IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING
DALAM MENENTUKAN BERAT BADAN IDEAL
SKRIPSI
OLEH
DESFA MAULANI
061401072
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER & TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING
DALAM MENENTUKAN BERAT BADAN IDEAL
SKRIPSI
Diajukan untuk melengkapi tugas guna memenuhi syarat mencapai gelar Sarjana Komputer
DESFA MAULANI 061401072
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER & TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : IMPLEMENTASI ALGORITMA K-MEANS
CLUSTERING DALAM MENENTUKAN BERAT BADAN IDEAL
Kategori : SKRIPSI
Nama : DESFA MAULANI
NomorIndukMahasiswa : 061401072
Program Studi : SARJANA (S1) ILMU KOMPUTER
Departemen : ILMU KOMPUTER
Fakultas : ILMU KOMPUTER &
TEKNOLOGI INFORMASI (FASILKOM-TI) UNIVERSITAS SUMATERA UTARA Diluluskan di
Medan, 21 Agustus 2013
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Maya Silvi Lydia, BSc, MSc. Prof. Dr. Muhammad Zarlis, MSc.
NIP. 197401272002122001 NIP. 195707011986011003
Disetujuioleh
Program Studi S1 IlmuKomputer Ketua,
PERNYATAAN
IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING DALAM
MENENTUKAN BERAT BADAN IDEAL
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, 21 Agustus 2013
PENGHARGAAN
Alhamdulillahirobbil’alamin penulis ucapkan kepada Sang Khaliq Allah SWT yang telah melimpahkan rahmat dan karunia-Nya sehingga skripsi ini berhasil diselesaikan dalam waktu yang telah ditetapkan.
Skripsi ini merupakan salah satu syarat yang wajib diselesaikan guna meraih gelar Sarjana Komputer pada jurusan S1 Ilmu Komputer Universitas Sumatera Utara. Adapun judul yang diangkat penulis dalam skripsi ini adalah Implementasi Algoritma K-Means Clustering Dalam Menentukan Berat Badan Ideal. Tidak dapat dipungkiri bahwa dalam penyelesaian skripsi ini tidak luput dari campur tangan banyak pihak yang telah memberikan bantuan dan motivasi bagi penulis. Maka, dalam kesempatan ini, penulis mengucapkan terima kasih kepada:
1. Rektor Universitas Sumatera Utara, Bapak Prof. Dr. dr. Syahril Pasaribu, D.T.M.&H, M.Sc. (C.T.M), Sp.A.(K.).
2. Dekan Fakultas Ilmu Komputer dan Teknologi Informasi USU, Bapak Prof. Dr. Muhammad Zarlis, M.Kom dan juga selaku Dosen Pembimbing I yang telah memberikan panduan dan penuh kepercayaan kepada penulis untuk menyelesaikan skripsi ini.
3. Ketua Program Studi S1 Ilmu Komputer, Bapak Dr. Poltak Sihombing, M.Kom dan juga selaku Dosen Penguji I yang telah memberikan kritikan, saran, dan masukan kepada saya untuk menyelesaikan skripsi ini.
4. Sekretaris Program Studi S1 Ilmu Komputer, Ibu Maya Silvi Lydia, B.Sc,
M.Sc.dan juga selaku Dosen Pembimbing II yang telah memberikan panduan dan penuh kepercayaan kepada penulis untuk menyelesaikan skripsi ini.
5. Bapak Sajadin Sembiring, S.Si, MS.Comp.selaku dosen penguji II yang telah memberikan panduan ringkas, padat dan profesional kepada penulis guna menyempurnakan skripsi ini.
6. Dekan dan Pembantu Dekan Fakultas Ilmu Komputer & Teknologi Informasi (FASILKOM-TI) beserta para pegawai/staf S1 Ilmu Komputer.
8. Suami tercinta Said Farid Arafat Al-Idrus, S.T. yang selalu memberikan doa, perhatian, kasih sayang, motivasi dan semangat yang luar biasa bagi penulis. 9. Rekan kerja di Media Cetak dan Online Aplaus the Lifestyle – Analisa Group,
sekaligus sahabat terbaik, Yunita Nasution S.Sos., Erlinawati Koto S.Sos., Dyah Khalid, S.Hum, Souchi Juneda Rambe S. Kom, dan lainnya yang selama ini telah berbagi doa, semangat, suka maupun duka dengan penulis, serta sahabat-sahabat lain yang pernah mengisi perjalanan hidup penulis yang tidak dapat disebutkan satu per satu.
10.Teman-teman seperjuangan, mahasiswa S1 Ilmu Komputer stambuk 2006 dan 2007 yang telah banyak berbagi ilmu, memberikan bantuan, saran, kritikan, semangat, inspirasi, dukungan serta mewarnai kenangan selama masa kuliah yang tak akan terlupakan bagi penulis.
11.Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat penulis ucapkan satu per satu yang telah membantu penyelesaian skripsi ini. Semoga Allah SWT memberikan limpahan karunia kepada semua pihak yang telah memberikan bantuan, perhatian serta kerjasamanya kepada penulis dalam menyelesaikan tugas akhir ini.
Penulis menyadari bahwa dalam penyelesaian skripsi ini masih jauh dari sempurna. Untuk itu penulis sangat mengharapkan kritik dan saran yang membangun guna penyempurnaan di masa mendatang.
Akhirnya penulis berharap semoga skripsi ini dapat bermanfaat bagi pribadi penulis, keluarga, masyarakat, organisasi dan negara.
Medan, 21 Agustus 2013
ABSTRAK
Memperhatikan kesehatan merupakan hal sangat penting yang harus dilakukan secara rutin diantaranyaadalah berat badan. Berat badan yang ideal umumnya dapat diukur dengan formula tinggi badan dalam satuan sentimeter dikurangi dengan berat badan. Dengan berkembangnya ilmu kesehatan maka formula diatas tidak sesuai lagi.
Untuk menentukan kriteria berat badan dilakukan perhitungan body mass index (BMI), ukuran kerangka pasien serta kebutuhan kalori harian pasien berdasarkan usia dan aktifitas harian pasien tersebut. Apabila seseorang telah mengetahui nilai BMI-nya, orangtersebut dapat mengontrol berat badan sehingga dapat mencapai berat badan normal yang sesuai dengan tinggibadan. Sedangkan dengan mengetahui nilai ukuran kerangka dan nilai kebutuhan kalori harian orang tersebut maka dapat mengontrol asupan gizi yang dikonsumsi.
Pada penelitian ini, penulis mencoba membangun suatu sistem untuk mengelompokkan data yang adaberdasarkan usia, jenis kelamin dan ukuran rangkanya dengan memasukkan parameter kondisi fisik dari orang tersebut.Pengelompokkan data dilakukan dengan menggunakan metode K-Means Clustering yaitu denganmengelompokkan n buah objek ke dalam k kelas berdasarkan jaraknya dengan pusat kelas.
IMPLEMENTATION OF K-MEANS CLUSTERING ALGORITHM TO DETERMINE IDEAL WEIGHT
ABSTRACT
Attention to health is very important to be done on a regular basis such as weight loss. The ideal body weight can generally be measured by the formula height in centimeters minus the weight. With the development of medical science the above formula does not fit anymore.
To determine the weight criteria for calculating body mass index (BMI), a measure of the patient as well as the framework of the daily caloric needs of patients by age and the patient's daily activities. If someone already knows the value of BMI, the person can control your weight so as to achieve a normal weight according to height. While knowing the value of frame size and value of the person's daily calorie needs, it can control the intake of nutrients consumed.
In this study, the authors tried to establish a system to classify data by age, sex and size of the frame by inserting the parameters of the physical condition of the person. Clustering of data is done using K-Means clustering method is by classifying n objects into k classes based on the distance to the center of the class.
DAFTAR ISI
Bab 1 Pendahuluan
1.1Latar Belakang 1
2.2.1.1 Distance Space untuk Menghitung Jarak
Antara Data dan Centroid 7
2.2.1.2 Metode Pengalokasian Ulang Data
ke Dalam Masing-Masing Cluster 8
2.2.1.3 Objective Function yang Digunakan 9 2.3Beberapa Permasalahan yang Terkait dengan K-Means 10 2.4K-Means untuk Data yang Mempunyai Bentuk Khusus 13
2.5Berat Badan Ideal 14
2.5.1 Ukuran Kerangka 16
2.5.2 BMI (Body Mass Index) 17
2.5.3 BMR (Basal Metabolic Rate) 18
2.5.4 Mamfaat Mengetahui BMI & BMR 20
2.6PenelitianTerkait 21
Bab 3 Analisis dan Perancangan
3.1Analisis 22
3.1.1 Perhitungan Nilai BMI 25
3.1.2 Perhitungan Nilai UK 26
3.1.3 Perhitungan BMR 26
3.1.4 Perhitungan Kebutuhan Kalori Harian 26
3.1.5 Perhitungan Iterasi 27
3.1.6 Flowchart Sistem 35
3.2 Perancangan 36
3.2.1 Diagram Konteks Clustering 37
3.2.2 Data Flow Diagram Level 0 37
3.2.3 Data Flow Diagram Level 1 Proses K-Means Clustering 38
3.2.4 Perancangan Database 40
3.2.5 Relasi Antar Tabel 46
3.2.6 Rancangan Antarmuka (Interface) 46
3.2.6.1 Rancangan Menu Utama 47
3.2.6.2 Rancangan Login 47
3.2.6.3 Rancangan Pengukuran Manual 48
3.2.6.4 Rancangan K-Means Clustering 48
3.2.6.5 Rancangan Pusat Cluster Tiap Iterasi 50
3.2.6.6 Rancangan Cek Cluster Tiap Iterasi 50
3.2.6.7 Laporan Akhir 51
3.2.6.8 Rancangan Inisial Data 51
3.2.6.8.1 Rancangan Data Admin 51
3.2.6.8.2 Rancangan Data Pasien 52
3.2.6.8.3 Rancangan Data BMI 53
4.1.3 Tampilan Menu Pengukuran Manual 58
4.1.4 Tampilan Data User 59
4.1.5 Tampilan Data Pasien 60
4.1.6 Tampilan Data BMI 60
4.1.7 Tampilan Data Ukuran Kerangka 61
4.1.8 Tampilan Menu K-Mean Clustering 62
4.1.9 Tampilan About 62
4.2Pengujian Sistem 63
4.2.1 Tampilan Hasil Pengujian K-Means Clustering Tiap Iterasi 64 4.2.2 Tampilan Hasil Pengujian K-Mean Clustering Pada Iterasi
Terakhir 64
Bab 5 Kesimpulan dan Saran
5.1 Kesimpulan 67
5.2 Saran 67
Daftar Pustaka 68
DAFTAR TABEL
No. Keterangan Hal.
