Aplikasi Sistem Pakar Untuk Klasifikasi Status Gizi Balita Menggunakan Algoritma Backpropagation
Nani Purwati1, Candra Agustina2
1AMIK BSI Karawang Email: [email protected]
2AMIKBSI Yogyakarta Email: [email protected]
Abstrak: Penting untuk memperhatikan status gizi balita yang tolak ukur keadaan suatu bangsa dan masyarakat secara luas. Status gizi balita dapat ditentukan berdasarkan indeks antropometri BB/Udan BB/PB dengan menggunakan standar baku WHO-NCHS. Usia balita adalah masa emas, jika pada usia ini balita bertumbuh dan berkembang dengan baik, maka akan dihasilkan generasi penerus bangsa yang berkualitas. Pada masa balita pula, masa yang rentan terhadap masalah kesehatan dan status gizi. Pemeriksaan status gizi balita pada pelayanan kesehatan seperti Posyandu biasanya menggunakan parameter berat badan dan umur masih rentan mengalami kesalahan dalam perhitungan secara manual. Penelitian ini yang merupakan lanjutan dari penelitian sebelumnya bertujuan membangun aplikasi sistem pakar untuk klasifikasi status gizi balita berdasarkan indeks antropometri BB/U dan BB/TB menggunakan algoritma jaringan syaraf tiruan backpropagation. Hasil dari penelitian ini adalah sistem pakar yang dapat memberi klasifikasi status gizi balita seperti seorang pakar dalam penentuan status gizi balita.
Kata Kunci: status gizi, balita, sistem pakar, backpropagation I. PENDAHULUAN
Kehidupan Manusia dimulai dari sejak janin dalam rahim ibu. Sejak saat itu manusia kecil sudah memulai perjuangan untuk bertahan hidup, salah satunya dari kemungkinan kurangnya gizi yang diterima dari ibu yang mengandungnya (Prof.dr.Haman Hadi.M.S., 2005).
Setelah lahir, usia balita adalah usia yang paling rentan mengalami berbagai masalah kesehatan dan gizi.
Kondisi kesehatan dan status gizi balita merupakan salah satu tolok ukur cerminan keadaan gizi masyarakat secara luas. Kasus gizi buruk tidak hanya menjadi beban keluarga tetapi juga menjadi beban Negara (Swastina & Lareno, 2014).
Tumbuh kembang balita sangat dipengaruhi oleh asupan gizi pada menu makanan yang diberikan.
Asupan makanan akan berpengaruh terhadap keaktifan dan kecerdasan balita. Oleh karena itu pada saat proses tumbuh kembangnya, balita harus memperoleh asupan makanan yang sesuai dengan kebutuhan agar pertumbuhan dan perkembangannya optimal. Namun saat ini masih banyak orangtua yang memiliki keterbatasan pengetahuan tentang kebutuhan gizi balita, sehingga menyebabkan balita mengalami masalah gizi. Faktor lain adalah keterlambatan dalam penanganan penyakit gizi dan kurangnya tenaga ahli atau pakar
.
Pemeriksaan status gizi balita pada pelayanan kesehatan seperti Posyandu biasanya menggunakan parameter berat badan dan umur masih rentan mengalami kesalahan dalam perhitungan secara manual. Penelitian ini bertujuan membangun sistem pakar untuk klasifikasi status gizi balita berdasarkan indeks antropometri BB/U dan BB/PB menggunakan
metode algoritma backpropagation. Diharakpan dapat membantu tenaga medis untuk memudahkan dalam klasifikasi status gizi balita.
