IDENTIFIKASI STATUS GIZI BALITA BERDASARKAN INDEKS ANTROPOMETRI BB/U DAN BB/TB
MENGGUNAKAN JARINGAN SARAF TIRUAN
TESIS
NANI PURWATI 14001006
PROGRAM PASCASARJANA MAGISTER ILMU KOMPUTER SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
NUSA MANDIRI JAKARTA
2015
HALAMAN PENGESAHAN
Tesis ini diajukan oleh:
Nama : Nani Purwati
NIM : 14001006
Program Studi : Magister Ilmu Komputer Jenjang : Strata Dua(S2)
Konsentrasi : Management Information System
Judul Tesis :”Identifikasi Status Gizi Balita Berdasarkan Indeks Antropometri BB/U dan BB/TB Menggunakan Jaringan Saraf Tiruan”
Telah berhasil dipertahankan dihadapan Dewan Penguji dan diterima sebagai bagian persyaratan yang diperlukan untuk memperoleh gelar Magister Ilmu Komputer (M.Kom) pada Program Pascasarjana Magister Ilmu Komputer Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri (STMIK Nusa Mandiri).
Jakarta, Februari 2015
Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
Direktur
H. Mochamad Wahyudi, MM, M.Kom
D E W A N P E N G U J I
Penguji I : Romi Satria Wahono, M.Eng, Ph.D ...
Penguji II : Dr. Windu Gata, M.Kom ...
Penguji III / : Ir. Edi Rachman, M.Eng. ...
Pembimbing
ABSTRAK
Nama : Nani Purwati
NIM : 14001006
Program Studi : Magister Ilmu Komputer Jenjang : Strata Dua(S2)
Konsentrasi : Management Information System
Judul Tesis :”Identifikasi Status Gizi Balita Berdasarkan Indeks Antropometri BB/U dan BB/TB Menggunakan Jaringan
Saraf Tiruan”
Kondisi kesehatan dan status gizi balita merupakan tolak ukur cerminan keadaan kondisi masyarakat secara luas. Status gizi balita dapat ditentukan berdasarkan indeks antropometri BB/U dan BB/TB dengan menggunakan standar baku WHO- NCHS. Penelitian ini bertujuan untuk mengklasifikasikan status gizi menggunakan Jaringan Saraf Tiruan Backpropagation berdasarkan indeks antropometri BB/U yang akan menghasilkan status gizi kedalam gizi buruk, kurang, baik, dan lebih, serta mengklasifikasikan status gizi berdasarkan indeks antropometri BB/TB yang akan menghasilkan status sangat kurus, kurus, normal dan gemuk. Variabel yang digunakan dalam penelitian ini yaitu jenis kelamin, umur, berat badan, tinggi badan, dan status ekonomi. Hasil dari uji coba menggunakan JST backpropagation, menghasilkan nilai akurasi sebesar 89,50%
dan Kappa 0,711 pada data training, 96,08% dan Kappa 0,907 pada data testing untuk indeks BB/U. Sedangkan, untuk indeks BB/PB menghasilkan akurasi sebesar 88,50% dan Kappa 0,460 untuk data training, dan akurasi sebesar 83,35%
dan Kappa 0,419 untuk data testing.
Kata kunci: status gizi balita, indeks antropometri, JST, backpropagation
ABSTRACT
Nama : Nani Purwati
NIM : 14001006
Program Studi : Magister Ilmu Komputer Jenjang : Strata Dua(S2)
Konsentrasi : Management Information System
Judul Tesis :”Toddler Nutrition Status Identification Based On Neural Network Using Anthropometry Index Knockoffs”
The nutritional status and health condition of babies is a benchmark reflecting the State of the condition of the community widely. Toddler nutrition status can Anthropometry index is determined based on w/U and w/TB with raw using standard WHO-NCHS. This research aims to classify the nutritional status using a Backpropagation Artificial Neural network based on Anthropometry index w/U that will produce the nutritional status in poor nutrition, lack of, both, and more, as well as classify nutritional status based on Anthropometry index w/PB status which will produce very skinny, skinny, normal and obese. The variables used in this study i.e., gender, age, weight, height, and economic status. Results from trials using backpropagation, yielding a value of JST accuracy of 89,50% and Kappa 0,711 on data training, 96,08% and Kappa 0,907 on testing data to index w/U. Whereas, in order to index w/TB produces the accuracy of 88,50% and Kappa 0,460 for training, data and accuracy of 83,35% and Kappa 0,419 for testing data.
Keywords:Toddler Nutrition Status, Anthropometry Index, Artificial Neural network, Backpropagation
I PENDAHULUAN
Keberhasilan suatu bangsa sangat bergantung pada keberhasilan dalam menyiapkan generasi penerus bangsa yang berkualitas, cerdas, sehat dan produktif. Kehidupan Manusia dimulai dari sejak janin dalam rahim ibu. Sejak saat itu manusia kecil sudah memulai perjuangan untuk bertahan hidup, salah satunya dari kemungkinan kurangnya gizi yang diterima dari ibu yang mengandungnya (Prof.dr.Haman Hadi.M.S., 2005). Kondisi kesehatan dan status gizi balita merupakan salah satu tolok ukur cerminan keadaan gizi masyarakat secara luas. Kasus gizi buruk tidak hanya menjadi beban keluarga tetapi juga menjadi beban Negara (Swastina & Lareno, 2014).
Masalah gizi pada anak balita di Indonesia telah mengalami perbaikan. Hal ini dapat dilihat antara lain dari penurunan prevalensi gizi buruk pada anak balita dari 5,4% tahun 2007 menjadi 4,9% pada tahun 2010. Meskipun terjadi penurunan, tetapi jumlah nominal anak gizi buruk masih relatif besar, oleh karena itu diperlukan tenaga yang mampu mengatasi kasus gizi buruk secara cepat, tepat dan profesional yang diikuti dengan penyiapan sarana dan prasarana yang memadai.
Untuk menyiapkan tenaga kesehatan terampil seperti yang diharapkan selain memberikan peningkatan kapasitas juga diperlukan panduan tatalaksana gizi buruk yang akan digunakan tenaga kesehatan dalam melakukan penanggulangan gizi buruk oleh tim asuhan gizi (dokter, perawat, dan ahli gizi) (Kementerian Kesehatan, 2011).
