KLASIFIKASI STATUS GIZI BALITA MENGGUNAKAN METODE NAÏVE BAYES CLASSIFICATION
(Studi Kasus di UPTD Puskesmas Boawae) SKRIPSI
Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh
Gelar Sarjana Komputer Program Studi Informatika
Oleh:
Yohanes Maria Vianey Ruma 165314067
PROGRAM STUDI INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA YOGYAKARTA
THE CLASSIFICATION OF TODDLERS NUTRITIONAL STATUS USING NAÏVE BAYES CLASSIFICATION METHOD
(Case Study at UPTD Puskesmas Boawae) THESIS
Presented as Partial Fulfillment of The Requirements to Obtain The Sarjana Komputer Degree In Informatics Study Program
By :
Yohanes Maria Vianey Ruma 165314067
INFORMATICS STUDY PROGRAM FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY YOGYAKARTA
iii
HALAMAN PERSEMBAHAN
“Jangan Pernah Berhenti Untuk Berjuang, Karena Suatu Keberhasilan Membutuhkan Sebuah Perjuangan”
Karya ini saya persembahkan teristimewa kepada:
Tuhan Yesus Kristus, Orang Tua, Adik, Keluarga, Dosen & Sahabat Terimakasih untuk semua dukungan, doa, kasih sayang, semangat, motivasi serta
bantuan yang kalian berikan. Kiranya Tuhan selalu melindungi dan memberkati kalian semua dimanapun kalian berada.
vi
ABSTRAK
Gizi merupakan faktor utama yang berhubungan dengan kesehatan dan kualitas sumber daya manusia. Anak-anak berusia di bawah lima tahun sangat rentan terhadap masalah gizi dan kesehatan. Status gizi pada balita dapat diketahui berdasarkan indeks berat badan menurut umur (BB/U), tinggi badan menurut umur (TB/U), dan berat badan menurut tinggi badan (BB/TB) dengan memasukan data nilai umur, jenis kelaamin, berat badan dan tinggi badan balita. Cara untuk menentukan status gizi balita yaitu menggunakan Antropemetri dikarenakan lebih sederhana dan aman pada tahap pengukuran.
Pada Penelitian ini, dibangun sistem “Klasifikasi Status Gizi Balita Menggunakan Metode Naïve Bayes Classification”. Metode Naïve Bayes adalah suatu metode yang digunakan untuk memprediksi berbasis probabilitas. Sistem yang dibangun menggunakan bahasa pemrograman PHP dan menggunakan XAMPP sebagai databasenya. Sistem ini memberikan hasil klasifikasi status gizi balita dan akurasinya dalam penentuan status gizi balita menggunakan metode Naïve Bayes.
Penelitian ini menggunakan 628 data status gizi balita dengan menggunakan pembagian 4-Fold Cross-Validation. Pengujian dilakukan menggunakan 8 atribut yaitu nama, umur, jenis kelamin, berat badan, tinggi badan, status gizi BB/U, status gizi TB/U dan status gizi BB/TB. Dari hasil pengujian yang dilakukan menunjukan bahwa metode Naïve Bayes dapat digunakan dalam melakukan klasifikasi terhadap status gizi balita dan memiliki kinerja sistem yang baik dengan nilai akurasi kerja sistem pada masing-masing kategori status gizi balita sebesar 72,93% (BB/U), 70,86% (TB/U) dan 71,02% (BB/TB).
Kata Kunci : UPTD Puskesmas Boawae, Klasifikasi Status Gizi Balita, Naïve Bayes Classification.
vii
ABSTRACT
Nutrition is a major factor related to health and the quality of human resources. Children under age five are especially vulnerable to nutritional and health problems. The nutritional status of children under five can be determined based on the weight index for age (BB/U), height for age (TB/U), and body weight for height (BB/TB) by entering data on the value of age, sex, body weight. and the toddler's height. The way to determine the nutritional status of toddlers is using Anthropemetry because it is simpler and safer at the measurement stage.
In this study, a system is built "Classification of Nutritional Status of Toddlers Using the Naïve Bayes Classification Method". The Naïve Bayes method is a method used to predict based on probability. The system is built using the PHP programming language and using XAMPP as the database. This system provides the results of the classification of the nutritional status of children under five and its accuracy in determining the nutritional status of children using the Naïve Bayes method.
This study used 628 nutritional status data for toddlers using the 4-Fold Cross-Validation division. The test was carried out using 8 attributes, namely name, age, gender, weight, height, nutritional status of BB/U, nutritional status of TB/U and nutritional status of BB/TB. From the results of the tests conducted, it shows that the Naïve Bayes method can be used in classifying the nutritional status of toddlers and has a good system performance with the working accuracy value of the system in each category of nutritional status of toddlers of 72,93% (BB/U), 70,86% (TB/U) and 71,02% (BB/TB).
Keywords: UPTD Puskesmas Boawae, Classification of Toddler Nutritional Status, Naïve Bayes Classification.
viii
KATA PENGANTAR
Puji dan syukur Penulis panjatkan kepada Tuhan Yang Maha Esa atas karunia yang diberikan-Nya sehingga penulis dapat menyelesaikan tugas akhir ini sebagai salah satu syarat memperoleh gelar sarjana program studi Informatika, Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta.
Penelitian dan penulisan tugas akhir ini berjalan dengan baik dari awal hingga akhir karena adanya dukungan doa, semangat dan motivasi yang diberikan oleh banyak pihak, untuk itu pada kesempatan kali ini penulis akan mengucapkan terimasih kepada :
1. Tuhan Yesus Kristus yang selalu menyertai, memberkati dan memberikan kekuatan sehingga penulis dapat menyelesaikan tugas akhir ini dengan baik.
2. Kedua orangtua terkasih untuk setiap doa, semangat dan motivasi yang selalu diberikan.
3. Bapak Sudi Mungkasi, S.Si, M.Math.Sc,. Ph.D. selaku Dekan Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta.
4. Bapak Robertus Adi Nugroho S.T., M.Eng., selaku ketua Program Studi Informatika Universitas Sanata Dharma.
5. Ibu Agnes Maria Polina, S.Kom., M.Sc. selaku dosen pembimbing yang telah membimbing dengan sabar, memberikan motivasi, saran, pikiran, waktu dan tenaga sehingga penulis dapat menyelesaikan tugas akhir ini dengan baik.
6. Seluruh dosen-dosen yang telah mendidik dan memberikan ilmu pengetahuan selama penulis menjalani studi di Universitas Sanata Dharma Yogyakarta.
7. Teman-teman Teknik Informatika 2016 untuk kebersamaan selama menjalani masa perkuliahan.
ix
8. UPTD Puskesmas Boawae yang telah mengijinkan saya untuk melakukan penelitian.
9. Teman-teman kos putra Indonesia Timur yang selalu memberikan semangat.
10. Semua pihak yang secara langsung maupun tidak langsung telah membantu penulis dalam menyelesaikan tugas akhir ini.
Penulis menyadari penelitian tugas akhir ini masih banyak kekurangan. Oleh karena itu, saran dan kritik dari pembaca yang sekiranya dapat membangun sangat penulis harapkan untuk perbaikan di masa yang akan datang. Semoga penelitian ini dapat bermanfaat bagi semua pihak.
