12
PREDIKSI KETERSEDIAAN OBAT DENGAN JARINGAN SYARAF
TIRUAN BACKPROPAGATION
(STUDI KASUS : PT. KALBE FARMA MEDAN)
Khairul
1, Ulya Ilhami Arsyah
2Universitas Pembangunan Panca Budi Medan1
Manajemen Informatika, Amik Royal Kisaran2
e-mail: [email protected], [email protected]
Abstrak
Penelitian ini menerapkan Jaringan Syaraf Tiruan untuk memprediksi ketersediaan obat. Penerapannya dilakukan dengan algoritma Backpropagation dimana data yang akan diinputkan dikelompokkan berdasarkan Stok Awal, Order dan Terjual. Kemudian dibentuk Jaringan Syaraf Tiruan dengan menentukan jumlah unit setiap lapisan. Setelah jaringan terbentuk dilakukan training dari data yang telah dikelompokkan tersebut. Pengujian dilakukan dengan arsitektur jaringan yang terdiri dari unit masukan, unit layar tersembunyi, unit kelurannya dan arsitektur jaringan 3-2-1, 3-3-1, 3-5-1, 3-9-1 dan 3-11-1. Hasil yang didapat dari pengujian tersebut adalah nilai performance dan epoch setiap arsitektur tidak sama. Hasil pengujiannya ditampilkan dalam bentuk grafik perbandingan nilai target dengan nilai pelatihan.
Kata kunci : Jaringan Syaraf Tiruan, Backpropagation, Prediksi, Performance, Epoch.
1. Pendahuluan
Permasalahan yang dihadapi oleh PT. KALBE FARMA MEDAN adalah masih kesulitan dalam menghitung stok obat dalam jumlah yang besar. Pendataan ketersediaan obat merupakan permasalahan yang sering dihadapi oleh perusahaan. Masalah ini timbul karena sulitnya menghitung data yang besar dan kurangnya pengecekan terhadap data yang ada. Hal ini mengakibatkan sering terjadi kesulitan dan kesalahan dalam menghitung jumlah ketersediaan. Sehingga menimbulkan kekacauan pembukuan dan terjadinya kerugian.
Pendataan ketersediaan dilakukan dengan menghitung sisa ketersediaan yang ada, kemudian membandingkan jumlah antara obat yang terjual dengan faktur pembelian. Hal ini selalu memberikan data obat yang tidak pasti. Karena pendataan ketersediaan dilakukan secara manual, sering terjadi kekeliruan dan membutuhkan waktu yang lama. Pada saat sekarang solusi permasalahan oleh pihak perusahaan adalah melakukan pengawasan dengan cara pemantauan sisa obat yang ada. Tujuan pengawasan ini adalah untuk menjaga agar tidak sampai terjadinya kesalahan dalam perhitungan data dan menghindari terjadinya kekosongan ketersediaan obat.
Pembuatan prediksi ketersediaan akan dapat membantu perusahaan dalam pengendalian barang yang ada di gudang. Hal ini penting dilakukan agar perusahaan mempunyai keputusan yang tepat mengenai persediaan barang yang dijual. Oleh karena itu penulis melakukan penelitian ini dengan menggunakan algoritma Backpropagation pada aplikasi Jaringan Syaraf Tiruan untuk memprediksi ketersediaan obat dengan menggunakan data masa lalu.
Jaringan Syaraf Tiruan merupakan generalisasi model matematis dengan asumsi bahwa pemrosesan informasi terjadi pada elemen sederhana (neuron), sinyal dikirimkan di antara neuron-neuron melalui penghubung (dendrit dan akson). Penghubung antar elemen memiliki bobot yang akan menambah atau mengurangi sinyal, untuk menentukan output, setiap neuron memiliki fungsi aktivasi (biasanya non linear) yang dikenakan pada semua input serta besar output akan dibandingkan dengan threshold (Andi, 2013). Backpropagation adalah metode umum pengajaran Jaringan Syaraf Tiruan bagaimana melakukan tugas yang diberikan (Jyosthna, et al, 2012). Jaringan Syaraf Tiruan Backpropagtion melatih jaringan mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan untuk memberikan respon yang benar terhadap pola masukan yang serupa dengan pola yang dipakai selama pelatihan (Arif, et al, 2009).