II. LANDASAN TEORI 2.1 Status Gizi
Status gizi adalah suatu ukuran mengenai kondisi tubuh seseorang yang dapat dilihat dari makanan yang dikonsumsi dan penggunaan zat-zat gizi di dalam tubuh. Status gizi dibagi menjadi tiga kategori, yaitu status gizi kurang, gizi normal, dan gizi lebih (Almatsier, 2005). Menurut (Wahyuningsih, Khamsan, & Ekawidyani, 2014) Status Gizi merupakan tanda-tanda penampilan seseorang akibat keseimbangan antar pemasukan dan pengeluaran zat gizi yang berasal dari pangan yang dikonsumsi pada suatu saat berdasarkan ketegori dan indikator yang digunakan.Seseorang diidenfifikasi status gizi normal apabila terdapat keseimbangan antara jumlah energi yang masuk ke dalam tubuh dan energi yang dikeluarkan dari luar tubuh sesuai dengan kebutuhan individu. Energi yang masuk ke dalam tubuh dapat berasal dari karbohidrat, protein, lemak dan zat gizi lainnya (Nix, 2005).
Status gizi kurang atau yang lebih sering disebut undernutrition merupakan keadaan gizi seseorang dimana jumlah energi yang masuk lebih sedikit dari energi yang dikeluarkan. Hal ini dapat terjadi karena jumlah energi yang masuk lebih sedikit dari anjuran kebutuhan individu (Wardlaw & Hampl, 2007).
Sedangkan Status gizi lebih (overnutrition) merupakan keadaan gizi seseorang dimana jumlah energi yang masuk ke dalam tubuh lebih besar dari jumlah energi yang dikeluarkan (Nix, 2005).
2.2 Status Gizi Balita
Status gizi balita diukur berdasarkan umur, berat badan (BB), dan Tinggi Badan (TB). Variabel BB dan TB tersebut disajikan dalam bentuk tiga indikator antropometri yaitu berat badan menurut umur (BB/U), tinggi badan menurut umur (TB/U), dan berat badan menurut tinggi badan (BB/TB). Angka berat badan dan tinggi badan setiap balita dikonversikan kedalam betuk nilai terstaar (2-score) dengan menggunakan buku antropometri WHO 2006 (Depkes RI, 2009).
Dari berbagai jenis indeks tersebut diatas, untuk menginterprestasikannya dibutuhkan ambang batas.
Penentuan ambang batas dapat disajikan kedalam tiga cara yaitu persen terhadap median, persentil dan standar deviasi unit. Rumus perhitungan Z-Score adalah sebagai berikut (Supariasa & Fajar, 2002).
Z-Score= Nilai Individu Subjek – Nilai Median Baku Rujukan
Tabel 1. Klasifikasi Status Gizi Balita erdasarkan Indikator BB/U
Indeks Status Gizi Ambang Batas Berat Badan
terhadap Umur (BB/U)
Gizi buruk <-3,0 SD Gizi
Kurang
<-2,0 SD sampai
>=-3,0 SD Gizi
Normal
>=-2 SD sampai +2,0 SD
Gizi Lebih >+2,0 SDD Tabel 2. Klasifikasi Status Gizi Balitaerdasarkan
Indikator TB/U
Indeks Status Gizi Ambang Batas Tinggi Badan
terhadap Umur (TB/U)
Sangat pendek
<-3,0 SD
Pendek >=-3,0 SD
sampai <-2,0 SD Normal >=-2,0 SD Tabel 3. Klasifikasi Status Gizi Balita Berdasarkkan
Indikator TB/BB
Indeks Status Gizi Ambang Batas Tinggi Badan
terhadapa Berat Badan (TB/BB)
Sangat kurus
<-3,0 SD
Kurus >=-3,0 SD
sampai <-2,0 SD Normal >=-2,0 sd sampai
<=2,0 SD Gemuk >2,0 SD
Indikator BB/U memberikan gambaran tentang status gizi yang sifatnya umum, tidak spesifik. Tinggi rendahnya prevalensi gizi buruk dan kurang mengindikasikan ada tidaknya masalah gizi pada balita, tetapi tidak memberikan indikasi apakah masalah gizi tersebut bersifat kronis atau akut.
