110 1 10 20180521 ##common.downloadPdf##

Jurnal Manajemen Informatika dan Teknik Komputer
Volume 3, Nomor 1, Oktober 2018

PREDIKSI KETERSEDIAAN OBAT DENGAN JARINGAN SYARAF
TIRUAN BACKPROPAGATION
(STUDI KASUS : PT. KALBE FARMA MEDAN)
Khairul1, Ulya Ilhami Arsyah2
Universitas Pembangunan Panca Budi Medan 1
Manajemen Informatika, Amik Royal Kisaran 2
e-mail: khairul@dosen.pancabudi.ac.id, ulyailhamiarsyah@amikroyal.ac.id

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.

1.

2.
3.

Tujuan dari penelitian ini adalah :
Merancang arsitektur Jaringan Syaraf Tiruan
untuk prediksi ketersedian obat menggunakan
algoritma Backpropagation.
Menerapkan algoritma Backpropagationn
untuk menentukan prediksi ketersediaan obat.

Menguji aplikasi yang telah dibangun untuk
memastikan sistem sesuai dengan kebutuhan

12

Khairul, Dkk., Prediksi Ketersidaan Obat Dengan Jaringan Syaraf Tiruan
Backpropagation (Studi Kasus: PT. Kalbe Farma Medan)

yang
ditentukan
sebelumnya
memastikan aplikasi berjalan seperti
diharapkan.

serta
yang

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.

2.

3.

4.

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 .

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 .
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.
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 masalahmasalah 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 literaturliteratur 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

Analisis data diperlukan untuk menentukan
hasil dari prediksi ketersediaan obat. Sehingga
dengan analisis data ini akan diperoleh
gambaran yang jelas terhadap masalah yang
dibahas.

13

Khairul, Dkk., Prediksi Ketersidaan Obat Dengan Jaringan Syaraf Tiruan
Backpropagation (Studi Kasus: PT. Kalbe Farma Medan)

7.

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.

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.
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.
Pengujian Hasil Pengolahan Data
Evaluasi sistem yang telah dirancang perlu
dilakukan. Hal ini bertujuan untuk

8.

9.

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 32-1, 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
0,1033
0,1038
0,1082
0,1064
0,9000
0,1204
0,1469

JST 3-2-1
Output Error
0,1311 -0,0278
0,1310 -0,0272
0,1310 -0,0228
0,1310 -0,0246
0,8368 -0,0632
0,1310 -0,0106
0,1309 0,0160

JST 3-3-1
Output Error
0,0962 0,0071
0,0890 0,0148
0,1003 0,0079
0,0979 0,0085
0,8642 0,0358
0,1420 -0,0216
0,2165 -0,0696

JST 3-5-1
Output Error
0,1297 -0,0264
0,1266 -0,0228
0,1270 -0,0188
0,1268 -0,0204
0,8581 0,4190
0,1279 -0,0075
0,0904 0,0565

JST 3-9-1
Output
Error
0,0819
0,0214
0,0801
0,0237
0,0804
0,0278
0,0803
0,0261
0,8880
0,0120
0,0850
0,0354
0,2028
-0,0559

JST 3-11-1
Output
Error
0,0972
0,0061
0,0923
0,0115
0,0956
0,0126
0,0949
0,0115
0,8490
0,0510
0,1127
0,0077
0,2091 -0,0622

Tabel 2 Hasil Pengujian Sistem
Target
0,1046
0,1000
0,1003

JST 3-2-1
Output
Error
0,1310 -0,0264
0,1310 -0,0310
0,1310 -0,0307

JST 3-2-1
Output Error
0,1103 -0,0057
0,0706
0,0294
0,0724
0,0279

JST 3-5-1
Output
Error
0,1287 -0,0241
0,1225 -0,0225
0,1228 -0,0225

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

JST 3-9-1
Output Error
0,0816 0,0230
0,0800 0,0200
0,0799 0,0204

JST 3-11-1
Output
Error
0,0997
0,0049
0,0889
0,0111
0,0891
0,0112

(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 %

MSE Pengujian

0,0008648

0,000055585

0,000053166

0,000026784

0,000090472

14

Khairul, Dkk., Prediksi Ketersidaan Obat Dengan Jaringan Syaraf Tiruan
Backpropagation (Studi Kasus: PT. Kalbe Farma Medan)

