PENERAPAN METODE CART DAN AGREGAT BOOTSTRAP
DALAM KLASIFIKASI STATUS GIZI BALITA DI
KECAMATAN TAMAN SARI, KABUPATEN BOGOR
SASNI TRIANA PUTRI
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
BOGOR 2013
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Penerapan Metode CART dan Agregat Bootstrap dalam Klasifikasi Status Gizi Balita Di Kecamatan Taman Sari, Kabupaten Bogor adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
Bogor, Juli 2013
Sasni Triana Putri
ABSTRAK
SASNI TRIANA PUTRI. Penerapan Metode CART dan Agregat Bootstrap dalam Klasifikasi Status Gizi Balita Di Kecamatan Taman Sari, Kabupaten Bogor. Dibimbing oleh Anik Djuraidah dan Pika Silvianti
Masalah gizi merupakan masalah multidimensi yang berpengaruh terhadap kesehatan dan produktivitas penduduk. Angka status gizi pendek (stunting) dan gizi buruk yang tinggi adalah masalah kesehatan yang serius karena merupakan gambaran kehidupan 100 tahun mendatang. Sembilan puluh persen masalah anak pendek di dunia terjadi di 36 negara dan Indonesia merupakan negara yang berada diurutan ke-5. Tujuan penelitian ini untuk menentukan faktor- faktor yang mempengaruhi status gizi balita dan mengevaluasi kestabilan pohon klasifikasi dengan metode agregat bootstrap (bootstrap aggregating/bagging). Penelitian ini dilakukan di Kecamatan Taman Sari, Kabupaten Bogor dengan jumlah sampel 120 ibu yang mempunyai balita. Analisis statistika yang digunakan untuk melihat faktor-faktor yang mempengaruhi status gizi balita adalah metode CART (Classification and Regression Tree). CART merupakan suatu metode dari salah satu eksplorasi data yaitu teknik pohon keputusan. Penelitian ini juga menerapkan metode agregat bootstrap yang bertujuan untuk mengevaluasi stabilitas pohon klasifikasi yang dihasilkan oleh CART. Hasil dari pohon klasifikasi yang terbentuk menghasilkan pohon optimum dengan delapan simpul terminal. Peubah penjelas yang menjadi simpul utama adalah perilaku gizi. Tingkat ketepatan untuk metode CART sebesar 69.17%.Persentase klasifikasi pada penetapan batas z yang paling baik dengan menggunakan z-score -2.5 SD dengan tingkat ketepatan klasifikasi 76.67% dan 88.33%, dan z-score -3 SD dengan tingkat klasifikasi 73.33% dan 79.17%. Metode agregat bootstrap telah dapat mengevaluasi kestabilan pohon klasifikasi sebesar 79.28%.
Kata kunci : agregat bootstrap, CART, status gizi balita
ABSTRACT
SASNI TRIANA PUTRI. The Application of CART and Boootstrap aggregating in classifying the Toddler Nutritional Status at Taman Sari, Bogor. Advised by ANIK DJURAIDAH and PIKA SILVIANTI.
Nutrition problem is a multidimensional problem that affect health and productivity of Indonesian society. The number of short nutritional status (stunting) and high malnutrition is a serious health problem because it picturizes life for the next 100 years. About 90% of the short children problems in the world occur in 36 countries, and the rank of Indonesia is number five. The purpose of this study is to determine the factors that affect the nutritional status of children and evaluate the stability of classification trees with bootstrap aggregating method.The research is conducted at Taman Sari subdistrict, Bogor with the
number of samples 120 mothers who have toddlers. Statistical analysis used to analyze the factors that influence the nutritional status of children is the method of CART (Classification and Regression Tree). CART is a method of data exploration which uses decision tree technique. This study also applies bagging method (bootstrap aggrergating) to evaluate the stability of classification trees generated by CART. The results of the classification tree formed produces optimum tree with eight terminal nodes. Explanatory variables into the main node is the nutritional behavior. Level of accuracy for the CART method was 69.17%.The percentage of the classification on the delimitation of the best z using z-score -2.5 SD with level of accuracy 76.67% and 88.33%, and z-score -3 SDwith level of accuracy 73.33% and 79.17%. Bagging method has been able to evaluate the stability of classification trees by 79.28%.
PENERAPAN METODE CART DAN AGREGAT BOOTSTRAP
DALAM KLASIFIKASI STATUS GIZI BALITA DI
KECAMATAN TAMAN SARI, KABUPATEN BOGOR
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Statistika
pada
Departemen Statistika
SASNI TRIANA PUTRI
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
BOGOR 2013
Judul Skripsi : Penerapan Metode CART dan Agregat Bootstrap dalam Klasifikasi Status Gizi Balita Di Kecamatan Taman Sari,
Kabupaten Bogor. Nama : Sasni Triana Putri NIM : G14090077
Disetujui oleh
Dr Ir Anik Djuraidah, MS Pembimbing I
Pika Silvianti, SSi MSi Pembimbing II
Diketahui oleh
Dr Ir Hari Wijayanto, MS Ketua Departemen
PRAKATA
Segala puji dan syukur penulis ucapkan kepada Allah SWT, atas segala rahmat, nikmat, hidayah serta karunia-Nya sehingga penulis dapat menyelesaikan karya
ilmiah. Karya ilmiah ini berjudul “Penerapan Metode CART dan Agregat Bootstrap
dalam Klasifikasi Status Gizi Balita Di Kecamatan Taman Sari, Kabupaten Bogor”
sebagai salah satu syarat untuk memperoleh gelar sarjana pada Departemen Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor.
Ucapan terimakasih kepada semua pihak yang telah membantu penulis dari proses awal hingga terselesaikannya karya ilmiah ini, yaitu kepada :
1. Ibu Dr Ir Anik Djuraidah MS dan Ibu Pika Silvianti SSi MSi selaku dosen pembimbing yang telah memberikan bimbingan dan saran selama penulisan karya ilmiah ini.
2. Papa (alm), Ibu, dan kedua kakak tersayang yang telah dan akan tetap memberikan semangat, nasihat, dukungan, dan kasih sayang kepada penulis. 3. Seluruh dosen, staf pengajar, dan seluruh staf Departemen Statistika yang telah
membantu penulis selama kuliah sampai terselesaikannya karya ilmiah ini. 4. Seluruh pihak yang telah membantu penulis dalam menyelesaikan karya ilmiah.
Penulis menyadari bahwa penulisan karya ilmiah ini masih banyak kekurangan, oleh karena itu penulis mengharapkan kritik dan saran agar dapat lebih baik lagi dalam berkarya di masa depan. Penulis sangat berharap karya ilmiah ini dapat memberikan manfaat kepada pembaca.