Indikator TB/U menggambarkan status gizi yang dipengaruhi kondisi-kondisi yang sifatnya kronis (akibat kondisi yang berlangsung sangat lama).
Indikator BB/TB menggambarkan status gizi yang sifatnya akut (Depkes RI, 2009).
2.3 Algoritma Backpropagation
Backpropagation merupakan suatu algoritma yang menggunakan metode pembelajaran terbimbing (supervised learning) yang dikenalkan oleh Rumelhart dkk. Backpropagation merupakan algoritma neural network untuk klasifikasi yang menggunakan gradient descent, backpropagation mencari satu set bobot yang dapat memodelkan data sehingga dapat meminimalkan jarak kuadrat rata-rata antara prediksi kelas jaringan dan label kelas yang sebenarnya dari tuple data (Han & Kamber, 2006).
Tiap observasi data training diproses melalui jaringan, nilai output dihasilkan dari node input. Nilai output ini kemudian dibandingkan dengan nilai aktual dari variabel target dan dihitung error yang dihasilkan (Larose, 2006). Backpropagation melakukan proses pembelajaran secara iteratif yang mencoba untuk meminimalkan error dari klasifikasi.
Sumber: (Han & Kamber, 2006)
Gambar 1 Multi Layer Feed Forward Neural Network Proses pembelajaran dalam backpropagation dilakukan dengan penyesuaian bobot-bobot neuron dengan arah mundur berdasarkan nilai error dalam proses pembelajaran (Kusrini & Luthfi, 2009). Dalam setiap proses, bobot relasi dalam jaringan dimodifikasi untuk meminimalkan nilai Mean Squared Error (MSE) antara nilai prediksi dari jaringan dengan nilai sesungguhnya. Modifikasi relasi jaringan tersebut dilakukan dalam arah mundur (Kusrini & Luthfi, 2009).
Langkah pembelajaran dalam metode backpropagation adalah sebagai berikut (Myatt, 2007):
1. Inisialisasi semua bobot jaringan secara acak.
(Biasanya antara -1.0 hingga 1.0).
2. Untuk setiap data training, hitung input untuk simpul berdasarkan nilai input dan bobot jaringan saat itu. Dengan menggunakan rumus :
Ij=∑ 𝑖𝑖 𝑊𝑊𝑖𝑖𝑊𝑊 𝑂𝑂𝑖𝑖 + 𝜃𝜃𝑖𝑖 Keterangan:
Oi = Output simpul i dari layer sebelumnya
Nilai Simpangan Baku Rujukan
wij = bobot relasi dari simpul i pada layer sebelumnya ke simpul j
ϴj = bias (sebagai pembatas)
3. Berdasarkan input dari langkah kedua, selanjutnya membangkitkan output untuk simpul menggunakan fungsi aktifitas sigmoid
Output = 1
1+𝑒𝑒−𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖
4. Hitung nilai error antara nilai yang diprediksi dengan nilai yang sesungguhnya menggunakan rumus :
Errori = outputi * (1-Outputi)*(Targeti – Outputj) Keterangan :
Outputi = Output actual dari simpul i
Targeti = nilai target yang sudah diketahui pada data training
5. Setelah nilai error dihitung, selanjutnya dibalik ke layer sebelumnya (backpropagation). Untuk menghitung nilai error pada hidden layer, menggunakan rumus:
Errori = Outputi * (1 – Outputi )*∑ =𝑛𝑛𝑗𝑗 1 𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸 𝑊𝑊 𝑊𝑊𝑖𝑖𝑊𝑊
Keterangan:
Errori : Error yang dihasilkan dari hidden node Outputi : Nilai output yang dari hidden node
Errorj : Error yang dihasilkan dari simpul j yang terhubung ke output
Wij : Bobot pada pada simpul i ke simpul j
6. Nilai error yang dihasilkan dari langkah sebelumnya digunakan untuk memperbarui bobot relasi, dengan menggunakan rumus:
Wij = Wij + l * Errorj * Outputi Keterangan :
Wij = bobot relasi dari unit i pada layer sebelumnya ke unit j
l = learning rate (konstantan, nilainya 0 sampai dengan 1)
Errorj = Error pada output layer simpul j Outputi = Output dari simpul i.
