Professional Documents
Culture Documents
TESIS
HAIRUL CANDRA
112321085
APRIL 2013
2
MENYETUJUI
PEMBIMBING I PEMBIMBING II
Dr. Ir. Gunadi Widi Nurcahyo, MSc Dr. H. Sarjon Defit, MSc
3
Penguji I :
Penguji II :
Mengesahkan,
Direktur Program Pascasarjana
Universitas Putra Indonesia ”YPTK” Padang
“Saya Menyatakan karya tesis ini adalah hasil kerja saya sendiri kecuali kutipan dan
ringkasan buku dan jurnal yang masing-masing telah saya jelaskan sumbernya“
No BP : 112321085
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
KATA PENGANTAR
beserta salam tidak lupa penulis ucapkan keharibaan Sri Baginda Rasulullah SAW
yang telah membawa umatnya dari jaman kegelapan menuju jalan yang terang
penulisan tesis ini dengan kesabaran dan keteguhan hati. Tidak lupa mengucapkan
terimaksih kepada semua pihak yang telah banyak membantu dalam menyelesaikan
3. Dr. Ir. Gunadi Widi Nurcahyo, M.Sc, Selaku Direktur Pasca Sarjana
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.
Penulis
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 yang
mempengaruhi 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
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
DAFTAR ISI
ABSTRACT .................................................................................... ix
I PENDAHULUAN
II LANDASAN TEORI
2.8 Kepuasan…………………………………….………. 29
5.1 Implementasi.................................................................................. 70
DAFTAR PUSTAKA
14
DAFTAR TABEL
4.12. Derajat Keanggotaan Tiap Data Pada Setiap Cluster Dengan FCM .. 55
DAFTAR GAMBAR
BAB I
PENDAHULUAN
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
jawab sebagai pengelola kesehatan bagi masyarakat tiap wilayah kecamatan dari
dan tugas berat yang harus dipikul dengan sungguh-sungguh dan hati penuh
kesehatan maka Puskesmas ini dituntut ekstra keras berusaha dan meningkatkan
19
secara keseluruhan. Maka konsep puskesmas perlu untuk selalu diperbarui dan
dikatakan bahwa pada era globalisasi ini pemikiran ilmuan dan praktisi tertuju pada
imbas dari kemajuan teknologi informasi. Kualitas yang tinggi merupakan tuntutan,
tidak hanya dalam kegiatan bisnis namun juga dalam kegiatan pelayanan lembaga
Pada penelitian ini masalah yang akan diteliti tentang tingkat kualitas
ketidappuasan pasien atas kualitas pelayanan yang diberikan oleh puskesmas dan
dapat dibuktikan dengan kuesioner yang akan dibagikan langsung kepada pasien
puskesmas.
dikatakan baik oleh pasien, ditentukan oleh kenyataan apakah jasa yang diberikan bias
pelayanan). Kepuasan mulai dari penerimaan terhadap pasien dari pertama kali dating,
Prediksi puas atau tidaknya yang akan penulis lakukan adalah dengan
guna mengatasi metode peneliti sebelumnya (statistic dan decision tree). Metode
(fuzzy inference system) dan mesin pembelajaran jaringan saraf tiruan (neural
network).
permasalahan nantinya akan tetap dapat teratasi (ANFIS dalam Anang Tjahyono dan
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.
ilmiah yang dihimpan dari berbagai sumber maka penulis berkeinginan untuk
Sungaipenuh).
21
sehingga apa yang diinginkan dapat tercapai. Untuk itu pada masalah ini ada
teratasi.
mungkin.
simpang siur. Adapun batasan masalahnya yang dilakukan pada penelitian ini
adalah:
3. Pasien yang menjadi responden hanya terbatas pada pasien rawat jalan di
Puskesmas Desa Gedang dan terbatas dalam 5 dimensi kualitas jasa yaitu
sebagai berikut:
1. Bab I Pendahuluan
6. Bab VI Penutup
24
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
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
eksternal maupun internal yang mengalir melalui jaringan tersebut. Secara sederhana,
JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan
25
untuk memodelkan hubungan yang kompleks antara input dan output untuk
2012).
merupakan dasar dari operasi Jaringan Saraf Tiruan (JST). Gambar 2.1 menunjukkan
1. Sinapsis yang menghubungkan antara neuron yang satu dengan neuron yang lain,
2. Penjumlah atau adder bertugas menjumlahkan sinyal input yang telah diberi bobot
Fungsi aktivasi yang digunakan untuk membatasi keluaran dari sebuah neuron.
2.2 Fuzzy
Fuzzy secara bahasa diartikan sebagai kabur atau samar-samar. Suatu nilai
dapat bernilai benar atau salah secara bersamaan. Dalam Fuzzy dikenal derajat
26
keanggotaan yang memiliki rentang nilai 0 (nol) hingga 1(satu). Berbeda dengan
atau kesamaran (Fuzzy ness) antara benar atau salah. Dalam teori logika Fuzzy
suatu nilai bisa bernilai benar atau salah secara bersama. Namun berapa besar
kendaraan yang diekspresikan dengan pelan, agak cepat, cepat, dan sangat cepat. Dan
Logika Fuzzy 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
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
2.3 Neuro-Fuzzy
Menurut Rahmat (2000:6 dalam Anang Tjahjono, 2010) ada dua macam
neuro-fuzzy yaitu:
27
Sistem neuro-fuzzy yang digunakan pada tugas akhir ini berstruktur ANFIS.
