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 CANDRA
112321085
PROGRAM PASCA SARJANA MAGISTER ILMU KOMPUTER UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG
Universitas Putra Indonesia “YPTK” Padang Program 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
Telah Dinyatakan Lulus Ujian Tesis Pada Sidang Tertutup Program Pascasarjana Magister Ilmu Komputer, Universitas Putra Indonesia “YPTK” Padang 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
“Saya Menyatakan karya tesis ini adalah hasil kerja saya sendiri kecuali kutipan dan ringkasan buku dan jurnal yang masing-masing telah saya jelaskan sumbernya“
Tanda tangan : ...
Nama Penulis : Hairul Candra
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
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.
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
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.
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.
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
II LANDASAN TEORI
2.1 Neural ... 8
2.2 Fuzzy ... 9
2.2.1 Pengertian Logika Fuzzy………... 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 Himpunan Fuzzy (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 2.7.1 Pengertian Prediksi... 26 2.7.2 Jenis Prediksi... 26 2.7.3 Teknik Prediksi... 27 2.7.4 Validasi Prediksi... 27 2.8 Kepuasan……….………. 29 2.9 Kepuasan Pasien………..……… 30 2.9.1. Faktor-Faktor Pendorong Kepuasan Pelanggan. 31
2.9.2. Pengukuran Kepuasan Pelanggan……….. 32
2.10 Identifikasi Kepuasan Pasien………. 33
2.11 Skala Likert……… 35
2.12 Korelasi Product 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
4.1.1 Analisis Predikasi Tingkat Kepuasan Pasien………... 44
4.1.2 Analisa Metode Adaptive 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 Variabel Input………. ... 74 5.1.2.2 Variabel Output ... 74 5.1.2.3 Rule……….. ... 77 5.1.3 Pelatihan ANFIS……… .. 77
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
DAFTAR TABEL
TABEL JUDUL HALAMAN
2.1. Pedoman Untuk Memberikan Interpretasi Pada Koefisien Korelasi.. 17
2.2. Representasi Data Transaksi dalam Database Transaksional ... 18
2.3. Format Tabular Data Transaksi ... 19
2.4. Calon 2 Itemset ... 20
2.5. Calon 3 Itemset ... 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 Untuk Cluster ke-i ... 52
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
DAFTAR GAMBAR
GAMBAR JUDUL HALAMAN
2.1. Komponen Neuron ... 9
2.2. Arsitektur Jaringan ANFIS ... 12
2.3. Komponen Fuzzy 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. Flowchart Tahapan Analisis ANFIS ... 46
4.2. Variabel Input Dan Output ... 47
5.1. Tampilan Data Pada Editor Matlab ... 71
5.2. Tampilan Menyimpan Data ... 71
5.3. Tampilan Awal Editor ANFIS ... 72
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 Nilai Input pada Rule Viewer... 82
5.15. Menyimpan Hasil ANFIS ... 82
5.16. Hasil Perintah Readfis ... 83
BAB I
PENDAHULUAN
1.1 Latar 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
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
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
1.2 Perumusan Masalah
Berdasarkan 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?
1.3 Tujuan Penelitian
Tujuan 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.
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 proses fuzzyfikasi 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.
1.4 Batasan Masalah
Dengan 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
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).
1.5 Sistimatika Penulisan
Sistimatika 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 Teori
Menguraikan teori–teori yang digunakan dalam tahap–tahap penyelesaian masalah–masalah sesuai dengan topik penelitian.
3. Bab III Metode Penelitian
Menguraikan langkah-langkah atau tahapan–tahapan proses yang akan dilakukan dalam penelitian.
4. Bab IV Analisa dan Perancangan Sistem
Menguraikan hasil analisa dan perancangan aturan ANFIS yang akan digunakan pada implementasi dan pengujian.
5. Bab V Implementasi dan Pengujian
Melakukan Implementasi dan pengujian terhadap aturan ANFIS yang telah ditetapkan.