Bogor, Juli 2013
DAFTAR ISI
DAFTAR TABEL vi DAFTAR GAMBAR vi DAFTAR LAMPIRAN vi PENDAHULUAN 1 Latar Belakang 1 Tujuan Penelitian 1 METODE 2 Sumber Data 2 Metode 2HASIL DAN PEMBAHASAN 5
Gambaran Umum Karakteristik Status Gizi Balita 5
Pohon Klasifikasi 7
Pengaruh Penerapan Batas z pada Persentase Salah Klasifikasi 10
Agregat Bootstrap 11
SIMPULAN DAN SARAN 11
Simpulan 11
Saran 12
DAFTAR PUSTAKA 12
LAMPIRAN 13
DAFTAR TABEL
1 Karakteristik pendidikan ibu yang memiliki balita di Kecamatan Taman
Sari 6
2 Nilai impuritas dari pohon klasifikasi optimum 9 3 Simpul-simpul terminal pada setiap status gizi balita 9
4 Persentase klasifikasi metode CART 10
5 Persentase klasifikasi dengan menggunakan z-score -2.5 SD dan -3 SD 10 6 Persentase klasifikasi pada beberapa ukuran contoh bootstrap 11
DAFTAR GAMBAR
1 Diagram CART 3
2 Grafik kategori peubah pendapatan dan pekerjaan 6 3 Grafik kategori peubah sikap gizi ibu dan perilaku gizi 7
4 Plot antara nilai 𝑅𝐶𝑉dan jumlah simpul 7
5 Pohon klasifikasi optimum 8
DAFTAR LAMPIRAN
1 Peubah-peubah penjelas yang digunakan 13
2 Kuesioner status gizi balita 14
3 Deskripsi karakteristik status gizi balita 18
4 Pohon klasifikasi optimum 19
5 Nilai RCV, proporsi kesalahan, dan kompleksitas parameter pada setiap
simpul terminal 20
1
PENDAHULUAN
Latar Belakang
Indonesia merupakan negara berkembang yang banyak mengalami masalah gizi, pangan, dan kesehatan. Berdasarkan riset kesehatan dasar tahun 2010 diketahui prevalensi penduduk dewasa yang berstatus gizi kurus sebesar 12.6%, normal 65.8%, berat badan lebih 10.0%, dan status gizi obese 11.7% (RISKESDAS 2010). Status gizi balita juga menunjukkan permasalahan yang cukup serius seperti pada status gizi pendek atau stunting. Prevalensi stunting di Indonesia mencapai 18.5% untuk status gizi sangat pendek dan 17.1% untuk status gizi pendek. Status gizi sangat penting khususnya untuk balita. Hal ini disebabkan usia balita merupakan masa emas yang akan menentukan proses perkembangan bayi tersebut di masa mendatang.
Status gizi dipengaruhi oleh faktor internal dan eksternal. Faktor internal merupakan faktor yang menjadi dasar pemenuhan tingkat kebutuhan seseorang, sedangkan faktor eksternal terdiri dari daya beli, pendidikan, pengetahuan, dan jumlah anggota keluarga. Sikap gizi juga dipengaruhi oleh kebudayaan, pengalaman, dan lingkungan sosial. Permasalahan status gizi kurang dan stunting umumnya banyak terjadi di daerah pedesaan dengan tingkat pendapatan dan pendidikan yang rendah. Desa Sukaluyuh, Sukaresmi, Sukajaya, dan Sukajadi merupakan desa yang terletak di lereng gunung yang sebagian besar penduduknya bekerja sebagai petani (pemilik lahan dan buruh tani) dan buruh sepatu. Oleh karena itu, perlu diketahui pengetahuan, sikap, dan perilaku gizi ibu balita serta status gizi di Desa Sukaluyuh, Sukaresmi, Sukajaya, dan Sukajadi.Penelitian sebelumnya telah dilakukan oleh Syuryadi(2012) dengan menggunakan metode
SEM (structural equation modeling). Penelitian tersebut bertujuan untuk
mengidentifikasi karakteristik keluarga, karakteristik balita, menganalisis status gizi, serta melihat pengaruh antar peubah penjelas. Salah satu metode alternatif yang dapat digunakan untuk melihat faktor-faktor yang mempengaruhi peubah penjelas terhadap peubah respon dengan menggunakan metode CART.
Metode CART dapat digunakan untuk menganalisis hubungan antara peubah respon terhadap peubah-peubah penjelas yang mempengaruhinya terhadap data kategorik. Menurut Sutton (2005), model yang dihasilkan menggunakan CART masih tidak stabil karena perubahan pada data learning bisa menyebabkan perubahan yang signifikan terhadap pohon yang terbentuk. Oleh karena itu diterapkan metode agregat bootstrap dengan tujuan untuk mengevaluasi kestabilan dan akurasi prediktif pohon yang dihasilkan.
Tujuan Penelitian Tujuan dari penelitian ini adalah :
1. Mengklasifikasikan status gizi balita berdasarkan faktor-faktor yang mempengaruhinya di Kecamatan Taman sari, Kabupaten Bogor.
2
METODE
Sumber Data
Data yang digunakan dalam penelitian ini adalah data primer yang bersumber dari data penelitian Syuryadi (2012) yang dilakukan pada bulan Februari 2012 dengan jumlah contoh sebesar 120 orang ibu yang mempunyai balita. Penelitian ini dilakukan di Kecamatan Tamansari, Kabupaten Bogor. Peubah penjelas yang digunakan adalah umur ibu, pendidikan, pekerjaan, besar keluarga, pendapatan, pengetahuan gizi, sikap gizi, perilaku gizi yang terlampir pada Lampiran 1.Peubah respon diketahui dari status gizi balita (1 = pendek ; 2 = normal). Kuesioner pada penelitian kali ini dapat dilihat pada Lampiran 2.
Metode
Tahapan yang akan dilakukan dalam penelitian ini adalah : 1. Melakukan analisis deskriptif terhadap status gizi balita
Status gizi adalah keadaan kesehatan tubuh seseorang atau sekelompok orang yang disebabkan oleh konsumsi, penyerapan, dan utilisasi zat gizi makanan. Penilaian status gizi dapat diperoleh berdasarkan pengukuran antropometri, biokimia, klinis, dan biofisik. Salah satu pengukuran yang biasa digunakan adalah pengukuran antropometri. Indikator antropometri yang digunakan untuk menilai status gizi balita adalah berat badan menurut umur (BB/U), tinggi badan menurut umur (TB/U), dan berat badan menurut tinggi badan (BB/TB). Berat badan menurut umur (BB/U) lebih menggambarkan status gizi saat ini, tinggi badan menurut umur (TB/U) lebih menggambarkan status gizi anak masa lalu, sedangkan berat badan menurut tinggi badan (BB/TB) merupakan indikator global status gizi (Sunarti 2004). Gizi pendek merupakan masalah gizi kronis yang terjadi untuk waktu yang lama. Gizi baik atau yang tidak mengalami stunting merupakan indikator keberhasilan, kesejahteraan, pendidikan, dan pendapatan masyarakat yang berdampak pada ekonomi, kecerdasan, kualitas, dan dimensi bangsa yang berdampak pada masa depan anak (Depkes 2010).
Pada tahun 2005 badan kesehatan dunia, World Health Organization (WHO), mengeluarkan standar antropometri WHO Child Growth Standards (WHO-GS). Standar antropometri tersebut didasarkan pada penelitian Multi-Centre Growth
Reference Study (MGRS) in 6 negara yaitu Brazil, Ghana, India, Norway, Oman
dan Amerika Serikat. Kemudian WHO- South East Asean Regional Office (WHO-SEARO) melakukan sosialisasi standar baru tersebut di Bangkok pada tahun 2006. WHO mendorong agar negara-negara peserta mengadopsi standar ini karena adanya keragaman pemakaian standar antropometri di berbagai negara. Indonesia sejak tahun 1990 menggunakan the United States National Center for Health
Statistics (NCHS) Growth Reference sebagai standar antropometri gizi untuk
balita. Hal tersebut tertuang dalam Surat Keputusan Menteri Kesehatan nomor 920 tahun 2002. Data status gizi tinggi badan menurut umur (TB/U) dikategorikan berdasarkan kategori Depkes RI (2010) yaitu:
1) pendek (z-score <-2 SD) 2) normal (z-score -2 SD)
3
2. Melakukan analisis CART
CART (Classification and Regression Trees) adalah suatu metode dari salah satu teknik eksplorasi data yaitu teknik pohon keputusan. Metode ini dikembangkan oleh Leo Breiman, Jerome H. Friedman, Richard A. Olshen dan Charles J. Stone sekitar tahun 1980-an. Menurut Breiman et al. (1993) CART merupakan metode statistik nonparametrik yang dikembangkan untuk topik analisis klasifikasi, baik untuk peubah respon kategorik maupun kontinu.
