2
TB BB BMI=
BAB 3
ANALISIS DAN PERANCANGAN 3.1 Analisis
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 UK= Dimana :
BMI = Nilai Body Mass Index BB = Berat Badan dalam kilogram 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 Kelamin Umur Tinggi Badan (Cm) Berat Badan (Kg) LLB (cm) Aktifitas
1 Laki-Laki 18 160 55 15 Tidak berolahraga 2 Perempuan 20 159 58 14 Berolah raga ringan 3 Perempuan 35 172 60 15 Berolah raga sedang 4 Laki-laki 20 172 57 18 Berolah raga berat
5 Perempuan 28 168 70 17 Berolah raga berat dan sangat aktif
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:
1. Pasien 1 = BB/(TB)2 = 55/(160/100)2 = 21.48 2. Pasien 2 = BB/(TB)2 = 58/(159/100)2 = 22.94 3. Pasien 3 = BB/(TB)2 = 60/(172/100)2 = 20.28 4. Pasien 4 = BB/(TB)2 = 57/(172/100)2 = 19.26 5. Pasien 5 = BB/(TB)2 = 70/(168/100)2 = 24.80
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
Perhitungan kebutuhan kalori harian pasien dengan menggunakan persamaan (4) sebagai berikut:
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. Pasien Tinggi Badan (Cm) Berat Badan (Kg) Usia LLB (cm) BMI UK BMR Kalori Harian 1 160 55 18 15 21.48 10.6 1497.1 1796.52 2 159 58 20 14 22.94 11.35 1404 1930.5 3 172 60 35 15 20.28 11.46 1376.1 2132.96 4 172 57 20 18 19.26 9.55 1570.9 2709.8 5 168 70 28 17 24.80 9.88 1497.8 2844.3
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
Perhitungan iterasi adalah menghitung jarak pusat cluster dengan data menggunakan persamaan (5).
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 = 344.41
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
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 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=
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
No.Pasien Usia BMI UK Kalori C1 C2 C3 1 18 21.48 10.6 1796.52 156.9 913.28 1047.83 2 20 22.94 11.35 1930.5 23.25 779.31 913.84 3 35 20.28 11.46 2132.96 179.95 577.04 711.39 4 20 19.26 9.55 2709.8 756.49 2.22 134.78 5 28 24.80 9.88 2844.3 891.01 134.85 0
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 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 *
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
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)
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
Flow Chart Sistem proses pengelompokan data pasien berdasarkan nilai BMI dan Ukuran Kerangka (UK) dapat dilihat pada Gambar 3.1.
Gambar 3.1Flow Chart Sistem
3.2 Perancangan
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 Posisi sama? Tidak Tampilkan hasil pengelompokan End Ya
Hitung BMI, UK, BMR, Kalori Harian
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
0 Sistem Pengelompok-kan k-means clustering Admin User Hasil Pengelompokkan Hasil Pengelompokkan
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.