2.1 Aturan Kategori Ukuran Kerangka 17
2.2 AturanPerhitunganBeratBadan Ideal 18
3.1 Nilai BMI Dewasa 23
3.2 TabelPasienKategoriDewasa 25
3.3 TabelInisialCluster 27
3.4 PusatCluster Iterasi 1 30
3.5 PusatCluster TerkecilIterasi 1 30
3.6 PusatCluster Iterasi 2 33
3.7 PusatCluster TerkecilIterasi 2 34
3.8 HasilPengelompokkanPasien 35
3.9 TabeltAdmin 40
3.10 TabeltPasien 40
3.11 TabeltBMI 41
3.12 TabeltKluster 42
3.13 TabeltemBMI 42
3.14 TabeltemKluster 43
3.15 TabeltNewKluster 44
3.16 TabeltHasilKluster 44
DAFTAR GAMBAR
No. Keterangan Hal.
2.1 Salah Satu Dataset yang Mempunyai Bentuk Khusus 14
2.2 Lingkar Lengan Bawah 16
3.1 Flowchart Sistem 36
3.2 Diagram Konteks 37
3.3 DFD Level 0 Sistem Pengelompokkan K-Means Clustering 38
3.4 DFD Level 1 Proses K-Means Clustering 39
3.5 Relasi Antar Tabel 46
3.6 Rancangan Tampilan Menu Utama 47
3.7 Rancangan Login 48
3.8 Rancangan Pengukuran Manual 48
3.9 Rancangan Proses K-Means Clustering 49
3.10 Rancangan Pusat Cluster Tiap Iterasi 50
3.11 Rancangan Cek Cluster Tiap Iterasi 50
3.12 Rancangan Laporan Akhir 51
3.13 Rancangan Data Admin 52
3.14 Rancangan Data Pasien 52
3.15 Rancangan Data BMI 53
3.16 Rancangan Data UK 53
3.17 Profil Penulis 54
4.1 Tampilan Menu Utama 56
4.2 Tampilan Login 57
4.3 Tampilan Menu Utama Otoritas Desfa 57
4.4 Tampilan Sub Menu Input Data 58
4.5 Tampilan Menu Pengukuran Manual 59
4.6 Tampilan Data User 59
4.7 Tampilan Data Pasien 60
4.8 Tampilan Data BMI 61
4.9 Tampilan Data Ukuran Kerangka 61
4.11 Tampilan About 63
4.12 Tampilan Awal Proses K-Means Clustering 63
4.13 Tampilan Hasil Pengujian K-Means Clustering Tiap Iterasi 64
4.14 Tampilan Pesan Hasil Pengujian 65
4.15 Tampilan Hasil Pengujian K-Means Clustering Pada Iterasi Terakhir 65
ABSTRAK
Memperhatikan kesehatan merupakan hal sangat penting yang harus dilakukan secara rutin diantaranyaadalah berat badan. Berat badan yang ideal umumnya dapat diukur dengan formula tinggi badan dalam satuan sentimeter dikurangi dengan berat badan. Dengan berkembangnya ilmu kesehatan maka formula diatas tidak sesuai lagi.
Untuk menentukan kriteria berat badan dilakukan perhitungan body mass index (BMI), ukuran kerangka pasien serta kebutuhan kalori harian pasien berdasarkan usia dan aktifitas harian pasien tersebut. Apabila seseorang telah mengetahui nilai BMI-nya, orangtersebut dapat mengontrol berat badan sehingga dapat mencapai berat badan normal yang sesuai dengan tinggibadan. Sedangkan dengan mengetahui nilai ukuran kerangka dan nilai kebutuhan kalori harian orang tersebut maka dapat mengontrol asupan gizi yang dikonsumsi.
Pada penelitian ini, penulis mencoba membangun suatu sistem untuk mengelompokkan data yang adaberdasarkan usia, jenis kelamin dan ukuran rangkanya dengan memasukkan parameter kondisi fisik dari orang tersebut.Pengelompokkan data dilakukan dengan menggunakan metode K-Means Clustering yaitu denganmengelompokkan n buah objek ke dalam k kelas berdasarkan jaraknya dengan pusat kelas.
IMPLEMENTATION OF K-MEANS CLUSTERING ALGORITHM TO DETERMINE IDEAL WEIGHT
ABSTRACT
Attention to health is very important to be done on a regular basis such as weight loss. The ideal body weight can generally be measured by the formula height in centimeters minus the weight. With the development of medical science the above formula does not fit anymore.
To determine the weight criteria for calculating body mass index (BMI), a measure of the patient as well as the framework of the daily caloric needs of patients by age and the patient's daily activities. If someone already knows the value of BMI, the person can control your weight so as to achieve a normal weight according to height. While knowing the value of frame size and value of the person's daily calorie needs, it can control the intake of nutrients consumed.
In this study, the authors tried to establish a system to classify data by age, sex and size of the frame by inserting the parameters of the physical condition of the person. Clustering of data is done using K-Means clustering method is by classifying n objects into k classes based on the distance to the center of the class.
BAB 1
PENDAHULUAN
1.1Latar Belakang
Perkembangan teknologi komputer semakin pesat dewasa ini, yang memang ditujukan untuk membantu menusia dalam melakukan aktivitas kesehariannya, khususnya dalam bidang kedokteran. Dewasa ini, penggunaan komputer dalam bidang kedokteran telah semakin berkembang seperti penggunaan USG (Ultrasonografi) yang digunakan untuk mendeteksi janin didalam kandungan atau pendeteksian penyakit yang diderita pasien dengan menggunakan perangkat komputer.
Salah satu contoh penerapannya dalam dunia kedokteran adalah untuk menentukan berat badan ideal (BMI) seorang pasien dengan membandingkan berat badan, tinggi badan, usia, ukuran kerangka hingga aktifitas pasien itu sendiri, sehingga dokter bisa menentukan menu diet yang paling cocok untuk pasien tersebut. Hal ini menjadi hal yang sangat penting terutama di bidang kedokteran, seperti bidang kecantikan, atlit, atau bidang yang lain yang menuntut bentuk tubuh ideal seperti model, artis dan lain sebagainya.
Sesuai dengan pola-pola penentuan berat badan ideal yang sering digunakan oleh dokter, dapat dibuat sebuah sistem yang dapat menentukan berat badan ideal seorang pasien melalui perbandingan tinggi badan, berat badan, usia, ukuran kerangka hingga aktifitas pasien tersebut. Algoritma K-Means Clustering merupakan sebuah algoritma yang dapat mengelompokkan data berdasarkan nilai-nilai patokan yang diberikan dan mengkalkulasikan kelompok data tersebut.
Metode ini mempartisi data ke dalam cluster/kelompok sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam kelompok yang lain.
Berdasarkan uraian di atas, algoritma K-Means Clustering dapat dimanfaatkan untuk memprediksikan berat badan ideal seorang pasien dengan menginputkan tinggi badan, berat badan, usia, ukuran kerangka hingga aktifitas pasien tersebut. Oleh karena itu, penulis ingin menuangkannya ke dalam sebuah skripsi dengan judul: “Implementasi Algoritma K-Means Clustering Dalam Menentukan Berat Badan Ideal”.
1.2 Perumusan Masalah
Berdasarkan latar belakang di atas, maka perumusan masalah dalam penulisan ini adalah bagaimana merancang sebuah perangkat lunak yang dapat digunakan untuk menentukan berat badan ideal dengan menggunakan algoritma K-Means Clustering.
1.3 Batasan Masalah
Adapun yang menjadi batasan masalah dalam penulisan skripsi ini adalah :
a. Berat badan ideal dihitung berdasarkan tinggi badan, berat badan dan ukuran kerangka pasien.
b. Kebutuhan kalori per hari dihitung berdasarkan usia, berat badan, tinggi badan serta aktifitas pasien.
c. Data yang dikelompokkan untuk menentukan berat badan ideal pasien sesuai dengan cluster yang telah ditetapkan sebelumnya.
d. Metode pengelompokkan data yang digunakan adalah K-Means Clustering.