CART menghasilkan suatu pohon regresi jika peubah responnya kontinu, dan menghasilkan pohon klasifikasi jika peubah responnya kategorik. Tujuan utama CART adalah untuk mendapatkan suatu kelompok data yang akurat sebagai penciri dari suatu pengklasifikasian. Keunggulan dari metode CART adalah tidak ada asumsi yang harus dipenuhi, dapat mengeksplorasi data berstruktur kompleks dan banyak peubah, hasil lebih mudah untuk di interpretasikan, memudahkan eksplorasi data dan pengambilan keputusan (Lewis dan Roger 2000).
Pohon regresi dan klasifikasi merupakan penyekatan data secara berulang dan menghasilkan sekatan yang biner, karena selalu membagi kumpulan data menjadi dua sekatan. Gambar 1 menunjukkan bahwa A, B, dan C merupakan peubah-peubah penjelas. A merupakan simpul induk, sedang B dan C merupakan simpul anak , C juga merupakan simpul terminal yang tidak bercabang lagi.
node/simpul ya tidak simpul simpul terminal
Gambar 1 Diagram CART Langkah-langkah penerapan Algoritma CART:
a. Pembentukan pohon klasifikasi
Proses pembentukan pohon klasifikasi terdiri atas 3 tahapan, yaitu : i. Pemilihan pemilah (Classifier)
Dalam pembentukan pohon klasifikasi digunakan contoh data Learning yang masih bersifat heterogen. Untuk mengukur tingkat keheterogenan suatu kelas dari suatu simpul tertentu digunakan nilai impuritasnya. Ukuran ini membantu kita menemukan fungsi pemilah yang optimal. Fungsi impuritas yang dapat digunakan adalah indeks Gini.
i(t) = 1 - ∑𝑗𝑝2 (𝑗|𝑡)
dengan p(j|t) adalah peluang unit pengamatan dalam kelas ke –j dari simpul t yang dinyatakan sebagai berikut :
p(j|t) = ∑ 𝜋𝜋𝑗𝑁𝑗(𝑡)/𝑁𝑗 𝑗𝑁𝑗 𝑗 (𝑡)/𝑁𝑗 A B C C C
4
dengan 𝜋𝑗 adalah peluang awal kelas ke- j, 𝑁𝑗 adalah banyaknya unit pengamatan dalam kelas ke- j, dan 𝑁𝑗(𝑡) adalah banyaknya unit pengamatan yang termasuk dalam kelas ke- j pada simpul t.
Nilai kebaikan sekatan merupakan suatu evaluasi pemilahan oleh pemilah s pada simpul t. Nilai kebaikan sekatan ∅(𝑠, 𝑡) didefenisikan sebagai penurunan keheterogenan.
∅(𝑠, 𝑡) = ∆𝑖(𝑠, 𝑡) = 𝑖(𝑡) − 𝑃𝐿𝑖(𝑡𝐿) − 𝑃𝑅𝑖(𝑡𝑅)
dengan ∅(𝑠, 𝑡) adalah kriteria nilai kebaikan sekatan, 𝑃𝐿𝑖(𝑡𝐿) adalah proporsi pengamatan dari simpul t menuju simpul kiri, dan 𝑃𝑅𝑖(𝑡𝑅) adalah proporsi pengamatan dari simpul t menuju simpul kanan.
Pengembangan pohon dilakukan dengan mencari semua kemungkinan pemilah pada simpul 𝑡1 sehingga ditemukan pemilah 𝑠∗ yang memberikan nilai penurunan keheterogenan tertinggi yaitu :
∆𝑖(𝑠∗, 𝑡
1) = 𝑚𝑎𝑥𝑠∈𝑆∆𝑖(𝑠, 𝑡1) ii. Penentuan simpul terminal
Suatu simpul t akan menjadi simpul terminal (tidak akan dipilah kembali) apabila pada simpul t tersebut sudah homogen atau adanya batasan minimum
n. Menurut Breiman et al. (1984), umumnya jumlah pengamatan minimum
dalam suatu terminal akhir adalah 5. iii. Penandaan label kelas
Label kelas dari simpul terminal ditentukan berdasarkan aturan jumlah terbanyak, yaitu : 𝑝(𝑗0|𝑡) = 𝑚𝑎𝑥𝑗 𝑝(𝑗|𝑡), maka label kelas untuk terminal t adalah 𝑗0 ( Breiman et al. 1993).
b. Penentuan Pohon Klasifikasi Optimum
Pohon klasifikasi tidak dibatasi jumlahnya, tetapi ukuran pohon yang besar akan memiliki nilai kompleksitas yang tinggi sehingga perlu dipilih pohon optimum yang berukuran sederhana tetapi memberikan nilai penduga pengganti cukup kecil.
Salah satu cara mendapatkan pohon optimum yaitu dengan cara pemangkasan. Pemangkasan dilakukan dengan jalan memangkas bagian pohon yang kurang penting sehingga didapatkan pohon yang optimum. Kriteria pemangkasan yang digunakan untuk memperoleh pohon optimum adalah biaya relatif validasi silang. Menurut Breiman et al. (1993) untuk membentuk validasi silang dengan V-fold, amatan data Learning yang berukuran n dibagi secara acak menjadi V kelompok yang berukuran sama. Data Learning ke-V yang akan digunakan untuk membentuk urutan pohon {𝑇𝐾} dan urutan kompleksitas parameter {𝐾}
𝑅𝐶𝑉(𝑇
𝐾) = 𝑅(𝑇𝐾) + 𝛼|𝑇̅𝐾| dengan :
𝑅𝐶𝑉(𝑇
𝐾) = Resubtitusion validasi silang suatu pohon 𝑇𝐾 untuk k=1. 𝑅(𝑇𝐾) = Proporsi kesalahan pada pohon bagian𝑇𝐾
= kompleksitas parameter.
|𝑇̅𝐾| = ukuran banyaknya simpul terminal pohon𝑇𝐾 Pohon terbaik adalah 𝑇𝐾0, yaitu :
𝑅𝐶𝑉(𝑇
5
3. Melakukan analisis agregat bootstrap
Bootstrap mulai diperkenalkan oleh Bradley Efron pada tahun 1979, sebagai
suatu metode pengambilan contoh ulang secara acak dengan pengembalian.
Bootstrap merupakan salah satu metode statistika yang bersifat nonparametrik.
Menurut Sutton (2005), model yang dihasilkan dengan menggunakan CART masih tidak stabil, karena perubahan pada sedikit data learning bisa menyebabkan perubahan yang signifikan terhadap pohon yang terbentuk. Untuk itu diterapkan metode agregat bootstrap adalah teknik yang diusulkan oleh Breiman (1996) sebagai alat untuk memperbaiki stabilitas dan kekuatan prediksi klasifikasi dan regresi pohon dengan cara mereduksi dari suatu prediktor. Ide dasar dari agregat bootstrap adalah menggunakan bootstrap resampling untuk membangkitkan prediktor dengan banyak versi, ketika dikombinasikan seharusnya hasilnya lebih baik dibandingkan dengan prediktor tunggal yang dibangun untuk menyelesaikan masalah yang sama. Sutton (2005) merekomendasikan untuk melakukan replikasi sebanyak 25 atau 50 kali.Tahapanan agregat bootstrap adalah sebagai berikut : a. Pembuatan pohon.
i. Tarik pengamatan acak berukuran n dari gugus data learning pada tahapan
bootstrap.
ii. Susun pohon terbaik berdasarkan data tersebut.
iii. Ulangi langkah a-b sebanyak k kali sehingga diperoleh k buah pohon acak. b. Lakukan pendugaan gabungan berdasarkan k buah pohon tersebut dengan
pemilihan terbanyak. 4. Interpretasi hasil.