Menguraikan kesimpulan dari penyusunan tugas akhir dan pembuatan aturan ANFIS serta saran–saran 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
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 adder bertugas 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
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 logika Fuzzy suatu nilai bisa bernilai benar atau salah secara bersama. Namun berapa besar keberadaan dan kesalahan suatu tergantung pada bobot keanggotaan yang dimilikinya. Logika Fuzzy 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 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 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 neural dan sistem fuzzy.
Menurut Rahmat (2000:6 dalam Anang Tjahjono, 2010) ada dua macam
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).
Gambar 2.2 Arsitektur Jaringan ANFIS
Penjelasan pada masing-masing lapisan strukur ANFIS dapat dijabarkan sebagai berikut:
1. Lapisan 1:
Setiap simpul i pada lapisan ini adalah simpul adaptif dengan fungsi simpul:
O1,i = µAi(x) untuk i = 1,2 atau
O1,i = µAi-2(y) untuk i = 3,4 (1)
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
dari Ai dan menspesifikasikan derajat keanggotaan x dan y terhadap Ai.
Fungsi keanggotaan µ Ai(x) didasarkan pada persamaan bell dengan nilai
maksimum 1 dan nilai minimum 0 (2.14).
Fungsi keanggotaan parameter dari A dapat didekati dengan fungsi bell::
Layer 1 Layer 4 Layer 2 Layer 3 X Y W1 W1 W1f1 Layer 5 f W2 W2 W2f2 X Y A1 A2 B1 B2 T T T T
N
N
M X Y µA1(X)= 1 2 x - ci 1 + ai(2)
Di mana:
{ai, bi, ci} : himpunan parameter. µ(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 = µAi(x) . µAi-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
O
3,i = Wi = , i = 1,2 W1 + W2dengan 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) dan Error 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
∑w
if
iO
5,i
=
∑
w
i
f
i
=
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 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.
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) “μ” 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
dengan sepasang anggota atau dapat dinyatakan dengan (Kusumadewi, Sri. 2002 dalam Banon Tri Kuncahyo, 2012):
= { μA( ) | ∶ ∈X, ( )∈[0,1]∈ R} (7)
Contoh, jika A = “bilangan yang mendekati 10” dimana :
A = {(x, μA(x)) | μA(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 µ(x)
0 0 28 40
Temperatur (0C)
Gambar 2.4 Representasi Kurva Bahu
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:
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 model Fuzzy dengan metode Sugeno yaitu sebagai berikut: 1. Model Fuzzy Sugeno Orde-Nol
Secara umum bentuk model Fuzzy Sugeno Orde Nol adalah:
IF (x1 is A1) o (x2 is A2) o (x3 is A3) o… o (xN is AN) THEN z=k dengan Ai
adalah himpunan Fuzzy ke-I sebagai antesenden, dan k adalah suatu konstanta (tegas) sebagai konsekuen.
2. Model Fuzzy Sugeno Orde-Satu
Secara umum bentuk model Fuzzy 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.
2.6.5 Fuzzy C-Means (FCM)
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 mengidentifikasi aturan-aturan fuzzy. Ada beberapa algoritma clustering data, 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 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 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
digunakan untuk menyelesaikan permasalahan fuzzy clustering dengan menggunakan metode Fuzzy C-Means adalah sebagai berikut:
1. Tetapkan:
Jumlah cluster = c (≥ 2). Pangkat pembobot = w (> 1) Maksimum iterasi = MaxIter Error terkecil yang diharapkan = ξ 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
µik = 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 μ
(7)
6. Cek kondisi berhenti,
Jika |Pt – Pt-1| < ɛ atau (t < MaxIterasi) maka berhenti. (8) Jika tidak: t = t+1, ulangi langkah ke 3.