Tumbuh kembang balita sangat dipengaruhi oleh asupan gizi pada menu makanan yang diberikan. Asupan makanan akan berpengaruh terhadap keaktifan dan kecerdasan balita. Oleh karena itu pada saat proses tumbuh kembangnya, balita harus memperoleh asupan makanan yang sesuai dengan kebutuhan agar pertumbuhan dan perkembangannya optimal. Namun saat ini masih banyak orangtua yang memiliki keterbatasan pengetahuan tentang kebutuhan gizi balita, sehingga menyebabkan balita mengalami masalah gizi. Faktor lain adalah keterlambatan dalam penanganan penyakit gizi dan kurangnya tenaga ahli atau pakar.
Beberapa penelitian mengenai indentifikasi status gizi telah banyak dilakukan seperti penelitian yang dilakuan oleh Xu De Zhi dan Gamage Upeksha Ganegoda yang berjudul Rule Based Classifiation to Detect Malnutrition in Children.
Dalam makalahnya menjelaskan bagaimana Rule Based Clasification digunakan untuk mendeteksi kekurangan gizi pada anak. Sistem yang diusulkan ini diimplementasikan sebagai sistem e-government. Selanjutnya penulis mencoba untuk meneliti apakah ada hubungan antara jumlah aturan yang digunakan dengan optimalitas keputusan akhir. Dan dari penelitian tersebut diperoleh kesimpulan bahwa ada hubungan antara sejumlah aturan dan optimalitas keputusan akhir (Zhi
& Ganegoda, 2011).
Penelitian Selanjutnya dilakukan oleh D.Thangamani dan P.Sudha yang berjudul Identification Of Malnutrition With Use Of Supervised Datamining Techniques – Decision Trees and Artificial Neural Networks. Dalam Penelitian ini mencoba untuk menunjukkan analisis gizi buruk berdasarkan asupan makanan, indeks kaya, kelompok usia, tingkat pendidikan, pekerjaan, dan lain-lain. Tujuan dari penelitian mereka menggunakan supervised machine learning techniques- decision trees and artificial neural networks untuk mengklasifikasikan dataset survai kesehatan keluarga dan untuk menentukan metode yang tepat dan fleksibel untuk memproses sejumlah besar data untuk menentukan deteksi malnutrisi yang akurat dan pencegahannya. Hasil dari supervised data mining techniques dapat memberikan status gizi balita. (D.Thangamani & P.Sudha, 2014).
Selain itu D. Thangamani dan P. Sudha juga melakukan penelitian dengan judul Identification of Various Deficiencies Using Data Mining Techniques – A Survey.Penelitian ini memberikan identifikasi kekurangan gizi dari anak-anak dan orang tua, menggunakan decision tree, classification methods, artificial neural networks, support vector machines dan statistical methods. (D.Thangamani &
P.Sudha, Identification of Various Deficiiencies Using Data Mining Techniques- A Survey, 2014).
Untuk mengidentifikasi status gizi pada balita, maka penulis mencoba melakukan penelitian menggunakan Jaringan Syaraf Tiruan backpropagation berdasarkan indeks antropometri BB/U dan BB/TB.
II LANDASAN TEORI
2.1. Tinjauan Pustaka
Dalam makalah ini penulis melakukan tinjauan dengan menggunakan buku dan jurnal yang berhubungan dengan tema yang dipilih secara lebih detail tinjauan dalam penulisan tesis ini dapat dijelaskan sebagai berikut:
2.1.1. Status Gizi
Status gizi adalah suatu ukuran mengenai kondisi tubuh seseorang yang dapat dilihat dari makanan yang dikonsumsi dan penggunaan zat-zat gizi di dalam tubuh. Status gizi dibagi menjadi tiga kategori, yaitu status gizi kurang, gizi normal, dan gizi lebih (Almatsier, 2005). Menurut (Wahyuningsih, Khamsan, &
Ekawidyani, 2014) Status Gizi merupakan tanda-tanda penampilan seseorang akibat keseimabangan antara pemasukan dan pengeluaran zat gizi yang berasal dari pangan yang dikonsumsi pada suatu saat berdasarkan ketegori dan indikator yang digunakan.
Seseorang diidentifikasi status gizi normal apabila terdapat keseimbangan antara jumlah energi yang masuk ke dalam tubuh dan energi yang dikeluarkan dari luar tubuh sesuai dengan kebutuhan individu. Energi yang masuk ke dalam tubuh dapat berasal dari karbohidrat, protein, lemak dan zat gizi lainnya (Nix, 2005).
Status gizi kurang atau yang lebih sering disebut undernutrition merupakan keadaan gizi seseorang dimana jumlah energi yang masuk lebih sedikit dari energi yang dikeluarkan. Hal ini dapat terjadi karena jumlah energi yang masuk lebih sedikit dari anjuran kebutuhan individu (Wardlaw & Hampl, 2007). Sedangkan Status gizi lebih (overnutrition) merupakan keadaan gizi seseorang dimana jumlah energi yang masuk ke dalam tubuh lebih besar dari jumlah energi yang dikeluarkan (Nix, 2005).
2.1.1.1 Status Gizi Balita
Status gizi balita diukur berdasarkan umur, berat badan (BB), dan Tinggi Badan (TB). Variabel BB dan TB tersebut disajikan dalam bentuk tiga indikator antropometri yaitu berat badan menurut umur (BB/U), tinggi badan menurut umur (TB/U), dan berat badan menurut tinggi badan (BB/TB). Angka berat badan dan tinggi badan setiap balita dikonversikan kedalam betuk nilai Z-Score dengan menggunakan buku antropometri WHO 2006 (Depkes RI, 2009).
Dari berbagai jenis indeks tersebut diatas, untuk menginterprestasikannya dibutuhkan ambang batas. Penentuan ambang batas dapat disajikan kedalam tiga cara yaitu persen terhadap median, persentil dan standar deviasi unit. Rumus perhitungan Z-Score adalah sebagai berikut (Supariasa & Fajar, 2002).