Yogyakarta, 02 November 2020
x
DAFTAR ISI
HALAMAN PERSETUJUAN ………..i
HALAMAN PENGESAHAN ………...ii
HALAMAN PERSEMBAHAN ………..iii
HALAMAN KEASLIAN KARYA ……….iv
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPERLUAN KEPENTINGAN AKADEMIS………...v
ABSTRAK ………vi
ABSTRACT ………vii
KATA PENGANTAR ………viii
DAFTAR ISI ………..x
DAFTAR GAMBAR ………..xiv
DAFTAR TABEL……….xviii BAB I PENDAHULUAN ... 1 1.1. Latar Belakang ... 1 1.2. Rumusan Masalah ... 3 1.3. Tujuan ... 4 1.4. Batasan Masalah ... 4 1.5. Manfaat ... 4 1.6. Sistematika Penulisan ... 5
BAB II LANDASAN TEORI ... 6
2.1. Data Mining ... 6
xi
2.3. Clasification ... 8
2.4. K-Fold Cross-Validation ... 8
2.5. Metode Naive Bayes Clasification (NBC) ... 9
2.5.1. Pengenalan Metode Naive Bayes Clasification ... 9
2.5.2. Alur Metode Naive Bayes ... 12
2.6. Confusion Matrix ... 13
2.7. Penilaian Status Gizi ... 15
BAB III METODOLOGI PENELITIAN ... 20
3.1. Bahan Riset ... 20
3.2. Tahap Pengumpulan Data ... 20
3.2.1. Survey Awal ... 21
3.2.2. Sumber Data ... 21
3.3. Studi Literatur ... 21
3.4. Pengelompokan Data ... 22
3.5. Pembuatan Alat Uji ... 22
3.6. Gambaran Umum Sistem ... 24
3.6.1. Input Sistem ... 24
3.6.2. Proses Sistem ... 24
3.6.3. Output System... 26
3.7. Model Fungsi ... 26
3.7.1. Diagram Use Case ... 26
3.7.2. Narasi Use Case. ... 27
3.7.3. Diagram Aktivitas ... 35
3.7.4. Diagram Kelas Analisis ... 38
xii
3.9. Model Perancangan UI (User Interface) ... 43
3.10. Peralatan Penelitian (Perangkat Keras dan Perangkat Lunak). ... 52
BAB IV IMPLEMENTASI SISTEM ... 53
4.1. Implementasi Basis Data (Database) ... 53
4.1.1. Tabel Admin ... 53
4.1.2. Tabel Master Data ... 53
4.1.3. Tabel Data Testing ... 54
4.1.4. Tabel Data Tunggal ... 54
4.1.5. Tabel Hasil ... 55
4.2. Implementasi Program ... 55
4.2.1. Halaman Login ... 55
4.2.2. Halaman Utama (Dashboard) ... 56
4.2.3. Hamalan Import Data... 57
4.2.4. Halamana Data Keseluruhan ... 58
4.2.5. Halaman Pembagian Data 4-Fold Cross-Validation ... 59
4.2.6. Halaman Data Keseluruhan Hasil Pembagian 4-Fold Cross-Validation ... 60
4.2.7. Halaman Data Training ... 61
4.2.8. Halaman Data Testing ... 61
4.2.9. Halaman Pengujian Akurasi Berat Badan Menurut Umur ... 62
4.2.10. Halaman Pengujian Akurasi Tinggi Badan Menurut Umur ... 63
4.2.11. Halaman Pengujian Akurasi Berat Badan Menurut Tinggi Badan .... 65
4.2.12. Halaman Pengujian Data Tunggal ... 67
4.2.13. Halaman Informasi Pengujian Data Tunggal... 71
xiii
4.2.15. Halaman Rekap Hasil ... 72
4.2.16. Source Code Fungsi Bayes ... 72
BAB V ANALISIS HASIL ... 74
5.1. Uji Validasi ... 74
5.1.1. Proses Perhitungan Metode Naive Bayes... 74
A. Data Awal ... 74
B. Cleaning Data/Pembersihan Data ... 78
D. Menghitung Mean Dan Standar Deviasi ... 82
E. Probabilitas Jenis Kelamin Pada Setiap kategori Status Gizi Balita ... 85
F. Probabilitas Setiap Kategori Pada Status Gizi Balita ... 86
G. Perhitungan Naive Bayes ... 87
H. Menghitung Likelihood ... 91
I. Normalisasi Nilai Probabilitas ... 93
J. Hasil Perhitungan Klasifikasi Naïve Bayes ... 94
5.1.2. Perhitungan Akurasi Menggunakan Confution Matriks ... 98
5.1.3. Pengujian Sistem... 100
5.1.4. Evaluasi Hasil Perhitungan Manual Dan Pengujian Sistem Terhadap 20 Data Sampel ... 103
5.2. Hasil Pengujian Sistem Terhadap 628 Data ... 104
5.3. Uji Data Tunggal ... 107
BAB VI PENUTUP ... 110
6.1. Kesimpulan ... 110
6.2. Saran ... 111
xiv
DAFTAR GAMBAR
Gambar 2.1 Proses Dalam KDD ... 7
Gambar 2.2 Metode 5-fold cross-validation dengan himpunan data D yang dibagi ke dalam 5 fold yang saling bebas: f1,f2,f3,f4 dan f5 yang selanjutnya didistribusikan secara sirkular untuk data latih dan data uji. ... 9
Gambar 3.1 Diagram Blok Proses Klasifikasi Status Gizi Balita Menggunakan Metode Naïve Bayes Classification. ... 23
Gambar 3.2 Diagram Flowcart Proses Sistem. ... 25
Gambar 3.3 Diagram Use Case Admin. ... 26
Gambar 3.4 Diagram Activitas Login. ... 35
Gambar 3.5 Diagram Activitas Import Data. ... 36
Gambar 3.6 Diagram Activitas Menampilkan Data Training Dan Data Testing. . 36
Gambar 3.7 Diagram Activitas Pengujian Akurasi ... 37
Gambar 3. 8 Diagram Activitas Pengujian Data Tunggal... 37
Gambar 3.9 Diagram Activitas Logout. ... 38
Gambar 3.10 Diagram Kelas Analisis ... 38
Gambar 3.11 Diagram Sekuen Model Perancangan Interaksi Antar Kelas Login. ... 39
Gambar 3.12 Diagram Sekuen Model Perancangan Interaksi Antar Kelas Import Data. ... 39
Gambar 3.13 Diagram Sekuen Model Perancangan Interaksi Antar Kelas Menampilkan Data (Training Dan Testing). ... 40
Gambar 3.14 Diagram Sekuen Model Perancangan Interaksi Antar Kelas Pengujian Akurasi Berat Badan Menurut Umur (BB/U). ... 40
Gambar 3.15 Diagram Sekuen Model Perancangan Interaksi Antar Kelas Pengujian Akurasi Tinggi Badan Menurut Umur (TB/U). ... 41
Gambar 3.16 Diagram Sekuen Model Perancangan Interaksi Antar Kelas Pengujian Akurasi Berat Badan Menurut Tinggi Badan (BB/TB). ... 41
xv
Gambar 3.17 Diagram Sekuen Model Perancangan Interaksi Antar Kelas
Pengujian Data Tunggal. ... 42
Gambar 3.18 Diagram Sekuen Model Perancangan Interaksi Antar ... 42
Gambar 3.19 Model Perancangan User Interface Halaman Login. ... 43
Gambar 3.20 Model Perancangan User Interface Halaman Utama. ... 44
Gambar 3.21 Model Perancangan User Interface Halaman Import Data. ... 45
Gambar 3.22 Model Perancangan User Interface Halaman Data Keseluruhan. ... 45
Gambar 3.23 Model Perancangan User Interface Halaman Pembagian Data. ... 46
Gambar 3.24 Model Perancangan User Interface Halaman Data Training. ... 47
Gambar 3.25 Model Perancangan User Interface Halaman Data Testing. ... 47
Gambar 3.26 Model Perancangan User Interface Halaman Pengujian Akurasi Berat Badan Menurut Umur (BB/U). ... 48
Gambar 3.27 Model Perancangan User Interface Halaman Pengujian Akurasi Tinggi Badan Menurut Umur (TB/U). ... 49
Gambar 3.28 Model Perancangan User Interface Halaman Pengujian Akurasi Berat Badan Menurut Tinggi Badan (BB/TB) ... 49
Gambar 3.29 Model Perancangan User Interface Halaman Pengujian Data Tunggal ... 50
Gambar 3.30 Model Perancangan User Interface Halaman Informasi Pengujian Data Tunggal. ... 51
Gambar 3.31 Model Perancangan User Interface Halaman Detail Pengujian Data Tunggal. ... 51
Gambar 3.32 Halaman Rekap Hasil ... 52
Gambar 4.1 Halaman Login ... 55
Gambar 4.2 Source Code login Cek Admin... 56
Gambar 4.3 Halaman Utama Admin ... 56
Gambar 4.4 Halaman Import Data ... 57
Gambar 4.5 Source Code Proses Import Data ... 58
Gambar 4.6 Halaman Data keseluruhan Hasil Cleaning/Pembersihan Data ... 59
Gambar 4.7 Halaman Pembagian data 4-Fold Cross-Validation ... 59
xvi
Gambar 4.9 Halaman Data Keseluruhan Hasil Pembagian 4-Fold
Cross-Validation. ... 60
Gambar 4.10 Halaman Data Training Hasil Pembagian 4-Fold Cross-Validation. ... 61
Gambar 4.11 Halaman Data Testing Hasil Pembagian 4-Fold Cross-Validation. 61 Gambar 4.12 Halaman Pengujian Akurasi Berat Badan Menurut Umur (BB/U). 62 Gambar 4.13 Source Code Proses Pengujian Akurasi Berat Badan Menurut Umur (BB/U) ... 63
Gambar 4.14 Halaman Pengujian Akurasi Tinggi Badan Menurut Umur (TB/U) 64 Gambar 4.15 Source Code Proses Pengujian Akurasi Tinggi Badan Menurut Umur (TB/U) ... 65
Gambar 4.16 Halaman Pengujian Akurasi Berat Badan Menurut Tinggi Badan (BB/TB) ... 66
Gambar 4.17 Source Code Proses Pengujian Akurasi Berat Badan Menurut Tinggi Badan (BB/TB) ... 67
Gambar 4.18 Halaman Pengujian Data Tunggal... 68
