HASIL PENELITIAN DAN PEMBAHASAN
4.1. Hasil Penelitian
4.1.2. Hasil Uji Neural Network
Berdasarkan eksperimen yang telah diuji Neural network dalam penelitian ini menggunakan satu buah lapisan input yang terdiri dari 5 neuron (4 neuron adalah atribut yang digunakan sebagai predictor dan satu neuron bias), satu buah lapisan tersembunyi yang terdiri dari 8 buah neuron, dan 4 buah lapisan output yang merupakan hasil klasifikasi seperti yang terlihat pada gambar 4.1.
Gambar 4.1 Neural Network Klasifikasi Status Gizi Balita
Langkah dalam membentuk neural network adalah menentukan bobot jaringan untuk setiap lapisan secara acak biasanya berkisar antara -0,1 hingga 1,0.
Setelah bobot untuk setiap lapisan ditentukan, langkah berikutnya adalah menghitung input dari tiap neuron untuk membangkitkan output dengan menggunakan fungsi aktifasi sigmoid.
Langkah selanjutnya adalah menentukan nilai error, kemudian nilai error yang dihasilkan digunakan untuk memperbaharui bobot relasi simpul. Tabel 4.1 berikut ini menunjukan hasil perhitungan bobot akhir dari neural network pada lapisan tersembunyi.
Tabel 4.2 Nilai Bobot Akhir
Tabel 4.2 adalah nilai akhir fungsi aktifasi pada output layer. Kolom pertama pada Tabel 4.2 menyatakan class, yaitu atribut kelas yang dinyatakan dengan simpul pada output layer.
Tabel 4.3 Nilai Output Layer
4.2. Evaluasi dan Validasi Hasil
Hasil dari pengujian model yang dilakukan adalah klasifikasi status gizi balita berdasarkan indeks BB/U dengan Neural Network untuk menentukan nilai accuracy dan kappa.
1. Pembuatan Model dengan data training
Berikut gambar model pengujian menggunakan data training:
Gambar 4.2 Desain model Validasi
Gambar 4.3. Model pengujian cross validation
Nilai accuracy, precision, dan recall dari data training dapat dihitung dengan menggunakan RapidMiner. Hasil pengujian dengan menggunakan model Neural Network didapatkan hasil pada tabel 4.4
1. Confusion Matrix
Tabel 4.4 diketahui dari 200 data, 150dari 54 datadiklasifikasikan baiksesuai dengan prediksi yang dilakukan, sisanya diprediksi kurang sebanyak 2 data dan diprediksi lebih sebanyak 2 data. 20 data dari 26 data diprediksi kurang dengan tepat, sisanya 3 diprediksi baik dan 3 data diprediksi buruk. 4 data dari 12 data diprediksi lebih dengan tepat dansisanya diprediksi baik. 5 data dari 8 data diprediksi buruk dengan tepat dan sisanya 3 data diprediksi kurang.
Tabel 4.4 Model Confusion Matrix untuk Accuracy
Tabel 4.5 merupakan nilai kappa yang diperoleh yaitu sebesar 0,711.
Tabel 4.5 Model Confusion Matrix untuk Kappa
2. Pengujian Data Testing
Uji model yang terbentuk dengan menggunakan data testing, dengan cara memasukan satu buah operator model dari tab Operators – Modeling – Model Application – Apply Model. Hubungkan model ke operator Apply Model, begitu juga dengan data testing dihubungkan ke operator Apply Model. Untuk melihat akurasi yang diperoleh tambahkan satu buah operator yang bernama performance, dari tab Operators – Evaluation – Performance hubungkan dengan operator Apply Model seperti yang terlihat pada gambar 4.4 berikut.
Gambar 4.4 Pengujian Model Menggunakan RapidMiner
Setelah data uji dimasukan kedalam model Neural Network yang telah terbentuk, dari 51 data yang digunakan sebanyak 36 data yang dinyatakan gizi baik diprediksi dengan benar, 12 data yang dinyatakan gizi kurang diprediksi dengan benar, 1 data yang dinyatakan gizi lebih ,diprediksi dengan benar dan 1 data yang dinyatakan gizi buruk,diprediksi dengan benar. Sedangkan 1 data diprediksi dengan salah., sehingga akurasi yang diperoleh dengan menggunakan data testing sebesar 96,08% , seperti yang terlihat pada tabel 4.6.
