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
MEDAN
2013
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
Desfa Maulani 061401072
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
Desfa Maulani
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.
Keywords: K-Means Clustering, Ideal Body Weight, Daily Calorie, Basal Metabolic Rate
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
4.2.3 Tampilan Hasil Laporan Akhir Pengujian 65
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
3.17 TabeltHasilLaporan 45
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
4.16 Tampilan Laporan Akhir 66