Z-Score= Nilai Individu Subjek – Nilai Median Baku Rujukan (2.1)
Tabel 2.1. Klasifikasi Status Gizi Balita Berdasarkan Indikator BB/U Indekks Status Gizi Ambang Batas
Berat Badan terhadap Umur (BB/U)
Gizi buruk <-3,0 SD
Gizi Kurang <-2,0 SD sampai >=-3,0 SD
Gizi Normal >=-2 SD sampai +2,0 SD Gizi Lebih >+2,0 SDD
Tabel 2.2. Klasifikasi Status Gizi Balita Berdasarkan Indikator TB/U
Indeks Status Gizi Ambang Batas
Tinggi Badan
terhadap Umur (TB/U)
Sangat pendek
<-3,0 SD
pendek >=-3,0 SD sampai <-2,0 SD
normal >=-2,0 SD
Nilai Simpangan Baku Rujukan
Tabel 2.3. Klasifikasi Status Gizi Balita Berdasarkkan Indikator TB/BB
Indeks Status Gizi Ambang Batas
Tinggi Badan terhadapa Berat Badan (TB/BB)
Sangat kurus <-3,0 SD
Kurus >=-3,0 SD sampai <-2,0 SD
Normal >=-2,0 sd sampai <=2,0 SD
Gemuk >2,0 SD
Indikator BB/U memberikan gambaran tentang status gizi yang sifatnya umum, tidak spesifik. Tinggi rendahnya prevalensi gizi buruk dan kurang mengindikasikan ada tidaknya masalah gizi pada balita, tetapi tidak memberikan indikasi apakah masalah gizi tersebut bersifat kronis atau akut. Indikator TB/U menggambarkan status gizi yang dipengaruhi kondisi-kondisi yang sifatnya kronis (akibat kondisi yang berlangsung sangat lama). Indikator BB/TB menggambarkan status gizi yang sifatnya akut (akibat keadaan yang berlangsung dalam waktu pendek) (Depkes RI, 2009).
2.1.2. Data Mining
Data Mining didefinisikan sebagai proses menemukan dan membaca pola dalam data sehingga dapat digunakan sebagai alat untuk membantu menemukan informasi yang sangat penting dari data tersebut (Witten, Frank, & Hall, 2011).
Data mining juga dapat didefinisikan sebagai proses ekstraksi pengetahuan dari jumlah data yang besar (Han & Kamber, 2006). Data mining juga dapat digunakan untuk mengembangkan model yang bermanfaat untuk memahami fenomena dari analisis data dan prediksi (Maimon & Rokach, 2010).
Secara umum, tugas data mining dapat diklasifikasikan menjadi dua kategori: deskriptif dan prediktif (Han & Kamber, 2006). Tugas mining deskriptif mengungkapkan pola dalam data dan mudah diinterpretasikan oleh pengguna seperti clustering, association rule, dll. Tugas mining prediktif menggunakan beberapa variabel yang ada untuk memprediksi nilai dari variabel lain seperti
classification, regression, dll (Gorunescu, 2011). Data mining merupakan bagian dari Knowldge Discovery Data (KDD) yang digunakan untuk menggali informasi yang berguna, yang tidak diketahui sebelumnya, dan masih tersembunyi dari gudang data (Han & Kamber, 2006)
Gambar 2.1 Tahapan Proses Kowledge Management Discovery (KDD) Sumber: (Han & Kamber, 2006)
Tahapan data mining dalam proses penemuan pengetahuan (Han & Kamber, 2006):
1. Database
Koleksi data yang saling berhubungan untuk dipergunakan secara bersama kemudian dirancang untuk memenuhi kebutuhan informasi organisasi.
2. Data Cleaning
Pada umumnya, data yang diperoleh, baik dari database suatu perusahaan maupun eksperimen, memiliki isian-isian yang tidak sempurna seperti data
yang hilang, data yang tidak valid atau hanya sekedar salah ketik. Data-data yang tidak relevan itu juga lebih baik dibuang karena keberadaanya bisa mengurangi mutu atau akurasi dari hasil data mining nantinya. Pembersihan data juga akan mempengaruhi performasi dari system data mining karena data yang akan ditangani akan berkurang jumlah dan kompleksitasnya.
3. Data integration
Integrasi data dilakukan pada attribut-attribut yang mengidentifikasikan entitas-entitas yang unik seperti attribut nama,nomor pegawai, tempat lahir,agama dan lain sebagainya. Integrasi data perlu dilakukan secara cermat karena kesalahan pada integrasi data bisa menghasilkan hasil data yang menyimpang dan bahkan menyesatkan pengambilan aksi nantinya.
4. Data Selection
Merupakan proses seleksi dimana hanya data yang relevan dengan tugas analisis basis data yang akan diambil.
5. Data transformation
Coding adalah proses transformasi pada data yang telah dipilih, sehingga data tersebut sesuain untuk proses data mining. Proses coding dalam KDD merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam database.
6. Data mining
Data mining adalah proses mengeksplorasi dan menganalisa data dalam jumlah yang besar yang bertujuan untuk menemukan suatu pola atau informasi yang menarik dari data yang tersimpan dalam jumlah yang besar dengan menggunakan teknik atau metode tertentu. Teknik, metode, atau algoritma yang tepat sangat bergantung pada tujuan dan proses KDD secara keseluruhan. Tahap ini merupakan inti dari tahapan KDD yang dilakukan untuk menganalisis data yang telah dibersihkan.
7. Pattern evaluation
Dalam tahap ini, merupakan hasil dari teknik data mining berupa pola-pola yang khas maupun model prediksi dievaluasi untuk menilai apakah hipotesa yang ada memang tercapai. Bila ternyata hasil yang diperoleh tidak sesuai dengan hipotesa, ada beberapa alternatif yang dapat diambil seperti
menjadikannnya umpan balik untuk memperbaiki data mining lain yang lebih sesuai, atau menerima hasilnya sebagi suatu hasil yang diluar dugaan yang mungkin bermanfaat.
8. Knowledge
Tahap terakhir dari proses data mining adalah bagaimana memformulasikan keputusan atau aksi dari hasil analisa yang didapat. Adakalanya hal ini harus melibatkan orang-orang yang tidak paham mengenai data mining. Karenanya presentasi hasil data mining dalam bentuk pengetahuan yang bisa dipahami semua orang adalah satu tahapan yang diperlukan dalam proses data mining.
Dalam presentasi ini, visualisasi juga bisa membantu mengkomunikasikan hasil data mining.
Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat di lakukan, yaitu (Larose, 2006).
1. Deskripsi
Terkadang peneliti dan analisis secara sederhana ingin mencoba mencari cara untuk menggambarkan pola dan kecendrungan yang terdapat dalam data. Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat menemukan keterangan atau fakta bahwa siapa yang tidak cukup profesional akan sedikit didukung dalam pemilihan presiden. Deskripsi dari pola dan kecendrungan sering memberikan kemungkinan penjelasan untuk suatu pola atau kecendrungan.
2. Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih kearah numerik dari pada ke arah kategori. Model dibangun menggunakan record lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi.
Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel target dibuat berdasarkan nilai variabel prediksi. Sebagai contoh, akan dilakukan estimasi tekanan darah sistolik pada pasien rumah sakit berdasarkan umur pasien, jenis kelamin, berat badan, dan level sodium darah. Hubungan antara tekanan darah sistolik dan nilai variabel prediksi dalam proses pembelajaran akan menghasilkan model estimasi. Model estimasi yang dihasilkan dapat digunakan untuk kasus baru lainnya.
3. Prediksi
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam prediksi nilai dari hasil akan ada di masa mendatang. Contoh prediksi dalam bisnis dan penelitian adalah:
a. Prediksi harga beras dalam tiga bulan yang akan datang.
b. Prediksi presentase kenaikan kecelakaan lalu lintas tahun depan jika batas bawah kecepatan dinaikan. Beberapa metode dan teknik yang digunakan dalam klasifikasi dan
estimasi dapat pula digunakan (untuk keadaan yang tepat) untuk prediksi.
4. Klasifikasi
Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh, penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan tinggi, pendapatan sedang, dan pendapatan rendah. Model klasifikasi yang populer adalah Decision/classification trees, Bayesian classifiers/Naive Bayes classifiers, Neural networks, Algoritma Genetika, Support vector machines.
5. Pengklusteran
Pengklusteran merupakan pengelompokan record, pengamatan, atau memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan.
Kluster adalah kumpulan record yang memiliki kemiripan suatu dengan yang lainnya dan memiliki ketidakmiripan dengan record dalam kluster lain.
Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variabel target dalam pengklusteran. Pengklusteran tidak mencoba untuk melakukan klasifikasi, mengestimasi, atau memprediksi nilai dari variabel target
6. Asosiasi
Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam suatu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja.
2.1.3. Jaringan Syaraf Tiruan
JST adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologis dalam otak. Istilah JST digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses
pembelajaran, cara kerja jaringan syaraf tiruan meniru cara kerja otak manusia (Siang 2009). Salah satu contoh pengambilan ide dari jaringan syaraf biologis adalah adanya elemen-elemen pemrosesan pada JST yang saling terhubung dan beroperasi secara paralel. Ini meniru jaringan syaraf biologis yang tersusun dari sel-sel syaraf (neuron) (Sihombing, 2011).
JST tidak diprogram untuk menghasilkan keluaran tertentu. Semua keluaran atau kesimpulan yang ditarik oleh jaringan didasarkan pada pengalamannya selama mengikuti proses pembelajaran. Pada proses pembelajaran, kedalam JST dimasukkan pola-pola (input dan output) lalu jaringan akan diajari untuk memberikan jawaban yang bisa diterima. Di dalam JST, input akan diproses oleh neuron-neuron JST dengan bobot tertentu. Secara umum cara kerjanya adalah dengan memproses sinyal yang diterima kemudian didistribusikan melewati jaringan dan disimpan sebagai bobot disetiap neuron. Selama proses pelatihan, dilakukan proses penyesuaian bobot dan batas nilai-nilai diperoleh output yang diinginkan (Sihombing, 2011).
JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi dengan asumsi bahwa (Sihombing, 2011) :
a. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).
b. Sinyal dikirimkan diantara neuron-neuron melalui penghubung- penghubung.
c. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal.
Algoritma neural network yang paling populer adalah Backpropagation, algoritma backpropagation melakukan pembelajaran pada jaringan saraf multi layer feed forward yang terdiri dari tiga lapisan/layer, yaitu: lapisan input, lapisan tersembunyi, dan lapisan keluaran (Han & Kamber, 2006). Pada beberapa diagram neural network dimungkinkan terdapat lebih dari satu lapisan tersembunyi, meskipun kebanyakan hanya mengandung satu lapisan tersembunyi yang dirasa cukup untuk berbagai tujuan (Larose, 2006).
Backpropagation merupakan suatu algoritma yang menggunakan metode pembelajaran terbimbing (supervised learning) yang dikenalkan oleh Rumelhart
dkk. Backpropagation merupakan algoritma neural network untuk klasifikasi yang menggunakan gradient descent, backpropagation mencari satu set bobot yang dapat memodelkan data sehingga dapat meminimalkan jarak kuadrat rata- rata antara prediksi kelas jaringan dan label kelas yang sebenarnya dari tuple data (Han & Kamber, 2006).
Tiap observasi data training diproses melalui jaringan, nilai output dihasilkan dari node input. Nilai output ini kemudian dibandingkan dengan nilai aktual dari variabel target dan dihitung error yang dihasilkan (Larose, 2006).
Backpropagation melakukan proses pembelajaran secara iteratif yang mencoba untuk meminimalkan error dari klasifikasi.
Gambar 2.2 Multi Layer Feed Forward Neural Network Sumber: (Han & Kamber, 2006)
Proses pembelajaran dalam backpropagation dilakukan dengan penyesuaian bobot-bobot neuron dengan arah mundur berdasarkan nilai error dalam proses pembelajaran (Kusrini & Luthfi, 2009). Dalam setiap proses, bobot relasi dalam jaringan dimodifikasi untuk meminimalkan nilai Mean Squared Error (MSE) antara nilai prediksi dari jaringan dengan nilai sesungguhnya. Modifikasi relasi jaringan tersebut dilakukan dalam arah mundur (Kusrini & Luthfi, 2009).