Tabel 4.6 Nilai Akurasi Data Testing
Dari tabel diatas dapat disimpulkan bahwa nilai akurasi pada data testing mengalami peningkatan sebesar 96,08%, sedangkan pada data training nilai akurasi ebesar 89,50%. Nilai kappa pada data testing juga meningkat menjadi 0,907 termasuk excellent, sedangkan pada data training nilai kappa 0,711. Semakin tinggi nilai kappa maka semakin layak untuk tingkat kebenaran klasifikasi. Nilai kappa igambarkan dalam tabel 4.7.
Tabel 4.7 Nilai Kappa Data Testing
Data baru yang digunakan sebanyak sepuluh record diuji dengan menggunakan confusion matrix dan diperoleh akurasi sebesar 80%.
Tabel 4.8 Nilai Akurasi Data Baru
4.3. Pembahasan
Berdasarkan hasil eksperiment yang dilakukan untuk memecahkan masalah klasifikasi status gizi balita, dapat disimpulkan bahwa hasil eksperiment menggunakan metode Jaringan Saraf tiruanmempunyai tingkat akurasi sebesar
89,50 % dan mempunyai nilai kappa sebesar 0.711 untuk data training. Sedangkan pada data testing akurasi meningkat menjadi 96,08% dan kappa 0,907. Data tersebut merupakan pengujian berdasarkan indeks antropometri BB/U. Dalam penelitian ini juga dilakukan pengujian berdasarkan indeks antropometri BB/PB.
Namun, dalam pengujian berdasarkan indeks antropometri BB/PB menghasilkan nilai akurasi yang berbeda. Berikut tabel komparasi akurasi berdasarkan indeks antropometri BB/U dan BB/TB dalam tabel 4.9.
Tabel 4.9 Komparasi Akurasi
Indeks Training Testing
Accuracy Kappa Accuracy Kappa
BB/U 89,50% 0,711 96,08% 0,907
BB/PB 88,50% 0,460 82,35% 0,419
Dari tabel 4.9 ada perbedaan hasil yang diperoleh, berdasarkan indeks antropometri BB/PB nilai akurasi dan kappa lebih yang ihasilkan rendah.
Uji homogenitas dilakukan untuk mengetahui apakah variansi antara kelompok yang diuji berbeda atau tidak, variansinya homogen atau heterogen. Data yang diharapkan adalah yang homogen. Salah satu cara untuk mengukur homogenitas data adalah dengan menggunakan standar deviasi.
Standar deviasi dianggap sebagai ukuran variabilitas yang paling stabil dan handal karena menggunakan nilai rata-rata untuk perhitungannya. Standar deviasi sering disebut sebagai root-mean square deviation dan dilambangkan dengan sigma (Singh, 2006). Semakin besar nilainya atau menjauhi mean berarti memiliki nilai variabilitas yang tinggi. Untuk menghitung nilai standar deviasi dapat digunakan rumus sebagai berikut:
Dengan menggunakan data training sebagai data prettest, maka akan didapat standar deviasi untuk data training seperti yang terlihat pada tabel 4.10.
Tabel 4.10Nilai Standar Deviasi Pretest
Dengan menggunakan data testingsebagai data postttest, maka akan didapat standar deviasi untuk data testingseperti yang terlihat pada tabel 4.11.
Tabel 4.11Nilai Standar Deviasi Postest
Berdasarkan tabel 4.10 dan tabel 4.11, maka rata-rata standar deviasi untuk pretestadalah sebesar 5,034269 dan rata-rata standar deviasi untuk postestsebesar 6,547552, dengan demikian dapat disimpulkan bahwa data postest lebih baik dibandingkan dengan data pretest.
Berdasarkan hasil evaluasi tersebut, dijadikan sebagai rule untuk pembuatan interface yang dapat memudahkan ahli medis dalam mengidentifikasi status gizi balita. Interface yang digunakan dalam penelitian ini dibuat dengan menggunakan microsoft visual basic 6.0.
Gambar 4.5 GUI Sistem Identifikasi Status Gizi balita 4.4. Implikasi Penelitian
Implikasi penelitian pada tesis ini peneliti arahkan pada tiga aspek, yaitu:
1. Aspek Sistem
Penerapan kebijakan dalam penentuan status gizi di Posyandu akan membawa pengaruh pada sistem. Dengan data set yang ada serta atribut ysng telah ditentuksn diharapkan penentuan status gizi balita dapat lebih akurat sehingga kasus gizi buruk tdari tahun ketahun dapat berkurang dan dapat segera ditangani. Dalam penerapannya dengan data serta atribut yang telah ada, maka data tersebut dapat diuji dengan menggunakan software RapidMiner, software ini merupakan open source, sehingga bisa didapatkan dengan gratis. Sehingga dapat diketahui tingkat akurasi dari data tersebut. Dengan memanfaatkan perangkat yang ada, seperti hardware dan jaringan, system akan berjalan dengan lebih baik dalam memecahkan permasalahan yang ada.