HASIL DAN PEMBAHASAN
Gambaran Umum Karakteristik Status Gizi Balita
Pada penelitian ini banyaknya ibu balita yang diteliti sebesar 120 ibu balita yang terdapat di Kecamatan Taman Sari (Syuryadi 2012). Jumlah status balita yang termasuk kedalam kategori pendek sebanyak 44 balita (37%) dan kategori normal sebanyak 76 balita (63%). Hal ini menunjukkan bahwa status gizi balita di Kecamatan Taman Sari termasuk kedalam kategori normal. Lampiran 3 menunjukkan karakteristik status gizi balita berdasarkan kategorinya. Berdasarkan Tabel 1 diperoleh informasi bahwa tingkat pendidikan formal Ibu masih tergolong rendah, hal ini dapat diketahui dari tingkat pendidikan Ibu yang tidak tamat SD atau hanya sampai tingkat SD.
6
Tabel 1 Karakteristik Pendidikan Ibu yang Memiliki Balita di Kecamatan Taman Sari
Kategori pendidikan
Status gizi balita Pendek(%) Normal(%) Tidak tamat SD 39 42 SD 52 49 SMP 7 8 SMA 2 1 Total 100 100
Persentase untuk kategori peubah pendapatan menunjukkan bahwa status gizi balita normal yang memiliki pendapatan miskin lebih tinggi dibandingkan dengan status gizi balita pendek. Persentase untuk kategori peubah pekerjaan menunjukkan bahwa pekerjaan ibu rumah tangga lebih banyak dibandingkan dengan pekerjaan lainnya baik untuk status gizi balita pendek maupun status gizi balita normal (Gambar 2)
Gambar 2 Grafik kategori peubah (a)pendapatan( miskin tidak miskin) (b)pekerjaan( IRT petani pedagang jasa)
Menurut Khomsan et al. (2009) sikap gizi merupakan kecenderungan seseorang untuk menyetujui atau tidak menyetujui suatu pernyataan yang berkaitan dengan pangan dan gizi. Persentase sikap gizi ibu terhadap status gizi balitanya tergolong sedang untuk status gizi balita pendek dan status gizi balita normal. Perilaku merupakan respon seseorang terhadap stimulus yang diberikan. Persentase perilaku gizi ibu terhadap status gizi balitanya juga tergolong sedang, baik untuk status gizi balita pendek maupun status gizi balita normal (Gambar 3)
0 20 40 60 80 100 pendek normal p er se n tase pekerjaan (b) 0 20 40 60 80 pendek normal p er se n tase pendapatan (a)
7
Gambar 3 Grafik kategori peubah (a)sikap gizi( rendah sedang tinggi) (b) perilaku gizi ( rendah sedang tinggi)
Pohon Klasifikasi
Metode pohon klasifikasi menampilkan hasil berupa pohon keputusan. Pohon klasifikasi dibentuk dari peubah penjelas yang telah dikategorikan. Peubah yang paling berpengaruh akan menjadi pemilah pertama pada pohon keputusan. Hasil pohon klasifikasi maksimum yang terbentuk memiliki 42 simpul anak dengan 22 simpul terminal yang tertera pada Lampiran 4. Ukuran pohon yang besar akan menyebabkan nilai kompleksitas yang tinggi karena struktur data yang digambarkan cenderung kompleks, sehingga perlu dilakukan pemangkasan untuk mendapatkan pohon optimum yang berukuran sederhana tetapi memberikan nilai validasi silang cukup kecil (Breiman et al. 1993). Hasil proses pemangkasan berupa sederet pohon klasifikasi dengan nilai 𝑅𝐶𝑉, proporsi kesalahan, dan kompleksitas parameter (Lampiran 5). Nilai 𝑅𝐶𝑉yang paling kecil terletak pada simpul ke-8 yaitu sebesar 0.895 (Gambar 4)
Gambar 4 Plot antara nilai 𝑅𝐶𝑉dengan jumlah simpul
Penjelasan diatas dapat disimpulkan bahwa pohon optimum memiliki 14 simpul anak dengan 8 simpul terminal (Gambar 5). Penurunan nilai impuritas dalam hal ini menggunakan indeks Gini, yaitu dengan cara menentukan semua kemungkinan peubah penjelas. Peubah penjelas yang mempunyai keheterogenan
0 20 40 60 80 pendek normal p er se n tase perilaku gizi (b) 0,8 0,850,9 0,951 1,05 1 2 6 8 9 10 13 15 17 22 Jumlah simpul 0 10 20 30 40 50 60 70 pendek normal p er se n tase sikap gizi (a) Nilai R cv
8
tertinggi akan menjadi simpul induk atau simpul pertama. Peubah perilaku gizi merupakan peubah penjelas yang menjadi simpul induk karena memiliki nilai impuritas tertinggi yaitu sebesar 0.0240 (Tabel 2).Simpul kedua sampai simpul ketujuh juga dilihat semua kemungkinan peubah penjelas yang mempunyai nilai impuritas tertinggi. Lampiran 6 menunjukkan nilai impuritas pada setiap simpul-simpul pohon klasifikasi optimum.
Gambar 5 Pohon klasifikasi optimum PERILAKU_GIZI = (3) Terminal Node 1 Class = 2 Class Cases % 1 0 0.0 2 7 100.0 W = 7.00 N = 7 SIKAP_GIZI = (1) Terminal Node 2 Class = 2 Class Cases % 1 1 14.3 2 6 85.7 W = 7.00 N = 7 PENDAPATAN = (1) Terminal Node 3 Class = 2 Class Cases % 1 1 6.3 2 15 93.8 W = 16.00 N = 16 PEKERJAAN = (2,3,4) Terminal Node 4 Class = 2 Class Cases % 1 0 0.0 2 4 100.0 W = 4.00 N = 4 PEKERJAAN = (1) Terminal Node 5 Class = 1 Class Cases % 1 12 44.4 2 15 55.6 W = 27.00 N = 27 PENDAPATAN = (2) Node 6 Class = 1 PEKERJAAN = (2,3,4) Class Cases % 1 12 38.7 2 19 61.3 W = 31.00 N = 31 PERILAKU_GIZI = (2) Node 5 Class = 2 PENDAPATAN = (1) Class Cases % 1 13 27.7 2 34 72.3 W = 47.00 N = 47 PERILAKU_GIZI = (1) Terminal Node 6 Class = 1 Class Cases % 1 8 61.5 2 5 38.5 W = 13.00 N = 13 BESAR_KELUARGA = (1) Node 4 Class = 2 PERILAKU_GIZI = (2) Class Cases % 1 21 35.0 2 39 65.0 W = 60.00 N = 60 PERILAKU_GIZI = (1) Terminal Node 7 Class = 2 Class Cases % 1 4 23.5 2 13 76.5 W = 17.00 N = 17 PERILAKU_GIZI = (2) Terminal Node 8 Class = 1 Class Cases % 1 18 62.1 2 11 37.9 W = 29.00 N = 29 BESAR_KELUARGA = (2,3) Node 7 Class = 1 PERILAKU_GIZI = (1) Class Cases % 1 22 47.8 2 24 52.2 W = 46.00 N = 46 SIKAP_GIZI = (2,3) Node 3 Class = 1 BESAR_KELUARGA = (1) Class Cases % 1 43 40.6 2 63 59.4 W = 106.00 N = 106 PERILAKU_GIZI = (1,2) Node 2 Class = 1 SIKAP_GIZI = (1) Class Cases % 1 44 38.9 2 69 61.1 W = 113.00 N = 113 Node 1 Class = 2 PERILAKU_GIZI = (3) Class Cases % 1 44 36.7 2 76 63.3 W = 120.00 N = 120
9
Tabel 2 Nilai impuritas dari pohon klasifikasi optimum
Simpul N Impuritas Perilaku gizi 120 0.0240 Sikap gizi 113 0.0091 Besar keluarga 106 0.0070 Perilaku gizi 60 0.0210 Pendapatan 47 0.0271 Pekerjaan 31 0.0159 Perilaku gizi 46 0.0272
Pengamatan pada simpul utama (simpul 1) dipilah menjadi dua simpul anak berdasarkan peubah perilaku gizi. Simpul kiri (simpul terminal 1) terdiri dari 7 pengamatan dengan karakteristik perilaku gizi baik dan simpul kanan (simpul 2) terdiri dari 113 pengamatan dengan karakteristik perilaku gizi rendah dan sedang. Simpul 4 dan simpul 5 merupakan peubah perilaku gizi yang kembali terpilih, hal ini dikarenakan kategori peubah perilaku gizi masih bersifat heterogen. Simpul 4 mempunyai karakteristik perilaku gizi sedang dan simpul 5 mempunyai karakteristik perilaku gizi rendah.