Langkah pembelajaran dalam metode backpropagation adalah sebagai berikut (Myatt, 2007):
1. Inisialisasi semua bobot jaringan secara acak. (Biasanya antara -1.0 hingga 1.0).
2. Untuk setiap data training, hitung input untuk simpul berdasarkan nilai input dan bobot jaringan saat itu. Dengan menggunakan rumus :
Ij=∑𝑖 𝑊𝑖𝑗 𝑂𝑖 + 𝜃𝑖 (2.2)
Keterangan:
Oi = Output simpul i dari layer sebelumnya
wij = bobot relasi dari simpul i pada layer sebelumnya ke simpul j ϴj = bias (sebagai pembatas)
3. Berdasarkan input dari langkah kedua, selanjutnya membangkitkan output untuk simpul menggunakan fungsi aktifitas sigmoid
Output = 1
1+𝑒−𝑖𝑛𝑝𝑢𝑡 (2.3)
4. Hitung nilai error antara nilai yang diprediksi dengan nilai yang sesungguhnya menggunakan rumus :
Errori = outputi * (1-Outputi)*(Targeti – Outputj) (2.4) Keterangan :
Outputi = Output actual dari simpul i
Targeti = nilai target yang sudah diketahui pada data training
5. Setelah nilai error dihitung, selanjutnya dibalik ke layer sebelumnya (backpropagation). Untuk menghitung nilai error pada hidden layer, menggunakan rumus:
Errori = Outputi * (1 – Outputi )*∑ = 1 𝐸𝑟𝑟𝑜𝑟 𝑗 𝑊𝑖𝑗𝑛𝑗 (2.5) Keterangan:
Errori : Error yang dihasilkan dari hidden node Outputi : Nilai output yang dari hidden node
Errorj : Error yang dihasilkan dari simpul j yang terhubung ke output Wij : Bobot pada pada simpul i ke simpul j
6. Nilai error yang dihasilkan dari langkah sebelumnya digunakan untuk memperbarui bobot relasi, dengan menggunakan rumus:
Wij = Wij + l * Errorj * Outputi (2.6)
Keterangan :
Wij = bobot relasi dari unit i pada layer sebelumnya ke unit j l = learning rate (konstantan, nilainya 0 sampai dengan 1) Errorj = Error pada output layer simpul j
Outputi = Output dari simpul i.
Jika nilai l kecil, maka perubahan bobot akan sedikit dalam setiap iterasi.
Begitu juga sebaliknya.
2.1.3.1. Contoh Kasus Neural Network
Studi kasus berikut ini dapat membantu untuk lebih memahami teori dari algoritma nerual network dengan menggunakan backpropagation. Pada gambar 2.3 menunjukan multilayer feed-forward neural network, diberikan nilai learning rate sebesar 0,9 dengan kasus X = (1, 0, 1) class label adalah 1.
Gambar 2.3 Contoh Kasus Multi Layer Feed Forward Neural Network Sumber: (Han & Kamber, 2006)
Jaringan terdiri dari tiga buah input, satu buah hidden layer dengan dua neuron, dan satu buah output.
Langkah-langkah yang dilakukan dalam proses pembelajaran algoritma backpropagation yaitu:
1. Inisialisasi bobot awal secara acak
Untuk tiap node pada input layer dan hidden layer, diberi nilai acak antara -1.0 hingga 1.0, begitu juga dengan bobot bias yang terhubung dengan hidden layer dan output layer seperti pada tabel 2.4.
Tabel 2.4 Inisialisasi Input, Bobot, dan Bias Awal
Sumber: (Han & Kamber, 2006) 2. Hitung input, output, dan error
Dengan menggunakan persamaan 2.5 dan 2.6 didapat input dan output masing- masing simpul
Input4 = (x1 * w14) + (x2 * w24) + (x3 * w34) + Ɵ4
= (1 * 0.2) + (0 * 0.4) + (1 * -0.5) + -0.4 = 0.2 + 0 – 0.5 – 0.4
= -0.7
Output4 = 1/(1 + e-input4) = 1/(1 + e0.7)
= 0.332
Dengan menggunakan cara yang sama dihitung input untuk node 5 dan 6, sehingga didapat nilai seperti pada tabel 2.5.
Tabel 2. 5 Hasil Perhitungan Input dan Output
Sumber: (Han & Kamber, 2006)
3. Hitung nilai error antara nilai yang diprediksi dengan nilai yang sesungguhnya
Dengan menggunakan persamaan 2.5 maka diperoleh nilai error untuk simpul 4, 5, dan 6 seperti tampak pada tabel 2.5
Error6 = Output6 ∙ (1 - Output6) ∙ (Outputtarget - Output6)
= 0.474 * (1 - 0.474) * (1 – 0.474)
= 0.1311
Error5 = Output5 ∙ (1 – Output5) ∙ Error6 ∙ w56
= 0.525 ∙ (1 - 0.525) ∙ 0.1311 ∙ -0.2
= -0.0065
Error4 = Output5 ∙ (1 – Output4) ∙ Error6 ∙ w46
= 0.332 ∙ (1 - 0.332) ∙ 0.1311 ∙ -0.3
= -0.0087
Tabel 2. 6 Nilai Error
Sumber: (Han & Kamber, 2006)
4. Hitung bobot baru untuk semua relasi antara hidden layer dengan output layer, dilanjutkan dengan menghitung bobot relasi antara input layer dengan hidden layer. Sehingga diperoleh nilai bobot baru seperti pada tabel 2.7
Tabel 2.7 Bobot dan Bias Baru
Sumber: (Han & Kamber, 2006)
III METODOLOGI PENELITIAN 3.1 Desain Penelitian
3.1.1 Jenis Penelitian
Penelitian dalam akademik mengacu pada aktivitas yang rajin dan penyelidikan sistematis atau investigasi di suatu daerah, dengan tujuan menemukan atau merevisi fakta, teori, aplikasi dan tujuannya adalah untuk menemukan dan menyebarkan pengetahuan baru (Berndtsson, Hansson, Olsson,
& Lundell, 2008).
Ada empat metode penelitian yang umum digunakan yaitu tindakan penelitian, eksperimen, studi kasus dan survey (Dawson, 2009). Metode penelitian yang digunakan dalam penelitian ini adalah jenis eksperimen. Metode eksperimen menguji kebenaran sebuah hipotesis dengan statistik dan menghubungkannya dengan masalah penelitian. Metode eksperimen dibagi menjadi dua, yaitu eksperimen absolut dan eksperimen komparatif. Eksperimen absolut mengarah pada dampak yang dihasilkan dari eksperimen, sedangkan eksperimen komparatif membandingkan dua objek yang berbeda (Khothari, 2004). Dalam penelitian ini digunakan metode eksperimen komparatif.