Termasuk dalam kelas jaringan neural namun berdasarkan fungsinya sama dengan
syaraf. Sistem inferensi fuzzy yang digunakan adalah sistem inferensi fuzzy model
kemudahan komputasi.
sistem (FIS) hanya mempunyai dua input, x dan y, serta satu output yang
kombinasi linier dari input-input yang ada, dapat diekspresikan sebagai berikut
(Artikel Abdul Sani Sembiring, 2012 dan Taylan, O, & Karagozoglu, B. 2009 dalam
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
Layer 1 Layer 4
A1 Layer 2 Layer 3 X Y
W1 W1 W1f1 Layer 5
X
A2 T N
T f
M
B1 T N
T W2 W2 W2f2
Y
B2
X Y
sebagai berikut:
1. Lapisan 1:
Setiap simpul i pada lapisan ini adalah simpul adaptif dengan fungsi
simpul:
Di mana:
Dengan x dan y adalah input pada simpul ke i, dan Ai adalah label linguistik
seperti baik, buruk, dsb. Dengan kata lain O1,i adalah fungsi keanggotaan
µA1(X)= 1
2
x - ci
1+
ai
29
(2)
Di mana:
2. Lapisan 2:
Outputnya merupakan perkalian dari semua input yang masuk pada lapisan ini
3. Lapisan 3 :
Untuk node yang terdapat pada layer ke-3, dan memiliki label N.
Wi
O3,i = Wi = , i = 1,2
W1 + W2 (4)
Apabila dibentuk lebih dari 2 aturan, fungsi dapat diperluas dengan membagi
4. Lapisan 4:
Setiap simpul pada lapisan ini adalah simpul adaptif dengan fungsi simpul :
dengan Wi adalah bobot yang dinormalkan dari lapisan 3 dan {pi, qi, ri}
5. Lapisan 5 :
simpul :
∑wifi
O5,i = ∑wifi = (6)
∑wifi
Jaringan adaptif dengan lima lapisan diatas ekivalen dengan sistem inferensi
fuzzy Takagi-Sugeno-Kang (TSK) atau yang lebih dikenal dengan sugeno (R.V. Hari
belajar pada parameter ini menggunakan metode EBP untuk memperbaharui nilai
terhadap keluaran sistem, yang menyusun basis kaidah fuzzy. Proses belajar untuk
Untuk proses peramalan kepuasan pasien rawat jalan sesuai Tugas Akhir ini
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
atau pattern yang berbeda. Data yang digunakan untuk proses pembelajaran (traning)
terdiri dari data input, parameter ANFIS, dan data test yang berada pada periode
traning ANFIS.
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).
dan defuzzification. Hubungan di antara mereka yang ditunjukkan pada Gambar 2.2
masing obyek memiliki nilai keanggotaan (membership function) “μ” atau disebut
juga dengan nilai kebenaran. Jika X adalah sekumpulan obyek dan anggotanya
dengan sepasang anggota atau dapat dinyatakan dengan (Kusumadewi, Sri. 2002
Ada beberapa hal yang perlu diketahui dalam sistem fuzzy, yaitu (Kusumadewi, Sri.
1. Variabel fuzzy
Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem
2. Himpunan fuzzy
Himpunan fuzzy merupakan suatu grup yang memiliki suatu kondisi atau
keadaan tertentu dalam suatu variabel fuzzy. Contoh: Variabel temperatur terbagi
PANAS.
Bahu Bahu
Kiri Temperatur Kanan
Derajat Keanggotaan
µ(x)
0 0 28 40
0
Temperatur ( C)
3. Semesta Pembicaraan
33
bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan
atau sebaliknya. Nilai semesta pembicaraan dapat berupa bilangan positif maupun
4. Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diizinkan dan boleh
domain merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara
monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun
berikut:
1. Secara numeris
34
2. Secara fungsional
hanya saja output (konsekuen) sistem tidak berupa himpunan Fuzzy , melainkan
himpunan Fuzzy dengan fungsi keanggotaan yang pada titik tertentu mempunyai
IF (x1 is A1) o (x2 is A2) o (x3 is A3) o… o (xN is AN) THEN z=k dengan Ai
Fuzzy clustering adalah salah satu teknik untuk menentukan cluster optimal
dalam suatu ruang vektor yang didasarkan pada bentuk normal Euclidian untuk jarak
antar vektor. Fuzzy clustering sangat berguna bagi pemodelan fuzzy terutama dalam
satu diantaranya adalah Fuzzy C-Means atau sering disingkat FCM (Sri Kusumadewi
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 cluster yang akan
menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat cluster ini
masih belum akurat. Tiap-tiap data memiliki derajat keanggotaan untuk tiap-tiap
cluster. Dengan cara memperbaiki pusat cluster dan nilai keanggotaan tiap-tiap data
secara berulang, maka dapat dilihat bahwa pusat cluster akan menuju lokasi yang
menggambarkan jarak dari titik data yang diberikan ke pusat cluster yang terbobot
oleh derajat keanggotaan titik data tersebut (Eko Sediyono, et al. 2006).
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
1. Tetapkan:
2. Bentuk matriks partisi awal, U0, dibuat secara random dengan syarat jumlah tiap
(4)
(5)
Dengan :
w = pangkat pembobot
(6)
(7)
Jika |Pt – Pt-1| < ɛ atau (t < MaxIterasi) maka berhenti. (8)
2.7 Prediksi
Prediksi adalah memperkirakan sesuatu yang akan terjadi di masa yang akan
datang. Kejadian masa lampau dipelajari untuk menentukan kecondongan atau pola
dengan mean square error, mean absolute error, dan sebagainya. Data merupakan
salah satu unsur utama yang tidak dapat dipisahkan dari kegiatan peramalan. Tipe
Prediksi jangka pendek merupakan waktu prediksi kurang dari tiga bulan.
tahun.
Prediksi jangka panjang merupakan jangka waktu prediksi lebih dari dua
tahun.
Terdapat dua kategori umum teknik prediksi yaitu kuantatif dan kualitatif.
network.
