Prediksi jumlah kelahiran bayi diperlukan sebagai informasi pendukung bagi klinik dalam mempersiapkan pelayanan dan mengoptimalkan penggunaan sumber daya yang tersedia. Klinik Doa Ibu Persada memiliki data historis jumlah kelahiran bayi bulanan yang belum dimanfaatkan secara optimal untuk memperkirakan jumlah kelahiran pada periode mendatang. Penelitian ini bertujuan menerapkan Jaringan Saraf Tiruan (JST) menggunakan algoritma Backpropagation untuk memprediksi jumlah kelahiran bayi berdasarkan pola data historis. Data yang digunakan berupa jumlah kelahiran bayi bulanan dari Januari sampai Desember tahun 2021–2025. Data tahun 2021–2023 digunakan sebagai data masukan pelatihan, sedangkan data tahun 2025 digunakan sebagai target pelatihan. Tahapan penelitian meliputi normalisasi data, pembentukan arsitektur jaringan, proses pelatihan menggunakan fungsi aktivasi sigmoid biner, penyimpanan model, pengujian, denormalisasi hasil, serta visualisasi menggunakan MATLAB R2015b. Arsitektur jaringan terdiri dari 3 neuron input layer, 5 neuron hidden layer, dan 1 neuron output layer. Dengan parameter learning rate 0,2, target error 0,01, dan maksimum 10.000 epoch, proses pelatihan menghasilkan nilai MSE sebesar 0,00998496 pada epoch ke-6.335. Hasil pengujian menggunakan data historis tahun 2023–2025 menghasilkan prediksi jumlah kelahiran bayi tahun 2026 sebesar 659 kelahiran, meningkat dibandingkan tahun 2025 sebanyak 499 kelahiran. Sistem yang dibangun dapat digunakan sebagai informasi pendukung dalam membantu manajemen Klinik Doa Ibu Persada melakukan perencanaan kebutuhan tenaga medis, fasilitas pelayanan, dan ketersediaan stok obat-obatan medis.
[2] G. W. Putri, Stefani Hardiyanti, Yuhandri, Nurcahyo, 'Jurnal Sistim Informasi dan Teknologi Prediksi Pencapaian Target Peserta Keluarga Berencana Pasca Persalinan menggunakan Algoritma Backpropagation,' vol. 3, 2021, doi: 10.37034/jsisfotek.v3i3.62.
[3] S. S. Handayani, 'Prediksi Angka Kelahiran Bayi Di NTT Menggunakan Algoritma Backpropagation,' vol. 2, no. 1, 2024.
[4] M. Thoriq, A. E. Syaputra, and Y. S. Eirlangga, 'Prediksi Peningkatan Kunjungan Pasien Dimasa Mendatang Mengunakan Jaringan Saraf Tiruan Backpropagation,' vol. 14, no. 1, pp. 34–40, 2024.
[5] P. D. Sari and F. Ahyaningsih, 'Jaringan Saraf Tiruan Backpropagation untuk Prediksi Harga Bahan Pangan di Wilayah Kabupaten Deli Serdang,' no. 6, 2024, doi: https://doi.org/10.62383/algoritma.v2i6.287.
[6] G. Z. Muflih, 'Penentuan Parameter Pembelajaran Jaringan Saraf Tiruan Backpropagation dan Pengaruhnya Terhadap Proses Pelatihan,' vol. 1, no. 2, pp. 12–17, 2021, doi: 10.53863/juristik.v1i02.363.
[7] C. M. Permadani, I. Nirmala, and R. Hidayati, 'Sistem Otomatisasi Lampu Ruangan berdasarkan Kebiasaan Pengguna menggunakan Algoritma Backpropagation,' vol. 12, no. 2, pp. 352–366, 2024.
[8] Asrul, 'Perancangan Sistem Prediksi Menggunakan Metode Least Square Pada Kebutuhan Alat Kesehatan,' Minfo Polgan, vol. 13, pp. 2063–2071, 2024.
[9] F. Nababan and E. Mayasari, 'Asuhan Kebidanan Pada Bayi Baru Lahir di PMB N,' J. Kesehat. Paripurna, vol. 1, no. 1, pp. 18–23, 2024.