DETEKSI STATUS GIZI DAN ANEMIA IBU HAMIL MENGGUNAKAN SISTEM CERDAS
2. Deteksi Status Gizi Dan Anemia Ibu Hamil
Adapun tahapan dari deteksi status gizi dan anemia ibu hamil dapat dijelaskan seperti berikut: a. Pengambilan Data Dari Posyandu
Pengambilan data dilakukan di Posyandu. Data yang diambil meliputi data hasil pemeriksaan ibu hamil yang berupa data rekam medis yang meliputi nama, umur, alamat, pekerjaan, berat badan, tinggi badan, lingkar lengan atas, tingi fundus uteri, tekanan darah, dan hemoglobin.Data yang digunakan dalam penelitian ini dapat dibedakan menjadi dua. Pertama adalah data yang digunakan sebagai data pelatihan (training). Data tersebut adalah data yang akan digunakan dalam proses klasifikasi. Data tersebut diambil dari data ibu hamil yang meliputi data usia kehamilan, berat badan, tinggi badan, tekanan darah, tinggi fundus uteri, linkar lengan atas dan hemoglobin. Kedua adalah data yang digunakan dalam proses testing. Data tersebut adalah data hasil pemeriksaan ibu hamil tiap bulan dari Posyandu. Pengambilan data dilakukan di Posyandu Sejahtera Badran, Ponowaren, Tawangsari, Sukoharjo, Jawa Tengah, Indonesia. Data yang diambil meliputi data rekam medis ibu hamil dan data hasil pemeriksaan ibu hamil yang meliputi : usia kehamilan, berat badan, tinggi badan, tekanan darah, tinggi fundus uteri, linkar lengan atas dan hemoglobin.
Pengambilan Data dari Posyandu
Hasil Deteksi Status Gizi: 1. Ibu Hamil Status Gizi Baik 2. Ibu Hamil Status Kurang Hasil Deteksi Anemia:
1. Ibu Hamil Tidak Anemia 2. Ibu Hamil Anemia Ringan 3. Ibu Hamil Anemia Sedang 4. Ibu Hamil Anemia Berat
Ekstraksi Fitur
Klasifikasi
b. Ekstraksi Fitur
Ekstraksi fitur adalah proses untuk mendapatkan informasi yang akurat agar dapat dilakukan proses identifikasi (Muntasa, 2009) (Duda, 2000). Fitur yang digunakan untuk deteksi status gizi ibu hamil meliputi: fitur Body Mass Index (BMI) dan Lingkar Lengan Atas (LiLA). Sedang untuk deteksi anemia menggunakan fitur kadar hemoglobin (HB). Fitur-fitur yang terpilih nantinya digunakan untuk proses klasifikasi status gizi dan anemia yang meliputi : Ibu Hamil Status Gizi Baik, Ibu Hamil Status Kurang, Ibu Hamil Tidak Anemia, Ibu Hamil Anemia Ringan, Ibu Hamil Anemia Sedang dan Ibu Hamil Anemia Berat.
c. Deteksi Status Gizi Menggunakan Support Vector Machine (SVM)
Pendeteksi status gizi ibu hamil dilakukan dengan melakukan proses klasifikasi. Salah satu metode klasifikasi adalah Support Vector Machine (SVM) (Nugroho, 2003). Support Vector Machine (SVM) dikembangkan oleh Boser, Guyon, dan Vapnik, pertama kali dipresentasikan pada tahun 1992 di Annual Workshop on Computational Learning Theory. Konsep dasar SVM sebenarnya merupakan kombinasi harmonis dari teori-teori komputasi yang telah ada puluhan tahun sebelumnya, seperti margin hyperplane (Duda & Hart tahun 1973, Cover tahun 1965, Vapnik 1964, dan sebagainya), kernel diperkenalkan oleh Aronszajn tahun 1950, demikian juga dengan konsep-konsep pendukung yang lain. Akan tetapi hingga tahun 1992, belum pernah ada upaya merangkaikan komponen- komponen tersebut. Berbeda dengan strategi neural network yang berusaha mencari hyperplane pemisah antar kelas, SVM berusaha menemukan hyperplane yang terbaik pada input space. Prinsip dasar SVM adalah linear classifier, dan selanjutnya dikembangkan agar dapat bekerja pada problem non-linear dengan memasukkan konsep kernel trick pada ruang kerja berdimensi tinggi. Perkembangan ini memberikan rangsangan minat penelitian di bidang pattern recognition untuk investigasi potensi kemampuan SVM secara teoritis maupun dari segi aplikasi. Saat ini SVM telah berhasil diaplikasikan dalam masalah dunia nyata (real-world problems), dan secara umum memberikan solusi yang lebih baik dibandingkan metode konvensional seperti misalnya
artificial neural network (Nugroho, 2003).Program yang digunakan adalah MATLAB, yang mana merupakan bahasa yang berkemampuan tinggi untuk teknik komputasi. Matlab mengkombinasikan komputasi, visualisasi dan pemrograman pada lingkungan tunggal (MathWork). Modul Software yang digunakan adalah Image Processing Toolbox. Toolbox adalah kompilasi dari fungsi-fungsi yang diberikan matlab dengan implementasi algoritma pemrosesan citra khusus (MathWorks, 2004).
