Sistem Pendukung Keputusan Status Gizi Balita Berdasarkan Berat Badan Terhadap Tinggi Badan Menggunakan Metode
Naive Bayes
SKRIPSI
Sebagai Persyaratan Guna Meraih Gelar Sarjana Teknik Elektro Universitas Muhammadiyah Malang
Dewi Qurrota A’yun 201710130311087
PROGRAM STUDI TEKNIK ELEKTRO FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH MALANG
2021
ii
LEMBAR PERSETUJUAN
SISTEM PENDUKUNG KEPUTUSAN STATUS GIZI BALITA BERDASARKAN BERAT BADAN TERHADAP TINGGI
BADAN MENGGUNAKAN METODE NAIVE BAYES
Diajukan untuk memenuhi salah satu syarat memperoleh gelar sarjana (S1) Teknik Elektro Universitas Muhammadiyah Malang
Disusun Oleh :
Dewi Qurrota A’yun 201710130311087
Tanggal Ujian : 12 Oktober 2021 Tanggal Wisuda :
Diperiksa dan disetujui oleh :
Pembimbing I Pembimbing II
Lailis Syafa’ah, Dr., Hj., M.T. Inda Rusdia Sofiani, S.T., M.Sc.
NIDN.0721106301 NIDN.0513057501
iii
iv
v
KATA PENGANTAR
Puji dan syukur kehadirat Allah Subhanau Wa Ta‟ala atas segala limpahan rahmat dan hidayah-Nya. Shalawat serta salam semoga tetap tercurahkan kepada baginda Rasullullah Shalallahu „Alaihi Wasallam, keluarga, sahabat dan para pengikut setia nya. Atas segala kehendak Allah, penulis dapat menyelesaikan tugas akhir ini yang berjudul :
“SISTEM PENDUKUNG KEPUTUSAN STATUS GIZI BALITA
BERDASARKAN BERAT BADAN TERHADAP TINGGI BADAN
MENGGUNAKAN METODE NAIVE BAYES”
Penulisan tugas akhir ini diajukan sebagai salah satu syarat memperoleh gelar sarjana teknik di Teknik Elektro Universitas Muhammadiyah Malang. Selain itu penulis berharap agar isi dari tugas akhir ini bisa menambah wawasan dan memberikan manfaat bagi semuanya.
Penulis menyadari bahwa dalam tugas akhir ini masih jauh dari kata sempurna. Oleh karena nya, kritik dan saran yang membangun sangat di butuhkan demi perbaikan di masa mendatang. Semoga tugas akhir ini dapat bermanfaat bagi pembaca dan peneliti selanjutnya.
Malang, Oktober 2021
Penulis
vi DAFTAR ISI
LEMBAR PERSETUJUAN... ii
LEMBAR PENGESAHAN ... iii
LEMBAR PERNYATAAN ... iv
LEMBAR PERSEMBAHAN ... vii
ABSTRAK ... v
ABSTRACT ... vi
KATA PENGANTAR ... vii
DAFTAR ISI ... ix
DAFTAR TABEL ... xi
DAFTAR GAMBAR ... xii
DAFTAR LAMPIRAN ... xiii
Bab I Pendahuluan ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 3
1.3 Tujuan Penelitian ... 3
1.4 Manfaat Penelitian ... 4
1.5 Sistematika Penulisan ... 4
Bab II Tinjauan Pustaka ... 6
2.1 Penelitian Terkait ... 6
2.2 Gizi ... 8
2.2.1 Status Gizi ... 9
2.2.2 Kategori dan Ambang Batas Status Gizi Anak ... 12
2.2.3 Variable Pengukuran Status Gizi ... 14
2.3 Pembelajaran Mesin ... 15
2.4 Naïve Bayes ... 18
2.4.1 Persamaan Metode Naïve Bayes ... 18
2.5 Regresi Linier Berganda ... 19
2.5.1 Uji Linearitas Regresi ... 21
Bab III Perancangan Sistem ... 23
vii
3.1 Data ... 23
3.2 Desain Umum Proses Penelitian ... 24
3.3 Tahapan Analisis Metode ... 25
3.3.1 Data Preprocessing ... 27
3.4 Pembobotan Nilai Variabel ... 29
3.5 Model Klasifikasi Naive Bayes ... 32
3.5.1 Data Training dan Data Testing ... 33
3.5.2 Klasifikasi Naive Bayes ... 33
3.5.3 Evaluasi Model Klasifikasi ... 34
3.6 Klasifikasi Pada Data Baru ... 34
Bab IV Hasil dan Pembahasan ... 36
4.1 Preprocessing ... 36