Simpul-simpul terminal pada setiap status gizi balita terdapat pada Tabel 3. Karakteristik yang termasuk kedalam status gizi balita normal adalah perilaku gizi, sikap gizi, pendapatan, dan pekerjaan. Karakteristik yang termasuk kedalam status gizi balita pendek adalah perilaku gizi. Status gizi balita di Kecamatan Taman sari yang berstatus gizi balita normal lebih banyak daripada status gizi balita pendek. Hal ini terlihat dari banyaknya jumlah amatan yang terdapat pada status gizi balita normal.
Tabel 3 Simpul-simpul terminal pada setiap status gizi balita
Status gizi
n
pengamatan Karakteristik Kategori
Normal 7 Perilaku gizi Baik
7 Sikap gizi Rendah
17 Perilaku gizi Rendah
16 Pendapatan Miskin
4 Pekerjaan Petani,Pedagang, Jasa 27 Pekerjaan Ibu rumah tangga
Pendek 13 Perilaku gizi Rendah
29 Perilaku gizi Sedang
Tingkat ketepatan pengklasifikasian pada metode ini adalah 69.17%. Ketepatan dari total 44 status gizi balita pendek sebanyak 38 balita diklasifikasikan dengan benar, sedangkan dari total 76 status gizi balita normal sebanyak 45 balita diklasifikasikan dengan benar. Kesalahan prediksi untuk status gizi balita pendek yang diprediksi normal sebanyak 6 balita, sedangkan kesalahan
10
prediksi untuk status gizi balita normal yang diprediksi pendek sebanyak 31 balita (Tabel 4)
Tabel 4 Persentase klasifikasi metode CART
Aktual Prediksi
Pendek Normal % benar
Pendek 38 6 86.36
Normal 31 45 59.21
% keseluruhan 69.17
Pengaruh Penetapan Batas Z pada Persentase Salah Klasifikasi
Salah klasifikasi yang tinggi untuk rataan pada z-score <-2 SD dapat disebabkan oleh nilai z-score yang ditetapkan oleh WHO cukup tinggi. Hal ini disebabkan tinggi anak balita disetiap negara berbeda. Berdasarkan departemen kesehatan pada tahun 2010 rata-rata tinggi anak berusia 5 tahun di Indonesia adalah 110 cm (Depkes 2010), sedangkan menurut WHO pada tahun 2005 pada standar baku TB/U diketahui rata-rata tinggi anak berusia 5 tahun adalah 115 cm-120 cm. Alternatif yang digunakan pada penelitian ini dengan z yang ditetapkan dengan beberapa cara, yaitu :
1. z<-2.5 SD dan z<-3 SD 2. 𝑧∗<- 2.5 SD dan 𝑧∗<-3 SD
dengan z = (𝑥𝑖-𝑥̅)/sd dan 𝑧∗= (𝑥𝑖-median)/(𝑄3-𝑄1).
Tabel 5 menunjukkan bahwa z-score yang sesuai untuk menilai status gizi pendek di Indonesia dengan menggunakan rataan dengan z <-2.5 SD dan z <-3 SD dan median dengan 𝑧∗<- 2.5 SD dan 𝑧∗<-3 SD.
Tabel 5 Persentase klasifikasi dengan menggunakan z-score -2.5 SD dan -3 SD
Kriteria % prediksi %
Pendek Normal keseluruhan
Alternatif 1 z<- 2.5 SD z≥- 2.5 SD 52.94 80.58 76.67 z<- 3 SD z≥- 3 SD 90 71.82 73.33 Alternatif 2 𝑧∗<- 2.5 SD 𝑧∗≥- 2.5 SD 100 87.61 88.33 𝑧∗<- 3 SD 𝑧∗≥- 3 SD 100 78.63 79.17
11
Agregat Bootstrap
Penerapan teknik agregat bootstrap pada CART dilakukan dengan proses
bootstrap resampling untuk menghasilkan suatu himpunan data learning baru
yang akan digunakan untuk membangun pohon klasifikasi. Pohon klasifikasi yang dihasilkan oleh algoritma agregat bootstrap merupakan pohon klasifikasi yang sangat kompleks karena pohon ini dibentuk oleh semua peubah penjelas dan tanpa pemangkasan. Proses pengklasifikasian data baru dengan pohon klasifikasi agregat bootstrap dijalankan secara paralel pada semua pohon klasifikasi tersebut sehingga akan diperoleh berbagai versi hasil prediksi, sehingga hasil prediksi akhir dari pohon klasifikasi ini merupakan hasil pemilihan dari berbagai versi prediksi kelas yang paling banyak muncul. Banyaknya replikasi bootstrap yang digunakan adalah 25,50, 75, 100, 125, 150, 175, dan 200 kali.
Tabel 6 Persentase klasifikasi pada beberapa ukuran contoh bootstrap Banyaknya replikasi contoh
bootstrap Ketepatan klasifikasi (%) 25 80.18 50 83.78 75 83.78 100 86.49 125 82.88 150 79.28 175 84.68 200 82.88
Tabel 6 menunjukkan bahwa dengan 150 replikasi bootstrap diperoleh rata-rata ketepatan klasifikasi sebesar 79.28%, sehingga berdasarkan hasil diatas maka dapat disimpulkan bahwa dengan replikasi 150 kali telah dapat meningkatkan kestabilan pohon klasifikasi.
SIMPULAN DAN SARAN
Simpulan
Analisis menggunakan metode klasifikasi CART menghasilkan pohon optimum dengan 8 simpul terminal. Peubah penjelas yang masuk kedalam pohon klasifikasi yaitu perilaku gizi, sikap gizi, pendapatan, dan pekerjaan. Status gizi balita di Kecamatan Taman sari yang berstatus gizi balita normal lebih banyak daripada status gizi balita pendek. Tingkat ketepatan klasifikasi untuk metode ini sebesar 69.17%. Persentase klasifikasi pada penetapan batas z yang paling baik dengan menggunakan z-score -2.5 SD dengan tingkat ketepatan klasifikasi 76.67% dan 88.33%, dan z-score -3 SD dengan tingkat klasifikasi 73.33% dan
12
79.17%.Penerapan metode agregat bootstrap dengan replikasi bootstrap 150 kali telah dapat meningkatkan kestabilan pohon klasifikasi sebesar 79.28%.