Dalam penelitian ini dilakukan beberapa langkah yang dilakukan dalam proses penelitian.
1. Pengumpulan data
Pada tahap ini ditentukan data yang akan diproses. Mencari data yang tersedia, memperoleh data tambahan yang dibutuhkan, mengintegrasikan semua data kedalam data set, termasuk variabel yang diperlukan dalam proses.
2. Pengolahan data awal
Ditahap ini dilakukan penyeleksian data, data dibersihkan dan ditransformasikan kebentuk yang diinginkan sehingga dapat dilakukan persiapan dalam pembuatan model.
3. Metode yang diusulkan
Pada tahap ini data dianalisis, dikelompokan variabel mana yang berhubungan dengan satu sama lainnya. Setelah data dianalisis lalu diterapkan model-model yang sesuai dengan jenis data. Pembagian data kedalam data latihan (training data) dan data uji (testing data) juga diperlukan untuk pembuatan model.
4. Eksperimen dan pengujian metode
Pada tahap ini model yang diusulkan akan diuji untuk melihat hasil berupa rule yang akan dimanfaatkan dalam pengambilan keputusan.
5. Evaluasi dan validasi
Pada tahap ini dilakukan evaluasi terhadap model yang ditetapkan untuk mengetahui tingkat keakurasian model.
3.1.2 Pengumpulan Data 1. Sumber Data
Berdasarkan sumbernya, pengumpulan data dapat menggunakan data primer dan sekunder. Data primer merupakan data yang dikumpulkan pertama kali, data primer diperoleh melalui observasi, interview, kuisioner, dll. Data sekunder merupakan data yang telah dikumpulkan dan dianalisis oleh orang lain baik yang telah dipublikasikan maupun yang belum dipublikasikan, misanya dari dokumentasi, literatur, buku, jurnal, dan informasi lainnya yang ada hubungannya dengan masalah yang diteliti.
Dalam penelitian ini metode pengumpulan data untuk mendapatkan sumber data yang digunakan adalah metode pengumpulan data sekunder. Data utama diperoleh dari Puskesmas Mranti Purworejo, sedangkan data pendukung didapatkan dari buku, jurnal dan publikasi lainnya.
2. Sampel Penelitian
Sampel dari penelitian ini adalah data balita Puskesmas Mranti tahun 2014, berdasarkan data Laporan Pemantauan Status Gizi (PSG) balita dan data laporan bulanan kasus gizi buruk. Dalam penelitian ini adalah balita dibawah umur 5 tahun (0-59 bulan) yang berjumlah 261 data balita. Dengan atribut dari status gizi balita, nama balita, jenis kelamin, umur (U), berat badan (BB), tinggi badan (TB/PB), status ekonomi, status gizi berdasarkan BB/U dan status gizi berdasarkan BB/TB.
3.1.3 Metode yang diusulkan
Pada tahap modeling ini dilakukan pemprosesan data traning sehingga akan membahas metode algoritma yang diuji dengan memasukan data balita kemudian di analisa dan dikomparasi. Berikut ini bentuk gambaran metode algoritma yang akan diuji.
Gambar 3.1 Metode yang diusulkan IV HASIL PENELITIAN DAN PEMBAHASAN
4.1. Hasil Penelitian
Tujuan dari penelitian ini menguji keakuratan klasifikasi status gizi balita dengan menggunakan algoritma Neural Network backpropagation. Dalam penelitian ini menguji keakuratan algoritma Neural Network backpropagation berdasarkan indeks antropometri BB/U dan BB/PB.
4.1.1. Neural Network
Pengumpulan Data
Pembentukkan Popolasi Awal
Penentuan Bobot Awal
Penerapan Algoritma JST Backpropagation
Indeks BB/U Indeks BB/PB
Validasi Hasil
selesai
Jumlah Neuron dalam Hiden Layer mempengaruhi tingkat akurasi. Berikut ini adalah hasil dari percobaan yang telah dilakukan untuk penentuan nilaiNeuron dalamHiden layer dengan nilai learning rate 0,9:
Tabel 4.1. Eksperiment penentuan nilai Hiden Layer Jumlah
Neuron dalam HL
Learning Rate 0,9 Accuracy Kappa
2 86,00% 0,596
4 86,50% 0,625
6 88,00% 0,666
8 89,50% 0,711
10 87,00% 0,664
Dari hasil eksperimen berdasarkan tabel 4.1 diperoleh kesimpulan bhwa nilai akurasi tertinggi dicapai hingga 89,50% dan kappa 0,771 dengan jumlah neuron 8 dalam hiden layer.
4.1.2. Hasil Uji Neural Network
Berdasarkan eksperimen yang telah diuji Neural network dalam penelitian ini menggunakan satu buah lapisan input yang terdiri dari 5 neuron (4 neuron adalah atribut yang digunakan sebagai predictor dan satu neuron bias), satu buah lapisan tersembunyi yang terdiri dari 8 buah neuron, dan 4 buah lapisan output yang merupakan hasil klasifikasi seperti yang terlihat pada gambar 4.1.
Gambar 4.1 Neural Network Klasifikasi Status Gizi Balita
Langkah dalam membentuk neural network adalah menentukan bobot jaringan untuk setiap lapisan secara acak biasanya berkisar antara -0,1 hingga 1,0.
Setelah bobot untuk setiap lapisan ditentukan, langkah berikutnya adalah menghitung input dari tiap neuron untuk membangkitkan output dengan menggunakan fungsi aktifasi sigmoid.
Langkah selanjutnya adalah menentukan nilai error, kemudian nilai error yang dihasilkan digunakan untuk memperbaharui bobot relasi simpul. Tabel 4.1 berikut ini menunjukan hasil perhitungan bobot akhir dari neural network pada lapisan tersembunyi.
Tabel 4.2 Nilai Bobot Akhir
Tabel 4.2 adalah nilai akhir fungsi aktifasi pada output layer. Kolom pertama pada Tabel 4.2 menyatakan class, yaitu atribut kelas yang dinyatakan dengan simpul pada output layer.
