jurnaltesishairulcandra

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


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


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


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


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.


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.


7/101

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


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.


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.


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


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


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


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


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


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


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


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


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


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


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).


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


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


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


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


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


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:


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).


28/101


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)


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


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


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


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


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.


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


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


37/101


38/101


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


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


41/101


42/101


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


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


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


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


45/101


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:


47/101


48/101


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


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


51/101


52/101


53/101


54/101


55/101


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


57/101


58/101


59/101


60/101


61/101


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


63/101


64/101


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 = =


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) :


67/101


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


69/101


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


71/101


72/101


73/101


74/101


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


76/101


77/101


78/101


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


80/101


81/101


82/101


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.


84/101


85/101


86/101


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


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


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


90/101


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


92/101


93/101


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

>>


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


96/101

86



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


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.


98/101


99/101


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.


101/101

jurnaltesishairulcandra

Documents