Saran
Faktor genetik tinggi orangtua merupakan modal dasar dalam mencapai hasil akhir proses tumbuh kembang seseorang. Akan tetapi pada penelitian ini peubah tinggi ayah dan tinggi ibu tidak ada, sehingga sangat disarankan untuk penelitian yang akan datang peubah tinggi ayah dan tinggi ibu agar dimasukkan ke salah satu peubah penjelas. Penilaian antropometri yang disarankan untuk penelitian yang akan datang yaitu dengan menggunakan rataan dengan z <-2.5 SD dan z <-3 SD dan median dengan 𝑧∗<- 2.5 SD dan 𝑧∗<-3 SD.
DAFTAR PUSTAKA
[BKKBN] Badan Koordinasi Keluarga Berencana Nasional. 1998. Gerakan
Keluarga Berencana dan Keluarga Sejahtera. Jakarta: BKKBN (02 April
2013).
[BPS] Badan Pusat Statistik. 2010. Kabupaten Bogor dalam angka. http://bogorkab.bps.go.id/ (02 April 2013).
Breiman L, JH Friedman, RA Olshen, CJ Stone. 1993. Classification and
Regression Trees. New York: Champan and Hall.
Breiman L. 1996. Bagging Predictors, Machine Learning, 24(1):123-140.
[DEPKES] Departemen Kesehatan. Buku SK Antropometri 2010. www.gizi.depkes.go.id (02 April 2013).
Khomsan A, Anwar F, Mudjajanto ES. 2009. Pengetahuan, sikap, dan praktek gizi ibu peserta posyandu. Jurnal Gizi dan Pangan 4(1): 33-41.
Lewis dan Roger J. 2000. An Introduction to Classification And Regression Trees
(CART) Analysis. Presented at the 2000.
Masithah T, Soekirman, Martianto D. 2005. Hubungan pola asuh makan dan kesehatan dengan status gizi anak batita di Desa Mulya Harja. Media Gizi &
Keluarga 29(2):29-39
[RISKESDAS] Riset Kesehatan Dasar. 2010. Tabel Riskesdas 2010. www.riskesdas.litbang.depkes.go.id (02 April 2013).
Sartono B, Syafitri UD. 2010. Ensemble Tree: an Alternative toward Simple Classification & Regression Tree. Forum Statistika dan Komputasi, 15(1):1-7.
Sunarti E. 2004. Mengasuh dengan Hati. Jakarta: PT Elex Media Komputindo. Sutton CD. 2005. Classification and regression trees, Bagging, and Boosting,
Handbook of statistics, 24(1): 303-329.
Syuryadi N. 2012. Studi analisis pengetahuan, sikap, dan perilaku gizi ibu serta status gizi di Kecamatan Taman Sari [skripsi]. Bogor: Fakultas Ekologi Manusia, Institut Pertanian Bogor
13
DAFTAR LAMPIRAN
Lampiran 1 Peubah-peubah penjelas yang digunakan
Kode peubah Nama Peubah Kategori
X1 Umur ibu 1. Dewasa awal (17-39 tahun) 2. Dewasa sedang (40-60 tahun) 3. Dewasa akhir (>60 tahun) (Berger dalam Masithah 2005) X2 Pendidikan 1. Tidak tamat SD/ tidak sekolah
2. Tamat SD 3. Tamat SMP 4. Tamat SMA X3 Pekerjaan 1. Ibu rumah tangga
2. Petani 3. Pedagang 4. Jasa
X4 Besar keluarga 1. Keluarga kecil (<=4 orang) 2. Keluarga sedang (5-6 orang) 3. Keluarga besar (>=7 orang) (BKKBN 1998)
X5 Pendapatan 1. Miskin (< Rp. 214.338) 2. Tidak miskin (> Rp. 214.338) (BPS 2010)
X6 Pengetahuan gizi 1. Rendah (skor<60%) 2. Sedang (skor 60-80%) 3. Baik (skor >60%) (Khomsan 2000) X7 Sikap gizi 1. Rendah (skor<60%)
2. Sedang (skor 60-80%) 3. Baik (skor >60%) (Khomsan 2000) X8 Perilaku gizi 1. Rendah (skor<60%)
2. Sedang (skor 60-80%) 3. Baik (skor >60%) (Khomsan 2000)
14
Lampiran 2 Kuesioner status gizi balita
Sheet1 : Coverbu
Pengumpulan Data/PD: 1. Awal 2. Akhir
1. TANGGAL KUNJUNGAN : IB1 2012
2. PEWAWANCARA : IB2
3. NO. IBU BALITA : IB3 (no 1-30 dalam 1 desa)
4. NAMA POSYANDU : IB4
5. NAMA IBU BALITA : IB5
6. NAMA KEPALA KELUARGA : IB6
7. RT/RW : IB7
8. DUSUN/KAMPUNG : IB8
9. DESA : IB9
10. JAM MULAI WAWANCARA : IB10 11. JAM SELESAI WAWANCARA : IB11
DEPARTEMEN GIZI MASYARAKAT FAKULTAS EKOLOGI MANUSIA
INSTITUT PERTANIAN BOGOR 2012
Ibu & Balita 0-36 bulan Intervensi Terpadu Pemberdayaan Program Gizi
Posyandu untuk Mengatasi Gizi Kurang di Pedesaan (A multi-approach intervention to
empower posyandu nutrion program to combat malnutrion problem in rural area)
Saya setuju untuk diwawancarai
15
Sheet2 : Sosekbu
A. SOSIAL EKONOMI RUMAH TANGGA
A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 No Nama Posisi dikelu arga (3) Jenis kela min (4) Umur Pend (6) Me mb aca (7) Me nul is (8) Pe krj aan (9) BB (kg) TB (cm) Thn A51 Bln A52 Kode
(3) Posisi di keluarga 1=suami(ayah), 2=istri(ibu), 3=anak, 4=saudara lainnya, 5=kakek/nenek, 6=lainnya sebutkan
(4) Jenis kelamin 1=laki-laki, 2=perempuan
(5) Umur dalam ulan dan tahun (tidak tahu=777)
(6) Pendidikan jumlah tahun yang diselesaikan, 00=tidak sekolah, 77=tidak tahun, 88=belum selesai sekolah (N/A) (7) Membaca apakah anggota keluarga mampu membaca?
(0=tidak, 1=ya, 7=tidak tahu, 8=N/A)
(8) Menulis apakah anggota keluarga mampu menulis? (0=tidak, 1=ya, 7=tidak tahu, 8=N/A)
(9) Pekerjaan 0=tidak bekerja, 1=petani, 2=pedagang, 3=buruh tani, 4=buruh non tani, 5=PNS/ABRI/Polisi, 6=jasa, 7=ibu rumah tangga, 8=lainnya, sebutkan, 9=N/A
Sheet3 : Incomebu
B. PENDAPATAN RUMAH TANGGA
B1 B2 B3 B4 B5 B6 Anggota keluarga Jenis pkerjaan Penghasilan (1): Rp per
Jumlah hari kerja Hari Minggu Bln (2) Thn Hari/mgg Mgg/bln Bln/thn 1. Suami 1. 2. 2. Istri 1. 2. 3. Anak 1 2. 4.Agk kgt lain 1. 2.