Data Umur, BMI, UK, Kalori
Data Pasien, Kluster, Umur, BMI, UK, K l i
Data Kluster, BMI, UK
Data Pasien, Kluster Data Pasien, Kluster, Jarak Kluster Data Cluster Pusat Data Pasien, Kluster,Umur, BMI, UK, Data UK Data UK Data UK Data BMI Data BMI Data BMI Data Umur, Berat,Tinggi, Aktivitas Data Pasien Data Pasien 1.0 Pengisian Data Pasien 2.0 Pengisian Data BMI 3.0 Pengisian Data UK
Data Cluster Acak Awal
User tPasien tDataBMI tDataUK tBMI tNewKluste tKluster temKluster temBMI tHasilKluster Data Cluster Acak Awal Hasil Pengelomp okkan Hasil Pengelompokkan tHasilLaporan 4.0 k-means clustering Admin
Gambar 3.4DFD Level1Proses K-Means Clustering DataUmur,BMI , UK Kalori tBM Status Kluster
Data Pasien, Kluster, Jarak Kluster
Data Pasien, Kluster,Umur, BMI,UK, Kalori Data Kluster, BMI, UK Data Kluster, BMI, UK Data UK Data BMI Data Pasien,Kluster, Umur, BMI, UK, Kalori
Data Pasien, Kluster
Data Pasien, Kluster
Data Pasien,Kluster, Umur, BMI, UK, Kalori
Data Pasien,Kluster, Umur, BMI, UK, Kalori
Data Pasien, Kluster, Jarak Kluster Data Cluster Pusat Data Umur, BMI, UK, Kalori
Data Cluster Pusat
Data Cluster Pusat
Data Umur, Berat,Tinggi , Aktivitas Data Umur, BMI, UK, Kalori
Data Cluster Acak Awal Data Cluster Acak Awal
4.1 Perhitungan BMI, UK, dan Kalori 4.4 Pengelompok kan Data tiap Cluster 4.5 Pengecekan posisi cluster lama dan baru 4.2 Perhitungan Cluster Pusat tKluster temBMI temKluster tHasilKluste tHasilLaporan 4.6 Simpan Hasil Akhir Cluster tDataBMI tDataUK tPasien 4.3 Perhitungan distance space tNewKluster Data Pasien,Kluster, Umur, BMI,UK, K l i Admin User 4.7 Cetak Laporan Hasil Pengelompokkan Hasil Pengelompokkan
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 ini berfungsi sebagai sumber informasi tentang pasien yang akan dikelompokkan berdasarkan ukuran kerangka. Tabel ini terdiri dari field IdPasien, NmPasien, JK, Berat, Tinggi, LLB, UserID, Umur dan Aktivitas. Struktur tabel tPasien ini dapat dilihat pada Tabel 3.10.
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 5 Kalori Single Nilai kalori 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) 2 IDKluster Integer 1 Nomor kluster
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 ini berfungsi untuk menyimpan informasi nilai pusat masing-masing kluster pada setiap iterasi. Struktur tabel tNewKluster ini dapat dilihat pada Tabel 3.15.
Tabel 3.15 Tabel tNewKluster
No Nama Field
Tipe Ukuran Keterangan1 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 Keterangan1 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 Keterangan1 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
Dari kumpulan tabel yang dibuat, maka dapat dibentuk hubungan relasi antar tabel. Relasi tesebut dapat dilihat pada Gambar 3.5 berikut ini.
tPasien PK IDPasien NmPasien JK Berat Tinggi LLB Umur Aktivitas FK1 UserID tBMI PK,FK1 IDPasien BMI UK Umur Kalori tKluster PK IDKluster FK1 IDPasien Kluster Iterasi Status temBMI PK,FK1 IDPasien IDKluster Umur BMI UK Kalori Status temKluster PK,FK1 IDPasien KlusterBaru Status KlusterLama tNewKluster PK IDIterasi FK1,FK2 IDKluster BMI UK Umur Kalori FK1 Iterasi tAdmin PK UserID Passwd tHasilKluster PK IDKluster Umur BMI UKP UKL Kalori tHasilLaporan PK,FK1 IDPasien IDKluster Umur BMI UKL UKP Kalori
Gambar 3.5 Relasi Antar Tabel
3.2.6 Rancangan Antarmuka (Interface)
Rancangan Antarmuka merupakan sarana yang menghubungkan antara sistem dan pengguna (user). Rancangan antarmuka Perangkat Lunak untuk Menentukan Berat Badan Ideal dengan Menggunakan Algoritma K-MeansClustering terdiri dari rancangan Login, Pengukuran Manual,K-Mean Clustering yang berfungsi untuk melakukan proses pengelompokan pasien, Inisial Data yang berfungsi sebagai pemasukan data user, data pasien, Data ketetapan Body Mass Index (BMI) dan Data ketetapan Ukuran Kerangka (UK), About dan Keluar.