2.7 Prediksi
2.9.1 Pengertian Prediksi
Prediksi adalah memperkirakan sesuatu yang akan terjadi di masa yang akan datang. Kejadian masa lampau dipelajari untuk menentukan kecondongan atau pola datanya. Dengan kata lain peramalan bertujuan mendapatkan peramalan yang bisa meminimumkan kesalahan meramal (forecase error) yang biasanya diukur dengan mean square error, mean absolute error, dan sebagainya. Data merupakan salah satu unsur utama yang tidak dapat dipisahkan dari kegiatan peramalan. Tipe pola suatu data dapat mempengaruhi hasil peramalan.
2.9.2 Jenis Prediksi
Jenis prediksi berdasarkan horizon perencanaan adalah sebagai berikut : 1. Prediksi jangka pendek
Prediksi jangka pendek merupakan waktu prediksi kurang dari tiga bulan. 2. Prediksi jangka menengah
Prediksi jangka menengah merupakan prediksinya tiga bulan hingga dua tahun.
Prediksi jangka panjang merupakan jangka waktu prediksi lebih dari dua tahun.
2.9.3 Teknik Prediksi
Terdapat dua kategori umum teknik prediksi yaitu kuantatif dan kualitatif. Antara lain adalah sebagai berikut :
1. Teknik prediksi kuantitatif meliputi regression analys, exponential
smoothing, moving average, life cycle, box-jenskin, trend line analys,
docomposition, stright-line, projection,life cycle analys, simulation, neural
network.
2. Teknik prediksi kuantitatif, meliputi ; neural network, jury of
executiveopinion, sales force coposite, customer expectations (customer
survey), delphi dan naive.
2.9.4 Validasi Prediksi
Error pada prediksi merupakan selisih dari nilai data aktual (Y(t)) dengan
nilai hasil prediksi Y^(t)).
1. Root Mean Squared Error (RMSE)
Kesalahan rata-rata akar kuadrat atau Root Mean Squared Errors (RMSE) dengan persamaan: (12) Keterangan: n
RMSE =
∑(
X
t
–
t
)
2
t=1
n
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 Xt – Ft = 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 =
∑
(
Xt – Ft)
t=1 X1
n
100%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 Pasien
Kepuasan 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
(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 pelayan kesehatan. Faktor utama dalam mempengaruhi kepuasan pasien adalah lengkapnya peralatan medik, bangunan dan fasilitas rumah sakit yang memadai, kelengkapan sarana pendukung dalam pelayanan.
Proses kepuasan pelanggan tersebut dapat dilihat pada Gambar 2.1 berikut ini.
Gambar 2.11 Diagram Konsep Kepuasan Pelanggan (Rangkuti, 2006)
2.9.1. Faktor-Faktor Pendorong Kepuasan Pelanggan
Menurut Irawan (2007 dalam Velma Fidelia Rahmani, 2009), terdapat lima komponen yang dapat mendorong kepuasan pelanggan, yaitu :
1. Kualitas produk
Kualitas produk mencakup enam elemen, yaitu performance, durability, feature,
reliability, consistency, dan design.
Tujuan Perusahaan
PRODUK/JASA
Nilai Produk bagi pelanggan Tingkat kepuasan pelanggan Harapan pelanggan terhadap produk Kebutuhan dan keinginan Pelanggan
Setelah membeli dan menggunakan suatu produk, pembeli akan merasa puas bila ternyata kualitas produknya baik atau berkualitas.
2. Kualitas pelayanan
Salah satu konsep service quality adalah ServQual sangat tergantung dari tiga faktor, yaitu : 1) sistem, 2) teknologi, 3) manusia. Berdasarkan konsep ServQual, komponen ini mempunyai banyak dimensi, yaitu : reliability, responsiveness,
assurance, empathy, dan tangible.
3. Faktor emosional
Kepuasan konsumen yang diperoleh pada saat menggunakan suatu produk yang berhubungan dengan gaya hidup. Kepuasan pelanggan didasari atas rasa bangga, rasa percaya diri, simbol sukses, dan sebagainya.