Gambar 4.19 Source Code Proses Pengujian Data Tunggal ... 70
Gambar 4.20 Halaman Informasi Pengujian Data Tunggal ... 71
Gambar 4.21 Halaman Detail Pengujian Data Tunggal ... 71
Gambar 4.22 Halaman Rekap Hasil. ... 72
Gambar 4.23 Source code Fungsi Bayes... 73
Gambar 5. 1 Confusion Matrix Uji Validasi Pengujian Sistem Akurasi Berat Badan Menurut Umur (BB/U) Pada Fold 4 ... 101
Gambar 5.2 Confusion Matrix Uji Validasi Pengujian Sistem Akurasi Tinggi Badan Menurut Umur (TB/U) Pada Fold 4. ... 102
Gambar 5.3 Confusion Matrix Uji Validasi Pengujian Sistem Akurasi Berat Badan Menurut Tinggi Badan (BB/TB) Pada Fold 4... 102
Gambar 5.4 Hasil Pengujian Akurasi Terhadap Semua Skenario (Fold) Berdasarkan Kategori Status Gizi BB/U, TB/U Dan BB/TB. ... 103
Gambar 5.5 Ilustrasi Pembagian Data Pengujian Menggunakan 4-Fold Cross-Validation. ... 104
xvii
Gambar 5.6 Hasil Pengujian Data ... 105
Gambar 5.7 Confusion Matrix Pengujian Akurasi Kategori Status Gizi Balita Berdasarkan Berat Badan Menurut Umur (BB/U) Pada Fold 2. ... 106
Gambar 5.8 Confusion Matrix Pengujian Akurasi Kategori Status Gizi Balita Berdasarkan Tinggi Badan Menurut Umur (TB/U) Pada Fold 2. ... 106
Gambar 5.9 Confusion Matrix Pengujian Akurasi Kategori Status Gizi Balita Berdasarkan Berat Badan Menurut Tinggi Badan (BB/TB) Pada Fold 2. ... 107
Gambar 5.10 Contoh Pengujian Data Tunggal 1 ... 108
Gambar 5.11 Contoh Pengujian Data Tunggal 2 ... 108
xviii
DAFTAR TABEL
Tabel 2.1 Confusion Matrix ... 14
Tabel 2.2 Kategori dan Ambang Batas Status Gizi Anak Berdasarkan Indeks. ... 16
Tabel 2.3 Perhitungan Z-Score Indeks BB/U ... 18
Tabel 2.4 Perhitungan Z-score Indeks TB/U ... 18
Tabel 2. 5 Perhitungan Z-Score Indeks BB/TB ... 19
Tabel 3.1 Narasi Use Case Login. ... 27
Tabel 3.2 Narasi Use Case Mengimport Data. ... 28
Tabel 3.3 Narasi Use Case Pembagian Data Trainig Dan Data Testing. ... 29
Tabel 3.4 Narasi Use Case Pengujian Akurasi... 30
Tabel 3.5 Narasi Use Case Pengujian Data Tunggal ... 33
Tabel 3.6 Narasi Use Case Logout. ... 34
Tabel 4.1 Tabel Admin ... 53
Tabel 4.2 Tabel Master Data ... 53
Tabel 4.3 Tabel Data Testing ... 54
Tabel 4.4 Tabel Data Tunggal ... 54
Tabel 4.5 Tabel Hasil ... 55
Tabel 5.1 Data Awal Status Gizi Balita Puskesmas Boawae ... 75
Tabel 5.2 Data hasil Cleaning data /Pembersihan data ... 78
Tabel 5.3 Data Training Hasil Pembagian 4-Fold Cross-Validation ... 80
Tabel 5.4 Data Testing Hasil Pembagian 4-Fold Cross-Validation ... 81
Tabel 5.5 Mean Dan Standar Deviasi Pada Variabel Umur Disetiap Kategori .... 82
Tabel 5.6 Mean Dan Standar Deviasi Pada Variabel Tinggi Badan Disetiap Kategori ... 83
Tabel 5.7 Mean Dan Standar Deviasi Pada Variabel Umur Disetiap Kategori .... 83
Tabel 5.8 Mean Dan Standar Deviasi Pada Variabel Berat Badan Disetiap Kategori ... 84
Tabel 5.9 Mean Dan Standar Deviasi Pada Variabel Berat Badan Disetiap Kategori ... 84
xix
Tabel 5.10 Mean Dan Standar Deviasi Pada Variabel Tinggi Badan Disetiap
Kategori ... 85
Tabel 5.11 Probabilitas Jenis Kelamin Pada Setiap Kategori Status Gizi TB/U .. 85
Tabel 5.12 Probabilitas Jenis Kelamin Pada Setiap Kategori Statuz Gizi BB/U .. 86
Tabel 5.13 Probabilitas Jenis Kelamin Pada Setiap Kategori Statuz Gizi BB/TB 86 Tabel 5.14 Probabilitas Setiap Kategori Pada Status Gizi Balita TB/U ... 86
Tabel 5.15 Probabilitas Setiap Kategori Pada Status Gizi Balita BB/U ... 87
Tabel 5.16 Probabilitas Setiap Kategori Pada Status Gizi Balita BB/TB ... 87
Tabel 5.17 Data Testing 1 ... 87
Tabel 5.18 Normalisasi Nilai Probabilitas Fold 4 Kategori Status Gizi BB/U ... 96
Tabel 5.19 Normalisasi Nilai Probabilitas Fold 4 Kategori Status Gizi TB/U ... 96
Tabel 5.20 Normalisasi Nilai Probabilitas Fold 4 Kategori Status Gizi BB/TB ... 97
Tabel 5.21 Hasil Klasifikasi Fold 4 Kategori Status Gizi BB/U ... 97
Tabel 5. 22 Hasil Klasifikasi Fold 4 Kategori Status Gizi TB/U... 98
Tabel 5. 23 Hasil Klasifikasi Fold 4 Kategori Status Gizi BB/TB ... 98
Tabel 5.24 Perhitungan Akurasi Menggunakan Confusion Matriks (BB/U) ... 99
Tabel 5. 25 Perhitungan Akurasi Menggunakan Confusion Matriks (TB/U) ... 99
1
BAB I
PENDAHULUAN
1.1. Latar Belakang
Gizi merupakan faktor yang paling utama yang berhubungan dengan kesehatan dan kualitas sumber daya manusia. Anak-anak berusia kurang dari lima tahun sangat rentan terhadap masalah gizi dan kesehatan. Oleh karena itu, pertumbuhan dan perkembangan anak menjadi perhatian utama para orang tua, terutama mengenai gizi seimbang pada anak (khususnya balita). Saat ini di Indonesia masih menghadapi beberapa permasalahan ganda pada status gizi balita yaitu, masalah kekurangan dan kelebihan gizi. Masalah kekurangan gizi pada sejumlah anak-anak di Indonesia saat ini adalah mengalami gangguan dalam pertumbuhan dan perkembangan yang mengakibatkan anak stunting (kerdil) dan masalah kelebihan gizi pada anak adalah kegemukan (obesitas).
Berdasarkan pantauan status gizi (PSG) pada tahun 2017 yang dilakukan oleh Kementrian Kesehatan, jumlah balita yang usianya dibawah lima tahun mengalami masalah gizi mencapai 17,8% yang hampir sama perbandingannya dengan tahun sebelumnya. Jumlah tersebut terdiri dari 3,8% balita mengalami gizi buruk dan 14% balita mengalami gizi kurang. Menurut status gizi berdasarkan indeks tinggi badan menurut usia (TB/U), balita di Indonesia yang mengalami masalah stunting (kerdil) pada tahun 2016 lalu mencapai 29,6%. Sedangkan menurut indeks berat badan menurut umur (BB/U) sebanyak 9,5% balita masuk ke dalam kategori kurus dan balita yang mengalami masalah kegemukan (obesitas) mencapai 4,6%. Berdasarkan presentase dari hasil perbandingan tersebut, banyak balita di Indonesia mengalami masalah dalam status gizi dan masalah status gizi yang yang harus diperhatikan adalah masalah balita yang mengalami stunting (kerdil).
Status gizi pada balita dapat diketahui berdasarkan indeks berat badan menurut umur (BB/U), tinggi badan menurut umur (TB/U), dan berat badan menurut tinggi badan (BB/TB) dengan memasukan data nilai umur, berat badan, tinggi badan serta jenis kelamin balita. Salah satu cara untuk mengukur tubuh manusia dalam menentukan status gizi anak yaitu menggunakan Antropemetri. Pengukuran Antropemetri secara umum berdasarkan berat badan menurut umur (BB/U), tinggi badan menurut umur (TB/U) dan berat badan menurut tinggi badan (BB/TB). Penggunaan Antropemetri sering digunakan untuk mengukur status gizi balita, hal ini dikarenakan lebih sederhana dan aman pada tahap pengukuran serta tidak membutuhkan tenaga ahli. Hasil dari Antropemetri berupa data yang akurat serta mampu mendeteksi riwayat gizi di masa lampau.
Upaya untuk mengantisipasi bertambahnya kasus gizi buruk pada balita, diperlukan peningkatan informasi dan pengetahuan akan pola asuh dan pola makan yang baik dan benar. Pentingnya partisipasi dari orang tua serta petugas pos pelayanan terpadu atau posyandu untuk memantau nilai gizi balita sangat dibutuhkan. Posyandu adalah kegiatan dasar yang diselenggarakan dari, oleh dan untuk masyarakat yang dibantu oleh petugas kesehatan disuatu wilayah puskesmas. Biasanya secara rutin dalam periode satu bulan sekali posyandu akan diadakan. Selain memberikan layanan kesehatan ibu dan anak, disini juga balita akan ditimbang berat badan dan diukur secara rutin tinggi badannya agar dapat mengetahui tumbuh kembang sang anak terutama mengenai perkembangan nilai gizinya.