Error pada prediksi merupakan selisih dari nilai data aktual (Y(t)) dengan
Kesalahan rata-rata akar kuadrat atau Root Mean Squared Errors (RMSE)
dengan persamaan:
n
t=1 n
Keterangan:
39
N :Jumlah data
dari hasil masing-masing kesalahan (selisih data aktual dengan data peramalan
MAPE = ∑ (X – F )
t t
(13)
t=1 X1
100
n %
Keterangan:
n = jumlah data
masing-masing periode dan dibagi dengan nilai data aktual periode tersebut
2.8 Kepuasan
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:
konsumen. Kepuasan adalah hasil penilaian konsumen bahwa produk atau pelayanan
telah memberikan tingkat kenikmatan dimana tingkat pemenuhan ini dapat lebih
ataupun kurang.
dengan jasa yang akan diberikan. Suatu pelayanan dikatakan baik oleh pasien,
ditentukan oleh kenyataan apakah jasa yang diberikan bisa memenuhi kebutuhan
Kepuasan dimulai dari penerimaan terhadap pasien dari pertama kali datang,
atau rumah sakit, berikut pelayanan yang dilakukan oleh tenaga kesehatannya
41
(dokter, perawat, apoteker, psikolog dan lainnya) dan struktur sistem perawatan
kesehatan (biaya, sistem asuransi, kemampuan dan prasarana pusat kesehatan dan
lain-lain). Pasien mengharapkan interaksi yang baik, sopan, ramah, nyaman dengan
tenaga kesehatan, sehingga kompetensi, kualifikasi serta kepribadian yang baik dari
lengkapnya peralatan medik, bangunan dan fasilitas rumah sakit yang memadai,
Proses kepuasan pelanggan tersebut dapat dilihat pada Gambar 2.1 berikut
ini.
PRODUK/JASA
Harapan pelanggan
terhadap produk
Nilai Produk bagi
pelanggan
Tingkat kepuasan
pelanggan
Menurut Irawan (2007 dalam Velma Fidelia Rahmani, 2009), terdapat lima
1. Kualitas produk
Setelah membeli dan menggunakan suatu produk, pembeli akan merasa puas bila
2. Kualitas pelayanan
Salah satu konsep service quality adalah ServQual sangat tergantung dari tiga
3. Faktor emosional
Kepuasan konsumen yang diperoleh pada saat menggunakan suatu produk yang
berhubungan dengan gaya hidup. Kepuasan pelanggan didasari atas rasa bangga,
4. Harga
yang relatif besar dalam industri ritel. Harga yang murah akan memberikan
kepuasan bagi pelanggan yang sensitif terhadap harga karena mereka akan
5. Kemudahan
Komponen ini berhubungan dengan biaya untuk memperoleh produk atau jasa.
Pelanggan akan semakin puas apabila relatif mudah, nyaman, dan efisien dalam
mengenai harapan dan kinerja yang terkait dengan atribut yang ada. Untuk
tingkat harapan terdiri dari ”sangat tidak penting”, ”tidak penting”, ”penting”,
dan ”sangat penting”. Untuk tingkat kenyataan (kinerja) terdiri dari ”sangat tidak
3. Responden diminta menilai seberapa besar harapan mereka terhadap suatu atribut
tertentu dan seberapa besar yang mereka rasakan terhadap atribut tersebut.
pertanyaan yang ada berdasarkan derajat kepentingan setiap elemen dan seberapa
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, penerapan patient safety sebagai budaya layanan medis dengan mengutamakan hak
dan kenyamanan pasien dalam setiap kebijakan tindakan medis yang akan dilakukan.
Kebijakan yang dilakukan Puskesmas Desa Gedang Sungai Penuh terkait dengan
Penggunaan alat–alat penunjang medis yang terkalibrasi secara akurat menjamin hasil
44
pemeriksaan penunjang yang akurat, hal ini sangat berpengaruh terhadap kebijakan
layanan medis yang akan dilakukan terhadap pasien. Ketersediaan obat di Instalasi
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.
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
nama–nama dokter dan hari / jam praktek. Penentuan kesepakatan cara pemenuhan
kewajiban administratif dan pembayaran yang dilakukan bersama pasien sejak awal
layanan.
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
45
sedia memberikan penjelasan tentang akses terhadap fasilitas medis, penunjang medis
Kepuasan
Pasien
Kepuasan terhadap fasilitas layanan umum
Sumber : Kebijakan di Puskesmas Desa Gedang Kodya Sungai Penuh tentang Kepuasan
Pasien, 2009.
Skala pengukuran yang digunakan dalam penelitian ini adalah Skala Likert
agar data kualitatif dapat dikuantitatifkan sehingga nilai variabel yang diukur dengan
instrument tertentu dapat dinyatakan dalam bentuk angka. Skala Likert merupakan
produk/jasa (Durianto dkk., 2004 dalam Velma Fidelia Rahmanai, 2009). Informasi
yang diperoleh dengan skala Likert berupa skala pengukuran ordinal, oleh karenanya
46
terhadap hasil hanya dapat dibuat rangking tanpa dapat diketahui berapa besarnya
berikut:
Pada penulisan inin sendiri menggunakan pilihan jawaban dan nilai jawaban
responden sebagi berikut:
Besar Bobot dan Kategori Kategori
Penilaian Bobot
1 Sangat Tidak Puas (STP)
2 Tidak Puas (TP)
3 Cukup Puas (CP)
4 Puas (P)
5 Sangat Puas (SP)
masalah yang akan diteliti. Responden diharuskan memilih salah satu dari
2. Membuat nilai total untuk setiap orang yang dengan menjumlahkan nilai
untuk jawaban.
hipotesis hubungan dua variable bila data kedua variable berbentuk interval atau ratio
dan sumber data dari dau varibel atau lebih adalah sama (Sugiyono, 2003 dalam
Velma Fidelia Rahmanai, 2009). Kuat lemahnya hubungan diukur diantara jarak
ditemukan baik besar atau kecil, maka dapat berpedoman pada ketentuan yang tertera
Koefisien Korelasi
Sumber: Sugiyono, 2003 dalam Velma Fidelia Rahmanai, 2009 dan Sudibyo
Supardi, 2008).
