IMPLEMENTASI JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK MEMPREDIKSI PENYAKIT DI PUSKESMAS PADANG LUAR

Desla, Sari Nasrul (2020) IMPLEMENTASI JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK MEMPREDIKSI PENYAKIT DI PUSKESMAS PADANG LUAR. Diploma thesis, Universitas Andalas.

	Text (Skripsi Full Text) Prediksi Penyakit.pdf - Published Version Restricted to Repository staff only Download (2MB)
Preview	Text (Cover dan Abstrak) Cover dan Abstrak.pdf - Published Version Download (233kB) | Preview
Preview	Text (BAB I (Pendahuluan)) BAB I.pdf - Published Version Download (318kB) | Preview
Preview	Text (BAB Akhir (Penutup/ Kesimpulan)) BAB Akhir.pdf - Published Version Download (208kB) | Preview
Preview	Text (Daftar pustaka) Daftar Pustaka.pdf - Published Version Download (217kB) | Preview

Abstract

Sebagai Negara dengan penduduk dan luas daerah besar, Indonesia mendapati macam- macam penyakit yang menyerang penduduknya. Dalam hal tersebut Indonesia meningkatkan mutu sarana dan prasarana dalam bidang kesehatan termasuk pada Puskesmas Padang Luar yang sesuai dengan isi UU kesehatan dalam upaya peningkatan kesehatan. Perlunya implementasi Jaringan Saraf Tiruan (JST) dalam memprediksi penyakit di Puskesmas Padang Luar dianggap dapat menjadi solusi dalam peningkatan pelayanan Puskesmas. Selama ini hanya menerapkan dengan metode prediksi trend yang menghasilkan prediksi dengan keakurasian rendah, sehingga mengakibatkan lamanya penentuan pengambilan keputusan yang berakibat kurang bagusnya pelayanan kesehatan. Subjek pada penelitian ini adalah sebuah aplikasi yang mampu memprediksi penyakit di Puskesmas Padang Luar menggunakan Jaringan Saraf tiruan (JST). JST merupakan jaringan komputasi yang mencoba mensimulasikan jaringan sel saraf (neuron) dari sistem saraf pusat biologis (manusia). Dalam metode JST terdapat algoritma pembelajaran backpropagation. Backpropagation salah satu algoritma pembelajaran dalam pelatihan JST yang terbimbing (supervised learning). Sistem diimplementasikan dengan aplikasi MATLAB. Tahapan penelitian yang dilakukan adalah mengumpulkan data, pre-processing, perancangan Arsitektur, perancangan GUI, prediksi dengan metode, dan pengujian sesuai dengan rancangan model prediksi, yaitu parameter epoch, momentum, learning rate, hidden layer untuk menghasilkan keakuratan yang tinggi. Pengujian yang dilakukan dengan proses trial and error, didapatkan keakurasian prediksi per masing- masing penyakit diatas 90%.

Actions (login required)

View Item