Penerapan Metode Artificial Neural Network dalam Peramalan Jumlah Kunjungan Ibu Hamil (K4)

Ananda Riska Mita Izati, Hari Basuki Notobroto

= http://dx.doi.org/10.20473/jbk.v8i1.2019.11-20
Abstract views = 4599 times | downloads = 1762 times

Abstract


Forecasting is a systematic attempt to predict future events usingpast data, based on scientific and qualitative methods. For the maternal health program, forecasting is important as its process consists of planning, targetting and achievement. Based on data from the Ministry of Health, the quality of antenatal care in Indonesia was still low (87.48 percent) compared to that of the national target (95 percent). This study aims to apply the methods of artificial neural network in predicting the antenatalcare (K4). This applied research used a descriptive method with secondary data in the form of monthly antenatal care visits (K4) from the year of 2012 to2015 obtained from the Provincial Health Office of East Java, with a case study in Bondowoso. The forecasting result in 2016 based onthe 12-4-1 network architecture was 9533.5698, with the value of Mean Square Error (MSE) of 3091.84404. The average percentage of errord based on a comparison with the actual data is 0.1854 or reaching the accuracy of 99.81 percent. The conclusion of this study is that a neural network has a low error value and a high accuracy.Therefore, forecasting results can be used as an input in the planning program.

Keywords


forecasting, artificial neural network, antenatal care

Full Text:

PDF

References


Arief, A., Noerdin, E., Agustini, E., Aripurnami, S., Wahyumi, S., 2012. Target MDGs Menurunkan Angka Kematian Ibu Tahun 2015 Sulit Dicapai. Jakarta: Woman Research Institute.

BPS Kabupaten Bondowoso, 2015. Statistik Daerah Kabupaten Bondowoso. Bondowoso.

Dewi, C., Kartikasari, D.P., Mursityo, Y.T., 2014. Prediksi Cuaca pada Data Time Series Menggunakan Adaptive Neuro Fuzzy Inference System (Anfis). Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 1(1), pp.18–24.

Dinkes Kabupaten Bondowoso, 2016. Mengenal Penyakit Jantung pada Ibu Hamil. Bondowoso.

Dwiana, E., 2014. ASI Eksklusif dan 1000 Hari Pertama Kehidupan. Yogyakarta.

Hartanti, O.D., 2014. Penerapan Metode Double Exponential Smoothing Holt dan Metode Jaringan Syaraf Tiruan. Skripsi. Universitas Airlangga.

Hoelman, M.B., Parhusip, B.T.P., Eko, S., Bahagijo, S., Santono, H., 2015. Panduan SDGs untuk Pemerintah Daerah (Kota dan Kabupaten) dan Pemangku Kepentingan Daerah. Jakarta: International NGO Forum on Indonesian Development (INFID).

Izati, A.R.M., 2017. Penerapan Metode Artificial Neural Network dalam Meramalkan Jumlah Kunjungan Ibu Hamil (K4) dan Jumlah Pertolongan Persalinan oleh Tenaga Kesehatan di Kabupaten Bondowoso. Skripsi. Universitas Airlangga.

Jauhari, D., Himawan, A., Dewi, C., 2016. Prediksi Distribusi Air PDAM Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation di PDAM Kota Malang. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 3(2), pp.83–87.

Kemenkes RI, 2015a. Laporan Akuntabilitas Kinerja Direktorat Bina Kesehatan Ibu Tahun Anggaran 2014. Jakarta.

Kemenkes RI, 2015b. Profil Kesehatan Indonesia 2014. Jakarta: Kementerian Kesehatan Republik Indonesia.

Kemenkes RI, 2016a. Laporan Akuntabilitas Kinerja Direktorat Bina Kesehatan Ibu Tahun Anggaran 2015. Jakarta.

Kemenkes RI, 2016b. Profil Kesehatan RI 2015. Jakarta: Kementerian Kesehatan Republik Indonesia.

Lolong, D.B., Pangaribuan, L., 2015. Hubungan Kunjungan K4 dengan Kematian Neonatal Dini di Indonesia. Media Litbangkes, 25(3), pp.139–146.

Makridakis, S.G., Wheelwright, S.C., McGee, V.E., 1999. Metode dan Aplikasi Peramalan. 2nd ed. Jakarta: Binarupa Aksara.

Mardiyah, U.L., Herawati, Y.T., Witcahyo, E., 2014. Faktor yang Berhubungan dengan Pemanfaatan Pelayanan Antenatal oleh Ibu Hamil di Wilayah Kerja Puskesmas Tempurejo Kabupaten Jember Tahun 2013. Jurnal Pustaka Kesehatan, 2(1), pp.58–65.

Marniyati, L., Saleh, I., Soebyakto, B.B., 2016. Pelayanan Antenatal Berkualitas dalam Meningkatkan Deteksi Risiko Tinggi pada Ibu Hamil oleh Tenaga Kesehatan di Puskesmas Sako, Sosial, Sei Baung dan Sei Selincah di Kota Palembang. Jurnal Kedokteran dan Kesehatan, 3(1), pp.355–362.

Riswanto, R.L., Sutikno., Indriyati, 2014. Aplikasi Prediksi Jumlah Penderita Penyakit Demam Berdarah Dengue di Kota Semarang Menggunakan Jaringan Syaraf Tiruan Backpropagation. Jurnal Masyarakat Informatika, 5(10), pp.19–27.

Saifuddin, A., 2012. Buku Panduan Praktis Pelayanan Kesehatan Maternal dan Neonatal. Jakarta: Yayasan Bina Pustaka Sarwono Prawirohardjo.

Santoso, M.A., 2015. Peramalan Penjualan Produk Menggunakan Jaringan Saraf Tiruan Metode Extreme Learning Machine. Skripsi. Universitas Airlangga.

Siang, J.J., 2009. Jaringan Syaraf Tiruan & Pemprogramannya menggunakan Matlab. Yogyakarta: Penerbit Andi.

Trimulya, A., Syaifurrahman., Setyaningsih, F.A., 2015. Implementasi Jaringan Syaraf Tiruan Metode Backpropagation untuk Memprediksi Harga Saham. Jurnal Coding, Sistem Komputer Untan, 3(2), pp.66–75.

Wang, J., Li, M., Hu, Y.T., Zhu, Y., 2009. Comparison of Hospital Charge Prediction Models for Gastric Cancer Patients: Neural Network vs. Decision Tree Models. BMC Health Services Research, 9(161), pp.1–6.


Refbacks

  • There are currently no refbacks.




Copyright (c) 2019 Jurnal Biometrika dan Kependudukan

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

This Journal is Indexed By:

             

 

View My Stats

 

Fakultas Kesehatan Masyarakat Universitas Airlangga

Kampus C Universitas Airlangga

Jl. Mulyorejo Kampus C Unair, Surabaya 60115, Indonesia.

E-mail: j.biokep@gmail.com / jbk@fkm.unair.ac.id

Phone: +62 816 502 307

 

 Flag Counter