BAB III
METODOLOGI PENELITIAN
3.1 Pendahuluan
Pada bab ini akan diuraikan metodologi penelitian yang digunakan dalam
penelitian bisa lebih terkonsep dan terarah sesuai dengan tujuan yang diharapkan
kerangka kerja. Berdasarkan pedoman dari kerangka kerja inilah penelitian akan
akan dilakukan. Kerangka kerja ini akan dimulai dari melakukan studi pendahuluan
hingga nantinya akan menghasilkan sebuah sistem yang setelah diuji dapat
Pada bab ini juga akan diuraikan metodologi penelitian dan kerangka kerja
dalam penyelesaian masalah yang akan dibahas. Adapun kerangka kerja penelitian
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
bantu matlab toolbox, maka akan didapat suatu solusi yang terbaik dari
50
masalah tersebut. Jadi langkah pertama ini adalah langkah awal yang
masalah yang telah ditentukan pada ruang lingkup atau batasannya. Dengan
masalah dapat dipahami dengan baik dan penyelesaian bisa diperoleh dengan
maksimal dan dengan metode yang cocok. Teknik analisisa yang digunakan
Pelayanan ini sangat perlu baik bagi pasien maupun Puskesmas. Prediksi yang
tidak akurat akan berdampak negative bagi pihak Puskesmas ataupun pasien.
3. Menentukan Tujuan
akan dicapai dari penulisan ini. Pada tujuan ini ditentukan target yang akan
akan dicapai dari penulisan ini. Pada tujuan ini ditentukan target yang dicapai,
ditentukan literatur mana yang akan digunakan dalam penelitian ini. Sumber
Logika Fuzzy, ANFIS, sistem pelayanan, analisa kepuasan pasien dan bahan
digunakan adalah metode survei yaitu teknik pengumpulan dan analisis data
(pertanyaan tertulis) karena dengan adanya kontak langsung antara peneliti dan
mengetahui mengenai sistem yang diteliti. Dari data dan informasi yang
a. Observasi
b. Wawancara
52
Puskesmas.
pasien.
yang dilakukan pada lapisan 1, sistem inference fuzzy yang dilakukan pada
8. Pengujian Sistem
yang terakhir dari rangkaian dalam sistem ini. Adapun mekanisme pengujian
nilai dari variabel input dilakukan proses fuzzifikasi dengan mencari nilai
53
9. Menarik Kesimpulan
nantinya dari hasil penelitian ini dengan menggunakan metode ANFIS bisa
rumusan masalah dan tujuan yang akan dicapai, serta saran-saran yang
sebagai referensi.
54
BAB IV
Pada tahap melakukan penganalisaan data berdasarkan pada data yang telah
ada dan diperoleh pada tahap pengumpulan data, akan dilakukan beberapa
yang ada dan observasi lapangan, data disusun dan dikelompokkan dalam bentuk
tabel multikriteria sederhana. Hal ini agar mempermudah dalam analisa dan proses
data.
analisa perangkat lunak yang akan digunakan pada penelitian ini dan perancangan
Analisis terhadap masalah pada penelitian ini yakni pada prediksi kepuasan
Neuro Fuzzy Inference System (ANFIS) untuk melakukan prediksi, data yang akan
digunakan pada prediksi berdasarkan data-data yang ada yang akan diteliti.
kepuasan pasien pada Puskesmas Desa Gedang Sungai Penuh memiliki kebijakan
tersendiri.
mempengaruhi prediksi, dan pada penelitian ini ada banyak faktor yang
mempengaruhi kepuasan pasien. Dalam penelitian ini dipilih 5 (lima) faktor yang
b. Data Input
2 5 3 3 5 3.6
1
2 3 2 2 1 2
2
5 4 6 4 5 4.8
3
6 7 8 5 9 7
4
8 8 7 9 10 8.4
5
2 3 2 2 4 2.6
6
3 6 5 7 8 5.8
7
2 3 4 6 8 4.6
8
2 2 2 2 3 2.2
9
2 3 2 4 5 3.2
10
2 3 4 6 5 4
11
3 2 2 1 4 2.4
12
9 8 7 6 5 7
13
3 2 3 4 5 3.4
14
3 5 2 3 10 4.6
15
6 5 5 6 9 6.2
16
5 10 5 4 6 6
17
10 9 8 7 5 7.8
18
56
8 8 8 8 9 8.2
19
2 2 3 8 2 3.4
20
Sumber: Hasil questioner di Puskesmas Desa Gedang Sungai Penuh.
c. Pemerosesan Data
parameter yaitu:
Setuju.