Pengolahan data status gizi bayi yang dilakukan oleh puskesmas masih menggunakan perhitungan dan analisa secara manual sehingga hasil yang didapatkan dirasa kurang efektif dalam menentukan status gizi pada balita sehingga diperlukan suatu metode yang digabungkan dengan dengan sistem berbasis komputer untuk mendapatkan hasil yang lebih akurat. Oleh karena itu, Penulis tertarik untuk membantu pihak puskesmas dalam pengolahan data status gizi balita menggunakan “Klasifikasi Status Gizi Balita Menggunakan Metode Naive Bayes Clasification” sehingga dapat
membantu pihak puskesmas atau posyandu dalam menentukan status gizi balita agar menjadi lebih cepat dan memperoleh informasi yang lebih akurat dalam penentuan status gizi balita. Penelitian sebelumnya dengan judul “Klasifikasi Status Gizi Balita Menggunakan Naive Bayes Classification” berhasil melakukan klasifikasi status gizi balita menggunakan metode Naïve Bayes dengan akurasi yang diperoleh sebesar 93,1% (Adrian Satria Putra, 2018). Metode Naive Bayes merupakan pengklasifikasian dengan metode probabilitas dan statistik yang dikemukan oleh ilmuwan inggris Thomas Bayes yaitu memprediksi peluang dimasa depan berdasarkan pengalaman dimasa sebelumnya dengan asumsi independensi. Metode Naive Bayes adalah salah satu metode yang biasanya digunakan untuk melakukan klasifikasi suatu data (data diskrit maupun data kontinyu).
Dengan adanya metode Naïve Bayes ini diharapkan dapat digunakan untuk melakukan klasifikasi status gizi balita dengan memprediksi status gizi pada balita berdasarkan pada data yang telah ada serta data baru yang diinputkan dan dapat membantu pihak puskesmas atau posyandu dalam mendapatkan hasil yang tepat serta hasil prediksi yang relatif cepat dan akurat.
1.2. Rumusan Masalah
Berdasarkan latar belakang diatas, maka permasalahan yang dirumuskan dalam penelitian ini adalah :
1. Bagaimana mengimplementasikan dan membangun sistem klasifikasi status gizi balita menggunakan metode Naïve Bayes untuk menentukan status gizi balita?
2. Berapa besar akurasi yang diperoleh dari hasil klasifikasi status gizi balita menggunakan metode Naïve Bayes dengan data hasil penentuan status gizi balita dari Puskesmas Boawae?
1.3. Tujuan
Adapun tujuan dari penelitian ini adalah :
1. Mampu mengklasifikasi status gizi balita menggunakan metode Naive Bayes untuk menentukan status gizi balita.
2. Memperoleh besar akurasi dari hasil perbandingan “Klasifikasi Status Gizi Balita Menggunakan Metode Naive Bayes” dengan data hasil penentuan status gizi balita dari Puskesmas Boawae.
1.4. Batasan Masalah
Agar pembahasan dalam penelitian ini tidak menyimpang dari apa yang telah dirumuskan, maka diperlukan batasan-batasan masalah dalam penelitian ini, adalah :
1. Parameter yang digunakan adalah jenis kelamin, umur, tinggi badan, berat badan. Sedangkan parameter yang tidak digunakan adalah no, tanggal lahir, tanggal pengukuran, nama orang tua, provinsi, kabupaten, kecamatan, puskesmas, kelurahan dan posyandu.
2. Penentuan status gizi balita menggunakan perhitungan berat badan menurut umur (BB/U), tinggi badan menurut umur (TB/U) dan berat badan menurut tinggi badan (BB/TB).
3. Klasifikasi status gizi balita menggunakan metode Naïve Bayes. Jumlah data yang digunakan sebanyak 628 data status gizi balita.
1.5. Manfaat
Adapun manfaat yang dapat diperoleh dari penelitian ini adalah : 1. Dengan adanya Klasifikasi Status Gizi Balita Menggunakan Metode
Naïve Bayes diharapkan dapat memberi kemudahan bagi pihak puskesmas atau posyandu dalam menentukan status gizi balita.
2. Dengan adanya Klasifikasi Status Gizi Balita Menggunakan Metode Naïve Bayes ini, diharapkan dapat meningkatkan efisiensi dan
efektifitas puskesmas atau posyandu dalam menentukan status gizi balita.
3. Dengan adanya Klasifikasi Status Gizi Balita Menggunakan Metode Naïve Bayes ini, diharapkan dapat bermanfaat bagi masyarakat untuk mengetahui informasi status gizi pada balita.
1.6. Sistematika Penulisan
Dalam penelitian ini, sistematika penulisan disusun menjadi 6 bab, yaitu :
1. BAB I PENDAHULUAN
Pada bab ini menguraikan latar belakang, rumusan masalah, tujuan, batasan masalah, dan sistematika penulisan.
2. BAB II LANDASAN TEORI
Pada bab ini berisikan teori-teori yang digunakan. 3. BAB III METODOLOGI PENELITIAN
Pada bab ini menguraikan tentang langkah-langkah umum penelitian dan metode yang digunakan serta tahap-tahap dalam dalam merancang sistem untuk menyelesaikan permasalahan tersebut dengan menggunakan algoritma Naïve Bayes.
4. BAB IV IMPLEMENTASI SISTEM
Pada bab ini berisi hal-hal yang berkaitan dengan implementasi sistem dari proses pengolahan data sampai dengan proses pengujian. 5. BAB V ANALISIS HASIL
Pada bab ini berisi hal-hal yang berkaitan dengan pengujian sistem dan menganalisis hasil implementasi sistem dari proses pengolahan data sampai dengan proses pengujian.
6. BAB VI PENUTUP
Pada bab ini berisi kesimpulan yang terdiri dari rangkuman keseluruhan isi yang telah dibahas dan saran yang berisi saran penelitian untuk pengembangan penelitian.
6
BAB II
LANDASAN TEORI
2.1. Data Mining
Data Mining adalah serangkaian proses untuk menggali nlai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual (Pramudiono, 2006).
Data Mining adalah analisis otomatis dari data yang berjumlah besar atau kompleks dengan tujuan untuk menemukan pola atau kecenderungan yang penting yang biasanya tidak disadari keberadaanya (Pramudiono, 2006).
Data Mining merupakan analisis dari peninjauan kumpulan data untuk menemukan hubungan yang tidak diduga dan meringkas data dengan cara yang berbeda dengan sebelumnya, yang dapat dipahami dan bermanfaat bagi pemilik data (Larose, 2005).
Data Mining merupakan bidang dari beberapa bidang keilmuan yang menyatukan teknik dari pembelajaran mesin, pengenalan pola, statistic, database, dan visualisasi untuk penanganan permasalahan pengambilan informasi dari database yang besar (Larose, 2005).
Data Mining merupakan penggalian makna yang tersembunyi dari kumpulan data yang sangat besar. Karena itu Data Mining sebenarnya memiliki akar yang panjang dari bidang ilmu seperti kecerdasan buatan (artificial intelligent), machine learning, statistik dan basis Data.
2.2. Knowledge Discovery And Data Mining(KDD)
Istilah data mining dan knowledge discovery in databases (KDD) sering kali digunakan secara bergantian untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu basis data yang besar. Kedua istilah tersebut memiliki konsep yang berbeda, tetapi berkaitan satu sama lain. Dan salah satu tahapan dalam keseluruhan proses KDD adalah data mining.
Knowledge Discovery and Data Mining(KDD) adalah proses yang dibantu oleh komputer untuk menggali dan menganalisis sejumlah besar himpunan data dan mengekstrak informasi dan pengetahuan yang berguna.
Proses dalam KDD adalah proses yang digambarkan pada dan terdiri dari rangkaian proses iteratif sebagai berikut :
1. Data Cleaning, menghilangkan noise dan data yang inkonsisten.
2. Data Integration, menggabungkan data dari berbagai sumber data yang berbeda.
3. Data Selection, mengambil data yang relevan dengan tugas analisis dari database.
4. Data Transformation, Mentransformasi atau menggabungkan data ke dalam bentuk yang sesuai untuk penggalian lewat operasi summary atau aggregation.
5. Data Mining, proses esensial untuk mengekstrak pola dari data dengan metode cerdas.
6. Pattern Evaluation,mengidentifikasikan pola yang menarik dan merepresentasikan pengetahuan berdasarkan interestingness measures. 7. Knowledge Presentation, penyajian pengetahuan yang digali kepada
pengguna dengan menggunakan visualisasi dan teknik representasi pengetahuan.
2.3. Clasification
Suatu teknik dengan melihat pada kelakuan dan atribut dari kelompok yang telah didefinisikan. Teknik ini dapat memberikan klasifikasi pada data baru dengan memanipulasi data yang ada yang telah diklasifikasi dan dengan menggunakan hasilnya untuk memberikan sejumlah aturan.
Classification adalah tindakan untuk memberikan kelompok pada setiap keadaan. Setiap keadaan berisi sekelompok atribut, salah satunya adalah class attribute. Metode ini dibutuhkan untuk menemukan sebuah model yang dapat menjelaskan class attribute itu sebagai fungsi dari input attribute.