2. Aspek Manajerial
Secara manajerial kinerja posyandu dan puskesmas akan lebih membawa dampak yang signifikan dalam penentuan status gizi balita.
3. Penelitian Lanjutan
Penelitian semacam ini dapat dikembangkan pada bidang kesehatan. Penelitian ini juga dapat dikembangkan dengan algoritma aturan klasifikasi yang lain yang terdapat dalam data mining, seperti algoritma Naive Bayes, KNN, atau Decission tree.
BAB V PENUTUP
5.1. Kesimpulan
Berdasarkan hasil uji coba yang dilakukan maka dapat disimpulkan bahwa model JST dengan algoritma backpropagation mampu megklasifikasikan status gizi balita dengan nilai learning rate 0,9, jumlah neuron pada hiden layer sebanyak 8 neuron. Pada hasil uji coba berdasarkan indeks antropometri BB/ U menghasilkan tingkat kebenaran klasifikasi sebesar 89,50% dengan kappa sebesar 0,711 untuk data training, dan sebesar 96,08% dan kappa memperoleh hasil yang excellent yaitu sebesar 0,907 untuk data testing. Sedangkan eberdasarkan indeks antropometri BB/
PB menghasilkan tingkat kebenaran klasifikasi sebesar 88,50% dengan kappa sebesar 0,460 untuk data training, dan sebesar 83,35% dan kappa 0,419 untuk data testing.
Dari hasil uji coba indeks antropometri BB/ U mengalami peningkatan akurasi dan kappa pada data testing. Hal ini mengindikasikan bahwa tingkat kebenaran klasifikasi semakin baik. Namun, berdasarkan indeks antropometri BB/
PB nilai kappa sangat rendah dan akurasi menurun pada data testing.
5.2. Saran
Agar penelitian ini bisa ditingkatkan, berikut adalah saran-saran yang diusulkan:
1. Penelitian ini diharapkan dapat digunakan pihak medis sebagai bahan pertimbangan dalam mengidentifikasi status gizi balita, sehingga dapat meningkatkan akurasi dalam prediksi status gizi balita.
2. Penelitian ini dapat dikembangkan dengan metode optimasi seperti Ant Colony Optimization (ACO), Genetic Algorithm (GA), dan lainnya.
3. Penelitian ini dapat dikembangkan dengan metode klasifikasi data mining lainnya seperti Naive Bayes, KNN dan lainnya untuk melakukan perbandingan.
4. Tingkat kesalahan klasifikasi dapat disebabkan kemungkinan adanya penyimpangan data penelitian, untuk peelitian selanjutnya, sebaiknya dilakukan tindak lanjut analisis dari penyimpangan yang terjadi.
Daftar Pustaka
Almatsier, S. (2005). Prinsip Dasar Ilmu Gizi. Jakarta: PT. Gramedia Pustaka Utama.
Amalia, E. L., Dachlan, H. S., & Santoso, P. B. (2014). Integrasi Sistem Pakar dan Algoritma Genetika untuk Mengidentifikasi Status Gizi Balita. Jurnal EECCIS , Vol 8, No.1.
Assadi, A., & Zade, S. H. (2014). UGA: A New Genetic Algorithm-Based Classification Method for Uncertain Data. Middle-East Journal Of Scientific Research ISSN 1990-9233, 1207-1212.
Berndtsson, M., Hansson, J., Olsson, B., & Lundell, B. (2008). A Guide For Students in Computer Science And Information Systems. London:
Springer.
Bramer, M. (2007). Principles of Data Mining. London: Springer.
D.Thangamani, & P.Sudha. (2014). Identification of Various Deficiiencies Using Data Mining Techniques- A Survey. International Journal Of Science and Research (IJSR).
Dawson, C. (2009). Projects in Computing and Information System A Students Guide. England: Addison-Wesley.
Degroff , C. G., & dkk. (2001). Artificial Neural Network - Based Method of Screening Heart Murmurs in Children. American Heart Association Jornals.