dapat meramalkan tingkat kepuasan pasien jangka pendek, menengah ataupun jangka
dengan metode Adaptive Neuro Fuzzy Inference System (ANFIS) terlihat pada
flowchart berikut:
Start
Menghimpun data
Perhitungan dengan
Metode ANFIS
Perhitungan dengan
MAPE
Stop
57
atas kriteria dan parameter. Kriteria yang digunakan adalah Dimensi pelayanan,
Kategori, dan Tingkat kepuasan pasien. Kriteria ini direpresentasikan sebagai data
pada himpunan fuzzy. Dalam sistem fuzzy keanggotaan ini direpresentasikan dalam
gambar 4.2 ;
Kehandalan [1 10]
DayaTanggap [1 10]
Input Kepastian [1 10]
Berwujud [1 10]
Empati [1 10]
58
a. Ditentukan:
Jumlah Cluster (C = 2)
Pangkat/boboto (w = 2)
b. Bentuk matriks partisi awal, U0, dibuat secara random dengan syarat jumlah
tiap kolom harus bernilai satu, dan didapat hasil sebagai berikut:
0.856 0.294 0.845 0.774 0.023 0.735 0.895 0.115 0.524 0.373
Uo = 0.098 0.233 0.436 0.467 0.236 0.180 0.944 0.141 0.314 0.862
0.069 0.110 0.009 0.255 0.519 0.434 0.775 0.133 0.825 0.227
0.318 0.321 0.743 0.247 0.424 0.910 0.366 0.737 0.347 0.500
Derajad
Cluster Data yang di-cluster
Keanggotaan (µ11)2 (µ11)2*x1 (µ11)2*x2 (µ11)2*x3 (µ11)2*x4 (µ11)2*x5
Ke-
µ11 x1 x2 x3 x4 x5
2 5 3 3 5
0.20 0.04 0.08 0.20 0.12 0.12 0.20
2 3 2 2 1
0.10 0.01 0.02 0.03 0.02 0.02 0.01
5 4 6 4 5
0.30 0.09 0.45 0.36 0.54 0.36 0.45
6 7 8 5 9
0.40 0.16 0.96 1.12 1.28 0.80 1.44
8 8 7 9 10
0.60 0.36 2.88 2.88 2.52 3.24 3.60
2 3 2 2 4
0.23 0.05 0.11 0.16 0.11 0.11 0.21
3 6 5 7 8
0.78 0.61 1.83 3.65 3.04 4.26 4.87
2 3 4 6 8
0.75 0.56 1.13 1.69 2.25 3.38 4.50
2 2 2 2 3
0.55 0.30 0.61 0.61 0.61 0.61 0.91
2 3 2 4 5
0.66 0.44 0.87 1.31 0.87 1.74 2.18
2 3 4 6 5
0.64 0.41 0.82 1.23 1.64 2.46 2.05
3 2 2 1 4
0.67 0.45 1.35 0.90 0.90 0.45 1.80
9 8 7 6 5
0.87 0.76 6.81 6.06 5.30 4.54 3.78
3 2 3 4 5
0.98 0.96 2.88 1.92 2.88 3.84 4.80
3 5 2 3 10
0.45 0.20 0.61 1.01 0.41 0.61 2.03
6 5 5 6 9
0.40 0.16 0.96 0.80 0.80 0.96 1.44
5 10 5 4 6
0.70 0.49 2.45 4.90 2.45 1.96 2.94
10 9 8 7 5
0.80 0.64 6.40 5.76 5.12 4.48 3.20
8 8 8 8 9
0.90 0.81 6.48 6.48 6.48 6.48 7.29
2 2 3 8 2
0.25 0.06 0.13 0.13 0.19 0.50 0.13
jumlah 7.56 37.80 41.18 37.51 40.90 47.81
Vij 3.60 3.92 3.57 3.90 4.55
61
Derajad
Cluster Data yang di-cluster
Keanggotaan (µ11)2 (µ11)2*x1 (µ11)2*x2 (µ11)2*x3 (µ11)2*x4 (µ11)2*x5
Ke-
µ11 x1 x2 x3 x4 x5
2 5 3 3 5
0.80 0.64 1.28 3.20 1.92 1.92 3.20
2 3 2 2 1
0.90 0.81 1.62 2.43 1.62 1.62 0.81
5 4 6 4 5
0.70 0.49 2.45 1.96 2.94 1.96 2.45
6 7 8 5 9
0.60 0.36 2.16 2.52 2.88 1.80 3.24
8 8 7 9 10
0.40 0.16 1.28 1.28 1.12 1.44 1.60
2 3 2 2 4
0.77 0.59 1.19 1.78 1.19 1.19 2.37
3 6 5 7 8
0.22 0.05 0.15 0.29 0.24 0.34 0.39
2 3 4 6 8
0.25 0.06 0.13 0.19 0.25 0.38 0.50
2 2 2 2 3
0.45 0.20 0.41 0.41 0.41 0.41 0.61
2 3 2 4 5
0.34 0.12 0.23 0.35 0.23 0.46 0.58
2 3 4 6 5
0.36 0.13 0.26 0.39 0.52 0.78 0.65
3 2 2 1 4
0.33 0.11 0.33 0.22 0.22 0.11 0.44
9 8 7 6 5
0.13 0.02 0.15 0.14 0.12 0.10 0.08
3 2 3 4 5
0.02 0.00 0.00 0.00 0.00 0.00 0.00
3 5 2 3 10
0.55 0.30 0.91 1.51 0.61 0.91 3.03
6 5 5 6 9
0.60 0.36 2.16 1.80 1.80 2.16 3.24
5 10 5 4 6
0.30 0.09 0.45 0.90 0.45 0.36 0.54
10 9 8 7 5
0.20 0.04 0.40 0.36 0.32 0.28 0.20
8 8 8 8 9
0.10 0.01 0.08 0.08 0.08 0.08 0.09
2 2 3 8 2
0.75 0.56 1.13 1.13 1.69 4.50 1.13
jumlah 5.10 16.74 20.92 18.59 20.78 25.13
Vij 1.59 1.99 1.77 1.98 2.39
Cluster 1 Cluster 2
Data
ke- (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
Cluster 1 Cluster 2
i (Xij-Vkj)2 (µi1)2 P (Xij-Vkj)2 (µi1)2 P P Cluster
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
Cluster 1 Cluster 2
i (Xij-Vkj)2 (µi1)2 P (Xij-Vkj)2 (µi1)2 P P Cluster
12 14 0.0543 13.6483 2.7856 0.1030 2.89 16.5369
13 12 0.1901 12.3284 1.5550 0.5520 2.11 14.4354