Beberapa penelitian telah dilakukan untuk menerapkan Jaringan Syaraf Tiruan menggunakan algoritma Backpropagation. Victor dan Antony (2013) melakukan penelitian untuk prediksi persediaan menggunakan Jaringan Syaraf Tiruan. Jyosthna, et al (2012) melakukan penelitian untuk memprediksi cuaca menggunakan Backpropagation.
Tujuan dari penelitian ini adalah : 1. Merancang arsitektur Jaringan Syaraf Tiruan
untuk prediksi ketersedian obat menggunakan algoritma Backpropagation.
13
yang ditentukan sebelumnya serta memastikan aplikasi berjalan seperti yang diharapkan.
Jaringan Syaraf Tiruan memiliki beberapa arsitektur jaringan yang sering digunakan dalam berbagai aplikasi. Arsitektur Jaringan Syaraf Tiruan tersebut, antara lain (Siang, 2009):
1. Jaringan Layar Tunggal (Single Layer Network)
Jaringan ini untuk sekumpulan input neuron dihubungkan langsung dengan sekumpulan output-nya. Dalam beberapa model (misalnya Perceptron) hanya ada sebuah unit neuron output.
Gambar 1 Jaringan Layar Tunggal Sumber : Siang, 2009
2. Jaringan Layar Jamak (Multi Layer Network) Jaringan layer jamak merupakan perluasan dari layer tunggal. Dalam jaringan ini selain unit input dan output ada unit-unit lain, sering disebut layer tersembunyi. Dimungkinkan ada beberapa layer tersembunyi sama seperti pada unit input dan output, unit-unit dalam satu layer tidak saling berhubungan.
Gambar 2 Jaringan Layar Jamak Sumber : Siang, 2009
Algoritma pelatihan pada Backpropogation sebagai berikut (Badrul, 2011) : 1. Initiliazation
Memberikan nilai awal terhadap nilai-nilai yang diperlukan oleh neural network seperti weight, threshold.
2. Activation
Nilai-nilai yang diberikan pada tahap initiliazation akan digunakan pada tahap activation. Dengan melakukan perhitungan :
a. Menentukan actual output pada hidden layer.
b. Menghitung actual output pada output layer.
3. Weight Training
Pada tahap weight training dilakukan 2 dua kegiatan yaitu :
a. Menghitung error gradien pada output layer.
b. Menghitung error gradien pada hidden layer.
4. Iteration
Pada tahap ini dilakukan proses pengulangan sampai mendapat error yang minimal.
2. Metodologi Penelitian 1. Identifikasi Masalah
Permasalahan yang ditemukan penulis, dideskripsikan dengan jelas sehingga akan terlihat inti permasalahan yang akan dibahas. 2. Analisis Masalah
Langkah analisis masalah adalah langkah untuk memahami yang telah ditentukan ruang lingkup atau batasannya. Dengan menganalisis masalah yang telah ditentukan tersebut, maka diharapkan masalah tersebut dapat dipahami dengan baik.
3. Menentukan Tujuan
Pada tujuan ini target yang akan dicapai, terutama yang dapat mengatasi masalah-masalah yang ada. Adapun tujuan dari penelitian ini adalah menghasilkan suatu sistem yang dapat memprediksi ketersedian obat.
4. Mempelajari Literatur
Untuk mecapai tujuan yang akan ditentukan, maka perlu dipelajari beberapa literatur-literatur yang sesuai dengan penelitian yang akan dilakukan.
5. Mengumpulkan Data
Pengumpulan data dan informasi pada tahap ini dilakukan untuk mengetahui, mendapatkan data dan informasi yang nantinya akan mendukung penelitian ini, dalam pengumpulan data, terdapat beberapa metode yang digunakan yaitu penelitian lapangan (field research), penelitian perpustakaan (library research), serta penelitian laboratorium (laboratory research).
6. Analisa Data
14
7. Merancang Arsitektur Jaringan Syaraf Tiruan Tahap ini akan menampilkan bagaimana sistem dirancang berdasarkan hasil analisa data yang telah terkumpul di atas. Dan bagaimana merancang dan mengembangkan arsitektur Jaringan Syaraf Tiruan algoritma Backpropagation.
8. Implementasi
Pada penelitian ini penulis mengimplementasikan pengujian model dari hasil perancangan sistem diimplementasikan dengan menggunakan alat bantu komputer dengan operating system windows dan menggunakan software Matlab 6.1.