1.4 Tujuan Penelitian
Adapun tujuan dari penelitan ini adalah :
a. Untuk mengetahui cara penentuan berat badan ideal seorang pasien berdasarkan tinggi badan, berat badan, usia, ukuran kerangka hingga aktifitas pasien.
b. Untuk mengetahui cara kerja algoritma K-Means Clustering dalam melakukan pengelompokan terhadap data berdasarkan input yang dimasukkan.
c. Untuk menganalisis dan merancang sistem penentuan berat badan ideal dengan menggunakan K-Means Clustering.
1.5 Manfaat Penelitian
Sedangkan manfaat yang diharapkan dari penelitian ini adalah perangkat lunak dapat digunakan dalam bidang kedokteran untuk menentukan berat badan ideal pasien yang akan menjalankan program diet maupun kesehataan.
1.6 Metodologi Penelitian
Dalam penelitian ini dilakukan tahapan-tahapan sebagai berikut: 1. Studi Literatur
Metode ini dilaksanakan dengan melakukan studi kepustakaan yang relevan serta buku-buku maupun artikel-artikel atau e-book dan juga journal international yang didapatkan melalui internet.
2. Analisis
Pada tahap ini digunakan untuk mengolah data yang ada dan kemudian melakukan analisis terhadap hasil studi literatur yang diperoleh sehingga menjadi suatu informasi.
3. Perancangan Perangkat Lunak
.
1.7 Sistematika Penulisan
Sistematika penulisan tugas akhir ini adalah sebagai berikut:
BAB 1 PENDAHULUAN membahas Latar Belakang, Perumusan Masalah, Batasan Masalah, Tujuan penelitian, Manfaat Penelitian, Metode Penelitian yang dilakukan serta Sistematika penulisan.
BAB 2 LANDASAN TEORI membahas tentang landasan teori tentang data mining, tahapan data mining, teori K-Mean Clustering, database, normalisasi, bahasa pemrograman Visual Basic serta Data Flow Diagram (DFD).
BAB 3 ANALISIS DAN PERANCANGAN membahas mengenai analisa sistem, model analisa sistem serta perancangan antar muka pengguna. BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM membahas tentang
implementasi dan pengujian sistem.
BAB 2
LANDASAN TEORI
2.1Clustering
Pada dasarnya clustering terhadap data adalah suatu proses untuk mengelompokkan sekumpulan data tanpa suatu atribut kelas yang telah didefinisikan sebelumnya, berdasarkan pada prinsip konseptual clustering yaitu memaksimalkan dan juga meminimalkan kemiripan intra kelas. Misalnya, sekumpulan obyek-obyek komoditi pertama-tama dapat di clustering menjadi sebuah himpunan kelas-kelas dan lalu menjadi sebuah himpunan aturan-aturan yang dapat diturunkan berdasarkan suatu klasifikasi tertentu.
Proses untuk mengelompokkan secara fisik atau abstrak obyek-obyek ke dalam bentuk kelas-kelas atau obyek-obyek yang serupa, disebut dengan clustering atau unsupervised classification. Melakukan analisa dengan clustering, akan sangat membantu untuk membentuk partisi-partisi yang berguna terhadap sejumlah besar himpunan obyek dengan didasarkan pada prinsip "divide and conquer" yang mendekomposisikan suatu sistem skala besar, menjadi komponen-komponen yang lebih kecil, untuk menyederhanakan proses desain dan implementasi. Perbedaan utama antara Clustering Analysis dan klasifikasi adalah bahwa Clustering Analysis digunakan untuk memprediksi kelas dalam format bilangan real dan pada format katagorikal atau Boolean.
2.2Data Clustering
data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam kelompok yang lain.
Adapun tujuan dari data clustering ini adalah untuk meminimalisasikan objective function yang diset dalam proses clustering, yang pada umumnya berusaha meminimalisasikan variasi di dalam suatu cluster dan memaksimalisasikan variasi antar cluster. Data clustering menggunakan metode K-Means ini secara umum dilakukan dengan algoritma dasar sebagai berikut:
1. Tentukan jumlah cluster
2. Alokasikan data ke dalam cluster secara random
3. Hitung centroid (rata-rata) dari data yang ada di masing-masing cluster 4. Alokasikan masing-masing data ke centroid (rata-rata) terdekat
5. Kembali ke Step 3, apabila masih ada data yang berpindah cluster atau apabila perubahan nilai centroid, ada yang di atas nilai threshold yang ditentukan atau apabila perubahan nilai pada objective function yang digunakan di atas nilai threshold yang ditentukan.
2.2.1 Perkembangan Penerapan K-Means
Beberapa alternatif penerapan K-Means dengan beberapa pengembangan teori-teori penghitungan terkait telah diusulkan. Hal ini termasuk pemilihan:
1. Distance space untuk menghitung jarak di antara suatu data dan centroid. 2. Metode pengalokasian data kembali ke dalam setiap cluster.
2.2.1.1Distance Space Untuk Menghitung Jarak Antara Data dan Centroid
Beberapa distance space telah diimplementasikan dalam menghitung jarak (distance) antara data dan centroid termasuk di antaranya L1 (Manhattan/City Block) distance space, L2 (Euclidean) distance space, dan Lp (Minkowski) distance space.
Jarak antara dua titik x1 dan x2 pada Manhattan/City Block distance space dihitung dengan menggunakan rumus sebagai berikut:
……… (1)
dimana:
p : Dimensi data | . | : Nilai absolut
Sedangkan untuk L2 (Euclidean) distance space, jarak antara dua titik dihitung menggunakan rumus sebagai berikut:
--- (2)
dimana:
p : Dimensi data
2.2.1.2Metode Pengalokasian Ulang Data ke Dalam Masing-Masing Cluster
Secara mendasar, ada dua cara pengalokasian data kembali ke dalam masing-masing cluster pada saat proses iterasi clustering. Kedua cara tersebut adalah pengalokasian dengan cara tegas (hard), dimana data item secara tegas dinyatakan sebagai anggota cluster yang satu dan tidak menjadi anggota cluster lainnya, dan dengan cara fuzzy, dimana masing-masing data item diberikan nilai kemungkinan untuk bisa bergabung ke setiap cluster yang ada. Kedua cara pengalokasian tersebut diakomodasikan pada dua metode Hard K-Means dan Fuzzy K-Means. Perbedaan di antara kedua metode ini terletak pada asumsi yang dipakai sebagai dasar pengalokasian. Hard K-Means adalah pengalokasian kembali data ke dalam masing-masing cluster dalam metode Hard K-Means didasarkan pada perbandingan jarak antara data dengan centroid setiap cluster yang ada. Data dialokasikan ulang secara tegas ke cluster yang mempunyai centroid terdekat dengan data tersebut. Pengalokasian ini dapat dirumuskan sebagai berikut:
��� =�1 0� =min{D(xk,Vt)}...(3)
dimana:
aik: Keanggotaan data ke-k ke cluster ke-i vi: Nilai centroid cluster ke-i
Membership function untuk suatu data ke suatu cluster tertentu dihitung menggunakan rumus sebagai berikut:
……… (4)
dimana:
uik: Membership function data ke-k ke cluster ke-i vi: Nilai centroid cluster ke-i
m : Weighting Exponent
Membership function, ik u , mempunyai wilayah nilai 0≤ ik u ≤1. Data item yang mempunyai tingkat kemungkinan yang lebih tinggi ke suatu kelompok akan mempunyai nilai membership function ke kelompok tersebut yang mendekati angka 1 dan ke kelompok yang lain mendekati angka 0.
2.2.1.3Objective Function Yang Digunakan
Objective function yang digunakan khususnya untuk Hard K-Means dan Fuzzy K-Means ditentukan berdasarkan pada pendekatan yang digunakan dalam poin 2.1. dan poin 2.2. Untuk metode Hard K-Means, objective function yang digunakan adalah sebagai berikut:
……….. (5) dimana:
N : Jumlah data c : Jumlah cluster
u
ik: Keanggotaan data ke-k ke cluster ke-i vi: Nilai centroid cluster ke-i……… (6) dimana:
N : Jumlah data
c
: Jumlah clusterm : Weighting exponent
u
ik: Membership function data ke-k ke cluster ke-iv
i: Nilai centroid cluster ke-iDi sini
u
ikbisa mengambil nilai mulai dari 0 sampai 1.2.3Beberapa Permasalahan yang Terkait Dengan K-Means
Beberapa permasalahan yang sering muncul pada saat menggunakan metode K-Means untuk melakukan pengelompokan data adalah:
1. Ditemukannya beberapa model clustering yang berbeda 2. Pemilihan jumlah cluster yang paling tepat
3. Kegagalan untuk converge 4. Pendeteksian outliers
5. Bentuk masing-masing cluster 6. Masalah overlapping
Keenam permasalahan ini adalah beberapa hal yang perlu diperhatikan pada saat menggunakan K-Means dalam mengelompokkan data. Permasalahan 1 umumnya disebabkan oleh perbedaan proses inisialisasi anggota masing-masing cluster. Proses initialisasi yang sering digunakan adalah proses inisialisasi secara random. Dalam suatu studi perbandingan, proses inisialisasi secara random mempunyai kecenderungan untuk memberikan hasil yang lebih baik dan independent, walaupun dari segi kecepatan untuk converge lebih lambat.