4. Harga
Komponen harga sangat penting karena dinilai mampu memberikan kepuasan yang relatif besar dalam industri ritel. Harga yang murah akan memberikan kepuasan bagi pelanggan yang sensitif terhadap harga karena mereka akan mendapatkan value for money yang tinggi.
5. Kemudahan
Komponen ini berhubungan dengan biaya untuk memperoleh produk atau jasa. Pelanggan akan semakin puas apabila relatif mudah, nyaman, dan efisien dalam mendapatkan produk atau pelayanan.
2.9.2. Pengukuran Kepuasan Pelanggan
Metode penelitian yang akan dilakukan adalah dengan menggunakan metode survei. Pengukurannya dilakukan dengan cara berikut :
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”, ”tidak penting”, ”penting”, dan ”sangat penting”. Untuk tingkat kenyataan (kinerja) terdiri dari ”sangat tidak baik”, ”tidak baik”, ”baik”, dan ”sangat baik”.
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, penerapan patient 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.
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
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.
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
nama–nama 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
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
sedia memberikan penjelasan tentang akses terhadap fasilitas medis, penunjang medis
dan penunjang umum yang dibutuhkan oleh pasien dan keluarganya.
Gambar 2.12: Indikator Variabel Kepuasan Pasien
Sumber : Kebijakan di Puskesmas Desa Gedang Kodya Sungai Penuh tentang Kepuasan Pasien, 2009.
2.12.1 Skala Likert
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 skala yang dapat memperlihatkan tanggapan konsumen terhadap karakteristik suatu produk/jasa (Durianto dkk., 2004 dalam Velma Fidelia Rahmanai, 2009). Informasi yang diperoleh dengan skala Likert berupa skala pengukuran ordinal, oleh karenanya
Kepuasan terhadap layanan medis
Kepuasan thd layanan penunjang medis
Kepuasan terhadap sikap karyawan Kepuasan terhadap layanan administrasi Kepuasan terhadap fasilitas layanan umum
Kepuasan Pasien
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:
1. Mengumpulkan sejumlah pertanyaan-pertanyaan yang berkaitan dengan masalah yang akan diteliti. Responden diharuskan memilih salah satu dari sejumlah kategori jawaban yang tersedia, kemudian masing-masing jawaban diberi nilai tertentu.
2. Membuat nilai total untuk setiap orang yang dengan menjumlahkan nilai untuk jawaban.
3. Menilai kekompakan antar pertanyaan.
2.12.2 Korelasi Product Moment Pearson
Teknik korelasi ini digunakan untuk mencari hubungan dan membuktikan 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 (range) 0 sampai dengan 1.
Untuk dapat memberikan penafsiran terhadap koefisien korelasi yang ditemukan baik besar atau kecil, maka dapat berpedoman pada ketentuan yang tertera pada Tabel 2 berikut:
Tabel 21: Pedoman Untuk Memberikan Interpretasi Terhadap Koefisien Korelasi
Interval Koefisien (Nilai Korelasi)
Tingkat Hubungan
(Interpretasi) Tingkat Kepuasan 0,00-0,199 0,20-0,399 0,40-0,599 0,60-0,799 0,80-1,000 Sangat Rendah Rendah Sedang/agak rendah Kuat/Cukup Sangat Kuat/Tinggi
Sangat Kurang Memuaskan Kurang Memuaskan
Memuaskan Cukup Memuaskan Sangat Memuaskan
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 penyelesaian tesis ini. Metodologi penelitian merupakan urutan-urutan yang dilakukan dalam melakukan sebuah penelitian. Metodologi ini bertujuan agar penelitian bisa lebih terkonsep dan terarah sesuai dengan tujuan yang diharapkan terhadap penelitian tersebut.
Metodologi penelitian ini kemudian digambarkan ke dalam bentuk sebuah 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 memenuhi tujuan dan memecahkan permasalahan yang diteliti.
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
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 understand yaitu: 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.