Tabel 4.3 Nilai Output Layer
4.2. Evaluasi dan Validasi Hasil
Hasil dari pengujian model yang dilakukan adalah klasifikasi status gizi balita berdasarkan indeks BB/U dengan Neural Network untuk menentukan nilai accuracy dan kappa.
1. Pembuatan Model dengan data training
Berikut gambar model pengujian menggunakan data training:
Gambar 4.2 Desain model Validasi
Gambar 4.3. Model pengujian cross validation
Nilai accuracy, precision, dan recall dari data training dapat dihitung dengan menggunakan RapidMiner. Hasil pengujian dengan menggunakan model Neural Network didapatkan hasil pada tabel 4.4
1. Confusion Matrix
Tabel 4.4 diketahui dari 200 data, 150dari 54 datadiklasifikasikan baiksesuai dengan prediksi yang dilakukan, sisanya diprediksi kurang sebanyak 2 data dan diprediksi lebih sebanyak 2 data. 20 data dari 26 data diprediksi kurang dengan tepat, sisanya 3 diprediksi baik dan 3 data diprediksi buruk. 4 data dari 12 data diprediksi lebih dengan tepat dansisanya diprediksi baik. 5 data dari 8 data diprediksi buruk dengan tepat dan sisanya 3 data diprediksi kurang.
Tabel 4.4 Model Confusion Matrix untuk Accuracy
Tabel 4.5 merupakan nilai kappa yang diperoleh yaitu sebesar 0,711.
Tabel 4.5 Model Confusion Matrix untuk Kappa
2. Pengujian Data Testing
Uji model yang terbentuk dengan menggunakan data testing, dengan cara memasukan satu buah operator model dari tab Operators – Modeling – Model Application – Apply Model. Hubungkan model ke operator Apply Model, begitu juga dengan data testing dihubungkan ke operator Apply Model. Untuk melihat akurasi yang diperoleh tambahkan satu buah operator yang bernama performance, dari tab Operators – Evaluation – Performance hubungkan dengan operator Apply Model seperti yang terlihat pada gambar 4.4 berikut.
Gambar 4.4 Pengujian Model Menggunakan RapidMiner
Setelah data uji dimasukan kedalam model Neural Network yang telah terbentuk, dari 51 data yang digunakan sebanyak 36 data yang dinyatakan gizi baik diprediksi dengan benar, 12 data yang dinyatakan gizi kurang diprediksi dengan benar, 1 data yang dinyatakan gizi lebih ,diprediksi dengan benar dan 1 data yang dinyatakan gizi buruk,diprediksi dengan benar. Sedangkan 1 data diprediksi dengan salah., sehingga akurasi yang diperoleh dengan menggunakan data testing sebesar 96,08% , seperti yang terlihat pada tabel 4.6.
Tabel 4.6 Nilai Akurasi Data Testing
Dari tabel diatas dapat disimpulkan bahwa nilai akurasi pada data testing mengalami peningkatan sebesar 96,08%, sedangkan pada data training nilai akurasi
ebesar 89,50%. Nilai kappa pada data testing juga meningkat menjadi 0,907 termasuk excellent, sedangkan pada data training nilai kappa 0,711. Semakin tinggi nilai kappa maka semakin layak untuk tingkat kebenaran klasifikasi. Nilai kappa igambarkan dalam tabel 4.7.
Tabel 4.7 Nilai Kappa Data Testing
Data baru yang digunakan sebanyak sepuluh record diuji dengan menggunakan confusion matrix dan diperoleh akurasi sebesar 80%.
Tabel 4.8 Nilai Akurasi Data Baru
4.3. Pembahasan
Berdasarkan hasil eksperiment yang dilakukan untuk memecahkan masalah klasifikasi status gizi balita, dapat disimpulkan bahwa hasil eksperiment menggunakan metode Jaringan Saraf tiruanmempunyai tingkat akurasi sebesar 89,50 % dan mempunyai nilai kappa sebesar 0.711 untuk data training. Sedangkan pada data testing akurasi meningkat menjadi 96,08% dan kappa 0,907. Data tersebut merupakan pengujian berdasarkan indeks antropometri BB/U. Dalam penelitian ini juga dilakukan pengujian berdasarkan indeks antropometri BB/PB.
Namun, dalam pengujian berdasarkan indeks antropometri BB/PB menghasilkan nilai akurasi yang berbeda. Berikut tabel komparasi akurasi berdasarkan indeks antropometri BB/U dan BB/TB dalam tabel 4.9.
Tabel 4.9 Komparasi Akurasi
Indeks Training Testing
Accuracy Kappa Accuracy Kappa
BB/U 89,50% 0,711 96,08% 0,907
BB/PB 88,50% 0,460 82,35% 0,419
V PENUTUP 5.1. Kesimpulan
Berdasarkan hasil uji coba yang dilakukan maka dapat disimpulkan bahwa model JST dengan algoritma backpropagation mampu megklasifikasikan status gizi balita dengan nilai learning rate 0,9, jumlah neuron pada hiden layer sebanyak 8 neuron. Pada hasil uji coba berdasarkan indeks antropometri BB/ U menghasilkan tingkat kebenaran klasifikasi sebesar 89,50% dengan kappa sebesar 0,711 untuk data training, dan sebesar 96,08% dan kappa memperoleh hasil yang excellent yaitu sebesar 0,907 untuk data testing. Sedangkan eberdasarkan indeks antropometri BB/ PB menghasilkan tingkat kebenaran klasifikasi sebesar 88,50%
dengan kappa sebesar 0,460 untuk data training, dan sebesar 83,35% dan kappa 0,419 untuk data testing.
Dari hasil uji coba indeks antropometri BB/ U mengalami peningkatan akurasi dan kappa pada data testing. Hal ini mengindikasikan bahwa tingkat kebenaran klasifikasi semakin baik. Namun, berdasarkan indeks antropometri BB/
PB nilai kappa sangat rendah dan akurasi menurun pada data testing.
5.2. Saran
Agar penelitian ini bisa ditingkatkan, berikut adalah saran-saran yang diusulkan:
1. Penelitian ini diharapkan dapat digunakan pihak medis sebagai bahan pertimbangan dalam mengidentifikasi status gizi balita, sehingga dapat meningkatkan akurasi dalam prediksi status gizi balita.