3.2.6.1 Rancangan 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.
3.2.6.2 Rancangan 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.
Nama xxxxxxxxx Password xxxxxxxxx Ok Batal Judul Skripsi XXXXXXXXXXXXXXXXXXXXX XXXXXXXX Gambar Pembukaan Pengukuran Manual About
Data Body Mass Index
Keluar
Data Ukuran Kerangka Data User Login
Data Pasien
K-Mean Clustering
3.2.6.3 Rancangan 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
3.2.6.4 Rancangan 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.
xxxxxxxxxx Nama Usia Jenis l i Berat Badan Tinggi Badan Ukuran Aktivitas Anda tahun xxxxxxxxxx xxxxxxxx xxxxxxxxxx xxxxxxxx xxxxxxxx xxxxxxxx kg cm cm Keluar Proses
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 ID Pasien Nama Pasien Jen. Kelamin Umur Berat Badan Tinggi Badan Lingkar Lengan 1 Xxxxxx Xxxxxx Xxxxxx Xxxxxx Xxxxxx Xxxxx 2 Xxxxx Xxxxx Xxxxx Xxxx Xxxxx Xxxx 3 Xxxxx Xxxx Xxxx Xxxx Xxxx Xxxx ID Pasien Nama Pasien
Umur Body Mass Index Ukuran Kerangka Kalori yang dibutuhkan 1 Xxxxxx Xxxxxx Xxxxxx Xxxxxx Xxxxxx 2 Xxxxx Xxxxx Xxxxx Xxxx Xxxxx 3 Xxxxx Xxxx Xxxx Xxxx Xxxx
Proses K-Means Clustering
Cluster Acak
Urutan Input : Umur; BMI; UK; Kalori
Cluster 1 Xxx Xxx Xxx Xxx Cluster 2 Xxx Xxx Xxx Xxx Cluster 3 Xxx Xxx Xxx Xxx Tombol Keluar Proses Laporan Akhir Cek Cluster Tiap Iterasi Pusat Cluster Tiap Iterasi
3.2.6.5 Rancangan Pusat Cluster Tiap Iterasi
Rancangan Pusat Cluster tiap Iterasi adalah salah satu bagian yang ada pada proses k-mean clustering yang berfungsi untuk melihat/memeriksa proses cluster yang menghasilkan pusat cluster dari masing-masing iterasi. Rancangan Pusat Cluster tiap Iterasi dapat dilihat pada Gambar 3.10.
Gambar 3.10 Rancangan Pusat Cluster Tiap Iterasi 3.2.6.6 Rancangan Cek Cluster Tiap Iterasi
Pada bagian Rancangan Cek Cluster Tiap Iterasi ini berisikan hasil K-Means Clustering yang menampilan pusat data terkecil pada masing-masing iterasi. Rancangan Cek Cluster Tiap Iterasi dapat dilihat pada Gambar 3.11.
Gambar 3.11 Rancangan Cek Cluster Tiap Iterasi
Iterasi Cluster 1 Cluster 2 Cluster 3 1 Xxx;xxx;xxx;xxx Xxx;xxx;xxx;xxx Xxx;xxx;xxx;xxx 2 Xxx;xxx;xxx;xxx Xxx;xxx;xxx;xxx Xxx;xxx;xxx;xxx 3 Xxx;xxx;xxx;xxx Xxx;xxx;xxx;xxx Xxx;xxx;xxx;xxx Dst Xxx;xxx;xxx;xxx Xxx;xxx;xxx;xxx Xxx;xxx;xxx;xxx
Rancangan Pusat Cluster Tiap Iterasi
Rancangan Cek Cluster Tiap Iterasi
Iterasi ke :
xxxxxxxxxx
ID Pasien
Cluster 1 Cluster 2 Cluster 3 1 xxxxxxxxx xxxxxxxxx xxxxxxxxx 2 xxxxxxxxx xxxxxxxxx xxxxxxxxx 3 xxxxxxxxx xxxxxxxxx xxxxxxxxx 4 xxxxxxxxx xxxxxxxxx xxxxxxxxx
3.2.6.7 Laporan Akhir
Laporan akhir ini berisikan data hasil pengujian system K-Means Clustering terhadap data pasien. Laporan akhir dapat dilihat pada gambar 3.12.