Berdasarkan pemahaman dari masalah, maka ditentukan tujuan yang akan dicapai dari penulisan ini. Pada tujuan ini ditentukan target yang dicapai, terutama yang dapat mengatasi masalah-masalah yang ada. Setelah masalah dianalisa, maka dipelajari literatur yang berhubungan dengan permasalahan. Kemudian literatur-literatur yang dipelajari tersebut diseleksi untuk dapat ditentukan literatur mana yang akan digunakan dalam penelitian ini. Sumber literatur didapatkan dari perpustakaan, jurnal, artikel, yang membahas tentang Logika Fuzzy, ANFIS, sistem pelayanan, analisa kepuasan pasien dan bahan bacaan lain yang mendukung penelitian.
5. Mengumpulkan data-data yang dibutuhkan
Dalam melakukan penelitian ini, metode pengumpulan data yang digunakan adalah metode survei yaitu teknik pengumpulan dan analisis data berupa opini dari responden yang diteliti melalui tanya jawab.
Dan dalam metode survei ini, penulis menggunakan kuesioner (pertanyaan tertulis) karena dengan adanya kontak langsung antara peneliti dan responden akan menciptakan suatu kondisi yang cukup baik, sehingga responden dengan sukarela memberikan data yang obyektif dan cepat.
Pengumpulan data dan informasi pada tahap ini dilakukan untuk mengetahui mengenai sistem yang diteliti. Dari data dan informasi yang dikumpulkan akan didapat data untuk pendukung penelitian. Metode yang digunakan penulis untuk pengumpulan data adalah sebagai berikut:
a. Observasi
Yaitu pengamatan secara langsung ditempat penelitian sehingga permasalahan yang ada dapat diketahui secara jelas.
Wawancara dilakukan dengan pihak yang terkait yang bertujuan untuk mendapatkan data atau informasi yang dibutuhkan. Pada penelitian ini pihak yang di wawancarai adalah pasien rawat jalan, dan pihak Puskesmas.
c. Melakukan studi pustaka dengan membaca buku-buku/jurnal ilmiah yang menunjang untuk dapat menganalisa data dan informasi yang didapat.
6. Menganalisa Data-data yang ada
Setelah pengumpulan data selanjutnya dilakukan analisisa terhadap data. Hal ini bertujuan untuk melakukan pengelompokan terhadap data tersebut, sehingga akan memudahkan penulis di dalam melakukan analisisa berikutnya. Analisisa data diperlukan untuk mengelompokkan data pelayanan pasien.
7. Perancangan sistem ANFIS
Setelah menganalisa data-data yang ada dan menentukan metode yang akan digunakan dalam merancang sistem dengan metode ANFIS. Pada perancangan sistem akan dilakukan beberapa kegiatan yaitu proses fuzzyfikasi yang dilakukan pada lapisan 1, sistem inference fuzzy yang dilakukan pada lapisan 2 dan 3, dan defuzzyfikasi yang dilakukan pada layer 4.
8. Pengujian Sistem
Menampilkan hasil pengolahan data. Proses ini merupakan proses yang terakhir dari rangkaian dalam sistem ini. Adapun mekanisme pengujian yang akan dilakukan adalah:
a. Pengujian manual dengan menggunakan rumus. Di mana dalam mencari nilai dari variabel input dilakukan proses fuzzifikasi dengan mencari nilai
derajat keanggotaan masing-masing kriteria input. Proses pencarian derajat keanggotaan bell.
b. Pengujian dengan menggunakan matlab toolbox, yaitu dengan
mencocokkan hasil yang didapat dengan rumus manual, dimasukkan dengan ANFIS matlab toolbox.
9. Menarik Kesimpulan
Langkah selanjutnya adalah menarik kesimpulan dari pengujian sistem dengan yang ada di lapangan dan mencocokkan hasilnya, diharapkan nantinya dari hasil penelitian ini dengan menggunakan metode ANFIS bisa digunakan untuk prediksi kepuasan pasien rawat jalan berdasar analisis sistem pelayanan sehingga menghasilkan kesimpulan yang sesuai dengan rumusan masalah dan tujuan yang akan dicapai, serta saran-saran yang diperlukan untuk pengembangan penelitian yang akan datang sekaligus sebagai referensi.