2.4. K-Fold Cross-Validation
Metode K-Fold Cross-Validation membagi himpunan data D secara acak menjadi k subhimpunan(fold) yang saling bebas : f1,f2, ... , fk sehingga
masing-masing fold berisi 1/k bagian data. Selanjutnya kita dapat membangun k himpunan data : D1,D2, ..., Dk yang masing-masing berisi (k-1) fold untuk
data latih, satu fold untuk data uji. Misalnya, dengan k = 5, maka kita mendapatkan himpunan data D1 berisi empat fold : f2,f3,f4 dan f5 untuk data
latih serta satu fold f1 untuk data uji. Himpunan data D2 berisi fold f1,f3,f4,f5
untuk data latih dan fold f2 untuk data uji. Demikian seterusnya untuk
himpunan data D3,D4,D5 sehinga setiap fold pernah menjadi data uji sebanyak
Gambar 2.2 Metode 5-fold cross-validation dengan himpunan data D yang dibagi ke dalam 5 fold yang saling bebas: f1,f2,f3,f4 dan f5 yang selanjutnya
didistribusikan secara sirkular untuk data latih dan data uji.
2.5. Metode Naive Bayes Clasification (NBC)
2.5.1. Pengenalan Metode Naive Bayes Clasification
Metode Naïve Bayes merupakan salah satu algoritma yang dapat digunakan untuk memprediksi keanggotaan dari suatu class berdasarkan teorema bayes yang mampu bekerja seperti decision tree dan neural network (2016, Fadhil). Naive bayes melakukan klasifikasi secara efektif dengan mengoptimalkan pengawasan perkiraan dalam probabilitas yang akurat, bahkan ketika asumsi dilanggar, performa classifier ini tetap lebih baik dibandingkan classifier yang lain (Ying-Yang, 2003). Persamaan teorema Naïve Bayes dapat dilihat dalam persamaan berikut : ) ( ) ( ) | ( ) | ( X P H P H X P X H P (2.1)
Dimana :
P(H|X) : Probabilitas hipotesis H berdasarkan kondisi X
(Posteriori Probabilitas)
X : Data dengan Class yang belom diketahui H : Hipotesis data merupakan suatu Class spesifik P(H) : Probabilitas hipotesis H (Prior Probabilitas) P(X) : Probabilitas X
P(X|H) : Probabilitas X berdasarkan kondisi pada hipotesis
H
Dalam bidang Machine Learning (Suyanto, 2018:60), X merupakan sebuah tuple atau objek data, H merupakan Hipotesis atau dugaan bahwa tuple X adalah kelas C. secara spesifik, dalam masalah klasifikasi, kita dapat menghitung P(H|X) sebagai probabilitas bahwa Hipotesis H benar untuk tuple X. Sementara itu P(H) adalah probabilitas Prior bahwa hipotesis H benar untuk setiap tuple tidak peduli nilai-nilai atributnya sedangkan P(X) adalah probabilitas Prior dari tuple X.
Untuk melakukan klasifikasi data atau melakukan estimasi P(H|X) untuk menentukan probabilitas bahwa tuple X berada dalam kelas C, kita dapat menggunakan metode Naïve Bayes Classifier atau Simple Bayesian Classifier melalui langkah-langkah berikut :
1. Misalkan D adalah himpunan data latih (Trainning set) yang berisi sejumlah tuple beserta label kelasnya. Setiap tuple adalah berdimensi n yang dinyatakan sebagai X = (x1, x2, … , xn) yang didapat dari n
atribut A1,A2, … , An.
Misalkan terdapat m kelas, yaitu C1,C2, … , Cm. untuk sebuah
tuple masukan X, Naïve Bayes Clasiffier memprediksi bahwa tuple X termasuk ke dalam kelas Ci jika dan hanya jika P(Ci|X) >
Classifier bekerja dengan cara memaksimumkan P(Ci|X). Kelas
Ci yang membuat P(Ci|X) bernilai maksimum disebut maximum
posteriori hypothesis. Dengan teorema Bayes P(Ci|X) diestimasi
menggunakan formula : ) ( ) ( ) | ( ) | ( X P C P C X P X C P i i i (2.2)
2. Mengingat P(X) bernilai sama untuk semua kelas (tuple X memiliki probabilitas yang sama dengan untuk masuk ke dalam kelas manapun), maka hanya P(X|Ci)P(Ci) yang tidak perlu
dimaksimalkan. Jika probabilitas prior setiap kelas tidak diketahui, maka probabilitas setiap kelas biasanya diasumsikan sama, P(Ci) =
P(C2) = … = P(Cm). dengan demikian, Naïve Bayes hanya
memaksimalkan P(X|Ci). Jika probabilitas prior untuk setiap kelas
berbeda-beda, maka Naïve Bayes harus memaksimalkan P(X|Ci)P(Ci).
Jika berhadapan dengan data yang memiliki atribut yang banyak, kita dapat mereduksi kompleksitas dari perhitungan P(X|Ci)
dengan asumsi tentang independensi bersyarat kelas yaitu : nilai-nilai atribut saling independen yang artinya saling bebas dan tidak ada ketergantungan. Maka, Naïve Bayes Classifier memaksimalkan : ) | ( ... ) | ( ) | ( ) | ( ) | ( 1 k i i i 2 i n i n k i X P x C P x C P x C P x C C P (2.3)
Berdasarkan tuple-tuple pada himpunan data latih, dapat mengestimasi P(xi|Ci), P(x2|Ci),…, P(xn|Ci) berdasarkan tipe dari
masing-masing atribut.
Untuk atribut bernilai kategorial, P(xk|Ci) didefenisikan
sebagai jumlah tuple dikelas Ci dalam himpunan D yang
memiliki nilai xk pada atribut Ak dibagi dengan total tuple
atribut data kontinu pada umumnya memiliki distribusi Gaussian, P(xk|Ci) yang didefenisikan sebagai :
2 2 2 ) ( 2 1 ) | ( ik ik k x ik i k C e x P (2.4)
Dimana µik dan σik adalah rata-rata dan standar devisiasi dari
nilai-nilai pada atribut Ak dan Ci.
3. Untuk memprediksi label kelas dari tuple X, langkah yang harus dilakukan adalah menghitung probabilitas P(X|Ci)P(Ci) untuk
setiap kelas Ci. Selanjutnya adalah memaksimalkan probabilatas
tersebut untuk mencari kelas Ci yang menghasilkan probabilitas
P(X|Ci)P(Ci), maksimum sebagai keputusan. secara matematis,
tuple X yang diberi label kelas Ci dirumuskan sebagai berikut : ) ( ) | ( ) ( ) | (X Ci P Ci P X Cj PCj P untuk 1 ≤ j ≤ m,j ≠ I (2.5)
2.5.2. Alur Metode Naive Bayes
Dalam implementasi metode Naïve Bayes, terdapat alur dari metode Naïve Bayes yaitu :
1. Baca data training.
2. Hitung probabilitas prior masing-masing kelas dan probabilitas setiap nilai atribut dan jika data yang diperoleh berupa data kontinu, Maka :
Hitung probabilitas prior masing-masing kelas.
Hitung rata-rata dan standar devisiasi semua atribut yang merupakan data kontinu.
Adapun persamaan yang digunakan untuk menghitung nilai rata-rata (mean) adalah sebagai berikut:
n xi n i
1 (2.6) Atau :n x x x x n 1 2 3 ... (2.7) Dimana :
µ = rata-rata hitung ( mean) xi = nilai sampel ke –i
n = jumlah sampel
Dan persamaan untuk menghitung nilai simpangan baku (standar deviasi) adalah sebagai berikut:
1 ) ( 1 2
n x n i i (2.8) Dimana : σ = Standar deviasi xi = nilai sampel x ke –iµ = nilai rata-rata hitung n = jumlah sampel
Cari nilai probabilistik dengan cara menghitung jumlah data yang sesuai dari kategori yang sama dibagi dengan jumlah data pada kategori tersebut.
3. Mendapatkan nilai dalam table mean, standar deviasi dan probabilitas
4. Melakukan pengujian data testing. 5. Solusi kemudian dihasilkan.
2.6. Confusion Matrix
Confusion matrix atau yang disebut juga dengan kualifikasi adalah suatu alat visual yang biasanya digunakan dalam supervised learning. Matriks klasifikasi berisi jumlah kasus-kasus yang diklasifikasikan dengan benar dan kasus-kasus yang salah diklasifikasikan. Pada kasus-kasus yang benar diklasifikasikan akan muncul pada diagonal, karena kelompok prediksi dan kelompok actual adalah sama. Elemen-elemen selain diagonal menunjukkan
kasus yang salah diklasifikasikan. Jumlah elemen diagonal dibagi total jumlah kasus adalah rasio tingkat akurasi dari klasifikasi. Format dari confusion matrix dapat dilihat sebagai berikut :
Tabel 2.1 Confusion Matrix
Evaluasi kesamaan dokumen dapat diukur dengan mengunakan recall, precision, dan F-meansure. Hasil pengklasifikasian (predicted class) mempunyai kemungkinan yaitu benar di dalam kelasnya (TP dan TN) atau salah, sehingga masuk ke dalam kelas lainnya (FP dan FN).
Hasil pengukuran (performace metric) dapat diperoleh dengan cara melihat pada format confusion matrix. Akurasi dari pengklasifikasian diperoleh dari rumus:
FN FP TN TP TN TP Akurasi (2.9) Keterangan :
True Positive (TP): Jumlah data positif yang terklasifikasikan dengan benar oleh sistem.