Ket : (1) Pilih salah satu (hari, minggu, bulan, tahun)
(2) Kolom B3= bulan digunakan untuk merekap kolom sebelumnya dan harus terisi
16
Sheet12 : Pegizbu
I. PENGETAHUAN GIZI IBU
No Pertanyaan B S Variabel SKOR
(B=1, S=0) 1 Mengonsumsi sayuran sangat penting
karena sayuran umumnya dapat menjadi sumber protein
I1
2 Susu kental manis kandungan gizinya lebih baik daripada susu bubuk/ susu cair
I2 3 Zat gizi untuk pertumbuhan disebut protein I3 4 Mengonsumsi daging bermanfaat untuk
pertumbuhan anak
I4 5 Anak berusia 2-3 bulan sudah boleh diberi
pisang/pepaya
I5 6 Sarapan pagi tidak penting, lebih penting
makan siang atau makan malam
I6 7 ASI saja (eksklusif) diberikan pada anak
sampai usia 3 bulan
I7
8 Susu mempunyai kalsium tinggi I8
9 Tahu yang mengandung formalin akan lebih mudah basi
I9 10 Mencuci sayuran dengan air kran yang
mengalir lebih baik daripada di baskom
I10
Sheet13 : Sikgizbu
J. SIKAP GIZI IBU
No Pertanyaan Var Jawaban
(1)
SKOR 1 Saya akan menyediakan sayuran tiap hari
untuk konsumsi keluarga saya
J1 2 Anak saya lebih baik minum susu bubuk/ susu
cair daripada minum susu kental manis
J2 3 Menyediakan lauk pauk yang bergizi penting
untuk anak saya
J3 4 Anak tidak perlu makan daging karena mahal J4 5 Anak berusia 2-3 bulan boleh diberi pisang
agar tidak rewel
J5 6 Anak harus selalu sarapan agar kuat
beraktivitas
J6 7 ASI saja (eksklusif) diberikan kepada anak
sampai usia 3bulan
J7 8 Minum susu penting bagi anak untuk
memperkuat tulang dan gigi
J8 9 Jajanan ciki-cikian kurang baik bagi anak J9 10 Lalap yang direbus lebih aman daripada lalap
mentah
17
Ket : (1) Variabel J1, J2, J3, J6, J8, J9, J10 : 1 = setuju(2), 2 = ragu-ragu(1), 3 = tidak setuju(0)
Variabel J4, J5, J7 : 1 = setuju(0), 2 = ragu-ragu(1), 3 = tidak setuju(2)
Sheet14 : Pergizbu
K. PERILAKU GIZI IBU
No Pertanyaan Var Jawaban SKOR
1 Anak saya mengonsumsi sayuran K1 1 = ya (sering) (2) 2 = kadang-kadang (1) 3 = tidak (0)
4 = N/A 2 Saya biasa memberi susu kental
manis untuk anak saya
K2 1 = ya (0)
2 = tidak pernah (2) 3 = N/A
3 Saya menyediakan tahu/tempe untuk lauk anak saya
K3 1 = ya (2)
2 = tidak pernah (0) 3 = N/A
4 Anak saya mengonsumsi daging (sapi/ayam) sebagai lauk pauk
K4 1 = ya (sering) (2) 2 = kadang-kadang (1) 3 = tidak (0)
4 = N/A 5 Anak saya ketika berusiaa 2-3
bulan sudah diberi makan pisang
K5 1 = ya (0)
2 = tidak pernah (2) 3 = N/A
6 Anak saya biasa sarapan pagi K6 1 = ya (sering) (2) 2 = kadang-kadang (1) 3 = tidak (0)
4 = N/A 7 Saya memberikan ASI saja
(eksklusif) sampai anak berusia 6 bulan
K7 1 = ya (2) 2 = tidak (0)
Jika tidak, sampai usia berapa?
E7I... bulan 8 Saya membiasakan anak saya
minum susu sampai sekarang
K8 1 = ya (sering) (2) 2 = kadang-kadang (1) 3 = tidak (0)
4 = N/A
9 Anak saya suka jajan ciki-cikian K9 1 = ya (sering) (2) 2 = kadang-kadang (1) 3 = tidak (0)
4 = N/A 10 Sayuran untuk anak saya selalu
dimasak, bukan disajikan sebagai lalapan mentah
K10 1 = ya (sering) (2) 2 = kadang-kadang (1) 3 = tidak (0)
18
Lampiran 3 Deskripsi distribusi karakteristik status gizi balita
0 20 40 60 80 pendek normal pe rse ntase
status gizi balita Umur ibu awal sedang 0 20 40 60 80 pendek normal pe rse ntase
status gizi balita Pengetahuan gizi
rendah sedang tinggi
0 10 20 30 40 50 60 70 pendek normal pe rse ntase
status gizi balita Besar keluarga
19
19
Lampiran 4 Pohon klasifikasi maksimum PERILAKU_GIZI = (3) Terminal Node 1 Class = 2 Class Cases% 1 0 0.0 2 7 100.0 W = 7.00 N = 7 SIKAP_GIZI = (1) Terminal Node 2 Class = 2 Class Cases% 1 1 14.3 2 6 85.7 W = 7.00 N = 7 PEKERJAAN = (1,2,4) Terminal Node 3 Class = 2 Class Cases% 1 0 0.0 2 15100.0 W = 15.00 N = 15 PEKERJAAN = (3) Terminal Node 4 Class = 1 Class Cases% 1 1 100.0 2 0 0.0 W = 1.00 N = 1 PENDAPATAN = (1) Node 6 Class = 2 PEKERJAAN = (1,2,4) Class Cases% 1 1 6.3 2 1593.8 W = 16.00 N = 16 PEKERJAAN = (2,3,4) Terminal Node 5 Class = 2 Class Cases% 1 0 0.0 2 4 100.0 W = 4.00 N = 4 PENDIDIKAN = (3,4) Terminal Node 6 Class = 2 Class Cases% 1 0 0.0 2 1 100.0 W = 1.00 N = 1 PENGETAHUAN_GIZI = (2) Terminal Node 7 Class = 2 Class Cases% 1 3 33.3 2 6 66.7 W = 9.00 N = 9 PENGETAHUAN_GIZI = (1) Terminal Node 8 Class = 1 Class Cases% 1 2 40.0 2 3 60.0 W = 5.00 N = 5 SIKAP_GIZI = (2) Node 11 Class = 2 PENGETAHUAN_GIZI = (2) Class Cases% 1 5 35.7 2 9 64.3 W = 14.00 N = 14 SIKAP_GIZI = (3) Terminal Node 9 Class = 1 Class Cases% 1 4 50.0 2 4 50.0 W = 8.00 N = 8 PENDIDIKAN = (1,2) Node 10 Class = 1 SIKAP_GIZI = (2) Class Cases% 1 940.9 2 1359.1 W = 22.00 N = 22 PENGETAHUAN_GIZI = (1,2) Node 9 Class = 1 PENDIDIKAN = (3,4) Class Cases% 1 939.1 2 1460.9 W = 23.00 N = 23 PENGETAHUAN_GIZI = (3) Terminal Node 10 Class = 1 Class Cases% 1 3 75.0 2 1 25.0 W = 4.00 N = 4 PEKERJAAN = (1) Node 8 Class = 1 PENGETAHUAN_GIZI = (1,2) Class Cases% 1 1244.4 2 1555.6 W = 27.00 N = 27 PENDAPATAN = (2) Node 7 Class = 1 PEKERJAAN = (2,3,4) Class Cases% 1 1238.7 2 1961.3 W = 31.00 N = 31 PERILAKU_GIZI = (2) Node 5 Class = 2 PENDAPATAN = (1) Class Cases% 1 1327.7 2 3472.3 W = 47.00 N = 47 PENGETAHUAN_GIZI = (3) Terminal Node 11 Class = 2 Class Cases% 1 0 0.0 2 1 100.0 W = 1.00 N = 1 