BAB IV
ANALISA DAN PERANCANGAN
4.1 Analisa Data
Pada tahap melakukan penganalisaan data berdasarkan pada data yang telah ada dan diperoleh pada tahap pengumpulan data, akan dilakukan beberapa perancangan tahap penyelesaian perangkat lunak. Berdasarkan literatur-literatur yang ada dan observasi lapangan, data disusun dan dikelompokkan dalam bentuk tabel multikriteria sederhana. Hal ini agar mempermudah dalam analisa dan proses data.
Pada tahap ini juga akan dijelaskan analisa penyelesaian permasalahan, analisa perangkat lunak yang akan digunakan pada penelitian ini dan perancangan dengan melakukan transformasi analisis ke model perancangan dengan menggunakan Adaptive Neuro Fuzzy Inference System (ANFIS).
Analisis terhadap masalah pada penelitian ini yakni pada prediksi kepuasan pelayanan berdasarkan analisis kepuasan pasien. Dengan menggunakan Adaptive
Neuro Fuzzy Inference System (ANFIS) untuk melakukan prediksi, data yang akan
digunakan pada prediksi berdasarkan data-data yang ada yang akan diteliti.
4.1.1. Analisis Predikasi Tingkat Kepuasan Pasien
Prediksi kepuasan pasien dilakukan menggunakan metode tradisional dan model pengambilan keputusan individu (The Satisficing Models). Dalam prediksi
kepuasan pasien pada Puskesmas Desa Gedang Sungai Penuh memiliki kebijakan tersendiri.
a. Faktor-faktor yang Mempengaruhi Kepuasan Pasien
Dalam banyak penelitian menyatakan ada banyak jumlah variabel yang mempengaruhi prediksi, dan pada penelitian ini ada banyak faktor yang mempengaruhi kepuasan pasien. Dalam penelitian ini dipilih 5 (lima) faktor yang mempengaruhi kepuasan pasien, seperti nilai Tangibles, Reliability, Responsiveness,
Assurance, dan Emphaty.
b. Data Input
Input data untuk melakukan prediksi kepuasan pasien berdasarkan dimensi pelayanan terbagi atas 5 (lima) input, yaitu tangible, reliability, responsiveness, assurance, dan empaty.
Tabel 4.1 Data Quesioner
RESPON INPUT DATA
OUTPUT DEN Tangibles Reliability Responsiveness Assurance Emphaty
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
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
flowchart berikut:
Start
Data di-cluster denan algoritma FCM
Menghimpun data
Stop
Perhitungan Mean dan Standar deviasi
Perhitungan dengan Metode ANFIS
Perhitungan dengan MAPE
Gambar 4.1 Flowchart Tahapan Analisis ANFIS 4.1.3 Mengelola Data Dengan ANFIS
Desain struktur data harus menggunakan himpunan fuzzy. Data dibedakan atas kriteria dan parameter. Kriteria yang digunakan adalah Dimensi pelayanan, Kategori, dan Tingkat kepuasan pasien. Kriteria ini direpresentasikan sebagai data
fuzzy. Masing-masing kriteria memiliki parameter yang mencerminkan keanggotaan
pada himpunan fuzzy. Dalam sistem fuzzy keanggotaan ini direpresentasikan dalam membership function (mf). Nilai fungsi keanggotaan masing-masing . Seperti pada gambar 4.2 ;
Gambar 4.2 Variabel Input Dan Output
Tabel 4.2: Himpunan Fuzzy Dimensi Pelayanan
Fungsi Nama Variabel Semesta Pembicaraan
Input Kehandalan DayaTanggap Kepastian Berwujud Empati [1 10] [1 10] [1 10] [1 10] [1 10]