True Negative (TN): Jumlah data negative yang terklasifikasikan dengan benar oleh sistem.
False Negtive (FN): Jumlah data negative namun terklasifikasikan salah oleh sistem.
False Positive (FP): Jumlah data positif namun terklasifikasi salah oleh sistem.
KELAS POSITIVE NEGATIVE
POSITIVE True Positive (TP) False Negative (FN) NEGATIVE False Positive (FP) True Negative (TN)
2.7. Penilaian Status Gizi
Menurut Budi Sutomo dan Dwi Yanti Anggraini (2010) menjelaskan bahwa status gizi adalah suatu kesehatan tubuh berkat asupan zat gizi melalui makanan dan minuman yang dihubungkan dengan kebutuhan. Status gizi biasanya baik dan cukup, namun karena pola konsumsi yang tidak seimbang maka timbul status gizi buruk dan status gizi lebih.
Sedangkan menurut Irianton Aritonang & Endah Priharsiwi (2006) status gizi merupakan cerminan kuantitas (jumlahnya) dan kualitas (ragamnya) pasokan zat gizi makanan yang dikonsumsi dan kemampuan tubuh untuk memanfaatkannya secara optimal. Status gizi seseorang pada dasarnya merupakan gambaran kesehatan sebagai refleksi dari konsumsi pangan dan penggunaannya oleh tubuh.
Berdasarkan Keputusan Menteri Kesehatan Republik Indonesia Nomor: 1995/MENKES/SK/XII/2010 tentang standar antropometri penilaian status gizi anak, menimbang bahwa untuk menilai status gizi anak diperlukan standar antropometri yang mengacu pada Standar World Health Organization (WHO 2005). Ada beberapa macam indikator dalam dalam penilaian status gizi anak balita yaitu : berat badan menurut umur (BB/U), tinggi badan menurut umur (TB/U), dan berat badan menurut tinggi badan (BB/TB).
1. Indeks Berat Badan menurut Umur (BB/U)
Indeks BB/U merefleksikan berat badan dengan umur. Indeks BB/U menggambarkan status gizi anak pada masa sekarang. Indeks ini dapat mendeteksi apakah seorang anak beratnya kurang atau sangat kurang, tetapi tidak dapat digunakan untuk mengklasifikasikan apakah seorang anak mengalami kelebihan berat badan atau sangat gemuk. Status gizi balita berdasarkan indikator BB/U yaitu : gizi buruk, gizi kurang, gizi baik, dan gizi lebih.
2. Indeks Tinggi Badan menurut Umur (TB/U)
Indeks TB/U merefleksikan tinggi badan dengan umur. Indeks TB/U menggambarkan status gizi anak pada masa lampau. Pada keadaan normal maka tinggi badan akan tumbuh bersamaan dengan
pertambahan umur. Pertumbuhan tinggi badan tidak seperti berat badan, dimana tinggi badan relatif kurang sensitif terhadap defisiensi gizi dalam jangka pendek. Status gizi berdasarkan indikator TB/U yaitu : sangat pendek, pendek, normal, dan tinggi.
3. Indeks Berat Badan menurut Tinggi Badan (BB/TB)
Pada keadaan normal, perkembangan berat badan searah dengan pertambahan tinggi badan dengan kecepatan tertentu. Indeks BB/TB menggambarkan status gizi masa depan, baik digunakan apabila data umur tidak diketahui. Indeks berat badan terhadap tinggi badan banyak digunakan karena tidak memerlukan data umur dan dapat membedakan proporsi badan (sangat kurus, kurus, normal, dan gemuk).
Berikut adalah tabel kategori status gizi berdasarkan Standar World Health Organization (WHO 2010) :
Tabel 2.2 Kategori dan Ambang Batas Status Gizi Anak Berdasarkan Indeks.
Indeks Kategori Status Gizi Ambang Batas (Z-Score) Berat badan menurut
umur (BB/U)
Anak umur 0-60 bulan
Gizi Kurang <-3 SD
Gizi Baik -3 SD sampai dengan<-2 SD
Gizi Baik -2 SD sampai dengan 2 SD
Gizi Lebih >2 SD Tinggi badan menurut
umur (PB/U) atau Tinggi badan menurut umur (TB/U)
Sangat Pendek <-3 SD
Pendek -3 SD sampai dengan<-2 SD
Normal -2 SD sampai dengan 2 SD
Anak umur 0-60 bulan Tinggi >2 SD Berat badan menurut
panjang badan (BB/PB) atau
Berat badan menurut tinggi badan (BB/TB)
Anak umur 0-60 bulan
Sangat Kurus <-3 SD
Kurus -3 SD sampai dengan <-2 SD
Normal -2 SD sampai dengan 2
SD
Gemuk >2 SD
Untuk menilai status gizi anak, maka angka berat badan dan tinggi badan setiap balita dikonversikan ke dalam bentuk nilai terstandar (Z-Score) dengan menggunakan aturan baku antropometri WHO 2005. Nilai Z-Score diperoleh dari rumus berikut ini :
NSBR NMBR NIS Score Z (2.10) Keterangan :
NIS = Nilai Individual Subjek NMBR = Nilai Median Baku Rujukan NSBR = Nilai Simpang Baku Rujukan
Nilai simpang baku rujukan disini maksudnya adalah selisih kasus dengan standar +1 SD atau -1 SD. Jadi apabila BB/TB pada kasus lebih besar dari pada median, maka nilai simpang baku rujukannya diperoleh dengan mengurangi +1 SD dengan median. Tetapi jika BB/TB kasus lebih kecil daripada median, maka nilai simpang baku rujukannya menjadi median dikurangi dengan -1 SD. Setelah diperoleh nilai Z-Score maka dapat ditentukan status gizi balita berdasarkan indikator BB/U, TB/U, dan BB/TB.
Contoh : Seorang anak laki-laki berumur 26 bulan dengan tinggi badan 90 cm dan berat badan 15 kg. Apakah status gizi berdasarkan indeks BB/U, TB/U, dan BB/TB untuk anak tersebut ?
Tabel 2.3 Perhitungan Z-Score Indeks BB/U
Balita dengan umur 26 bulan mempunyai nilai median 12,5 sehingga berat badan balita (15 kg) lebih besar dari nilai median (12,5). Maka dari itu nilai simpang baku rujukannya diperoleh dengan mengurangi nilai simpang baku +1SD dengan nilai median, yakni 14,1-12,5 = 1,6.
Sehingga: 56 , 1 6 , 1 5 , 12 15 Score Z
Karena nilai Z-Scorenya 1,56 maka status gizi berdasarkan indeks BB/U adalah gizi baik karena nilai Z-Scorenya berada dalam rentang -2.00 sampai +2.00.
Tabel 2.4 Perhitungan Z-score Indeks TB/U
Balita dengan umur 26 bulan mempunyai nilai median 88,8 sehingga tinggi badan balita (90 cm) lebih besar dari nilai median (88,8). Maka dari itu nilai simpang baku rujukannya diperoleh dengan mengurangi nilai simpang baku +1SD dengan nilai median, yakni 92,0-88,8 = 3,2.
Umur(Bulan) Berat Badan (kg)
-3 SD -2 SD -1 SD Median +1 SD +2 SD +3 SD 26 8,9 10,0 11,2 12,5 14,1 15,8 17,8
Umur(Bulan) Tinggi Badan (cm)
-3 SD -2 SD -1 SD Median +1 SD +2 SD +3 SD 26 79,3 82,5 85,6 88,8 92,0 95,2 98,3
Sehingga: 375 , 0 2 , 3 8 , 88 90 Score Z
Karena nilai Z-Score-nya 0,375 maka status gizi berdasarkan indeks TB/U adalah normal karena nilai Z-Scorenya berada dalam rentang -2.00 sampai +2.00.
Tabel 2. 5 Perhitungan Z-Score Indeks BB/TB
Balita dengan tinggi badan 90 cm mempunyai berat badan dengan nilai median 12,9 sehingga berat badan balita (15 kg) lebih besar dari nilai median (12,9). Maka dari itu nilai simpang baku rujukannya diperoleh dengan mengurangi nilai simpang baku +1SD dengan nilai median, yakni 14,0–12,9 = 1,1. Sehingga: 9 , 1 1 , 1 9 , 12 15 Score Z
Karena nilai Z-Scorenya 1,9 maka status gizi berdasarkan indeks BB/TB adalah normal karena nilai Z-Scorenya berada dalam rentang -2.00 sampai +2.00. Tinggi Badan (cm) Berat Badan (kg) -3 SD -2 SD -1 SD Median +1 SD +2 SD +3 SD 90 10,2 11,0 11,9 12,9 14,0 15,2 16,6
20
BAB III
METODOLOGI PENELITIAN
3.1. Bahan Riset
Bahan riset yang digunakan dalam penelitian ini merupakan data status gizi balita yang diambil dari Puskesmas Boawae, Kecamatan Boawae, Kabupaten Nagekeo, Flores, Provinsi Nusa Tenggara Timur. Data tersebut berbentuk sebuah file bertipe .xls. Dari proses pengumpulan data, diperoleh jumlah data sebanyak 1200 data status gizi balita yang terdiri dari 18 atribut yaitu no, nama, jenis kelamin, tanggal lahir, tanggal pengukuran, nama orang tua, provinsi, kabupaten/kota, kecamatan, puskesmas, desa/keluarahan, posyandu, umur, berat badan, tinggi badan, status gizi berat badan menurut umur (BB/U), status gizi tinggi badan menurut umur (TB/U) dan status gizi berat badan menurut tinggi badan (BB/TB). Data tersebut sudah dikelompokan atau dilabelkan berdasarkan status gizi BB/U (Gizi Lebih, Gizi Baik, Gizi Kurang, Gizi Buruk), TB/U(Sangat Pendek, Pendek, Normal, Tinggi) dan BB/TB (Gemuk, Kurus, Normal, Obesitas).