Statistics. Satu hal yang patut diperhatikan mengenai metode-metode ini adalah pendekatan yang digunakan dalam mengembangkan metode-metode tersebut tidak sama dengan pendekatan yang digunakan oleh K-Means dalam mempartisi data item ke masing-masing cluster. Permasalahan kegagalan untuk converge, secara teori memungkinkan untuk terjadi dalam kedua metode K-Means. Kemungkinan ini akan semakin besar terjadi untuk metode Hard K-Means, karena setiap data di dalam dataset dialokasikan secara tegas (hard) untuk menjadi bagian dari suatu cluster tertentu. Perpindahan suatu data ke suatu cluster tertentu dapat mengubah karakteristik model clustering yang dapat menyebabkan data yang telah dipindahkan tersebut lebih sesuai untuk berada di cluster semula sebelum data tersebut dipindahkan dan demikian juga dengan keadaan sebaliknya. Kejadian seperti ini tentu akan mengakibatkan pemodelan tidak akan berhenti dan kegagalan untuk converge akan terjadi. Untuk Fuzzy K-Means walaupun ada, kemungkinan permasalahan ini untuk terjadi sangatlah kecil, karena setiap data diperlengkapi dengan membership function (Fuzzy K-Means) untuk menjadi anggota cluster yang ditemukan.
Permasalahan kelima adalah menyangkut bentuk cluster yang ditemukan. Tidak seperti metode data clustering lainnya termasuk Mixture Modelling, K-Means umumnya tidak mengindahkan bentuk dari masing-masing cluster yang mendasari model yang terbentuk, walaupun secara alamiah masing-masing cluster umumnya berbentuk bundar. Untuk dataset yang diperkirakan mempunyai bentuk yang tidak biasa, beberapa pendekatan perlu untuk diterapkan.
Masalah overlapping sebagai permasalahan terakhir sering sekali diabaikan karena umumnya masalah ini sulit terdeteksi. Hal ini terjadi untuk metode Hard K-Means dan Fuzzy K-Means, karena secara teori metode ini tidak diperlengkapi feature untuk mendeteksi apakah di dalam suatu cluster ada cluster lain yang kemungkinan tersembunyi.
K-Means merupakan metode data clustering yang digolongkan sebagai metode pengklasifikasian yang bersifat unsupervised (tanpa arahan). Pengkategorian metode-metode pengklasifikasian data antara supervised dan unsupervised classification didasarkan pada adanya dataset yang data itemnya sudah sejak awal mempunyai label kelas dan dataset yang data itemnya tidak mempunyai label kelas. Untuk data yang sudah mempunyai label kelas, metode pengklasifikasian yang digunakan merupakan metode supervised classification dan untuk data yang belum mempunyai label kelas, metode pengklasifikasian yang digunakan adalah metode unsupervised classification.
Melihat keadaan dimana pengguna umumnya sering menentukan jumlah cluster sendiri secara terpisah, baik itu dengan menggunakan metode tertentu atau berdasarkan pengalaman, di sini kedua metode K-Means ini dapat disebut sebagai metode semi-supervised classification, karena metode ini mengalokasikan data item ke masing-masing cluster secara unsupervised dan menentukan jumlah cluster yang paling sesuai dengan data yang dianalisa secara supervised.
2.4K-Means untuk Data yang Mempunyai Bentuk Khusus
Beberapa trik penghitungan telah diusulkan dalam menurunkan nilai kedua variabel yang diperlukan tersebut. Dengan penerapan trik perhitungan terhadap kedua variabel tersebut, objective function yang digunakan dalam menilai apakah suatu proses pengelompokan sudah converge atau tidak juga akan berubah.
Sumber: Agusta, 2006
Gambar 2.1 Salah Satu Dataset yang Mempunyai Bentuk Khusus
2.5Berat Badan Ideal
Berat badan ideal sangat berpengaruh terhadap kondisi kesehatan tubuh manusia. Seseorang yang memiliki berat badan ideal, akan lebih kecil kemungkinannya untuk terserang penyakit dibandingkan dengan orang yang memiliki berat badan yang tidak ideal (Hartono, 2006).
Ada beberapa faktor yang mempengaruhi ideal atau tidaknya berat tubuh seseorang. Adapun faktor-faktor tersebut adalah:
1. Keseimbangan Asupan Nutrisi
Kekurangan nutrisi akan menyebabkan kinerja organ-organ tubuh menurun yang mengakibatkan tubuh seseorang rentan terhadap serangan penyakit, karena tubuhnya tidak mampu memproteksi diri dari serangan yang terjadi. Sebaliknya, nutrisi yang berlebihan dalam tubuh menyebabkan berat tubuh naik secara drastis. Hal ini diakibatkan oleh nutrisi yang masuk lebih besar daripada nutrisi yang dibutuhkan, sehingga tubuh tidak dapat menyerap seluruh nutrisi tersebut yang mana sisanya akan menjadi timbunan lemak dalam tubuh.
2. Aktivitas Gerakan Tubuh
Tubuh manusia terdiri dari jutaan sel yang selalu aktif setiap hari menyokong sistem organ tubuh manusia. Agar sel ini selalu dalam kondisi yang baik, sel-sel ini harus sering diaktifkan dengan cara menggerakkan tubuh secara aktif. Salah satu aktivitas yang cocok untuk mengaktifkan gerakan tubuh adalah dengan melakukan olah raga, karena dengan melakukan olah raga, selain mengaktifkan sel-sel di dalam tubuh, timbunan lemak juga akan berkurang, karena dibakar sebagai bahan bakar dari aktivitas olah raga yang dilakukan.
3. Gaya Hidup dan Pola Makan
LLB TB UK= 2.5.1 Ukuran Kerangka
Untuk menentukan ukuran kerangka tubuh, dilakukan pengukuran lingkar pergelangan tangan dengan pita meteran serta nilai tinggi badannya. Untuk menghitung nilai ukuran kerangka manusia, dapat dilihat dari ukuran lingkar lengan bawahnya sebagaimana terlihat pada Gambar 2.3. Untuk menghitung nilai ukuran kerangka manusia, dapat dilihat dari ukuran lingkar lengan bawahnya.(Hartono, 2006).
Gambar 2.2 Lingkar Lengan Bawah
Rumus untuk menghitung ukuran kerangka manusia seperti ditunjukkan pada persamaan berikut :
………. (7) Dimana :
UK = Ukuran Kerangka TB = Nilai Tinggi Badan
LLB = Ukuran Lingkar Lengan Bawah
Setelah ukuran kerangka diperoleh, untuk menentukan apakah ukuran kerangka manusia tersebut termasuk kategori kecil sedang atau besar ditentukan dengan melihat jenis kelamin dan nilai ukuran kerangkanya berdasarkan aturan yang ditunjukkan pada Tabel 2.1.
2 TB
BB BMI=
Tabel 2.1 Aturan Kategori Ukuran Kerangka
Jenis Kelamin Nilai Ukuran Kerangka Kategori Ukuran Kerangka
Laki-Laki < 9,6 Kerangka Kecil
Laki 9,6 – 10,4 Kerangka Sedang
Laki >10,4 Kerangka Besar
Perempuan <10,1 Kerangka Kecil
Perempuan 10,1 – 11,0 Kerangka Sedang
Perempuan >11,0 Kerangka Besar
Sumber: Terapi Gizi & Diet Rumah Sakit, Hartono, 2006.
2.5.2 BMI (Body Mass Index)
BMI (Body Mass Index) merupakan suatu pengukuran yang membandingkan berat badan dengan tinggi badan. BMI merupakan teknik untuk menghitung index berat badan, sehingga dapat diketahui kategori tubuh kita apakah tergolong kurus, normal atau gemuk. BMI dapat digunakan untuk mengontrol berat badan sehingga dapat mencapai berat badan normal yang sesuai dengan tinggi badan (Judic, 2009).
Dalam menghitung BMI diperlukan dua parameter, yaitu berat badan (kg) dan tinggi badan (cm). BMI dapat dihitung dengan menggunakan persamaan berikut :
……… (8) Dimana :
BMI = Nilai body mass index BB = Berat badan dalam kilogram TB = Tinggi Badan dalam centimeter.
Tabel 2.2 Aturan Perhitungan Berat Badan Ideal Nilai BMI Keterangan
<18,5 Berat Kurang 18,5 – 22,9 Berat Normal 23 – 24,9 Obesitas Ringan 25 – 29,9 Obesitas Sedang >= 30 Obesitas Berat
Sumber: Terapi Gizi & Diet Rumah Sakit, Hartono, 2006.
Batas ambang BMI ditentukan dengan merujuk ketentuan FAO/WHO, yang membedakan batas ambang untuk laki-laki dan perempuan. Disebutkan bahwa batas ambang normal untuk laki-laki adalah 20,1 – 25,0 dan perempuan adalah 18,7 – 23,8.
Untuk kepentingan monitoring dan tingkat defesiensi kalori ataupun tingkat kegemukan, lebih lanjut FAO/WHO menyarankan menggunakan satu batas ambang antara laki-laki dan perempuan. Ketentuan yang digunakan adalah menggunakan ambang batas laki-laki untuk kategori kurus tingkat berat danmenggunakan ambang batas pada perempuan untuk kategori gemuk tingkat berat. Untuk kepentingan Indonesia, batas ambang dimodifikasi lagi berdasarkan pengalaman klinis dan hasil penelitian dibeberapa negara berkembang.
