Implementasi Algoritma K-Means Clustering Dalam Menentukan Berat Badan Ideal

(1)

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:

(2)

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

(3)

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)

Kelompok 3: Berolah raga sedang (3-5 kali seminggu)

Kelompok 4: Berolah raga berat (6-7 kali seminggu)

Kelompok 5: Berolah raga berat dan sangat aktif

(4)

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

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)

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)

= 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)

= 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)

(6)

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)

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

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

Perhitungan iterasi adalah menghitung jarak pusat cluster dengan data menggunakan

(7)

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

(8)

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 =

(9)

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

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

(10)

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

(11)

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

(12)

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

(13)

Tabel 3.6 Pusat Cluster Iterasi 2

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

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

(14)

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

(15)

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 Posisi sama?

Tidak

Tampilkan hasil pengelompokan

End Ya

(16)

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

(17)

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

(18)

Gambar 3.4DFD Level1Proses K-Means Clustering

Data Pasien, Kluster, Jarak Kluster

Data Pasien, Kluster,Umur, BMI,UK, Kalori Umur, BMI, UK, Kalori

Data Pasien, Kluster

Data Pasien,

Data Pasien, Kluster, Jarak Kluster

Data Cluster Pusat

Data Umur,

Data Cluster Acak Awal Data Cluster Acak Awal

4.1

tDataBMI tDataUK

(19)

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

(20)

Tabel 3.10 Tabel tPasien

No

Nama

Field

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

2 BMI Single Nilai BMI dari pasien

3 UK Single Nilai ukuran kerangka pasien

4 Umur Single Nilai umur dari pasien

(21)

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

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

1 IDPasien Integer 2 Kode pasien (Primary Key)

(22)

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

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

(23)

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

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

kelamain perempuan

(24)

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

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

kelamin laki-laki

6 UKP Text 20 Nilai akhir dari ukuran

kelamin perempuan

7 Kalori Single Nilai akhir dari kalori

3.2.5 Relasi Antar Tabel

(25)

tPasien

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

(26)

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.

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

(27)

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. xxxxxxxxxx Nama

Usia

Jenis l i

Berat Badan

Tinggi Badan

Ukuran

Aktivitas Anda tahun

xxxxxxxxxx xxxxxxxx xxxxxxxxxx

xxxxxxxx xxxxxxxx

xxxxxxxx kg

cm

(28)

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

Proses K-Means Clustering

Cluster Acak

Urutan Input : Umur; BMI; UK; Kalori

Cluster 1 Xxx Xxx Xxx Xxx Pusat Cluster

(29)

3.2.6.5Rancangan 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 3.2.6.6Rancangan 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

(30)

3.2.6.7Laporan 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

3.2.6.8Rancangan 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

(31)

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

Aktivitas xxxxxxxxxxxxxxxxxxxxxxxxxxx

Import

(32)

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

(33)

Gambar 3.16 Rancangan Data UK

Keterangan:

Petugas yang melakukan pemasukan data ini adalah administrator sistem yang

melakukan pemasukan data ukuran kerangka tubuh pasien.

3.2.6.9Rancangan About

Rancangan About hanya memiliki satu tombol yaitu tombol Keluar dan dirancang

untuk menampilkan informasi tentang profil penulis. Untuk lebih jelasnya dapat

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

(34)

BAB 4

IMPLEMENTASI DAN PENGUJIAN SISTEM

4.1 Implementasi

Implementasi 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

(35)

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.

(36)

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

(37)

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

(38)

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

(39)

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.

(40)

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

(41)

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.

(42)

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

(43)

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

(44)

(45)

BAB 5

KESIMPULAN DAN SARAN

5.1Kesimpulan

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.

5.2Saran

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