4.1.1 Hasil Pemrosesan Data Kategorial ... 36
4.1.2 Hasil Data Scaling ... 39
4.2 Hasil Pembobotan Nilai Variabel ... 40
4.3 Hasil Akurasi Model Klasifikasi Naive Bayes ... 42
4.3.1 Hasil Akurasi Model Naive Bayes Keseluruhan Variabel ... 42
4.3.2 Hasil Akurasi Model Naive Bayes dengan Mengurangi Variabel Dominan... 47
4.4 Klasifikasi Data Tunggal ... 51
4.5 Hasil dan Evaluasi ... 52
Bab V Kesimpulan dan Saran ... 54
5.1 Kesimpulan ... 54
5.2 Saran ... 55
Daftar Pustaka ... 56
viii
DAFTAR TABEL
Tabel 2.1 Data Baku Kementerian Kesehatan untuk Berat Badan Menurut Umur
(BB/U) ... 10
Tabel 2.2 Data Baku Kementerian Kesehatan untuk Tinggi Badan Menurut Umur (TB/U) ... 11
Tabel 2.3 Data Baku Kementerian Kesehatan untuk Berat Badan Menurut Tinggi Badan (BB/TB) ... 12
Tabel 2.4 Klasifikasi Status Gizi Kementerian Kesehatan RI ... 13
Tabel 3.1 Atribut Data Balita ... 23
Tabel 3.2 Contoh Data Status Gizi Balita Berdasarkan BB/TB... 24
Tabel 3.3 Susuan Data... 30
Tabel 4.1 Hasil Preprocessing Data Pada Variabel Klasifikasi BB/TB ... 39
Tabel 4.2 Hasil Data Scaling ... 40
Tabel 4.3 Nilai Eror pada Pemodelan Matematika I ... 41
Tabel.4.4 Pembobotan Variabel Independen pada Pemodelan Matematika I ... 42
Tabel 4.5 Data Training Status Gizi Balita Keseluruhan Variabel ... 43
Tabel 4.6 Data Test Status Gizi Balita Keseluruhan Variabel ... 44
Tabel 4.7 Hasil Klasifikasi Naive Bayes Keseluruhan Variabel ... 45
Tabel 4.8 Hasil Pembagian Data Training Pengurangan Variabel Dominan ... 48
Tabel 4.9 Hasil Pembagian Data Testing Pengurangan Variabel Dominan... 49
Tabel 4.10 Hasil Klasifikasi Naive Bayes Pengurangan Variabel Dominan ... 50
Tabel 4.11 Data Tunggal ... 52
Tabel 4.12 Hasil nilai Akurasi dari Klasifikasi Naive Bayes ... 53
ix
DAFTAR GAMBAR
Gambar 3.1 Diagram Alur Proses Penelitian ... 25
Gambar 3.2 Tahap Analisis Kinerja Metode... 26
Gambar 3.3 Listing Program Pemrosesan Data Kategorikal Jenis Kelamin di Python ... 27
Gambar 3.4 Listing Program Pemrosesan Data Kategorikal Klasidikasi BB/TB di Python ... 28
Gambar 3.5 Listing Program Data Scaling di Python ... 29
Gambar 3.6 Listing Program Pembagian Data Training dan Data Testing ... 33
Gambar 3.7 Listing Program Naive Bayes di Python ... 34
Gambar 3.8 Listing Program Nilai Akurasi di Python ... 35
Gambar 3.9 Listing Program Prediksi Data Baru di Python ... 35
Gambar 4.1 Hasil Preprocessing Data Kategorikal Jenis Kelamin ... 38
Gambar 4.2 Hasil Preprocessing Data Kategorikal Klasifikasi BB/TB ... 39
Gambar 4.3 Hasil Nilai Akurasi Klasifikasi Nave Bayes (Keseluruhan Atribut) . 47 Gambar 4.4 Hasil Nilai Akurasi Klasifikasi Naive Bayes (Pengurangan Variabel Dominan) ... 52
Gambar 4.5 Hasil Klasifikasi Data Tunggal ... 53
x
DAFTAR LAMPIRAN
Lampiran 1. Source Code Program Python... 58
Lampiran 2. Source Code Python 2 ... 60
Lampiran 3. Standar Berat Badan Menurut Panjang Badan (BB/PB) ... 62
Lampiran 4. Data Status Gizi Balita UPTD Puskesmas Pakel... 65
Lampiran 5. Preprocessing Data Kategorikal ... 73
Lampiran 6. Data Scaling ... 78
xi
Daftar Pustaka
[1] B. P. dan P. K. K. K. RI, “Rencana Aksi Program Penelitian dan Pengembangan Kesehatan.”