9. Pengujian Hasil Pengolahan Data
Evaluasi sistem yang telah dirancang perlu dilakukan. Hal ini bertujuan untuk
mengetahui apakah sistem yang dirancang tersebut sudah sesuai dengan yang diharapkan. Evaluasi dilakukan dengan cara membandingkan hasil yang didapatkan pada tahap implementasi sistem dengan hasil yang dibuat secara manual dengan sistem yang dibuat menggunakan aplikasi program Matlab 6.1.
3. HASIL DAN PEMBAHASAN 3.1 Hasil Pengujian
Proses pelatihan dan pengujian dilakukan dengan menggunakan software Matlab 6.1. Model Jaringan Syaraf Tiruan yang digunakan adalah 3-2-1, 3-3-1, 3-5-1, 3-9-1 dan 3-11-1. Untuk perbandingannya dapat dilihat pada tabel 3 dan 4 berikut ini
Tabel 1 Hasil Pelatihan Sistem
Target JST 3-2-1 JST 3-3-1 JST 3-5-1 JST 3-9-1 JST 3-11-1 Output Error Output Error Output Error Output Error Output Error 0,1033 0,1311 -0,0278 0,0962 0,0071 0,1297 -0,0264 0,0819 0,0214 0,0972 0,0061 0,1038 0,1310 -0,0272 0,0890 0,0148 0,1266 -0,0228 0,0801 0,0237 0,0923 0,0115 0,1082 0,1310 -0,0228 0,1003 0,0079 0,1270 -0,0188 0,0804 0,0278 0,0956 0,0126 0,1064 0,1310 -0,0246 0,0979 0,0085 0,1268 -0,0204 0,0803 0,0261 0,0949 0,0115 0,9000 0,8368 -0,0632 0,8642 0,0358 0,8581 0,4190 0,8880 0,0120 0,8490 0,0510 0,1204 0,1310 -0,0106 0,1420 -0,0216 0,1279 -0,0075 0,0850 0,0354 0,1127 0,0077 0,1469 0,1309 0,0160 0,2165 -0,0696 0,0904 0,0565 0,2028 -0,0559 0,2091 -0,0622
Tabel 2 Hasil Pengujian Sistem
Target JST 3-2-1 JST 3-2-1 JST 3-5-1 JST 3-9-1 JST 3-11-1 Output Error Output Error Output Error Output Error Output Error 0,1046 0,1310 -0,0264 0,1103 -0,0057 0,1287 -0,0241 0,0816 0,0230 0,0997 0,0049 0,1000 0,1310 -0,0310 0,0706 0,0294 0,1225 -0,0225 0,0800 0,0200 0,0889 0,0111 0,1003 0,1310 -0,0307 0,0724 0,0279 0,1228 -0,0225 0,0799 0,0204 0,0891 0,0112
Dari kelima model arsitektur yang digunakan penulis dalam proses pelatihan dan pengujian sistem Jaringan Syaraf Tiruan dengan algoritma Backpropagation dengan menggunakanMatlab 6.1 maka penulis menyimpulkan bahwa model terbaik adalah model 3-3-1 dengan proses perulangan
(epoch) pada saat pelatihan dengan nilai epoch terkeci, epoch= 739 dimana nilai MSE pada saat pelatihan, MSE=0,00099976 dan MSE pada saaat pengujian, MSE=0,00055585. Perbandingan epoch tiap arsitektur dapat dilihat sebagai berikut:
Tabel 3 Perbandingan Epoch, MSE Pelatihan dan MSE Pengujian
JST 3-2-1 JST 3-3-1 JST 3-5-1 JST 3-9-1 JST 3-11-1
Epoch 5532 739 1782 9119 1291
MSE Pelatihan 0,000999976 0,00099976 0,000999782 0,000999262 0,000998754 Akurasi 98,3772 % 99,8347 % 98,5015 % 99,8374 % 99,8374 %
15
3.2 Analisa Data
Dari hasil literatur yang dilakukan dan data yang telah diperoleh berupa hasil Laporan Triwulan Periode I Tahun 2017, selanjutnya dilakukan analisis data. Dalam menganalisa dan menentukan ketersediaan obat tiap periodenya dipengaruhi oleh berapa faktor yang perlu dperhitungkan.