2.5.3 BMR (Basal Metabolic Rate)
BMR (Basal Metabolic Rate) adalah kebutuhan kalori minimum yang diperlukan untuk mempertahankan hidupsi individu dalam keadaan istirahat. Hal ini dapat dilihat sebagai jumlah energi (diukur dalam kalori) dikeluarkan oleh tubuh dalam keadaan statis tanpa aktifitas.
BMR bertanggung jawab atas pembakaran hingga 70% dari total yang kalori yang dikeluarkan, namun angka ini bervariasi berdasarkan faktor-faktor berikut ini :
• Genetika
Beberapa orang dilahirkan dengan metabolime yang berbeda-beda.
Pria yang notabennya memiliki massa otot yang lebih besar dan presentase lemak tubuh yang rendah berarti mereka memiliki BMR yang lebih rendah dibanding wanita.
• Usia
Semakin bertambah usia seseorang maka semakin rendah nilai BMR yang mereka butuhkan. Turun setelah berusia diatas 20 tahun. Turun sekitar 2% selama kurun waktu 10 tahun.
• BMI
BMI seseorang juga menjadi faktor besar dari kebutuhan BMR seseorang. Semakin gemuk seseorang, maka tinggi pula BMR orang tersebut.
• Aktifitas & Olahraga
Aktifitas atau latihan fisik seseorang tidak hanya mempengaruhi berat badan dan pembakaran kalori saja, tapi juga berpengaruh kepada nilai BMR seorang pasien.
Rumus BMR sendiri menggunakan variabel usia, tinggi badan, berat badan dan jenis kelamin. Rumus ini lebih akurat daripada menghitung kebutuhan kalori berdasarkan berat badan saja.
BMR pasien dapat dihitung melalui rumus berikut ini, dan dibedakan berdasarkan jenis kelamin:
BMR (wanita) = 655 + (9,6 x BB) + (1,8 x TB - (4,7 x U)
BMR (pria) = 66 + (13,7 x BB) + (5 x TB - (6,8 x U)…………..(9)
Dimana :
Setelah kita mendapatkan hasil BMR pasien, kita harus menghitung kebutuhan kalori harian dengan menggunakan Persamaan Harris Benedict, sebagai berikut :
Kelompok 1 : Tidak berolah raga
Kebutuhan Kalori Harian = BMR x 1.2
Kelompok 2 : Berolah raga ringan (1-3 kali seminggu) Kebutuhan Kalori Harian = BMR x 1.375
Kelompok 3 : Berolah raga sedang (3-5 kali seminggu) Kebutuhan Kalori Harian = BMR x 1.55
Kelompok 4 : Berolah raga berat (6-7 kali seminggu)
Kebutuhan Kalori Harian = BMR x 1.725
Kelompok 5 : Berolah raga berat dan sangat aktif
Kebutuhan Kalori Harian = BMR x 1.9………(10)
2.5.4 Manfaat Mengetahui BMI& BMR
Dengan mengetahui nilai BMI seseorang maka dapat diketahui apakah termasuk kategori kurang berat badan, normal atau kelebihan berat atau obesitas (kegemukan). Resiko penyakit yang berhubungan dengan derajat kegemukan seperti penyakit jantung, kencing manis bahkan stroke dapat dilihat dari nilai BMI yang dihasilkan. Nilai BMI dipengaruhi oleh usia namun sama pada kedua jenis kelamin. Nilai BMI dapat tidak sesuai pada derajat kegemukan dari populasi yang berbeda, dalam hubungannya dengan perbedaan proporsi tubuh. Sebagai contoh, ada orang Amerika dan orang Asia yang memiliki nilai BMI yang sama. Namun dilihat dari kenyataan, orang Asia tersebut memiliki proporsi massa lemak yang lebih banyak dari pada massa otot dibandingkan dengan orang Amerika.
Sedangkan dengan mengetahui nilai BMR seseorang yang artinya kita dapat mengetahui jumlah kalori yang dibutuhkan untuk menjaga berat badan ideal. Kita dapat dengan mudah menghitung jumlah kalori yang kita butuhkan untuk menurunkan dan menaikkan berat badan sesuai dengan kondisi ideal yang kita inginkan.
2.6Penelitian Terkait
Penelitian oleh Tedy Rismawan dan Sri Kusumadewi yang berjudul Aplikasi K-Means untuk Pengelompokkan Mahasiswa Berdasarkan Nilai Body Mass Index (BMI) dan Ukuran Kerangka dilakukan proses pengelompokkan 20 data sampel menjadi 3 kelompok berdasarkan nilai BMI dan ukuran kerangka. Ketiga kelompok tersebut adalah BMI normal dan kerangka besar, BMI obesitas sedang dan kerangka sedang, BMI obesitas berat dan kerangka kecil. Pengelompokkan tersebut berdasarkan status gizi dan ukuran kerangka dengan memasukkan parameter kondisi fisik dari orang tersebut. Algoritma k-means dimulai dengan menetapkan nilai-nilai pusat dari cluster atau biasa disebut dengan centroid atau meanssecara acak. Selanjutnya dihitung jarak setiap data yang ada terhadap masing-masing centroid menggunakan rumus Euclidian hingga ditemukan jarak yang paling dekat dari setiap data dengan centroid. Setelah itu, setiap data diklasifikasikan berdasarkan kedekatannya dengan centroid. Proses perhitungan jarak setiap data terhadap masing-masing centroid dilakukan terus hingga nilai centroid tidak mengalami perubahan (Rismawan, 2008).
2 TB
BB BMI=
BAB 3
ANALISIS DAN PERANCANGAN 3.1Analisis
Pada penelitian ini akan dibangun sistem yang dapat digunakan untuk mengklasifikasi pasien menurut body mass index (BMI), Basal Metabolic Rate (BMR), usia dan ukuran kerangkanya berdasarkan data fisik dari pasien yang telah diambil sebelumnya. Data fisik yang digunakan adalah tinggi badan, berat badan, usia, ukuran lingkar lengan bawah serta aktifitas sehari-hari.
Proses-proses yang dilakukan dalam melakukan pengelompokkan pasien dengan algoritma K-Means Clustering adalah:
a. Bangkitkan cluster-cluster
b. Hitung iterasi ke n dengan menghitung jarak antara pusat cluster dengan data (BMI dan UK).
c. Hitung cluster baru
d. Bandingkan cluster baru dengan cluster sebelumnya
e. Jika pusat cluster masih berubah maka lanjutkan iterasi (n=n+1) f. Jika pusat cluster tidak berubah hentikan iterasi
BMI merupakan suatu pengukuran yang membandingkan berat badan dengan tinggi badan. BMI merupakan teknik untuk menghitung index berat badan, sehingga dapat diketahui kategori tubuh kita apakah tergolong kurus, normal atau gemuk.
BMI dapat digunakan untuk mengontrol berat badan sehingga dapat mencapai berat badan normal yang sesuai dengan tinggi badan. Dalam menghitung BMI diperlukan dua parameter, yaitu berat badan (cm) dan tinggi badan (m).
BMI dapat dihitung dengan menggunakan persamaan berikut:
LLB TB = Tinggi Badan dalam centimeter.
Untuk mengukur apakah berat badan seseorang ideal atau tidak, dapat dilakukan dengan melihat nilai BMI (Body Mass Index) tubuhnya dan membandingkan nilainya dengan aturan dengan kategori:
a. Balita umur 1- 5 tahun b. Remaja umur > 5 – 17 tahun c. Dewasaumur > 17 - 60 tahun
d. Lansia (lanjut usia) umur > 60 tahun
Berat badan ideal untuk dewasadapat dilihat pada pada Tabel 3.1. Tabel 3.1 Nilai BMI Dewasa
Nilai BMI Keterangan Ideal <18,5 Berat Kurang Tidak 18,5 – 22,9 Berat Normal Ya
23 – 24,9 Obesitas Ringan Tidak 25 – 29,9 Obesitas Sedang Tidak >= 30 Obesitas Berat Tidak
Pengukuran kerangka tubuh manusia merupakan pengukuran yang membandingkan parameter tinggi badan dan lingkar lengan bawah. Dalam mengukur kerangka tubuh manusia diperlukan 3 buah parameter, yaitu tinggi badan (cm), lingkar lengan bawah (cm) dan jenis kelamin.