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.

x1
1
2
3
4

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

Albendazol
tablet 400 mg
Alopurinol
2
tablet 100 mg
Batugin Sirup
3
300 Ml
Betason Tube
4
5 G Krim
Chloramfecort
5
10 G
Dasabion Dos
6
100 Kapsul
Deksametason
7
Tablet 0,5 Mg
Chloramfecort
8
10 G
Enkasari
9 Botol 120 Ml
Cairan
Fungoral 200
10
Mgtab
1

7
8

10

Data Input Pelatihan
Stok
Order
Obat
Awal Obat
Terjual
(X1)
(X2)
(X3)

Target
Sisa
Obat
(Y)

12060

0

4380

7680

200

74300

30000

44500

40300

47400

40400

600

47300
21590
1567600 1352300 0

59760

6120

10560

26000

109700

39600

96100

209

374

229

354

56100

144900

141000 60000

31700

96100

86000

41800

30

4830

1500

3360

55320

Data-data ini akan diolah menggunakan
fungsi aktivasi sigmoid (biner ), data harus
dinormalisasi dulu karena range keluaran fungsi
aktivasi sigmoid adalah [0,1].
Dengan
menormalisasi maka data terkecil akan menjadi 0.1
dan data terbesar akan menjadi 0.9

No

6

9

Tabel 4 Input dan Target Dalam Prediksi
Ketersediaan Obat

No Nama Obat

5

Tabel 5 Hasil Normalisasi Data Input
Pelatihan
Data
Input
Nama Obat
Target
Pelatihan

x2

x3

Y

Albendazol tablet
0,2611 0,1000 0,1025 0,1272
400 mg
Alopurinol tablet
0,1023 0,1379 0,1176 0,2638
100 mg
Batugin Sirup 300
0,6394 0,1242 0,1238 0,2742
Ml
Betason Tube 5 G
0,1076 0,9000 0,9000 0,9000
Krim
Chloramfecort 10
0,9000 0,1031 0,1061 0,3040
G
Dasabion Dos 100
0,4478 0,1560 0,1233 0,4554
Kapsul
Deksametason
0,1024 0,1002 0,1000 0,1000
Tablet 0,5 Mg
Chloramfecort 10
0,8510 0,1739 0,1833 0,3214
G
Enkasari Botol 120
0,5242 0,1490 0,1507 0,2538
Ml Cairan
Fungoral 200
0,1000 0,1025 0,1008 0,1112
Mgtab
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
x2 = 0,1000

15

Khairul, Dkk., Prediksi Ketersidaan Obat Dengan Jaringan Syaraf Tiruan
Backpropagation (Studi Kasus: PT. Kalbe Farma Medan)

x3 = 0,1025

Berdasarkan data di atas, maka arsitektur
dapat digambarkan bahwa bentuk jaringan dapat
direpresentasikan pada gambar 7.

Langkah 5
Menghitung keluaran dari Yk dengan persamaan
sebagai berikut:

y _ netk  wk 0   Zj wkj
p

j 1

Karena jaringan hanya memiliki sebuah unit
keluaran y maka y_netk
2
Y _ net1  w   z j wkj
1
 3,0407 + (0,0003* (-0,5042))
+ (0,0129 * (-5,5773))
 2,9684
Kemudian cari nilai Yk dengan persamaan:
Gambar 4 Jaringan Syaraf Tiruan dengan 3
Input, 2 Hidden Layer dan 1 Output Layer
Sumber : Penulis, 2017.

Y  f ( y _ net ) 

1 e
1

12, 9684
1 e
 0,9511

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:
n
z _ netj  vjo   xivji
i 1
z _ net1  - 10,4290  12060 * 6,5518
 0,1000*1,5551 0,1025* 5,6955
 - 7,9791
z _ net 2  - 3,2839  12060 * (-6,3108)

 0,1000* (-0,3290)  0,1025* 6,1521
 - 4,3344
Kemudian dicari nilai Zj dengan persamaan:
1
zj  f ( z _ netj) 
(

z
1  e _ netjj)
z1 

1


(
(
7,9791)
1 e

 0,0003

z2 

1

4,3344)
(
1
(
1 e

 0,0129

1

(  y _ net )