Untuk menetukan status gizi balita, terdapat 4 parameter atau atribut yang digunakan sebagai inputan dalam perhitungan metode Naïve Bayes Classifier. Parameter atau atribut tersebut adalah jenis kelamin, umur, tinggi badan dan berat badan balita.
3.2. Tahap Pengumpulan Data
Dalam penelitian ini, penulis memperoleh data dari Puskesmas Boawae, kecamatan Boawae, Kabupaten Nagekeo, Flores, Provinsi Nusa Tenggara Timur. Data yang diambil penulis adalah data status gizi balita dari berbagai Desa/Kelurahan yang dibagi ke dalam beberapa kelompok posyandu. Teknik yang digunakan dalam penelitian ini adalah :
3.2.1. Survey Awal
Pada tahap ini dilakukan pengumpulan data yang akan digunakan dalam “Klasifikasi Status Gizi Balita Menggunakan Metode Naive Bayes” di Puskesmas Boawae, Kecamatan Boawae, Kabupaten Nagekeo, Nusa Tenggara Timur. Tahap awal yang dilakukan adalah penulis menghubungi Kepala Puskesmas Boawae untuk meminta ijin pengambilan data status gizi balita dan melakukan survey dengan pihak dibidang gizi mengenai penentuan status gizi balita yang dilakukan untuk mendapatkan data status gizi balita yang telah dilakukan oleh pihak gizi di Puskesmas Boawae. Adapun kriteria-kriteria dalam penentuan status gizi balita yaitu jenis jelamin, umur, tinggi badan dan berat badan balita.
3.2.2. Sumber Data
Data-data yang diperlukan penulis dalam “Klasifikasi Status Gizi Balita Menggunakan Metode Naive Bayes” adalah data status gizi balita di Puskesmas Boawae yang meliputi nama, jenis kelamin, umur, tinggi badan dan berat badan balita beserta status gizi balita yang telah ditentukan oleh pihak Puskesmas Boawae berdasarkan TB/U, BB/U dan TB/BB.
3.3. Studi Literatur
Pada tahap ini, Penulis mempelajari teori-teori dan referensi-referensi yang berkaitan dengan”Klasifikasi Status Gizi Balita Menggunakan Metode Naive Bayes Classification” dan Naïve Bayes Classifier sebagai studi literatur yang diperoleh dari artikel, paper, jurnal, buku dan referensi skripsi yang berhubungan dengan permasalahan yang dibahas.
3.4. Pengelompokan Data
Setelah proses pengumpulan data, akan dilakukan pembuatan data training dan pengelompokan kelas (Gizi Buruk, Gizi Kurang, Gizi Baik dan Gizi Lebih) pada penentuan status gizi balita berdasarkan berat badan menurut umur (BB/U), kelas (Sangat Pendek, Pendek, Normal dan Tinggi) pada penentuan status gizi balita berdasarkan tinggi badan menurut umur (TB/U) dan Kelas (Gemuk, Kurus dan Normal, Obesitas) pada penentuan status gizi balita berdasarkan berat badan menurut tinggi badan (BB/TB) yang terdiri dari beberapa variabel berikut :
1. Data Diskret Nama
Jenis kelamin Status Gizi BB/U Status Gizi TB/U Status Gizi BB/TB 2. Data Continue
Umur (bulan) Tinggi badan (cm) Berat badan (kg)
3.5. Pembuatan Alat Uji
Masukkan sistem akan diproses menggunakan proses perhitungan metode Naive Bayes dalam teori data mining (penambangan data). Alur sistem dan tahapan dalam penelitian ini akan dijabarkan dalam bentuk diagram blok pengolahan data seperti pada gambar 3.1 berikut ini :
Gambar 3.1 Diagram Blok Proses Klasifikasi Status Gizi Balita Menggunakan Metode Naïve Bayes Classification.
Pada gambar 3.1 menjelaskan tahapan dan alur sistem dalam penelitian ini adalah sebagai berikut :
1. Sistem membaca data mentah yang telah di-upload.
2. Data yang telah diupload akan melalui proses cleaning data/pembersihan data untuk menghasilkan data siap pakai atau data set.
3. Sistem menyimpan data set ke dalam database.
4. Sistem melakukan pembagian data testing dan data training menggunakan 4-Fold-Cross Validation.
5. Sistem melakukan perhitungan mean dan standar deviasi, menghitung probabilitas, menghitung probabilitas pada masing-masing kelas mengggunakan rumus dentitas gaus.
6. Sistem menghitung likelihood .
7. Sistem melakukan normalisasi nilai probabilitas (nilai maksimal) berdasarkan perhitungan likelihood.
8. Sistem membandingkan label data testing dengan hasil klasifikasi yang digunakan untuk mendapatkan hasil akurasi dengan menggunakan confusion matriks.
3.6. Gambaran Umum Sistem 3.6.1. Input Sistem
Data yang akan dimasukan ke dalam sistem adalah data berupa file spreadsheed dengan extensi .xls yang diambil dari directory computer atau penyimpanan lainnya yang kemudian akan diimport ke dalam sistem dan disimpan dalam database sistem.
3.6.2. Proses Sistem
Dalam sistem ini terdapat beberapa tahapan untuk melakukan klasifikasi data, menghitung akurasi, dan melakukan pengujian data tunggal yang diinputkan ke dalam sistem. Tahapan-tahapan tersebut adalah sebagai berikut :
1. Mengimport data status gizi balita ke dalam database, data yang diimport adalah data bertipe .xls.
2. Sistem melakukan cleaning data/pembersihan data.
3. Sistem menampilkan data hasil cleaning/pembersihan data yang diimport ke dalam database sistem.
4. Sistem melakukan pembagian data 4-Fold-Cross Validation. 5. Sistem menampilkan hasil pembagian data 4-Fold-Cross
Validation.
6. Sistem melakukan proses perhitungan pengujian akurasi klasifikasi Naive Bayes.
7. Sistem melakukan perhitungan klasifikasi Naive Bayes yang terdiri dari beberapa proses, yaitu menghitung mean dan standar deviasi, menghitung probabilitas, menghitung probabilitas masing-masing kelas menggunakan rumus dentitas gaus, menghitung likelihood dan melakukan normalisasi nilai probabilitas (nilai maksimal).
8. Sistem menampilkan hasil perhitungan akurasi klasifikasi Naïve Bayes.
9. Admin/User melakukan pengujian data tunggal untuk menentukan status gizi balita.
10. Sistem menampilkan hasil pengujian data tunggal.
Proses sistem diatas dapat digambarkan dalam diagram Flowchart dibawah ini :
3.6.3. Output System
Sistem akan menampilkan confunsion matrix, hasil perhitungan akurasi dan detail dari hasil pengujian pada masing-masing kategori status gizi balita. Kemudian untuk pengujian terhadap data tunggal, sistem akan menampilkan hasil klasifikasi status gizi balita berdasarkan BB/U, TB/U dan BB/TB dari perhitungan Naive Bayes.
3.7. Model Fungsi
3.7.1. Diagram Use Case
Pada sistem ini hanya terdapat satu aktor saja yaitu admin dan terdapat 6 proses utama, yaitu: login, mengimport data, pembagian data training dan data testing (4-Fold-Cross Validation), melakukan pengujian akurasi (berat badan menurut umur (BB/U), tinggi badan menurut umur(TB/U) dan berat badan menurut tinggi badan (BB/TB)), melakukan pengujian data tunggal dan logout.
3.7.2. Narasi Use Case.
Diagram Use Case pada gambar 3.4 hanya terdapat satu aktor, yaitu Admin. Selanjutnya, akan dibuatkan narasi Use Case untuk menjelaskan secara lengkap fungsi dari masing-masing Use Case.
Use Case Login
Tabel 3.1 Narasi Use Case Login.
Nama Use Case
Login
ID Use Case 1
Aktor Admin
Deskripsi Admin memasukan username dan password. Kondisi Awal Berada pada halaman login.
Kondisi Akhir Berhasil login
Typical Course Aksi Admin Reaksi Sistem 1. Memasukan
username dan password.
2. Mengecek username dan password yang dimasukan. 3. Menampilkan halaman utama.
Alternative Alternatif-2
Jika admin salah memasukkan username dan password, maka sistem akan menampilkan pesan peringatan untuk kembali ke-1.
Use Case Mengimport Data
Tabel 3.2 Narasi Use Case Mengimport Data.
Nama Use Case
Mengimport Data
ID Use Case 2
Aktor Admin
Deskripsi Admin mengimport file bertipe .xls ke dalam database.