Gambar 3.12 Rancangan Laporan akhir
3.2.6.8 Rancangan Inisial Data 3.2.6.8.1 Rancangan Data Admin
Rancangan ini berguna untuk memasukkan nama serta password yang dilakukan oleh seorang Admin. Pada rancangan ini terdapat pemasukan Nama Admin serta password. Selain itu juga terdapat dua tombol yaitu tombol Tambah berfungsi untuk melakukan pemasukan data, tombol Edit untuk merubah data, tombol Hapus untuk menghapus data serta Keluar untuk menutup halaman.
No Nama Pasien
Jenis Kelamin
Umur Berat Tinggi Kalori Kluster 1 dengan rata-rata pasien berumur 36.22, Berat Normal, lak-laki dan perempuan berkerangka besar, serta kalori yang dibutuhkan sekitar
2.570.08 kal/hari 1 xxx xxx xxx xxx xxx xxx 2 xxx xxx xxx xxx xxx xxx 3 xxx xxx xxx xxx xxx xxx 4 xxx xxx xxx xxx xxx xxx 5 xxx xxx xxx xxx xxx xxx 6 xxx xxx xxx xxx xxx xxx
Hasil Pengujian K-Means Clustering Tanggal
Rancangan tampilan Data Admin dapat dilihat seperti Gambar 3.13.
Gambar 3.13 Rancangan Data Admin
3.2.6.8.2 Rancangan Data Pasien
Rancangan ini berfungsi untuk memasukkan data pasien yang akan dikelompokkan. Pada bagian ini terdapat inputan sebagai berikut : ID Pasien; Nama Pasien; Jenis Kelamin; Tinggi Badan; Lingkar Lengan; Berat Badan; Umur; Aktivitas. Juga disertai tompol import; tambah; update; hapus; batal; keluar. Rancangan data pasien dapat dilihat pada Gambar 3.14.
Gambar 3.14 Rancangan Data Pasien
xxxxx IDPasien xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx Nama Pasien xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx Jenis xxx Tinggi Badan xxx Lingkar xxx Berat Badan Hapus Update
Tambah Batal Keluar
Data Pasien Umur xxx User ID Password xxxxxxxxx Keluar Tambah xxxxxxxxx Batal Cari Ubah Hapus
Aktivitas xxxxxxxxxxxxxxxxxxxxxxxxxxx
Import
3.2.6.8.3 Rancangan Data BMI
Rancangan ini berguna untuk pemasukan nilai body mass index (BMI) serta keterangan, rancangan Data BMI dapat dilihat seperti Gambar 3.15.
Gambar 3.15 Rancangan Data BMI Keterangan:
Petugas yang melakukan pemasukan data ini adalah administrator sistem yang melakukan pemasukan data Pasien, Data user, Data BMI serta Data Ukuran Kerangka.
3.2.6.8.4 Rancangan Data UK
Rancangan ini berguna untuk pemasukan nilai ukuran kerangka (UK) serta keterangan. Rancangan Data UK dapat dilihat seperti Gambar 3.16.
ID BMI 9999 9999 Nilai BMI
Update Batal Keluar
Tambah Hapus xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx Keterangan Data BMI Xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
Gambar 3.16 Rancangan Data UK Keterangan:
Petugas yang melakukan pemasukan data ini adalah administrator sistem yang melakukan pemasukan data ukuran kerangka tubuh pasien.
3.2.6.9 Rancangan About
Rancangan About hanya memiliki satu tombol yaitu tombol Keluar dan dirancang untuk menampilkan informasi tentang profil penulis. Untuk lebih jelasnya dapat dilihat pada Gambar 3.17.
Gambar 3.16 Rancangan About Gambar 3.17 Profil Penulis
Profil Penulis xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxx Foto Penulis ID UK 9999 9999 Nilai UK
Edit Batal Keluar
Tambah Hapus xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx Keterangan Data UK Xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx Jenis Kelamin xxxxxxxxxx
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
4.1 ImplementasiImplementasi perangkat lunak dalam menentukan berat badan ideal dengan menggunakan algoritma k-meansclustering berdasarkan masukan (input) data pasien oleh user yang mengoperasikan aplikasi. Hasil akhir proses adalah pengelompokan pasien sesuai dengan nilai body mass index (BMI), umur, ukuran kerangka dan kalori harian.
