Sistem Pendukung Keputusan Peramalan Jumlah Kunjungan Pasien Menggunakan Metode Extreme Learning Machine (Studi Kasus : Poli Gigi Rsu Dr. Wahidin Sudiro Husodo Mojokerto)

Delia Putri Fardani, Eto Wuryanto, Indah Werdiningsih

DOI: http://dx.doi.org/10.20473/jisebi.1.1.33-40
Abstract viewed = 401 times | PDF downloaded = 735 times

Abstract


Abstrak— Penelitian ini bertujuan merancang dan membangun sistem pendukung keputusan untuk meramalkan jumlah kunjungan pasien RSU Dr. Wahidin Sudiro Husodo Kota Mojokerto dengan menggunakan metode Extreme Learning Machine (ELM). Dengan adanya  sistem pendukung keputusan ini direktur Rumah Sakit dapat meramalkan jumlah kunjungan pasien dan membantu dalam pembuatan kebijakan rumah sakit, mengatur sumber daya manusia dan keuangan, serta mendistribusikan sumber daya material dengan benar khususnya pada poli gigi. Dalam rancang bangun sistem pendukung keputusan ini dilakukan dalam beberapa tahap. Tahap yang pertama, pengumpulan data untuk mengidentifikasi inputan yang dibutuhkan dalam penghitungan metode ELM. Tahap kedua, pengolahan data, data dibagi menjadi data training dan data testing dengan komposisi data training sebanyak 80% (463 data) dari total 579 data dan 20% (116 data) sisanya sebagai data testing yang kemudian di normalisasi. Tahap ketiga, peramalan jumlah kunjungan pasien menggunakan metode ELM. Tahap terakhir, perancangan sistem menggunakan sysflow dan pembangunan sistem berbasis desktop serta evaluasi sistem. Hasil penelitian berupa aplikasi sistem pendukung keputusan untuk meramalkan jumlah kunjungan pasien. Dan melalui uji coba menggunakan 116 data testing berdasarkan fungsi aktivasi sigmoid biner dengan jumlah hidden layer sebanyak 7 unit dan Epoch 500 diperoleh hasil optimal MSE sebesar 0.027

 

Kata Kunci— Sistem Pendukung Keputusan, Peramalan, Jaringan Syaraf Tiruan, Extreme Learning Machine

Abstract— In this research, a decision support system to predict the number of patients visit RSU Dr. Wahidin Sudiro Husodo Kota Mojokerto was designed and developed using Extreme Learning Machine (ELM) method which aims to assist director in making decision for the hospital, managing human and financial resource, as well as distributing material resource properly especially in the Department of Dentistry. The design of this decision support system to predict the number of patients visit with ELM method is divided into several stages. The first stage is to identify the input data collection needed in the calculation method of ELM. The next stage is processing the data; the data is divided into training data and testing data and then normalized, in which training data is 80% (452 data) and testing 579 data 20% (116 data). The third stage is problem solving using ELM. The last stage is the design and development of systems using sysflow and desktop-based system that includes the implementation and evaluation of the system. The result of this research is an application of decision supporting system to predict number of patients. By using 116 testing data based on the binary sigmoid activation function using 7 units of hidden layer and 500 Epoch then Optimal MSE value that was obtained is 0.027.

 

Keywords— Decision Supporting System, Prediction, Artificial Neural Network, Extreme Learning Machine


Full Text:

PDF

References


Agustina, I. (2010). Penerapan Metode Extreme Learning Machine untuk Peramalan Permintaan, Skripsi. Surabaya: Institut Teknologi Sepuluh November.

Hartono, J. (2005). Analisis dan Desain Sistem Informasi : Pendekatan Terstruktur, Teori, dan Praktik Aplikasi Bisnis. Yogyakarta: Andi.

Huang, G. B. (2006). Extreme learning machine: Theory and application. Neurocomputing, 70 , 789-501.

Nachrowi, N. (2004). Teknik Pengambilan Keputusan. Jakarta: Grasindo.

Rojas, R. (1997). Neural Network : A Systematic Introduction. Berlin: Springer-Verlag.

Siang, J. (2005). Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan Matlab. Yogyakarta: Andi.

Suryadi, K. a. (1998). Sistem Pendukung Keputusan: Suatu Wacana Struktural Idealisasi dan Implementasi Konsep Pengambilan Keputusan. Bandung: PT. Remaja Rosdakarya.

Widjajanto, N. (2001). Sistem Informasi Akuntansi. Jakarta: Erlangga.

Zhang, G. P. (1998). Forecasting with Artificial Neural Networks : The State of the Art. . Elsevier International Journal of Forecasting, 14 , 35-62.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2015 Delia Putri Fardani, Eto Wuryanto, Indah Werdiningsih

Journal of Information Systems Engineering and Business Intelligence (e-ISSN 2443-2555)

 Creative Commons License JISEBI is licensed under a Creative Commons Attribution 4.0 International License.

Indexed in DOAJ ,Crossref ,Google Scholar, SINTA (Science and Technology Index) , Indonesian Scientific Journal DatabasePortal Garuda IPI, BASE, Indonesia OneSearch and Microsoft Academic

 

 

JISEBI Stats