Kondisi Awal Admin berada pada halaman utama, kemudian memilih menu Import Data.
Kondisi Akhir Sistem akan menginputkan data yang diimport ke dalam database.
Typical Course Aksi Admin Reaksi Sistem 1. Menekan tombol “Choose File”. 3. Memilih file berformat .xls. 4. menekan tombol “Upload”. 2. Menampilkan kotak dialog dari direktori PC/Laptop.
5. Menampilkan dialog data berhasil di import dan disimpan ke dalam
database. Alternative -
Use Case Pembagian Data (Training Dan Testing)
Tabel 3.3 Narasi Use Case Pembagian Data Trainig Dan Data Testing.
Nama Use Case
Pembagian Data (Training Dan Testing)
ID Use Case 3
Aktor Admin
Deskripsi Admin melakukan pembagian data training dan data testing dengan 4-Fold-Cross Validation, menampilkan data training dan data testing. Kondisi Awal Pada halaman utama, admin menekan menu
“master data”, menekan submenu “data keseluruhan” untuk menampilkan data hasil Cleaning/Pembersihan Data dan kemudian menekan tombol “pembagian data” untuk membagi data training dan data testing menggunakan 4-Fold-Cross Validation
Kondisi Akhir Menampilkan data training dan data testing hasil pembagian 4-Fold-Cross Validation
Typical Course Aksi Admin Reaksi Sistem 1. Menekan menu “Master Data” 2. Menekan submenu “Data Keseluruhan” 3. Menampilkan data keseluruhan hasil Cleaning/Pembersihan Data
4. Menekan tombol “Pembagian Data” 6. Menekan submenu “Data Training”. 8. Menekan submenu “Data Testing”. 5. Menampilkan data training dan data testing hasil proses 4-Fold-Cross Validation
7. Menampilkan data training hasil 4-Fold- Cross Validation
9. Menampilkan data testing hasil 4-Fold-Cross Validation
Alternative -
Use Case Pengujian Akurasi.
Tabel 3.4 Narasi Use Case Pengujian Akurasi
Nama Use Case Pengujian Akurasi ID Use Case 4
Aktor Admin
Deskripsi Use Case ini merupakan proses perhitungan akurasi berat badan menurut umur (BB/U), tinggi badan menurut umur (TB/U) dan berat badan menurut tinggi badan (BB/TB).
Kondisi Awal Pada halaman utama, admin menekan menu “Pengujian Akurasi”.
Kondisi Akhir Menampilkan tabel Confusion Matrix, hasil perhitungan akurasi dan detail data pengujian berat badan menurut umur (BB/U), tinggi badan menurut umur (TB/U) dan berat badan menurut tinggi badan (BB/TB).
Typical Course Aksi Admin Reaksi Sistem 1. Menekan menu “Pengujian Akurasi”. 2. Menekan submenu “Berat Badan Menurut Umur”. 4. Menekan tombol “Hitung Ulang”. 6. Menekan submenu “Tinggi Badan Menurut 3. Menampilkan halaman akurasi berat badan menurut umur (BB/U).
5. Menampilkan tabel Confusion Matrix, hasil perhitungan akurasi dan detail data pengujian berat badan menurut umur (BB/U)
Umur”. 8. Menekan tombol “Hitung Ulang”. 10. Menekan submenu “Berat Badan Menurut Tinggi Badan”. 12. Menekan tombol “Hitung Ulang”. 7. Menampilkan halaman akurasi tinggi badan menurut umur (TB/U)..
9. Menampilkan tabel Confusion Matrix, hasil perhitungan akurasi dan detail data pengujian tinggi badan menurut umur (TB/U)
11. Menampilkan halaman akurasi berat badan
menurut tinggi badan (BB/TB).
13. Menampilkan Confusion Matrix hasil perhitungan akurasi dan detail data pengujian berat badan menurut tinggi badan (BB/TB). Alternative -
Use Case Pengujian Data Tunggal
Tabel 3.5 Narasi Use Case Pengujian Data Tunggal
Nama Use Case Pengujian Data Tunggal ID Use Case 5
Aktor Admin
Deskripsi Use case ini berfungsi untuk melakukan pengujian data tunggal.
Kondisi Awal Pada halaman utama, admin menekan menu “Pengujian Data Tunggal”.
Kondisi Akhir Menampilkan hasil klasifikasi pengujian data dan detail status gizi balita.
Typical Course Aksi Admin Reaksi Sistem 1. Menekan menu “Pengujian Data Tunggal”. 3. Menekan tombol “Uji Data”. 5. Menginputkan data balita. 6. Menekan tombol “Proses”. 2. Menampilkan halaman pengujian data tunggal.
4. Menampilkan form input data balita.
7. Menampilkan informasi hasil pengujian data Alternative
Use Case Logout
Tabel 3.6 Narasi Use Case Logout.
Nama Use Case Logout ID Use Case 6
Aktor Admin
Deskripsi Use Case ini untuk keluar dari sistem.
Kondisi Awal Admin berada pada halaman utama, menekan menu logout untuk keluar dari sistem.
Kondisi Akhir Keluar dari sistem dan menampilkan halaman login.
Typical Course Aksi Admin Reaksi Sistem 1. Menekan menu “Admin” 2. Pilih “Logout”. 4. Pilih “Logout” atau “Cancel”. 3. Menampilkan dialog “Apakah anda yakin ingin logout.
5. Menampilkan halaman login.
3.7.3. Diagram Aktivitas
Activity Diagram merupakan rancangan aliran aktivitas atau aliran kerja dalam sebuah sistem yang akan dijalankan. Activity Diagram juga digunakan untuk mendefinisikan atau mengelompokan aluran tampilan dari sistem tersebut.
Activity Diagram memiliki komponen dengan bentuk tertentu yang dihubungkan dengan tanda panah. Panah tersebut mengarah ke-urutan aktivitas yang terjadi dari awal hingga akhir.
Dibawah ini adalah Diagram Activity berdasarkan Use Case yang telah dibuat :
1. Login
2. Import Data
Gambar 3.5 Diagram Activitas Import Data.
3. Pembagian Data (Training Dan Testing)
Gambar 3.6 Diagram Activitas Menampilkan Data Training Dan Data Testing.
4. Pengujian Akurasi BB/U, TB/U dan BB/TB
Gambar 3.7 Diagram Activitas Pengujian Akurasi
5. Pengujian Data Tunggal
6. Logout
Gambar 3.9 Diagram Activitas Logout.
3.7.4. Diagram Kelas Analisis
Berikut ini adalah model diagram kelas analisis dalam pembuatan sistem klasifikasi status gizi balita.
3.8. Model Perancangan Interaksi Antar Kelas
Model Perancangan interaksi antar kelas dalam pembuatan sistem klasifikasi status gizi balita adalah sebagai berikut :
1. Login
Gambar 3.11 Diagram Sekuen Model Perancangan Interaksi Antar Kelas Login.
2. Import File
Gambar 3.12 Diagram Sekuen Model Perancangan Interaksi Antar Kelas Import Data.
3. Pembagian Data 4-Fold Cross-Validation (Data Training Dan Data Testing)
Gambar 3.13 Diagram Sekuen Model Perancangan Interaksi Antar Kelas Menampilkan Data (Training Dan Testing).
4. Pengujian Akurasi Berat Badan Menurut Umur (BB/U)
Gambar 3.14 Diagram Sekuen Model Perancangan Interaksi Antar Kelas Pengujian Akurasi Berat Badan Menurut Umur (BB/U).
5. Pengujian Akurasi Tinggi Badan Menurut Umur (TB/U)
Gambar 3.15 Diagram Sekuen Model Perancangan Interaksi Antar Kelas Pengujian Akurasi Tinggi Badan Menurut Umur (TB/U).
6. Pengujian Akurasi Berat Badan Menurut Tinggi Badan (BB/TB)
Gambar 3.16 Diagram Sekuen Model Perancangan Interaksi Antar Kelas Pengujian Akurasi Berat Badan Menurut Tinggi Badan (BB/TB).
7. Pengujian Data Tunggal
Gambar 3.17 Diagram Sekuen Model Perancangan Interaksi Antar Kelas Pengujian Data Tunggal.
8. Logout
3.9. Model Perancangan UI (User Interface)
User interface merupakan bagian visual dari website, aplikasi software atau device hardware yang mengarahkan penggunanya dalam berinteraksi dengan aplikasi atau website tersebut serta bagaimana informasi yang akan ditampilkan pada layarnya. User interface sendiri menggabungkan konsep desain visual, desain interasi, dan infrastruktur informasi. Tujuan dari user interface adalah untuk meningkatkan usability dan user experience.
Model perancangan UI (User Interface) yang dibuat dalam pembuatan skripsi ini adalah sebagai berikut :
1. Halaman Login
Halaman ini adalah halaman pertama yang akan ditampilkan oleh sistem sebelum mengakses halaman utama, di mana pada halaman utama tersebut terdapat menu-menu untuk melakukan klasifikasi status gizi balita menggunakan metode Naive Bayes. Pada halaman ini, admin atau user harus melakukan login terlebih dahulu dengan memasukan username dan password yang telah terdaftar pada database sistem.