HASIL
Tampilan dari program untuk deteksi status gizi dan anemia ibu hamil dapat dilihat pada gambar berikut:
Gambar 3. Form Input Pengelolaan Data Rekam Medis Ibu Hamil
Gambar 4. Hasil Deteksi Status Gizi Baik
Gambar 5. Hasil Deteksi Anemia Ibu Hamil
Perangkat lunak yang dikembangkan dilengkapi dengan grafik pemantauan perkembangan dari berat badan, grafik tinggi badan, grafik LILA, grafik HB, grafik fundus dan grafik tekanan darah ibu hamil. Di bawah ini adalah contoh tampilan grafik perkembangan fundus dan perkembangan lingkar lengan atas ibu hamil.
Gambar 6. Tampilan Dari Grafik Perkembangan Fundus
Gambar 7. Tampilan Dari Grafik Perkembangan LILA
PEMBAHASAN
Data pelatihan yang digunakan dalam sistem yang dikembangkan sebanyak 200 data. Data tersebut terdiri dari data 0 sampai 100 adalah data ibu hamil status gizi normal, 101 sampai 200 data ibu hamil status gizi kurang. Fitur yang digunakan untuk mendeteksi status gizi ibu hamil adalah berat badan, tinggi badan, LILA, fundus dan tekanan darah. Data pelatihan yang digunakan untuk mendeteksi anemia ibu hamil sebanyak 160 data. Fitur yang digunakan adalah kadar hemoglobin ibu hamil. Ujicoba dilakukan dengan menggunakan 20 data testing. Hasil dari uji coba status gizi ibu hamil menunjukkan tingkat akurasi 81.6%. Hasil dari uji coba deteksi anemia ibu hamil menunjukkan tingkat akurasi 85.2%. Hal ini menunjukkan bahwa metode yang dapat mendeteksi status gizi dan anemia ibu hamil dengan akurat.
KESIMPULAN
Berdasarkan hasil uji coba yang telah dilakukan dapat disimpulkan bahwa perangkat lunak pendeteksi status gizi dan anemia ibu hamil dengan metode Support Vector Machine (SVM) terbukti mampu digunakan sebagai model pendeteksi status gizi dan anemia ibu hamil. Hal ini ditunjukkan oleh rata-rata nilai akurasi sebesar 81.6% untuk status gizi dan 85.2% untuk anemia ibu hamil.
DAFTAR PUSTAKA
Arif Muntasa, Muhammad Hariadi, Mauridhy Hery Purnomo (2009), A new Formulation of Face Sketch Multiple Features Detektion Using Pyramid Parameter Model dan Simultaneously Landmark Movement, International Journal of Computer Science Network and security, Vol 9.
Almatsier, Sunita (2009), Prinsip Dasar Ilmu Gizi. Jakarta : Gramedia Depkes RI, 2007a. Faktor Risiko Kejadian Anemia pada Ibu Hamil. Jakarta.
Depkes RI 2009. Rencana Aksi Nasional Pencegahan dan Penanggulangan Gizi Buruk 2005-2009. Jakarta. Departemen Kesehatan RI (2010), Pedoman Status Gizi Melalui Posyandu. Jakarta : Depkes.
Duda, R., Hart, P., and Stork, D. (2000), “Pattern Clasiffication”, Second Edition. J. Wiley and Sons, Inc. Elisabet Yunaeti Anggraeni, Oktafianto, Wulan Agustina, Sistem pendukung Keputusan dalam Diagnosa
Penyakit Anemia Dengan Menggunakan Metode Saw (Simple Additive weighting), Seminar Nasional Teknologi Informasi dan Multimedia 2016, STMIK AMIKOM Yogyakarta, 6-7Februari 2016, 31-36. Fitri Wulandari, Ihsan Yuliandri, Diagnosa Gangguan Gizi Menggunakan Metode Certainty Factor , Jurnal
Sains, Teknologi dan Industri, Vol. 11, No. 2, Juni 2014, pp. 305 – 313
Gunawan L. A. dan Hari Sutejo(1980), Pembangunan Kesehatan Masyarakat Desa, Jakarta, IAKAMI. Indonesia Depkes (1987), Posyandu, Pusat Penyuluhan Kesehatan Masyarakat. Jakarta.
Jogiyanto. 2005. Analisa dan Desain Sistem Informasi.Yogyakarta:Andi Offset.
Karo-Karo Santoso. Kader Superstar Baru dalam Dunia Kesehatan, MajalahKesehatan No. 72 tahun 1979. Mantra I.B. Dr. Kader Tenaga Harapan Masyarakat, Proyek PengembanganPeyuluhan Gizi, Jakarta 1987. MathWorks, n.d., (2004) ‘Matlab: The Language of Technical Computing’, html page, viewed 25th th27
October 2004.
Nugroho, A.S., Witarto, B.A., Handoko, D., (2003), Support Vector Machine – Teori dan Aplikasinya Dalam Bioinformatika, Kuliah Umum Ilmu Komputer.com.
Youllia Indrawaty N., ST., MT., Sapto Jendro Putranto, S.Kom, Sistem Pakar Untuk Mengetahui Pemenuhan Gizi Dan Deteksi Awal Kesehatan Ibu Hamil Berbasis Web, Konferensi Nasional Sistem Informasi 2011, Jurusan Teknik Informatika, Fakultas Teknologi Industri, Institut Teknologi Nasional, 229-236.