Langkah 6
Menghitung faktor error (δ) di unit keluaran
berdasarkan kesalahan di setiap unit keluaran Yk
(k=1,2,...,m)
Karena jaringan hanya memiliki sebuah keluaran
maka

k  (tk  yk) f ' ( y _ netk )  (tk  yk) yk(1  yk)

k    (t  y) y(1  y)

 (0,1272  0,9511) 0,9511(1  0,99511)
 0,0383
Untuk melakukan perhitungan pada data
selanjutnya maka kita perlu melakukan
perhitungan perubahan nilai bobot Wjk (dengan α
= 0,1) dengan menggunakan persamaan berikut :
Wjk    Yj ; k  1,2,3,, m; j  0,1, p
W10 = 0,1(-0,0383)1  - 0,00383
W11 = 0,1(0,0111)(0,0003)  0,0000
W12 = 0,1(0,0111)(0,0129)  0,0000
Langkah 7
Menghitung kesalahan dari hidden layer (δ)

 _ netj    kWkj
m

k 1

karena jaringan hanya memiliki sebuah unit
keluaran maka:
m
 _ netj    kW1 j
k 1
 _ net1  (0,0383)(0,5042)  0,1913
 _ net 2  (00,0383)(5,5773)  0,2136
Kemudian hitung Faktor kesalahan
tersembunyi



di unit

:

16

Khairul, Dkk., Prediksi Ketersidaan Obat Dengan Jaringan Syaraf Tiruan
Backpropagation (Studi Kasus: PT. Kalbe Farma Medan)

 j   _ net f ' ( z _ net j )   _ net z j (1  z j )

j
j
1  0,0193(0,0003)(1  (7,9791))  0,0000

 2  0,2136(0,0129(1  (4,3344))  0,0027

Perubahan bobot ke unit layer tersembunyi adalah:
vji   j Xi
( j  1,2,3; i  0,1,2)
v11  1x1
 (0,1* 0,0000 * 0,26,11
 0,0000
v12  1x2
 (0,1* 0,0000 * 0,1000)
 0,0000
v13  1x3

 (0,1)(0,00001)(0,1025)
 0,0000
v10  11
 (0,1)(0,00001)(1)
 0,0000
v21  2 x1
 (0,1)(0,0027)(0,2611)
 0,000071
v22  2 x2
 (0,1)(0,0027)(0,1000)
 0,000027
v23  2 x3
 (0,1)(0,0027)(0,1025)
 0,000028
v20  21
 (0,1)(0,0027)(1)
 0,000273
Langkah 8
Hitung semua perubahan bobot
Perubahan bobot dan bias ke unit keluaran yaitu:
wkj(baru)  wkj(lama )  wkj
(k  1; j  0,1,...,3)
w11(baru)  0,5042  0,0000
 0,5042
w12(baru)  5,5773  0,0000

 5,5773
w10(baru)  3,0407  (0,0038)
 3,0369

v ji(ba ru)  v ji(la ma)  v ji ( j 1;,2; i  0,1,3)

Perubahan

bobot

unit

tersembunyi:

v11(baru )  6,5518  0,0000
 6,5518
v12(baru )  1,5551  0,0000

 1,5551
v13(baru )  5,6955  0,0000
 5,6955
v10(baru)  10,4290  0,0000

 10,4290
v21(baru)  6,3108  0,000071

 6,3107
v22(baru)  0,3290  0,000027

 0,3290
v23(baru )  6,1521  0,000028
 6,1521
v20(baru )  3,2839  0,00027
 3,2836

Dari hasil iterasi 1, diperoleh output actual (Y)
sebesar 0,9511 dan output target 0,1272 selisih
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
Berdasarkan hasil penelitian ini, ada beberapa
saran
yang
diajukan
penulis
dengan
pengembangan lebih lanjut adalah sebagai berikut:
1. Dalam penggunaan Jaringan Syaraf Tiruan
dengan
algoritma
Backpropagation
diperlukan pemahaman tentang cara pelatihan
dan pengujian data menggunakan software
Matlab 6.1

17

Khairul, Dkk., Prediksi Ketersidaan Obat Dengan Jaringan Syaraf Tiruan
Backpropagation (Studi Kasus: PT. Kalbe Farma Medan)

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
Matlab”, Penerbit Andi, Yogyakarta

18