Rumus untuk menghitung ukuran kerangka manusia seperti ditunjukkan pada persamaan berikut:
………. (2) Dimana :
UK = Ukuran Kerangka TB = Nilai Tinggi Badan
Dengan batas pengelompokkan Laki-laki : < 9,6 : kerangka kecil
9,6 – 10,4 : kerangka sedang >10,4 : kerangka besar Perempuan :
<10,1 : kerangka kecil
10,1 – 11,0 : kerangka sedang >11,0 : kerangka besar
BMR pasien dapat dihitung melalui rumus berikut ini, dan dibedakan berdasarkan jenis kelamin:
BMR (wanita) = 655 + (9,6 x BB) + (1,8 x TB - (4,7 x U)
BMR (pria) = 66 + (13,7 x BB) + (5 x TB - (6,8 x U)…………..(3) Dimana :
BB = Berat badan dalam kilogram TB = Tinggi Badan dalam centimeter U = Usia dalam tahun
Setelah kita mendapatkan hasil BMR pasien, kita harus menghitung kebutuhan kalori harian dengan menggunakan Persamaan Harris Benedict, sebagai berikut :
Kelompok 1: Tidak berolah raga
Kebutuhan Kalori Harian = BMR x 1.2
Kelompok 2: Berolah raga ringan (1-3 kali seminggu) Kebutuhan Kalori Harian = BMR x 1.375
Kelompok 3: Berolah raga sedang (3-5 kali seminggu) Kebutuhan Kalori Harian = BMR x 1.55
Kelompok 4: Berolah raga berat (6-7 kali seminggu)
Kebutuhan Kalori Harian = BMR x 1.725
Kelompok 5: Berolah raga berat dan sangat aktif
Distance Space (euclidean distance) adalah jarak terpendek yang bisa didapatkan antara data dengan centroid. Distance space dihitung dengan rumusEuclidean:
………….. (5) Dimana:
D = distance space
X2 = data yang diperhitungkan dalam k-means(Umur, BMI, UK, dan Kalori) X1 = centroid dari Umur, BMI, UK, dan Kalori
Diperoleh data awal pasien yang berisi tinggi badan, berat serta ukuran lingkar lengan bawah seperti Tabel 3.2.
Tabel 3.2 Tabel Pasien Kategori Dewasa
No.Pasien Jenis
3.1.1 Perhitungan Nilai BMI
Berdasarkan data pada tabel 3.2 dilakukan perhitungan Nilai BMI adalah menghitung BMI dengan menggunakan persamaan (1) adalah sebagai berikut:
3.1.2 Perhitungan Nilai UK
Perhitungan Ukuran Kerangka (UK) pasien dengan menggunakan persamaan (2) sebagai berikut:
1. Pasien 1 = TB/LLB = 160/15 = 15 2. Pasien 2 = TB/LLB = 159/14 = 11.35 3. Pasien 3 = TB/LLB = 172/15 = 11.46 4. Pasien 4 = TB/LLB = 172/18 = 9.55 5. Pasien 5 = TB/LLB = 168/17 = 9.88
3.1.3 Perhitungan BMR
Perhitungan Basal Metabolic Rate (BMR) pasien dengan menggunakan persamaan (3) sebagai berikut:
Pasien 1 (Pria):
BMR = 66 + (13,7 x BB) + (5 x TB - (6,8 x U))
= 66 + (13,7 x 55) + (5 x 160 - (6,8 x 18)) = 1497.1 Pasien 2 (Wanita)
BMR (wanita) = 655 + (9,6 x BB) + (1,8 x TB - (4,7 x U))
= 655 + (9,6 x 58) + (1,8 x 159 - (4,7 x 20)) = 1404 Pasien 3 (Wanita)
BMR (wanita) = 655 + (9,6 x BB) + (1,8 x TB - (4,7 x U))
= 655 + (9,6 x 60) + (1,8 x 172 - (4,7 x 35)) = 1376.1 Pasien 4 (Pria):
BMR (Pria) = 66 + (13,7 x BB) + (5 x TB - (6,8 x U))
= 66 + (13,7 x 57) + (5 x 172 - (6,8 x 20)) = 1570.9 Pasien 5 (Wanita)
BMR (wanita) = 655 + (9,6 x BB) + (1,8 x TB - (4,7 x U))
= 655 + (9,6 x 70) + (1,8 x 168 - (4,7 x 28)) = 1497.8
3.1.4 Perhitungan Kebutuhan Kalori Harian
Pasien 1: Tidak berolah raga
Kebutuhan Kalori Harian = BMR x 1.2 = 1497.1 x 1.2 = 1796.52 Pasien 2: Berolah raga ringan (1-3 kali seminggu)
Kebutuhan Kalori Harian = BMR x 1.375 = 1404 x 1.375 = 1930.5 Pasien 3: Berolah raga sedang (3-5 kali seminggu)
Kebutuhan Kalori Harian = BMR x 1.55 = 1376.1 x 1.55 = 2132.96 Pasien 4: Berolah raga berat (6-7 kali seminggu)
Kebutuhan Kalori Harian = BMR x 1.725 =1570.9 x 1.725= 2709.8 Pasien 5: Berolah raga berat dan sangat aktif
Kebutuhan Kalori Harian = BMR x 1.9 = 1497.8 x 1.9 = 2844.3 Hasil perhitungan BMI, UK, BMR, dan Kalori Harian di atas dimasukkan ke dalam tabel seperti pada Tabel 3.3.
Tabel 3.3 Tabel Inisial Cluster
No.
Tahap awal perhitungan K-MeanCluster adalah dengan membangkitkan cluster-cluster secara acak. Pertama-tama bangkitkan 3 bilangan acak untuk
Usia ; BMI ; UK ; Kalori, misalnya diperoleh
Cluster 1 (25;17;9;2000), Cluster 2 (35;20;10;2500), Cluster 3 (45;25;11;3000)
3.1.5 Perhitungan Iterasi
a. Hitung jarak data pertama ke pusat cluster pertama: D11=
�(18 −25)2+ (21.48 −17) 2 + (10.6 −9)2+ (1796.52 −2000)2
= 203.65
b. Hitung jarak data pertama ke pusat cluster kedua:
D21=�(18 −35)2+ (21.48 −20) 2 + (10.6 −10)2+ (1796.52 −2500)2
= 703.69
c. Hitung jarak data pertama ke pusat cluster ketiga:
D31=�(18 −45)2+ (21.48 −25) 2 + (10.6 −11)2+ (1796.52 −3000)2
= 1203.79
d. Hitung jarak data kedua ke pusat cluster pertama: D12=
�(20 −25)2+ (22.94 −17) 2 + (11.35 −9)2+ (1930.5 −2000)2
= = 69.97
e. Hitung jarak data kedua ke pusat cluster kedua:
D22=�(20 −35)2+ (22.94 −20) 2 + (11.35 −10)2+ (1930.5 −2500)2
= 569.71
f. Hitung jarak data kedua ke pusat cluster ketiga:
D32=�(20 −45)2+ (22.94 −25) 2 + (11.35 −11)2+ (1930.5 −3000)2
= 1069.79
g. Hitung jarak data ketiga ke pusat cluster pertama: D13=
�(35 −25)2+ (20.28 −17) 2 + (11.46 −9)2+ (2132.96 −2000)2
h. Hitung jarak data ketiga ke pusat cluster kedua:
D23=
�(35 −35)2+ (20.28 −20) 2 + (11.46 −10)2+ (2132.96 −2500)2 =
367.04
i. Hitung jarak data ketiga ke pusat cluster ketiga:
D33=
�(35 −45)2+ (20.28 −25) 2 + (11.46 −11)2+ (2132.96 −3000)2 =
867.11
j. Hitung jarak data keempat ke pusat cluster pertama: D14=
�(20 −25)2+ (19.26 −17) 2 + (9.55 −9)2+ (2709.8 −2000)2 =
709.82
k. Hitung jarak data keempat ke pusat cluster kedua:
D24=�(20 −35)2+ (21.48 −20) 2 + (9.55 −10)2+ (2709.8 −2500)2 =
210.34
l. Hitung jarak data keempat ke pusat cluster ketiga:
D34=�(20 −45)2+ (21.48 −25) 2 + (9.55 −11)2+ (2709.8 −3000)2 =
291.29
m. Hitung jarak data kelima ke pusat cluster pertama: D15=
�(28 −25)2+ (24.80 −17) 2 + (10.6 −9)2+ (2844.3 −2000)2 =
844.34
n. Hitung jarak data kelima ke pusat cluster kedua:
D25=�(28 −35)2+ (24.80 −20) 2 + (10.6 −10)2+ (2844.3 −2500)2 =
o. Hitung jarak data kelima ke pusat cluster ketiga:
D35=�(28 −45)2+ (24.80 −25) 2 + (10.6 −11)2+ (2844.3 −3000)2 =
156.63
Hasil perhitungan di atas dimasukkan ke dalam tabel pusat cluster, sehingga diperoleh Tabel 3.4.
Tabel 3.4 Pusat Cluster Iterasi 1
No.Pasien Usia BMI UK Kalori C1 C2 C3
1 18 21.48 10.6 1796.52 203.65 703.69 1203.79
2 20 22.94 11.35 1930.5 69.97 569.71 1069.79
3 35 20.28 11.46 2132.96 133.39 367.04 867.11
4 20 19.26 9.55 2709.8 709.82 210.34 291.29
5 28 24.80 9.88 2844.3 844.34 344.41 156.63
Dari Tabel Cluster Iterasi 1 di atas, pilih cluster yang paling kecil seperti pada tabel 3.5:
Tabel 3.5 Pusat Cluster Terkecil Iterasi 1
No.Pasien Usia BMI UK Kalori C1 C2 C3
1 18 21.48 10.6 1796.52 *
2 20 22.94 11.35 1930.5 *
3 35 20.28 11.46 2132.96 *
4 20 19.26 9.55 2709.8 *
5 28 24.80 9.88 2844.3 *
1. Hitung pusat cluster.
Cluster pertama adalah data nomor pasien 1, 2, dan 3 sehingga C11 = (18+20+35)/3= 24.33
C12 = (21.48+22.94+20.28)/3 = 21.58 C13 = (10.6+11.35+11.48)/3 = 11.14
Cluster kedua adalah hanya data nomor pasien 4 saja, sehingga: C21 = 20
C22 = 19.26 C23 = 9.55 C24 = 2709.8
Cluster-2 adalah (20; 19.26; 9.55; 2709.8)
Cluster ketiga adalah hanya data nomor pasien 5 saja, sehingga: C31 = 28
C32 = 24.80 C33 =9.88 C34 = 2844.3
Cluster-3 adalah (28; 24.80; 9.88; 2844.3)
2. Lakukan Iterasi yang kedua dengan langkah 2 di atas dan diperoleh: Cluster-1 adalah (24.33 ; 21.58 ; 11.14 ; 1953.33)
Cluster-2 adalah (20 ; 19.26 ; 9.55 ; 2709.8) Cluster-3 adalah (28 ; 24.80 ; 9.88 ; 2844.3)
a. Hitung jarak data pertama ke pusat cluster pertama: D11=
�(18 −24.33)2+ (21.48 −21.58) 2 + (10.6 −11.14)2 + (1796.52 −1953.33)2
= 156.9
b. Hitung jarak data pertama ke pusat cluster kedua:
D21=
�(18 −20)2+ (21.48 −19.26) 2 + (10.6 −9.55)2+ (1796.52 −2709.8)2
= 913.28
c. Hitung jarak data pertama ke pusat cluster ketiga:
D31=
�(18 −28)2+ (21.48 −24.80) 2 + (10.6 −9.88)2+ (1796.52 −2844.3)2
d. Hitung jarak data kedua ke pusat cluster pertama: D12=
�(20 −24.33)2+ (22.94 −21.58) 2 + (11.35 −11.14)2 + (1930.5 −1953.33)2
= 23.25
e. Hitung jarak data kedua ke pusat cluster kedua:
D22=
�(20 −20)2+ (22.94 −19.26) 2 + (11.35 −9.55)2+ (1930.5 −2709.8)2
= 779.31
f. Hitung jarak data kedua ke pusat cluster ketiga:
D32=
�(20 −28)2+ (22.94 −24.80) 2 + (11.35 −9.88)2+ (1930.5 −2844.3)2
= 913.84
g. Hitung jarak data ketiga ke pusat cluster pertama: D13=
�(35 − 24.33)2+ (20.28 −21.58) 2 + (11.46 −11.14)2 + (2132.96 −1953.33)2
= 179.95
h. Hitung jarak data ketiga ke pusat cluster kedua:
D23=
�(35 −20)2+ (20.28 −19.26) 2 + (11.46 −9.55)2+ (2132.96 −2709.8)2
= 577.04
i. Hitung jarak data ketiga ke pusat cluster ketiga:
D33=
�(35 −28)2+ (20.28 −24.80) 2 + (11.46 −9.88)2+ (2132.96 −2844.3)2
j. Hitung jarak data keempat ke pusat cluster pertama: D14=
�(20 −24.33)2+ (19.26 −21.58) 2 + (9.55 −11.14)2+ (2709.8 −1953.33)2
= 756.49
k. Hitung jarak data keempat ke pusat cluster kedua:
D24=
�(20 −20)2+ (21.48 −19.26) 2 + (9.55 −9.55)2+ (2709.8 −2709.8)2
= 2.22
l. Hitung jarak data keempat ke pusat cluster ketiga:
D34=
�(20 −28)2+ (21.48 −24.80) 2 + (9.55 −9.88)2+ (2709.8 −2844.3)2
= 134.78
m. Hitung jarak data kelima ke pusat cluster pertama: D15=
�(28 −24.33)2+ (24.80 −21.58) 2 + (9.88 −11.14)2 + (2844.3 −1953.33)2
= 891.01
n. Hitung jarak data kelima ke pusat cluster kedua:
D25=
�(28 −20)2+ (24.80 −19.26) 2 + (9.88 −9.55)2+ (2844.3 −2709.8)2
= 134.85
o. Hitung jarak data kelima ke pusat cluster ketiga:
D35=
�(28 −28)2+ (24.80 −24.80) 2 + (9.88 −9.88)2+ (2844.3 −2844.3)2
= 0
Tabel 3.6 Pusat Cluster Iterasi 2
Dari Tabel 3.5 di atas, pilih cluster yang paling kecil sehingga hasilnya diperoleh seperti pada Tabel 3.7.
Tabel 3.7 Pusat Cluster Terkecil Iterasi 2
No.Pasien Usia BMI UK Kalori C1 C2 C3
Pada Tabel 3.6 di atas dapat dibandingkan dengan Tabel 3.7, jika posisi cluster masih berubah, maka iterasi 3 dilanjutkan. Namun dari data diatas ternyata posisi cluster tidak berubah maka iterasi dihentikan dan hasil yang diperoleh satu cluster:
Cluster pertama adalah data nomor pasien 1, 2, dan 3 sehingga C11 = (18+20+35)/3= 24.33
C12 = (21.48+22.94+20.28)/3 = 21.58 C13 = (10.6+11.35+11.48)/3 = 11.14
C14 = (1796.52+1930.5+2132.96)/3 = 1953.33 Cluster-1 adalah (24.33; 21.58; 11.14; 1953.33)
Cluster kedua adalah hanya data nomor pasien 4 saja, sehingga: C21 = 20
Cluster-2 adalah (20; 19.26; 9.55; 2709.8)
Cluster ketiga adalah hanya data nomor pasien 5 saja, sehingga: C31 = 28
C32 = 24.80 C33 =9.88 C34 = 2844.3
Cluster-3 adalah (28; 24.80; 9.88; 2844.3)
Cluster 1 ini dapat diartikan sebagai kelompok pasien dengan berat normal dan. Hasil perhitungan bahwa:
Cluster Pertama dengan BMI : 21.58 (Berat Normal) ; UK: 11.14(kerangka besar untuk laki-laki dan perempuan ); dan kebutuhan Kalori Harian pasien adalah 1953.33 kal/hari.
Untuk melakukan pengelompokan data pasien dengan cluster-cluster pada proses iterasi-2, maka digunakan Tabel 3.1 dan persamaan (2) dengan hasil seperti pada Tabel 3.8.
Tabel 3.8 Hasil Pengelompokan Pasien
No.Pasien Jenis
Kelamin BMI UK
Kalori
Harian Berat Kerangka Ideal 1 Laki-Laki 21.48 10.6 1796.52 Normal Besar Ya 2 Perempuan 22.94 11.35 1930.5 Normal Besar Ya 3 Perempuan 20.28 11.46 2132.96 Normal Besar Ya
4 Laki_laki 19.26 9.55 2709.8 Normal Kecil Ya
5 Perempuan 24.80 9.88 2844.3 Obesitas
Ringan Kecil Tidak
3.1.6 Flow Chart Sistem
Gambar 3.1Flow Chart Sistem
3.2Perancangan
Rancang sistem yang digunakan adalah dalam model Diagram Konteks dan Data Flow Diagram (DFD) yang menampilkan kebutuhan sistem serta entitas luar yang terlibat dalam proses K-MeanClustering.
Start
Input Tinggi, Berat, Ukuran Lingkar lengan, Usia, Aktifitas
Bangkitkan titik pusat tiap-tiap
cluster secara acak
Hitung jarak data dengan masing-masing cluster
berdasarkan titik pusatnya
Kelompokkan data pada cluster
berdasarkan jarak terdekat
Bangkitkan titik pusat baru tiap-tiap cluster
Hitung rata-rata titik pusat data pada masing-masing
cluster
Bandingkan posisi titik pusat
cluster yang lama dengan yang baru
3.2.1 Diagram Konteks Sistem Pengelompokkan K-Means Clustering
Pada diagram konteks di bawah ini terdapat dua entiti luar (external entity) yang terdapat pada perangkat lunak yang dibangun yaitu Admin dan User. Admin berfungsi sebagai pengguna sistem yang memberikan masukan berupa data pasien yang terdiri dari IDPasien, jenis kelamin, berat badan, tinggi badan serta ukuran lingkar lengan bawah. Selain memberikan masukan berupa data pasien, Admin juga dapat memberikan masukan untuk data BMI, data UK, dan data cluster acak awal yang digunakan dalam proses perhitungan metode k-means clustering. Sedangkan, fungsi dari user sebagai pengguna sistem hanya dapat melakukan proses perhitungan k-means clustering dengan memberikan masukan data cluster acak awal. Diagram Konteks dapat dilihat seperti pada Gambar 3.2.
Gambar 3.2 Diagram Konteks
3.2.2 Data Flow Diagram Level 0
Data Flow DiagramLevel 0 adalah diagram yang menggambarkan proses-proses yang terjadi di dalam sistem pengelompokkan k-means clustering. Proses-proses yang terjadi dalam DFD Level 0 adalah proses pengisian data pasien, proses pengisian data BMI, proses pengisian data UK, dan proses perhitungan k-means clustering. Dalam DFD level 0 tersebut dapat dilihat proses-proses apa saja yang dapat dilakukan oleh admin dan user. DFD Level 0 dapat dilihat pada Gambar 3.3.
Data Pasien, Data BMI, Data UK, Data Cluster Acak Awal
Data Cluster Acak Awal
Gambar 3.3DFD Level0Sistem Pengelompokkan K-MeansClustering 3.2.3 Data Flow Diagram Level 1 Proses K-Means Clustering
Data Flow DiagramLevel 1Proses K-Means Clustering menggambarkan langkah-langkah proses dari metodek-meansclustering untuk melakukan pengelompokan pasien dengan menghitung BMI, menghitung ukuran kerangka (UK), BMR, dan kalori harian, membangkitkan centroid acak, menghitung jarak data dengan centroid, menghitung cluster baru serta pengelompokan data pasien berdasarkan posisi cluster pada iterasi terakhir.