4.1.1 Tampilan Menu Utama
Tampilan Menu Utama merupakan tampilan yang berisi judul skripsi, gambar latar serta tampilan menu. Tampilan Menu Utama terdiri dari menu K-Mean Clustering, Input Data, About serta menu Keluar untuk menutup halaman menu utama. Tampilan Menu Utama dapat dilihat pada Gambar4.1.
Keterangan:
Pada Gambar 4.1 di atas, menu yang aktif adalah sub menu Login, menu Pengukuran Manual, menu K-Mean Clustering, About serta menu Keluar. Menu-menu ini bebas digunakan oleh user tanpa otoritas. Sedangkan sub menu Inisial Data harus melakukan otorisasi user dengan pemanggilan menu Login.
4.1.2 Tampilan Login
Tampilan Login merupakan tampilan yang berfungsi untuk melakukan otorisasi user dalam mendapatkan hak akses masuk ke dalam sistem. Tampilan Login dapat dilihat pada Gambar 4.2.
Gambar 4.2 Tampilan Login
Keterangan:
Pada Gambar 4.3 di atas Login dilakukan oleh user dengan nama pengguna “desfa” serta password “***”. Maka tampilan menu utama akan berubah menjadi seperti yang terlihat pada Gambar 4.3.
Keterangan:
Hasil otorisasi “desfa” adalah sub menu Inisial Data menjadi aktif.
Dengan memilih sub menu Inisial Data, maka dapat dilihat program-program yang dapat diakses user “desfa” antara lain:
1. Data User 2. Data Pasien 3. Data BMI
4. Data Ukuran Kerangka
Menu Input Data dapat dilihat seperti pada Gambar 4.4.
Gambar 4.4 Tampilan Sub Menu Input Data
4.1.3 Tampilan Menu Pengukuran Manual
Data ini dapat diakses tanpa harus melakukan otorisasi data login terlebih dahulu. Berikut tampilan pengukuran manual sebelum mengalami input data seperti pada gambar 4.5.
Gambar 4.5 Tampilan Menu Pengukuran Manual
4.1.4 Tampilan Data User
Data User berfungsi untuk pemasukan data administrator sistem yang memiliki otoritas sebagai Admin. Setelah pemilihan program Data User maka tampilan dapat dilihat pada Gambar 4.6.
4.1.5 Tampilan Data Pasien
Tampilan data pasien berfungsi untuk pemasukan data pasien yang terdiri dari ID pasien, nama pasien, jenis kelamin, berat badan, tinggi badan serta ukuran lingkar lengan. Tampilan Data Pasien dapat dilihat pada Gambar 4.7.
Gambar 4.7 Tampilan Data Pasien
4.1.6 Tampilan Data BMI
Tampilan data BMIberfungsi untuk pemasukan nilai BMI yang berhubungan dengan proses Clustering. Tampilan Data BMI dapat dilihat pada Gambar4.8.
Gambar 4.8 Tampilan Data BMI
4.1.7 Tampilan Data Ukuran Kerangka
Tampilan Data Ukuran Kerangka berfungsi untuk memasukkan nilai ukuran kerangka pasien yang digunakan untuk proses clustering. Tampilan Data Ukuran Kerangka dapat dilihat pada Gambar4.9.
4.1.8 Tampilan Menu K-Mean Clustering
Tampilan K-Mean Clustering merupakan tampilanyang berguna untuk melakukan proses pengelompokan data pasien berdasarkan nilai Umur, BMI, ukuran kerangka serta Kalori Harian. Tampilan awal K-Mean Clustering dapat dilihat pada Gambar 4.10.
Gambar4.10 Tampilan Awal K-Mean Clustering
Keterangan:
1. Data pasien yang diproses berjumlah 78 pasien.
2. Cluster acak adalah cluster yang diperoleh dengan cara mengacak data Umur, BMI, Ukuran Kerangka dan Kalori.
4.1.9 Tampilan About
Pada Tampilan About terdapat tempat untuk menampilkan keterangan tentang aplikasi.Tampilan About dapat dilihat pada Gambar 4.11.
