23/2019 JurnalTesisHairulCandra
100/101
90
DAFTAR PUSTAKA
Nur Endah Sari, dkk. 2011. Prediksi Cuaca Berbasis Logika Fuzzy Untuk
Rekomendasi Penerbangan Di Bandar Udara Raja Haji Fisabilillah. Jurnal
Universitas Gunadarma Jakarta.
Velma Fidelia Rahmani. 2009. Analisa Tingkat Kepuasan Pasien Rawat Jalan
Terhadap Kualitas Pelayanan (Studi Kasus: RSU Bakti Asih Tangerang).
Jurnal Institute Pertanian Bogor.
Dewi Retno Indriaty. 2010. Analisa Pengaruh Tingkat Kualitas Pelayana Jasa
Puskesmas Terhadap Kepuasan Pasien Studi Kasus: Puskesmas Gunungpati
Semarang. Jurnal Universitas Diponegoro Semarang.
Ferdinand Sinuhaji. 2009. Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis
Pada Penyakit Asma. Jurnal USU Medan.
Abdul Sani Sembiring. 2012. Metode Neuro Fuzzy. Artikel.
Lia Farihul Mubin, dkk. 2012. Prediksi Jumlah Kunjungan Pasien Rawat Jalan
Menggunakan Metode Genetic Fuzzy Systems Studi Kasus: Rumah Sakit Usada
Sidoarjo. Jurnal ITS Surabaya.
Sudibyo Supardi, dkk. 2008. Faktor-faktor Yang Berhubungan Dengan Kepuasan
Pasien Rawat Jalan Dan Rawat Inap Di Puskesmas. Artikel Badan
Litbangkes Depkes RI.
Noorly Evalin. 2012. Pemodelan ANFIS (Adaptive Neuro Fuzzy Inference System)
Untuk Memprediksi Beban Listrik Sumatera Utara. Jurnal UMSU Medan.
-
7/23/2019 JurnalTesisHairulCandra
101/101