14 12 0.2181 12.1413 3.0380 0.0610 3.10 15.2404
15 14 0.0557 13.6276 2.4524 0.1798 2.63 16.2597
16 14 0.0324 14.0200 1.1664 0.8281 1.99 16.0145
17 9 0.8911 9.7477 2.6374 0.1340 2.77 12.5190
18 14 0.0199 14.3007 1.5700 0.5432 2.11 16.4139
19 13 0.0986 13.1018 2.6994 0.1204 2.82 15.9217
20 9 0.7430 10.0944 2.2201 0.2500 2.47 12.5645
ΣP 302.3078
2 2 2 2
(Xi1-Vi1) (Xi2-Vi1) (Xi1-Vi2) (Xi2-Vi2) LT µ1 µ2
Data
ke- L1 L2 L3 L4 L1+L2+L3+L4 (L1+L2)/LT (L3+L4)/LT
1 8 2 1 4 10 0.9481 0.4073
2 11 2 2 4 15 0.8865 0.3523
3 8 2 1 4 11 0.9479 0.4208
4 8 2 1 3 10 0.9362 0.3523
5 13 1 2 2 16 0.8503 0.2817
6 8 1 1 2 10 0.9289 0.3068
7 7 1 0 1 8 0.9429 0.2315
8 12 2 2 3 16 0.8677 0.3420
9 9 1 1 1 11 0.8984 0.2230
10 10 2 1 3 14 0.8923 0.3337
11 12 2 2 3 16 0.8618 0.3117
12 11 2 2 3 15 0.8755 0.3129
13 10 1 1 2 12 0.8896 0.2394
14 10 2 1 3 13 0.9021 0.3338
64
15 11 1 2 2 15 0.8736 0.2954
16 12 0 2 1 14 0.8595 0.2230
17 7 1 0 3 9 0.9535 0.3406
2 2 2 2
(Xi1-Vi1) (Xi2-Vi1) (Xi1-Vi2) (Xi2-Vi2) LT µ1 µ2
Data
ke- L1 L2 L3 L4 L1+L2+L3+L4 (L1+L2)/LT (L3+L4)/LT
18 12 1 2 2 15 0.8581 0.2481
19 11 2 2 3 14 0.8835 0.3098
20 7 1 1 2 9 0.9425 0.2984
0.856 0.294 0.845 0.774 0.023 0.735 0.895 0.115 0.524 0.373
0.098 0.233 0.436 0.467 0.236 0.180 0.944 0.141 0.314 0.862
U1 =
0.069 0.110 0.009 0.255 0.519 0.434 0.775 0.133 0.825 0.227
0.318 0.321 0.743 0.247 0.424 0.910 0.366 0.737 0.347 0.500
Karena |P1-P0| = |302.3078 - 0| >> (0,001) dan iterasi = 1 < Maxlter (=100).
iterasi ke-2 (t=2). Setelah dilakukan 14 kali iterasi, maka diperoleh hasil |P14-
0.0590 0.1025 0.3722 0.9294 0.9102 0.0354 0.6574 0.2659 0.0556 0.0129
0.1038 0.0724 0.8992 0.0215 0.3549 0.8161 0.7504 0.8765 0.9426 0.1885
0.9410 0.8975 0.6278 0.0706 0.0898 0.9646 0.3426 0.7341 0.9444 0.9871
0.8962 0.9276 0.1008 0.9785 0.6451 0.1839 0.2496 0.1235 0.0574 0.8115
65
U14 =
h. Berdasarkan nilai yang dihasilkan dari proses clustering maka proses bisa
c11 = =
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
= √0.1089+2.7889+11.0889+18.7489+7.1289+0.1089+1.7689+13.4689+2.7889
9
= √58.0001/9 = 6.4444556
a11= √ 6.4444556
a11= 2.5385
= √ (2-6.33)2+(2-6.33)2+(5-6.33)2+(2-6.33)2+(2-6.33)2+(2-6.33)2+(2-6.33)2+(3-6.33)2+(3-6.33)2+(3-6.33)2+(2-6.33)2
11
= √(-4.33) +(-4.33) +(-1.33) +(-4.33) +(-4.33)2+(-4.33)2 +(-4.33)2 +(-3.33)2 +(-3.33)2 +(-3.33)2+(-4.33)2
2 2 2 2
11
=
√ 18.7489+18.7489+1.7689+18.7489+18.7489+18.7 489+11.0889+11.0889+11.0889+18.7489
11
=
√ 12.40365
a = 3.5218
12
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)2
11
= √ 6.9696 + 0.4096 + 2.6896 + 0.4096 + 0.4096 + 0.1296 + 0.4096 + 0.1296 + 0.1296 +6.9696 +0.1296
11
= √ 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)2
11
a22 = √6.9696 + 0.4096 +2.6896 + 0.4096 +0.4096 + 0.1296 +0.4096 +0.1296 +0.1296 + 6.9696 + 0.1296
11
= √ 18.7856/11
a22 = 1.7078
59
= √(162.0864)/9
a31= 18.0096
=√(3-2.36)+(2-2.36)+(3-2.36)+(2-2.36)+(4-2.36)+(2-2.36)+(2-2.36)+(2-2.36)+(3-2.36)+(2-2.36)+(3-2.36)
11
= √(0.4096)+( 0.1296)+( 0.4096)+( 0.1296)+( 2.6896)+( 0.1296)+( 0.1296)+( 0.1296)+( 0.4096)+( 0.1296)+( 0.4096)
11
= √(5.1056)/11
a32 = 0.4641
= √(5-2.36)2+(9-2.36)2 +(6-2.36)2+(6-2.36)2+(6-2.36)2+(6-2.36)2+(4-2.36)2+(7-2.36)2+(8-2.36)2
9
60
= √( 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
= √ 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
= √(5-2.36) +(1-2.36) +(5-2.36) +(4-2.36) +(8-2.36) +(3-2.36) +(5-2.36) +(4-2.36) +(5-2.36) +(5-2.36) +(2-2.36)
2 2 2 2 2 2 2 2 2 2 2
11
= √(21.5296)+( 1.8496)+( 21.5296)+( 2.6896)+( 31.8096)+( 0.4096)+( 21.5296)+( 2.6896)+( 21.5296)+( 0.1296)
11
ANFIS.
a. Pertama kita akan menghitung nilai untuk setiap neuron pada lapisan
data.
0.9951
Langkah yang sama juga dilakukan untuk data ke-2, 3, 4, 5 hingga 20.