PENGETAHUAN_GIZI = (1,2) Terminal Node 12 Class = 1 Class Cases% 1 8 66.7 2 4 33.3 W = 12.00 N = 12 PERILAKU_GIZI = (1) Node 12 Class = 1 PENGETAHUAN_GIZI = (3) Class Cases% 1 8 61.5 2 5 38.5 W = 13.00 N = 13 BESAR_KELUARGA = (1) Node 4 Class = 2 PERILAKU_GIZI = (2) Class Cases% 1 2135.0 2 3965.0 W = 60.00 N = 60 UMUR_IBU = (2) Terminal Node 13 Class = 2 Class Cases% 1 0 0.0 2 2 100.0 W = 2.00 N = 2 PENGETAHUAN_GIZI = (1) Terminal Node 14 Class = 2 Class Cases% 1 0 0.0 2 2 100.0 W = 2.00 N = 2 PENDIDIKAN = (3,4) Terminal Node 15 Class = 2 Class Cases% 1 0 0.0 2 1 100.0 W = 1.00 N = 1 PEKERJAAN = (2,3,4) Terminal Node 16 Class = 2 Class Cases% 1 0 0.0 2 1 100.0 W = 1.00 N = 1 BESAR_KELUARGA = (2) Terminal Node 17 Class = 2 Class Cases% 1 1 25.0 2 3 75.0 W = 4.00 N = 4 BESAR_KELUARGA = (3) Terminal Node 18 Class = 1 Class Cases% 1 3 42.9 2 4 57.1 W = 7.00 N = 7 PEKERJAAN = (1) Node 18 Class = 2 BESAR_KELUARGA = (2) Class Cases% 1 4 36.4 2 7 63.6 W = 11.00 N = 11 PENDIDIKAN = (1,2) Node 17 Class = 2 PEKERJAAN = (2,3,4) Class Cases% 1 4 33.3 2 8 66.7 W = 12.00 N = 12 PENGETAHUAN_GIZI = (2,3) Node 16 Class = 2 PENDIDIKAN = (3,4) Class Cases% 1 4 30.8 2 9 69.2 W = 13.00 N = 13 UMUR_IBU = (1) Node 15 Class = 2 PENGETAHUAN_GIZI = (1) Class Cases% 1 426.7 2 1173.3 W = 15.00 N = 15 PERILAKU_GIZI = (1) Node 14 Class = 2 UMUR_IBU = (2) Class Cases% 1 423.5 2 1376.5 W = 17.00 N = 17 BESAR_KELUARGA = (3) Terminal Node 19 Class = 2 Class Cases% 1 2 28.6 2 5 71.4 W = 7.00 N = 7 PENGETAHUAN_GIZI = (1) Terminal Node 20 Class = 2 Class Cases% 1 0 0.0 2 1 100.0 W = 1.00 N = 1 PENGETAHUAN_GIZI = (2,3) Terminal Node 21 Class = 1 Class Cases% 1 7 77.8 2 2 22.2 W = 9.00 N = 9 BESAR_KELUARGA = (2) Node 21 Class = 1 PENGETAHUAN_GIZI = (1) Class Cases% 1 7 70.0 2 3 30.0 W = 10.00 N = 10 PENDAPATAN = (2) Node 20 Class = 1 BESAR_KELUARGA = (3) Class Cases% 1 9 52.9 2 8 47.1 W = 17.00 N = 17 PENDAPATAN = (1) Terminal Node 22 Class = 1 Class Cases% 1 9 75.0 2 3 25.0 W = 12.00 N = 12 PERILAKU_GIZI = (2) Node 19 Class = 1 PENDAPATAN = (2) Class Cases% 1 1862.1 2 1137.9 W = 29.00 N = 29 BESAR_KELUARGA = (2,3) Node 13 Class = 1 PERILAKU_GIZI = (1) Class Cases% 1 22 47.8 2 24 52.2 W = 46.00 N = 46 SIKAP_GIZI = (2,3) Node 3 Class = 1 BESAR_KELUARGA = (1) Class Cases% 1 4340.6 2 6359.4 W = 106.00 N = 106 PERILAKU_GIZI = (1,2) Node 2 Class = 1 SIKAP_GIZI = (1) Class Cases% 1 4438.9 2 6961.1 W = 113.00 N = 113 Node 1 Class = 2 PERILAKU_GIZI = (3) Class Cases% 1 4436.7 2 7663.3 W = 120.00 N = 120
20
Lampiran 5 Nilai 𝑅𝐶𝑉, proporsi kesalahan, dan kompleksitas parameter pada setiap simpul terminal
No
Simpul Nilai Proporsi Kompleksitas
terminal 𝑅𝐶𝑉 kesalahan parameter
1 22 1.03589 0.43541 0 2 17 0.99043 0.45096 0.001576 3 15 0.99043 0.46172 0.002701 4 13 0.94498 0.47488 0.003299 5 10 0.94139 0.50837 0.005592 6 9 0.94378 0.52153 0.006589 7 8 0.89474 0.54426 0.011374 8 6 0.93421 0.61962 0.018850 9 2 1.03400 0.90789 0.036045 10 1 1.00000 1 0.046063
21 Lampiran 6 Nilai impuritas pada setiap simpul-simpul pohon klasifikasi optimum
Simpul Kompetitor Impuritas
Perilaku gizi Sikap gizi 0.0081 Besar keluarga 0.0071 Pengetahuan gizi 0.0048
Pekerjaan 0.0045
Pendapatan 0.0030 Sikap gizi Besar keluarga 0.0082 Pendidikan 0.0052
Pekerjaan 0.0038
Pendapatan 0.0033 Pengetahuan gizi 0.0023 Besar keluarga Pendidikan 0.0048 Pengetahuan gizi 0.0035
Pekerjaan 0.0033
Pendapatan 0.0024 Sikap gizi 0.0015 Perilaku gizi Pendidikan 0.0095 Pendapatan 0.0081 Pekerjaan 0.0062 Sikap gizi 0.0027 Pengetahuan gizi 0.0001 Pendapatan Pendidikan 0.0066 Pekerjaan 0.0043 Pengetahuan gizi 0.0040 Sikap gizi 0.0002 Pekerjaan Pengetahuan gizi 0.0096 Pendidikan 0.0075 Sikap gizi 0.0014 Perilaku gizi Pengetahuan gizi 0.0080
Pekerjaan 0.0045
Pendidikan 0.0017 Besar keluarga 0.0012
22
RIWAYAT HIDUP
Sasni Triana Putri dilahirkan di Bangkinang. Kabupaten Kampar.Riau pada tanggal 07 Juli1991 dari pasangan Bapak Abdul Hadi dan Ibu Hafsah. Penulis merupakan anak ketiga dari tiga bersaudara.
Tahun 2003 penulis menyelesaikan pendidikan dasar di SD 011Bangkinang. Kabupaten Kampar.Riau. kemudian menyelesaikan pendidikan menengah pertama di MTs Al-Badr. Kabupaten Kampar.Riau pada tahun 2006. Tahun 2009 penulis menyelesaikan pendidikan menengah atas di SMA Muhammadiyah. Kabupaten Kampar.Riau. Pada tahun yang sama penulis lulus seleksi masuk Institut Pertanian Bogor melalui jalur Beasiswa Utusan Daerah IPB (BUD). Penulis Mengikuti program mayor Statistika. Fakultas Matematika dan Ilmu Pengetahan Alam serta minor Ilmu Konsumen.Fakultas Ekologi Manusia.
Selama mengikuti perkuliahan. penulis aktif dalam Himpunan Keprofesian Gamma Sigma Beta (GSB) sebagai staff divisi Human Resources and
Developmentpada tahun 2011. selain itu tahun 2012 penulis juga aktif di GSB sebagai
sekretaris pada divisi yang sama. Penulis aktif dalam kepanitian Spirit FMIPA 2011. bedah buku 9 Summer 10 Autumns 2011.Statistika Ria 2012. dan Welcome Ceremony of Statistic 2012. Pada bulan Februari sampai April 2013. penulis melaksanakan kegiatan praktik lapang di Balai Besar Penelitian Bioteknologi dan Sumberdaya Genetik (BB BIOGEN).