3.3 Pemrosesan Data
Kriteria data input yang dipakai dalam prediksi ketersediaan obat berdasarkan Laporan Triwulan periode I Tahun 2017 pada PT. KALBE FARMA MEDAN yang menjadi variabel penelitian adalah :
1. Stok Awal, diinisialkan menjadi x1 2. Order Obat, diinisialkan menjadi x2 3. Obat Terjual, diinisialkan menjadi x3
Tabel 4 Input dan Target Dalam Prediksi Ketersediaan Obat
No Nama Obat
Data Input Pelatihan Target Stok
Awal (X1)
Order Obat (X2)
Obat Terjual (X3)
Sisa Obat (Y)
1 Albendazol
tablet 400 mg 12060 0 4380 7680
2 Alopurinol
tablet 100 mg 200 74300 30000 44500
3 Batugin Sirup
300 Ml 40300 47400 40400 47300
4 Betason Tube
5 G Krim 600 1567600 1352300 21590 0
5 Chloramfecort
10 G 59760 6120 10560 55320
6 Dasabion Dos
100 Kapsul 26000 109700 39600 96100
7 Deksametason
Tablet 0,5 Mg 209 374 229 354
8 Chloramfecort
10 G 56100 144900 141000 60000
9
Enkasari Botol 120 Ml
Cairan 31700 96100 86000 41800
10 Fungoral 200
Mgtab 30 4830 1500 3360
Data-data ini akan diolah menggunakan fungsi aktivasi sigmoid (biner), data harus dinormalisasi dulu karena ra nge keluaran fungsi aktivasi sigmoid adalah [0,1]. Dengan menormalisasi maka data terkecil akan menjadi 0.1 dan data terbesar akan menjadi 0.9
Tabel 5 Hasil Normalisasi Data Input Pelatihan
No Nama Obat Data Input
Pelatihan Target
x1 x2 x3 Y
1 Albendazol tablet
400 mg 0,2611 0,1000 0,1025 0,1272
2 Alopurinol tablet
100 mg 0,1023 0,1379 0,1176 0,2638
3 Batugin Sirup 300
Ml 0,6394 0,1242 0,1238 0,2742
4 Betason Tube 5 G
Krim 0,1076 0,9000 0,9000 0,9000
5 Chloramfecort 10
G 0,9000 0,1031 0,1061 0,3040
6 Dasabion Dos 100
Kapsul 0,4478 0,1560 0,1233 0,4554
7 Deksametason
Tablet 0,5 Mg 0,1024 0,1002 0,1000 0,1000
8 Chloramfecort 10
G 0,8510 0,1739 0,1833 0,3214
9 Enkasari Botol 120
Ml Cairan 0,5242 0,1490 0,1507 0,2538
10 Fungoral 200
Mgtab 0,1000 0,1025 0,1008 0,1112
3.4 Perancangan Arsitektur Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation
Arsitektur Jaringan Syaraf Tiruan yang digunakan untuk prediksi ketersediaan obat dalam penelitian ini adalah algoritma Backpropagation, yang terdiri dari:
1. Lapisan input dengan 3 (tiga) simpul yaitu: Stok Awal, Order Obat dan Obat Terjual (x1, x2 dan x3)
2. Lapisan hidden dengan 2 (dua) simpul yaitu: Z1 dan Z2.
3. Lapisan output dengan 1 (satu) simpul yaitu: Sisa Obat (Y).
Gambar 3 Arsitektur Jaringan Syaraf Tiruan Backpropagation Ketersediaan Obat dengan 3
inputan Sumber : Penulis, 2017.
Berikut diberikan contoh data pelatihan prediksi dengan Jaringan Syaraf Tiruan untuk memprediksi ketersediaan obat pada PT. KALBE FARMA MEDAN. Pelatihan dilakukan dengan menggunakan 3 (tiga) input x sebagai berikut: x1 = 0,2611
16
x3 = 0,1025
Berdasarkan data di atas, maka arsitektur dapat digambarkan bahwa bentuk jaringan dapat direpresentasikan pada gambar 7.
Gambar 4 Jaringan Syaraf Tiruan dengan 3 Input, 2 Hidden Layer dan 1 Output Layer Sumber : Penulis, 2017.