2. Penelitian ini dapat dikembangkan dengan metode optimasi seperti Ant Colony Optimization (ACO), Genetic Algorithm (GA), dan lainnya.
3. Penelitian ini dapat dikembangkan dengan metode klasifikasi data mining lainnya seperti Naive Bayes, KNN dan lainnya untuk melakukan perbandingan.
4. Tingkat kesalahan klasifikasi dapat disebabkan kemungkinan adanya penyimpangan data penelitian, untuk peelitian selanjutnya, sebaiknya dilakukan tindak lanjut analisis dari penyimpangan yang terjadi.
Daftar Pustaka
Almatsier, S. (2005). Prinsip Dasar Ilmu Gizi. Jakarta: PT. Gramedia Pustaka Utama.
Amalia, E. L., Dachlan, H. S., & Santoso, P. B. (2014). Integrasi Sistem Pakar dan Algoritma Genetika untuk Mengidentifikasi Status Gizi Balita. Jurnal EECCIS , Vol 8, No.1.
Assadi, A., & Zade, S. H. (2014). UGA: A New Genetic Algorithm-Based Classification Method for Uncertain Data. Middle-East Journal Of Scientific Research ISSN 1990-9233, 1207-1212.
Berndtsson, M., Hansson, J., Olsson, B., & Lundell, B. (2008). A Guide For Students in Computer Science And Information Systems. London:
Springer.
Bramer, M. (2007). Principles of Data Mining. London: Springer.
D.Thangamani, & P.Sudha. (2014). Identification of Various Deficiiencies Using Data Mining Techniques- A Survey. International Journal Of Science and Research (IJSR).
Dawson, C. (2009). Projects in Computing and Information System A Students Guide. England: Addison-Wesley.
Degroff , C. G., & dkk. (2001). Artificial Neural Network - Based Method of Screening Heart Murmurs in Children. American Heart Association Jornals.
Depkes RI. (2009). Profil Kesehatan Indonesia 2008. Jakarta: Departemen Kesehatan RI.
Dezhi, X., & Ganegoa, G. U. (2011). Rule Based Classification to detect
Malnutrition in Children. International Journal on Computer Science and Enggineering (IJCSE).
Gorunescu, F. (2011). Data Mining Concepts, Models and Techniques. Verlag Berlin Heidelberg: Springer.
Han, J., & Kamber, M. (2006). Data Mining Concepts and Techniques Second Edition. California: Morgan Kaufmann.
Karegowde, A. G., Manjunath, A., & Jayaran, M. (2011). Application of Genetic Algorithm Optimizied Neural Network Weights for Medical Diagnosis of PIMA Indians Diabetes. International Journal on Soft Computing (IJCS), Vol.2, No.2.
Kementerian Kesehatan. (2011). Bagan Tata Laksanan Anak Gizi Buruk.
Direktorak Bina Gizi.
Khothari, C. (2004). Research Methology Methods and Thehniques. India: New Age International.
Kusrini, & Luthfi, E. T. (2009). Algoritma Data Mining. Yogyakarta: Penerbit Andi.
Larose, D. (2006). Data Mining Methods and Models. Jhon Wiley & Sons Inc.
Hoboken New Jersey.
Maimon , O., & Rokach, L. (2010). Data Mining and Knowledge Discovery Hanbook Second Edition. New York: Springer.
Moradi , M., & Abedini, M. (2012). A Combination of Genetic Algorithm and Particle Swarm Optimiation for Optimal DG Location and istribution System. Elsevier.
Myatt, G. J. (2007). Making Sanse Of Data A Partical Guide to Explaratory Data Analysis and Data Mining. Canada: John Wiley & Sons.
Nix, S. (2005). William's Basic Nutrition & Diet Therapy. Elsivier Mosby Inc.
USA.
Prof.dr.Haman Hadi.M.S., S. (2005). Beban Ganda Masalah Gizi dan
Implikasinya Terhadap Kebijakan Pembangunan Kesehatan Nasional.
Pidato Pengukuhan Jabatan Guru Besar pada Fakultas Kedokteran Universitas Gadjah Mada.
Sexton, R. S., & Dorsey, R. E. (2000). Reliable Classification Using Neural Networks: A Genetic Algorithm and . ACM , Issue 30.
Sihombing, B. (2011). Jaringan Syaraf Tiruan dan Algoritma Genetika dalam Pemodelan Kalibrasi (Studi Kasus:Tanaman Obat Temulawak). Tesis Sekolah Pasca Sarjana IPB.
Singh, Y. (2006). Fundamental of Research Methodology and Statistics . New Delhi: New Age International.
Sivanandam, S., & Deepa, S. (2008). Introduction to Genetic Algorithm. Berlin Heidelberg New York: Springer.
Supariasa, I. N., & Fajar, I. (2002). Penilaian Status Gizi. Jakarta: PT Gramedia Indonesia.
Swastina, L., & Lareno, B. (2014). Model Penentuan Potensi Status Gizi
Bermasalah Menggunakan Decision Tree. Jurnal Gema Aktualita, Vol. 3 No. 2.
Thangamani , D., & Sudha, P. (2014). Identification of Malnutrition wish Use of Supervised Data Mining Techniques-Decision Trees and Artificial Neural Networks. International Journal of Engineering and Computer Science ISSN: 2319-7242.
Vercellis, C. (2009). Bussine Intellegence: Data Mining and Optimization for Decision Maing. United Kingom: Jhon Wiley & Sons.
Wahyuningsih, U., Khamsan, A., & Ekawidyani, K. R. (2014). Asupan Zat Gizi, Status Anemia pada Remaja Laki-laki Pengguna Narkoba di Lembaga Permasyarakatan Anak Pria Tangerang. Jurnal Gizi dan Pangan, ISSN 1978-1059, 23-28.
Wardlaw, G. M., & Hampl, S. J. (2007). Perspective In Nutrition. New York: Mc.
Graw Hill Companies Inc.
Witten, I., Frank, E., & Hall, M. (2011). Data Mining Particial Machine Learning tools and Techniques. United States: Elsivier Inc.
Zhi, X. D., & Ganegoda, G. U. (2011). Rule Based Classification to Detect Malnutrition in Children. International Journal On Computer Science and Engineering (IJCSE).