Gambar 4.11Tampilan About
4.2 Pengujian Sistem
Proses pengelompokkan data pasien dengan metode k-means clustering dimulai dari Tampilan K-Means Clustering yang dapat dilihat pada Gambar 4.12. Tombol Proses yang terdapat pada Tampilan K-Means Clustering tersebut mengarah pada tampilan halaman baru yang akan menunjukkan proses perhitungan k-means clustering dari setiap iterasi.
4.2.1 Tampilan Hasil Pengujian K-Means Clustering Tiap Iterasi
Tampilan Hasil K-Means Clustering tiap iterasi memperlihatkan posisi cluster setiap pasien. Posisi cluster yang ditampilkan tersebut bertujuan untuk memperlihatkan perbandingan dengan posisi cluster pada iterasi sebelumnya. Tampilan tersebut juga memperlihatkan setiap pusat cluster yang digunakan pada setiap iterasi dalam proses perhitungan K-Means Clustering. Tampilan Hasil K-Means Clustering dapat dilihat pada Gambar 4.13. Tombol Next yang terdapat pada tampilan tersebut berguna untuk melanjutkan iterasi selanjutnya dari proses perhitungan K-Means Clustering.
Gambar 4.13 Tampilan Hasil Pengujian K-Means Clustering Tiap Iterasi
4.2.2 Tampilan Hasil Pengujian K-Means Clustering Pada Iterasi Terakhir Proses perhitungan K-Means Clustering berakhir ketika posisi cluster setiap pasien tidak mengalami perubahan posisi dengan posisi cluster pada proses iterasi sebelumnya. Tampilan pada Gambar 4.14 memperlihatkan pesan konfirmasi bahwa proses perhitungan telah selesai dilakukan. Sedangkan, tampilan pada Gambar 4.15 memperlihatkan hasil pengujian K-Means Clustering pada iterasi terakhir.
Gambar 4.14 Tampilan Pesan Hasil Pengujian
Pada Gambar 4.15 diperlihatkan bahwa ketika proses perhitungan K-Means Clustering berakhir, tombol Next menjadi tidak berfungsi. Pada tampilan tersebut user dapat melihat posisi cluster tiap iterasi dengan memilih nomor iterasi yang disediakan dalam bentuk combo box. Pada tabel bagian bawah yang terlihat pada Gambar 4.15 menunjukkan bahwa nilai pusat cluster pada tiap iterasi.
Gambar 4.15 Tampilan Hasil Pengujian K-Means Clustering Pada Iterasi Terakhir
4.2.3 Tampilan Hasil Laporan Akhir Pengujian
Pada bagian ini akan menampilkan laporan akhir pengujian data yang sudah mengalami proses pengelompokan dengan metode K-Means Clustering. Tampilan hasil laporan akhir pengujian dapat dilihat pada gambar 4.16.
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari hasil penelitian yang telah penulis lakukan atas Implementasi Algoritma K-Means Clustering Dalam Menentukan Berat Badan Ideal, maka penulis dapat mengambil kesimpulan sebagai berikut:
1. Hasil penentuan berat badan ideal dengan menggunakan Algoritma K-Means Clustering berhasil dilakukan.
2. Proses clustering dapat menggunakan beberapa pusat cluster (centroid)
3. Aplikasi ini dapat memenuhi kebutuhan pengguna dalam menentukan berat badan ideal dari sebuah kelompok yang titik pusat cluster (centorid) telah ditentukan terlebih dahulu sesuai kebutuhan user (pengguna)
4. Pasien dapat mendapatkan informasi tidak hanya mengenai berat badan ideal namun juga dengan tambahan kebutuhan kalori harian.
5.2 Saran
Adapun saran-saran untuk pengembangan selanjutnya adalah:
1. Agar dapat melakukan pengelompokandata status sosial dengan melihat: a) Gaya hidup.
b) Pola makan.
c) Aktifitas sehari-hari.
Sehingga data dari perangkat lunak ini dapat digunakan sebagai acuan pola hidup sehat berdasarkan status soasial dan gaya hidup.
2. Menambah fitur aplikasi agar dapat membandingkan dengan metode cluster lainnya.