Lapisan 2
Lapisan 3
4, 5, dst. Hasil perhitungan 5 data pertama dapat dilihat pada tabel berikut ini:
Lapisan 2 Lapisan 3
Data ke-
w1 w2 ŵ1 ŵ2
1 0.2162 0.0631 0.7742 0.2258
2 0.0679 0.4788 0.1242 0.8758
3 0.4212 0.0055 0.9872 0.0128
4 0.5621 0.0003 0.9994 0.0006
5 0.2226 0.0001 0.9996 0.0004
65
p1 = ŵ1 * x1 = 0.7742 * 2 = 1.5484
p2 = ŵ2 * x2 = 0.2258 * 5 = 1.129
q1 = ŵ1 * x1 = 0.7742* 5 = 3.871
q2 = ŵ2 * x2 = 0.2258* 5 = 1.129
r1 = ŵ1 = 0.7742
r2 = ŵ2 = 0.2258
q2 = ŵ2 * x2 = 0.2258 * 5 = 1.129
r2 = ŵ2 = 0.2258
Penghitungan lapisan ke 5:
lapisan ke-4 dan ke-5. Tabel berikut merupakan contoh hasil perhitungan data
ke1.
4. Setelah diperoleh output dari lapisan ke-4 dan ke-5, sekarang dilakukan
Dari ke-6 data responden di atas terlihat bahwa data ke-5 memiliki rerata
terbesar yaitu 8.4, dan ini berarti responden boleh dikatakan merasa sangat puas
5
3
Y= 4
7
8
3) Maka didapat nilai p1, q1, r1, p2, q2, r2 menggunakan persamaan:
ϴ = A-1Y
1.548 0.225
-1
A = 3.871 2.322
0.774 1.548
1.129 1.548
1.129
1.548 0.225 5
3.871 2.322 3
X
4
0.774 1.548 7
1.129 1.548 8
1.129
68
1) Propagasi error pada lapisan ke-5, (ε13 = -6.8) dan error pada lapisan ke-4
2) Propagasi error pada lapisan ke-3 adalah (ε9 = -107.1598 dan ε10 = -12.6792).
3) Propagasi error pada lapisan ke-2, diperoleh (ε7 = 21.3337 dan ε8 = -21.3337)
4.2 Analisis
Untuk mempermudah dalam analisis data terdapat beberapa hal yang perlu
diperhatikan, seperti :
1. Input, meliputi :
(reliable).
(reliable).
(reliable).
(reliable).
2. Output, hanya ada satu output yaitu tingkat kepuasan pasien didapatkan
himpunan bilangan fuzzy sangat puas [7 10] yang artinya tingkat kepuasan
sangat memuaskan.
71
BAB V
kemudian akan diuji kebenaran hasil dari analisis yang telah dilakukan. Pengujian
5.1 Implementasi
Pada implementasi dan pengujian hasil analisa ini, digunakan aplikasi toolbox
matlab untuk tahap pengujian terhadap analisa kepada Fuzzy Matlab Toolbox, yang
fuzzy dengan cara membuat matriks data pada editor FIS seperti gambar 5.1 di
Data yang dimasukkan ke editor ANFIS adalah berupa matriks input dan output
kolom ke empat Berwujud(X4), dan kolom ke lima Empati(X5), dan data pada
tekan Enter, maka tampillah editor ANFIS, seperti gambar 5.3 di bawah ini.
73
Pada bagian isian Load Data klik tombol radio file, yang artinya kita akan
mengambil data yang telah kita simpan sebelumnya. Klik load data dan akan muncul
Setelah menemukan file quesioner.dat, klik tombol OK, maka akan muncul
tampilan editor ANFIS yang telah berisi data, seperti gambar 5.5 berikut ini.
74
Pada isian generate FIS, pilih grid partition, hal ini dikarenakan pada grid
partition berguna apabila kita ingin menentukan jumlah aturan dan fungsi
dilanjutkan dengan mengklik tombol Generate FIS, maka akan muncul jendela yang
baru. Pada tahap ini digunakan grid partition untuk meng-generate FIS. Dimana
Dalam tesis ini akan dibuat MF Type untuk input adalah gbellmf, hal ini
dari sistem ANFIS. Sedangkan jumlah input-nya adalah 3 3 3 3, karena input yang
digunakan adalah tiga buah. Untuk output type MF adalah linier karena bentuk Fuzzy
Sugeno yang digunakan dalam tesis ini merupakan Sugeno orde 1. Berikut tampilan
Variabel yang digunakan dalam proses fuzzifikasi ini terdiri atas lima variabel
input yang diperoleh dari data questioner/responden, serta satu buah variabel output
yang juga diperoleh dari data historis responden yang telah dinormalisasi.
Dalam penilaian ini langkah awal yang dilakukan adalah penentuan fungsi
Pada gambar 5.7 di atas dapat dijelaskan bahwa analisa fuzzy menggunakan
5.1.2.2 Output
5.1.2.3 Rule
berikut :
dan least square). Untuk penelitian ini adalah menggunakan optimasi Hybrid.
tolerance, sehingga jika setelah training data error memasuki daerah error tolerance
79
ini maka training akan berhenti. Dipilih error tolerance sebesar 0. Kemudian
Untuk memulai proses training, klik Train now. Hasilnya akan terlihat seperti
Output dari ANFIS ini adalah Root Mean Square Error (RMSE). Error yang 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
signifikan, proses training bisa dihentikan. Pada gambar 5.10 terlihat bahwa proses
hybrid training dengan menggunakan type membership function gbellmf langsung dapat
mencapai error minimalnya pada iterasi ke-2. Karena ANFIS yang telah disusun telah dapat
80
mencapai error yang diinginkan, ini berarti jaringan telah mempelajari data dengan baik
titik error tetap pada angka 2.6362e-007 atau 0,00000026362 pada saat epoch
Dengan nilai error yang kecil maka struktur ANFIS dengan output linier
awal (dataquesioner.dat), kita bisa melakukan test dengan melakukan ploting data
dataquesioner dan ANFIS dengan nilai input yang sama. Pada kolom Test FIS di
ANFIS editor klik Test Now dengan sebelumnya memilih training data pada bagian
Plot Against.