Depkes RI. (2009). Profil Kesehatan Indonesia 2008. Jakarta: Departemen Kesehatan RI.
Dezhi, X., & Ganegoa, G. U. (2011). Rule Based Classification to detect
Malnutrition in Children. International Journal on Computer Science and Enggineering (IJCSE).
Gorunescu, F. (2011). Data Mining Concepts, Models and Techniques. Verlag Berlin Heidelberg: Springer.
Han, J., & Kamber, M. (2006). Data Mining Concepts and Techniques Second Edition. California: Morgan Kaufmann.
Karegowde, A. G., Manjunath, A., & Jayaran, M. (2011). Application of Genetic Algorithm Optimizied Neural Network Weights for Medical Diagnosis of
PIMA Indians Diabetes. International Journal on Soft Computing (IJCS), Vol.2, No.2.
Kementerian Kesehatan. (2011). Bagan Tata Laksanan Anak Gizi Buruk.
Direktorak Bina Gizi.
Khothari, C. (2004). Research Methology Methods and Thehniques. India: New Age International.
Kusrini, & Luthfi, E. T. (2009). Algoritma Data Mining. Yogyakarta: Penerbit Andi.
Larose, D. (2006). Data Mining Methods and Models. Jhon Wiley & Sons Inc.
Hoboken New Jersey.
Maimon , O., & Rokach, L. (2010). Data Mining and Knowledge Discovery Hanbook Second Edition. New York: Springer.
Moradi , M., & Abedini, M. (2012). A Combination of Genetic Algorithm and Particle Swarm Optimiation for Optimal DG Location and istribution System. Elsevier.
Myatt, G. J. (2007). Making Sanse Of Data A Partical Guide to Explaratory Data Analysis and Data Mining. Canada: John Wiley & Sons.
Nix, S. (2005). William's Basic Nutrition & Diet Therapy. Elsivier Mosby Inc.
USA.
Prof.dr.Haman Hadi.M.S., S. (2005). Beban Ganda Masalah Gizi dan
Implikasinya Terhadap Kebijakan Pembangunan Kesehatan Nasional.
Pidato Pengukuhan Jabatan Guru Besar pada Fakultas Kedokteran Universitas Gadjah Mada.
Sexton, R. S., & Dorsey, R. E. (2000). Reliable Classification Using Neural Networks: A Genetic Algorithm and . ACM , Issue 30.
Sihombing, B. (2011). Jaringan Syaraf Tiruan dan Algoritma Genetika dalam Pemodelan Kalibrasi (Studi Kasus:Tanaman Obat Temulawak). Tesis Sekolah Pasca Sarjana IPB.
Singh, Y. (2006). Fundamental of Research Methodology and Statistics . New Delhi: New Age International.
Sivanandam, S., & Deepa, S. (2008). Introduction to Genetic Algorithm. Berlin Heidelberg New York: Springer.
Supariasa, I. N., & Fajar, I. (2002). Penilaian Status Gizi. Jakarta: PT Gramedia Indonesia.
Swastina, L., & Lareno, B. (2014). Model Penentuan Potensi Status Gizi
Bermasalah Menggunakan Decision Tree. Jurnal Gema Aktualita, Vol. 3 No. 2.
Thangamani , D., & Sudha, P. (2014). Identification of Malnutrition wish Use of Supervised Data Mining Techniques-Decision Trees and Artificial Neural Networks. International Journal of Engineering and Computer Science ISSN: 2319-7242.
Vercellis, C. (2009). Bussine Intellegence: Data Mining and Optimization for Decision Maing. United Kingom: Jhon Wiley & Sons.
Wahyuningsih, U., Khamsan, A., & Ekawidyani, K. R. (2014). Asupan Zat Gizi, Status Anemia pada Remaja Laki-laki Pengguna Narkoba di Lembaga Permasyarakatan Anak Pria Tangerang. Jurnal Gizi dan Pangan, ISSN 1978-1059, 23-28.
Wardlaw, G. M., & Hampl, S. J. (2007). Perspective In Nutrition. New York: Mc.
Graw Hill Companies Inc.
Witten, I., Frank, E., & Hall, M. (2011). Data Mining Particial Machine Learning tools and Techniques. United States: Elsivier Inc.
Zhi, X. D., & Ganegoda, G. U. (2011). Rule Based Classification to Detect Malnutrition in Children. International Journal On Computer Science and Engineering (IJCSE).