Gambar 3.4DFD Level1Proses K-Means Clustering Umur, BMI, UK, Kalori
Data Pasien, Kluster Data Cluster Acak Awal
Data Cluster Acak Awal
3.2.4
Perancangan Database
Perancangan database merupakan proses untuk menentukan isi data yang dibutuhkan untuk mendukung rancangan sistem. Model rancangan database yang dibangun adalah model relationship dimana seluruh tabel saling berhubungan satu dengan yang lainnya. Rancangan database yang berisi tabel data yang digunakan adalah sebagai berikut:
1. Tabel tAdmin
Tabel ini berfungsi sebagai sumber informasi tentang data administrator sistem yang memiliki hak otoritas atas pemasukan data pasien. Struktur tabel ini dapat dilihat pada Tabel 3.9.
Tabel 3.9 Tabel tAdmin
No Nama
Field
Tipe Ukuran Keterangan
1 UserID Char 10 User Name (Primary Key)
2 Passwd Char 10 Password
2. Tabel tPasien
Tabel 3.10 Tabel tPasien
No
Nama
Field
Tipe Ukuran Keterangan
1 IDPasien Integer 2 Kode Pasien (Primary Key)
2 NmPasien Char 50 Nama Pasien
3 JK Char 1 Jenis Kelamin
4 Berat Integer 3 Berat Badan
5 Tinggi Integer 3 Tinggi Badan
6 LLB Integer 3 Lingkar Lengan Bawah
7 UserID Char 10 ID Admin
8 Umur Integer 3 Umur Pasien
9 Aktivitas Char 10 Aktifitas harian pasien
3. Tabel tBMI
Tabel ini berfungsi untuk menyimpan hasil perhitungan body mass index (BMI), ukuran kerangka, umur, dan kalori dari setiap data pasien. Struktur tabel tBMI dapat dilihat pada Tabel 3.11.
Tabel 3.11 Tabel tBMI
No Nama
Field
Tipe Ukuran Keterangan
1 IDPasien Integer 2 Kode Pasien (Primary Key)
2 BMI Single Nilai BMI dari pasien
3 UK Single Nilai ukuran kerangka pasien
4 Umur Single Nilai umur dari pasien
4. Tabel tKluster
Tabel ini berfungsi untuk menyimpan hasil perhitungandari nilai setiap kluster masing-masing pasien pada setiap iterasi. Struktur tabel tKluster dapat dilihat pada Tabel 3.12.
Tabel 3.12 Tabel tKluster
No Nama
Field
Tipe Ukuran Keterangan
1 IDKluster Integer 1 Nomor yang menandakan
kluster yang bersangkutan (Primary Key)
2 IDPasien Integer 2 Kode pasien
3 Kluster Single Nilai kluster
4 Iterasi Integer 2 Nilai iterasi
5 Status Text 1 Nilai yang menunjukkan
kluster yang memiliki nilai kluster terrendah pada masing-masing pasien tiap iterasi
5. Tabel temBMI
Tabel ini berfungsi untuk menyimpan hasil perhitungan sementara nilai BMI, UK, Umur, Kalori, Kluster yang ditempati pasien pada satu iterasi. Struktur tabel temBMI dapat dilihat pada Tabel 3.13.
Tabel 3.13 Tabel temBMI
No Nama
Field
Tipe Ukuran Keterangan
1 IDPasien Integer 2 Kode pasien (Primary Key)
3 Umur Single Nilai umur
4 BMI Single Nilai BMI
5 UK Single Nilai UK
6 Kalori Single Nilai Kalori
7 Status Integer 2 Nilai yang menandakan iterasi
yang berlangsung pada saat itu
6. Tabel temKluster
Tabel ini berfungsi untuk menyimpan hasil perbandingan status posisi kluster masing-masing pasien antara posisi kluster pada iterasi sekarang dengan posisi kluster pada iterasi sebelumnya. Struktur tabel temKluster dapat dilihat pada Tabel 3.14.
Tabel 3.14 Tabel temKluster
No Nama
Field
Tipe Ukuran Keterangan
1 IDPasien Integer 2 Kode pasien (Primary Key) 2 KlusterBaru Integer 1 Posisi Kluster pada iterasi
sekarang
3 KlusterLama Integer 1 Posisi kluster pada iterasi
sebelumnya
4 Status Text 9 Status perubahan posisi kluster
7. Tabel tNewKluster
Tabel 3.15 Tabel tNewKluster
No
Nama
Field
Tipe Ukuran Keterangan
1 IDIterasi Integer 3 Nomor unik untuk setiap
nilai pusat kluster(Primary Key)
2 IDKluster Integer 1 Nomor kluster
3 BMI Single Nilai pusat BMI
4 UK Single Nilai pusat ukuran kerangka
5 Iterasi Integer 2 Nomor iterasi
6 Umur Single Nilai pusat umur
7 Kalori Single Nilai pusat kalori
8. Tabel tHasilKluster
Tabel ini berfungsi untuk menyimpannilai akhir pusat kluster. Struktur tabel tHasilKluster ini dapat dilihat pada Tabel 3.16.
Tabel 3.16 Tabel tHasilKluster
No
Nama
Field
Tipe Ukuran Keterangan
1 IDKluster Integer 1 Nomor Kluster (Primary
Key)
2 Umur Single Nilai pusat akhir dari umur
3 BMI Text 20 Nilai pusat akhir dari BMI
4 UKL Text 20 Nilai pusat akhir dari ukuran
kerangka untuk jenis kelamin laki-laki
5 UKP Text 20 Nilai pusat akhir dari ukuran
kerangka untuk jenis kelamain perempuan
9. Tabel tHasilLaporan
Tabel ini berfungsi untuk menyimpan nilai akhir dari BMI, UK, umur, kalori, dan posisi kluter pada tiap pasien. Struktur tabel tHasilLaporan ini dapat dilihat pada Tabel 3.17.
Tabel 3.17 Tabel tHasilLaporan
No
Nama
Field
Tipe Ukuran Keterangan
1 IDPasien Integer 2 Kode Pasien (Primary Key)
2 IDKluster Integer 1 Posisi kluster dari pasien
3 Umur Single Nilai akhir dari umur
4 BMI Text 20 Nilai akhir dari BMI
5 UKL Text 20 Nilai akhir dari ukuran
kerangka untuk jenis kelamin laki-laki
6 UKP Text 20 Nilai akhir dari ukuran
kerangka untuk jenis kelamin perempuan
7 Kalori Single Nilai akhir dari kalori
3.2.5 Relasi Antar Tabel
tPasien
Gambar 3.5 Relasi Antar Tabel
3.2.6 Rancangan Antarmuka (Interface)
3.2.6.1Rancangan Menu Utama
Rancangan Tampilan Menu Utama merupakan tampilan yang pertama kali muncul saat program dijalankan.
Rancangan Menu Utama dapat dilihat seperti pada Gambar 3.6.
Gambar 3.6 Rancangan Tampilan Menu Utama
Rancangan Menu Utama ini terdiri dari tombol sub menu Login, Pengukuran Manual, K-Mean Clustering, Inisial Data, About dan tombol Keluar untuk menutup tampilan.
3.2.6.2Rancangan Login
Rancangan Login adalah rancangan untuk melakukan otorisasi user untuk melakukan pemasukan data pasien, BMI serta Ukuran Kerangka. Tampilan ini terdiri dari Nama Pasien serta Password. Setelah mengisi data di atas, maka pilih tombol Login dan jika hendak membatalkan Login, maka pilih Batal dan sekaligus menutup rancangan Login untuk kembali ke menu Utama. Rancangan Login dapat dilihat seperti Gambar 3.7.
Gambar 3.7 Rancangan Login
Nama xxxxxxxxx
Data Body Mass Index
Keluar
Data Ukuran Kerangka Data User Login
Data Pasien
3.2.6.3Rancangan Pengukuran Manual
Rancangan Pengukuran Manual adalah rancangan untuk melakukan perhitungan pengukuran berat badan ideal untuk masing-masing pasien. Data yang dimasukkan terdiri dari nama, umur, jenis kelamin, berat badan, tinggi badan, ukuran lengan, aktivitas. Rancangan Pengukuran Manual dapat dilihat seperti gambar 3.8.
Gambar 3.8 Rancangan Pengukuran Manual
3.2.6.4Rancangan K-Means Clustering
Rancangan K-Means Clustering adalah rancangan untuk melakukan proses clustering dengan metode K-Means terhadap data yang telah dimasukkan terlebih dahulu.
Rancangan K-Means Clustering dapat dilihat seperti Gambar 3.9.
Gambar 3.9 Rancangan Proses K-Means Clustering
Keterangan
1. Petugas yang melakukan pemasukan data ini adalah bebas tanpa otoritas. 2. Sebelum Proses, user harus memasukkan data pasien berupa nama pasien,
jenis kelamin, berat tubuh, tinggi badan serta ukuran lingkar lengan, data BMI dan data Ukuran Kerangka.
3. Untuk menampilkan pada layar atau mencetak hasil cluster, user diharuskan menyimpan hasil kluster terlebih dahulu.
ID
Urutan Input : Umur; BMI; UK; Kalori