Pada tahap defuzzification ini kita dapat memperoleh nilai pasti (best value) dari
data historis responden. Pada tahap melihat rule dimaksudkan untuk mendapatkan hasil
dari nilai fuzzy setelah dibuatkan ke dalam logika fuzzy dengan output seperti yang terlihat
INPUT
OUTPUT
Responden Tangibles Reliability Responsiveness Assurance Emphaty (Y)
(X1) (X2) (X3) (X4) (X5)
1 2 5 3 3 5 3.6
2 2 3 2 2 1 2
3 5 4 6 4 5 4.8
4 6 7 8 5 9 7
5 8 8 7 9 10 8.4
6 2 3 2 2 4 2.6
7 3 6 5 7 8 5.8
8 2 3 4 6 8 4.6
9 2 2 2 2 3 2.2
10 2 3 2 4 5 3.2
11 2 3 4 6 5 4
12 3 2 2 1 4 2.4
13 9 8 7 6 5 7
14 3 2 3 4 5 3.4
15 3 5 2 3 10 4.6
16 6 5 5 6 9 6.2
17 5 10 5 4 6 6
18 10 9 8 7 5 7.8
19 8 8 8 8 9 8.2
20 2 2 3 8 2 3.4
input lalu tekan Enter maka diperoleh nilai korelasi output sebesar 3.6 maka proses
training data yang dilakukan tidak mengalami perubahan, sesuai dengan tabel input-
output dari data historis responden bernilai korelasi sebesar 3.6, lihat gambar 5.16.
83
Hasil yang kita lakukan sebelumnya, dapat disimpan dengan mengklik menu
File, Export, To Disk. Dari tampilan kotak dialog Save yang tampil, berikan nama
Setelah proses penyimpanan kita lakukan maka, kita juga bisa melakukan
proses pencarian nilai output ini juga bisa dilakukan untuk beberapa input sekaligus
yang dilakukan pada command window Matlab. Pertama-tama ketik perintah berikut:
84
berikut ini:
>> fis=readfis('kepuasanpasien')
fis =
>>
name: 'KepuasanPasien'
type: 'sugeno
andMethod: 'prod'
orMethod: 'probor'
defuzzMethod: 'wtaver'
impMethod: 'min'
aggMethod: 'max'
input: [1x5 struct]
output: [1x1 struct]
rule: [1x243 struct]
>>
Gambar 5.18 Hasil Perintah Readfis
out =
3.6000
2.0000
4.8000
7.0000
8.4000
2.6000
5.8000
4.6000
2.2000
3.2000
2.4000
7.0000
3.4000
4.6000
6.2000
6.0000
7.8000
8.2000
3.4000
>>
Hasil dari tampilan gambar 5.18 tersebut sesuai dengan tabel 5.1 Data Input
pada command line Matlab. Setelah kita menggunakan proses training data pada
GUI ANFIS sebelumnya, maka bisa dilanjutkan dengan langkah sebagai berikut:
1. Masukkan data input yang akan dicari nilai output-nya, dengan menggunakan perintah
evalfis.
>> prediksiKepuasanResponden1=evalfis([2;5;3;3;5],fis)
prediksiKepuasanResponden1 =
3.6000
2. Masukkan data ke-2, dalam hal ini menggunakan responden2.
>> prediksiKepuasanResponden2=evalfis([2;3;2;2;1],fis)
prediksiKepuasanResponden2 =
2.0000
keseluruhan.
>> totaldata=[85;98;88;97;118;92.2]
totaldata =
85.0000
98.0000
88.0000
97.0000
118.0000
92.2000
>> prediksi=[85/20;98/20;88/20;97/20;118/20;486/5]
prediksi =
>> Prediksi20Pasien=([85+98+88+97+118]/5)
Prediksi20Pasien =
97.2000.
korelasi prediksi kepuasan pasien sebesar 97.2000. Dari angka tersebut telah
menunjukkan nilai korelasi 97.2% dengan interpretasi tinggi, dan ini berarti tingkat
mencapai 97.2%, dan ini sesuai dengan interpretasi terhadap koefisien korelasi yang
.Berikut ini adalah tabel hasil perbandingan untuk data lainnya, beserta nilai
Manual Matlab
Error(%)
(Anfis)
1 3.6 3.6 0.00%
2 2 2 0.00%
4 7 7 0.00%
11 4 4 0.00%
13 7 7 0.00%
17 6 6 0.00%
Σ 0.00%
MAPE 0,00%
Dari data yang ditampilkan pada tabel 5.2 di atas, total error yang terjadi
BAB VI
6.1 Kesimpulan
Dalam penulisan tesis ini dapat dianalisa dan disimpulkan beberapa hal yang
prestasi belajar :
ANFIS bisa dibangun dengan software yang digunakan yaitu Matlab 6.1
toolbox ANFIS.
6.2 Saran
89
kepuasan pelayanan.
sistem berbasis ANFIS ini masih sangat sederhana, maka jika ada
DAFTAR PUSTAKA
Nur Endah Sari, dkk. 2011. “Prediksi Cuaca Berbasis Logika Fuzzy Untuk
Velma Fidelia Rahmani. 2009. “Analisa Tingkat Kepuasan Pasien Rawat Jalan
Dewi Retno Indriaty. 2010. “Analisa Pengaruh Tingkat Kualitas Pelayana Jasa
Ferdinand Sinuhaji. 2009. “Jaringan Syaraf Tiruan Untuk Prediksi Keputusan Medis
Lia Farihul Mubin, dkk. 2012. “Prediksi Jumlah Kunjungan Pasien Rawat Jalan
Menggunakan Metode Genetic Fuzzy Systems Studi Kasus: Rumah Sakit Usada
Noorly Evalin. 2012. “Pemodelan ANFIS (Adaptive Neuro Fuzzy Inference System)
Gunadarma Jakarta.