Jika nilai l kecil, maka perubahan bobot akan sedikit dalam setiap iterasi. Begitu juga sebaliknya.
III. METODE PENELITIAN
Metode Pengumpulan data dalam penelitian ini adalah melalui wawancara, observasi dan study pustaka.
Sampel dari penelitian ini adalah data balita Puskesmas Mranti tahun 2014, berdasarkan data Laporan Pemantauan Status Gizi (PSG) balita dan data laporan bulanan kasus gizi buruk. Dalam penelitian ini adalah balita dibawah umur 5 tahun (0-59 bulan) yang berjumlah 261 data balita. Dengan atribut dari status gizi balita, nama balita, jenis kelamin, umur (U), berat badan (BB), tinggi badan (TB/PB), status ekonomi, status gizi berdasarkan BB/U dan status gizi berdasarkan BB/TB. Sedangkan Metode
pengembangan sistemnya menggunakan metode waterfall.
Gambar 2 Diagram Alur Pengembangan Sistem IV. PEMBAHASAN
Berikut adalah tampilan halaman penilaian status gizi balita.
Gambar 3. Aplikasi Indentifikasi Status Gizi Balita V. KESIMPULAN
Dari pembahasan sebelumnya dapat diambil kesimpulan sebagai berikut:
1. Pembuatan aplikasi sistem pakar untuk klasifikasi status gizi balita berhasil dibuat.
2. Sistem dibangun menggunakan konfigurasi jaringan yaitu sel lapisan input sebanyak 5 buah, lapisan tersembunyi sebanyak 6 buah dan lapisan output 4 buah.
REFERENSI
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 Malnutrition with Use Of Supervised Data mining Thechniques-Decision Trees and Artificial Neural Networks. International Journal Of Engeneering and Computer Science ISSN: 2319-7242, 8236-8241.
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).
Folorunso, O., Ogunseye, O., Okesola, J., & Olaniyan, O. (2005). Visualizing E-Voting results.
Journal Of Theoretical and Applied Information Technology.
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.
Hui-Huang, H. (2006). Advanced Data Mining Technologies in Biofarmatics. United States of America: Idea Group Publishing.
Kahramanli, H., & Allahverdi, N. (2008). Design of a Hybrid System for the Diabetes and Heart Diseases. Expert System with Aplication, 82- 89.
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.
Purwati, N. (2016). Klasifikasi Status Gizi Balita berdasarkan Indeks Antropometri BB/U dan BB/TB menggunakan Jaringan Syaraf Tiruan. IJNS, 12-18.
Purwati, N., & Yuliana, N. (2013). Konsep Perancangan Sistem informasi. Bandung:
Aaaa.
Purwati, N., Agustina, C., & Sulistio, G. B. (2017).
Komparasi Algoritma C.45 dan Backpropagation untuk Klasifikasi Status Gizi Balita Berdasarkan Indeks Antropometri BB/U dan BB/PB. Speed, 18-25.
Riera, A., & Brown, P. (2003). Bringing Confidence to Electronic Voting. Electronic Journal of e- Goverment, 1(1). 14-21.
Sexton, R. S., & Dorsey, R. E. (2000). Reliable Classification Using Neural Networks: A Genetic Algorithm and . ACM , Issue 30.
Shalahuddin, M. (2009). Pembuatan model E-Voting Berbasis Web (Studi Kasus Pemilu Legislatif dan Predisen Indonesia).
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.
Vercellis, C. (2009). Bussine Intellegence: Data Mining and Optimization for Decision Maing. United Kingom: Jhon Wiley & Sons.
Vote Here Inc. (April 2002). Network Voting Systems Standards Public Draft2.
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.