[2] Kementerian Kesehatan Republik Indonesia, “Infodatin pusat data dan informasi Kementerian Kesehatan RI: Situasi Kesehatan Anak Balita di Indonesia,” Kementerian Kesehatan RI. p. 6, 2015, [Online]. Available:
file:///C:/Users/acer/Downloads/infodatin-anak-balita.pdf.
[3] Kemenkes RI, Profil Kesehatan Indonesia 2018 [Indonesia Health Profile 2018]. 2019.
[4] Kementerian PPN/Bappenas, Pembangunan Gizi di Indonesia. 2019.
[5] Indonesia and K. K. RI, Profil Kesehatan Indonesia Thn.2019. 2019.
[6] T. P. dkk Harjatmo, “Penilaian Status Gizi.”
[7] A. Fitri Cahyanti, R. Saptono, and S. Widya Sihwi, “Penentuan Model Terbaik pada Metode Naive Bayes Classifier dalam Menentukan Status Gizi Balita dengan Mempertimbangkan Independensi Parameter,” J.
Teknol. Inf. ITSmart, vol. 4, no. 1, p. 28, 2016, doi: 10.20961/its.v4i1.1754.
[8] A. Wafi, “Penentuan Status Gizi dan Tinggi Balita Menggunakan Metode Naive Bayes Classifier Berbasis Web,” no. 1210651163, pp. 1–7, 2015.
[9] N. Rachmaliany, S. Winiarti, and H. Yuliansyah, “Pengembangan Aplikasi WEB untuk Penentuan Nutrisi Anak dengan Metode Fuzzy C-MEANS Berdasarkan Produk Kemasan,” Kinetik, vol. 2, no. 2, p. 107, 2017, doi:
10.22219/kinetik.v2i2.160.
[10] M. K. Wilda Welis, S.P., “Ilmu Gizi,” Ilmu Gizi, 2008.
[11] A. Hurria, H. J. Cohen, and M. Extermann, “Physical Status : The Use And Interpretation Of Anthropometri,” Journal of Geriatric Oncology, vol. 1, no. 1. pp. 40–44, 2010, [Online]. Available:
https://www.analesdepediatria.org/en-tuberculosis-in-paediatric-age-group-
xii articulo-S2341287920302544.
[12] R. putri Indahningrum, “PERATURAN MENTERI KESEHATAN REPUBLIK INDONESIA NOMOR 2 TAHUN 2020 TENTANG
STANDAR ANTROPOMETRI ANAK,” vol. 2507, no. 1, pp. 1–9, 2020.
[13] apriyanti widyasari, Status Gizi Anak, vol. 1, no. 2. 2018.
[14] D. Barber, Statistics for Machine Learning. Packt, 2012.
[15] G. Bontempi and M. L. Group, “Handbook Statistical Foundations of Machine Learning,” 2017.
[16] P. Dangeti, Statistics for Machine Learning: Techniques for exploring supervised, unsupervised, and reinforcement learning models with Python and R. 2017.
[17] Sugiyono, “Statistika untuk Penelitian.” p. 29, 2017.
[18] S. García, J. Luengo, and F. Herrera, Data Preprocessing in Data Mining, vol. 72. 2015.
[19] G. K. Uyanık and N. Güler, “A Study on Multiple Linear Regression Analysis,” Procedia - Soc. Behav. Sci., vol. 106, pp. 234–240, 2013, doi:
10.1016/j.sbspro.2013.12.027.
UNIVERSITAS MUHAMMADIYAH MALANG
FAKULTAS TEKNIK
JURUSAN TEKNIK ELEKTRO & D3 TEKNIK ELEKTRONIKA
Jl. Raya Tlogomas 246 Malang 65144 Telp. 0341 - 464318 Ext. 129, Fax. 0341 - 460782
FORM CEK PLAGIASI LAPORAN TUGAS AKHIR
Nama Mahasiswa : Dewi Qurrota A’yun
NIM : 201710130311087
Judul TA : Sistem Pendukung Keputusan Status Gizi Balita Berdasarkan Berat Badan Terhadap Tinggi Badan Menggunakan Metode Naive Bayes
Hasil Cek Plagiarisme dengan Turnitin
No. Komponen Pengecekan Nilai Maksimal Plagiasi (%)
Hasil Cek Plagiasi (%) *
1. Bab 1 – Pendahuluan 10 % 2%
2. Bab 2 – Studi Pustaka 25 % 24%
3. Bab 3 – Metodelogi Penelitian 35 % 12%
4. Bab 4 – Pengujian dan Analisis 15 % 8%
5. Bab 5 – Kesimpulan dan Saran 5 % 0%
6. Publikasi Tugas Akhir 20 % 18%
Mengetahui,
Dosen Pembimbing I, Dosen Pembimbing II,
Lailis Syafa’ah, Dr., Hj., M.T. Inda Rusdia Sofiani, S.T., M. Sc.