Berikut ini proses algoritma Backpropagation adalah sebagai berikut:
Langkah 1
Yaitu memberikan bobot awal pada nilai input yang didapat dari nilai acak kecil.
a. Bobot awal dari input ke hidden layer Pemberian bobot (V)
b. Bobot awal dari Hidden Layer ke Output Layer Pemberian bobot (w)
Langkah 2 : Untuk setiap pasang data pelatihan lakukan langkah 3-8.
Langkah 3 : Tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi di atasnya.
angkah 4
Pada langkah 4 dilakukan perhitungan keluaran dari lapisan tersembunyi (hidden layer) yaitu Z dengan persamaan:
7,9791
Kemudian dicari nilai Zj dengan persamaan:
0,0003
Menghitung keluaran dari Yk dengan persamaan sebagai berikut:
kj
Karena jaringan hanya memiliki sebuah unit keluaran y maka y_netk
2,9684
Kemudian cari nilai Yk dengan persamaan:
0,9511
berdasarkan kesalahan di setiap unit keluaran Yk (k=1,2,...,m)Karena jaringan hanya memiliki sebuah keluaran maka
Untuk melakukan perhitungan pada data selanjutnya maka kita perlu melakukan perhitungan perubahan nilai bobot Wjk (dengan α = 0,1) dengan menggunakan persamaan berikut :
0000
Menghitung kesalahan dari hidden layer (δ)
karena jaringan hanya memiliki sebuah unit keluaran maka:
17
Perubahan bobot ke unit layer tersembunyi adalah:
0000
Hitung semua perubahan bobot
Perubahan bobot dan bias ke unit keluaran yaitu:
0369
Perubahan bobot unit tersembunyi:
)
error antara output actual dan output target adalah 0,8239. Hal ini menunjukkan bahwa pola terhadap target masih belum maksimal sehingga harus dilakukan iterasi sampai mencapai error minimum yang telah ditentukan.4. KESIMPULAN DAN SARAN
4.1 Kesimpulan
Dari hasi penelitian yang dilakukan, kesimpulan yang diambil dari penerapan Jaringan Syaraf Tiruan dengan algoritma Backpropagation dalam prediksi ketersediaan obat, dapat disimpulkan sebagai berikut:
1. Metode Jaringan Syaraf Tiruan dengan algoritma Backpropagation dapat diterapkan untuk memprediksi ketersediaan obat. 2. Setelah diuji hasil yang didapat adalah
semakin besar nilai learning rate maka akan semakin kecil jumlah iterasi untuk menemukan Performance yang lebih kecil dari target error.
4.2 Saran
18
2. Dalam membentuk arsitektur jaringan dalam prediksi harus terus dicari arsitektur mana yang paling baik digunakan, karena belum tentu arsitektur yang terbentuk dalam penelitian ini, juga yang terbaik dalam arsitektur jaringan lainnya.
5. DAFTAR PUSTAKA
A, Victor Devadorss dan T. Antony Alphonnse
Ligori (2013). ”Stock Prediction Using Artificial Neural Nerworks”. International Jurnal of Data Mining Techniques and Applications, 283-291, Volume 02.
Andi Ihwan (2013). “Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat”. Prosiding Semirata FMIFA Universitas Lampung.
Arif Jumarwanto (2009). “Apllikasi Jaringan Syaraf Tiruan Backpropagation Untuk Memprediksi Penyakit THT di Rumah Sakit Mardi Rahayu Kudus”. Jurnal Teknik Elektro. Volume 1 Nomor 1.
Badrul Anwar (2011). “Penerapan Algoritma Jaringan Syaraf Tiruan Backpropagation Dalam Mempredisi Tingkat Suku Bank”. Jurnal SAINTIKOM, Volume 10 No 2.
Ch.Jyoshtna Devi, B. Syam Prasad Reddy, K. Vagdhan Kumar, B,Musaha Reddy dan
N. Raja (2012). “ANN Approach for Weather Prediction using Backpropagation”. International Journal of Enginerring Trends and Technology. Volume 3 Issue 1.
Sahat Sonang, Ferri Ojak Imanuel Pardede dan
Arifin Tua Purba, ”Metode Jaringan Syaraf Tiruan dalam Prediksi Serangan Jantung yang efektif”. Seminar Nasional Teknologi Informasi dan Komunikasi.
Siang, Jong Jek, 2009, “Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan
