TUGAS AKHIR
KLASIFIKASI STATUS GIZI PADA LANSIA MENGGUNAKAN PENERAPAN LEARNING VECTOR
QUANTIZATION 3 (LVQ 3)
KHURUN ‘AIN MUZAQI 17102155
PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS INFORMATIKA
INSTITUT TEKNOLOGI TELKOM PURWOKERTO
2021
TUGAS AKHIR
KLASIFIKASI STATUS GIZI PADA LANSIA MENGGUNAKAN PENERAPAN LEARNING VECTOR
QUANTIZATION 3 (LVQ 3)
CLASSIFICATION OF NUTRITIONAL STATUS IN THE ELDERLY USING THE APPLICATION OF LEARNING VECTOR QUANTIZATION 3 (LVQ 3)
Disusun Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer
KHURUN ‘AIN MUZAQI 17102155
PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS INFORMATIKA
INSTITUT TEKNOLOGI TELKOM PURWOKERTO
2021
Halaman Persetujuan Pembimbing
KLASIFIKASI STATUS GIZI PADA LANSIA MENGGUNAKAN PENERAPAN LEARNING VECTOR
QUANTIZATION 3 (LVQ 3)
Di persiapkan dan Disusun oleh
KHURUN ‘AIN MUZAQI 17102155
Usulan penelitian Tugas Akhir telah disetujui pada tanggal 23 Juni 2021
Pembimbing Utama Pembimbing Pendamping
(Apri Junaidi, S.Kom., M.Kom., MCS) NIDN. 0407047403
(Wahyu Andi Saputra, S.Pd., M.Eng) NIDN. 0628129101
Lembar Pengesahan Pembimbing
KLASIFIKASI STATUS GIZI PADA LANSIA MENGGUNAKAN PENERAPAN LEARNING VECTOR
QUANTIZATION 3 (LVQ 3)
CLASSIFICATION OF NUTRITIONAL STATUS IN THE ELDERLY USING THE APPLICATION OF LEARNING VECTOR QUANTIZATION 3 (LVQ 3)
Dipersiapkan dan Disusun Oleh KHURUN ‘AIN MUZAQI
17102155
Telah Diujikan dan Dipertahankan dalam Sidang Ujian Tugas Akhir Pada hari 1 Juli 2021
Pembimbing Utama
(Apri Junaidi, S.Kom., M.Kom., MCS) NIDN. 0407047403
Pembimbing Pendamping
(Wahyu Andi Saputra, S.Pd., M.Eng) NIDN. 0628129101
Tugas Akhir ini diterima sebagai salah satu persyaratan Untuk memperoleh gelar Sarjana Komputer
Tanggal Kaprodi
(Auliya Burhanuddin, S.Si., M. Kom) NIDN. 0630058202
Lembar Penetapan Penguji
KLASIFIKASI STATUS GIZI PADA LANSIA MENGGUNAKAN PENERAPAN LEARNING VECTOR
QUANTIZATION 3 (LVQ 3)
CLASSIFICATION OF NUTRITIONAL STATUS IN THE ELDERLY USING THE APPLICATION OF LEARNING VECTOR QUANTIZATION 3 (LVQ 3)
Di persiapkan dan Disusun Oleh:
KHURUN ‘AIN MUZAQI 17102155
Tugas Akhir Telah diuji dan Dinilai Panitia Penguji Program Studi S1 Informatika
Fakultas Informatika
Institut Teknologi Telkom Purwokerto Pada Tanggal: 1 Juli 2021
Anggota Penguji I
(Amalia Beladinna Arifa, S.Pd., M.Cs) NIDN. 0606019201
Anggota Penguji II
(Faisal Dharma Adhinata,S.Kom., M.Cs) NIDN. 0607079301
iv
HALAMAN PERNYATAAN KEASLIAN TUGAS AKHIR
v
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Allah SWT, karena berkat rahmat dan karunia-Nya penulis diberikan kesehatan, kelancaran dan kemudahan sehingga penulis dapat menyelesaikan Tugas Akhir ini dengan baik.
Selama penyusunan laporan Tugas Akhir ini hingga selesai penulis mengerjakan selama tiga semester yang dijalankan secara lancar sesuai dengan harapan yang diinginkan. Oleh karena itu, penulis menyadari bahwa laporan Tugas Akhir ini banyak melibatkan dukungan, bantuan dan doa dari banyak pihak, dengan segala kerendahan hati pada kesempatan ini penulis ingin mengucapkan rasa terima kasih kepada:
1. Bapak Solichun dan Ibu Siti Toingah yang telah memberikan doa, dukungan, serta kebahagiaan yang tidak terhingga selama proses pembuatan laporan Tugas Ahir.
2. Bapak Apri Junaidi, S.Kom., M.Kom., MCS. Selaku pembimbing pertama yang selalu memberikan waktu, arahan, masukan dan dukungan dalam setiap bimbingan.
3. Bapak Wahyu Andi Saputra, S.Pd., M.Eng., Selaku pemimbing kedua yang selalu membantu memberikan arahan, dukungan dalam setiap bimbingan.
4. Bapak Agi Prasetiadi, S.T., M.Eng. selaku dosen yang bersedia membimbing dan membantu memberikan arahan pada peneliti dalam menyelesaikan Tugas Akhir.
5. Bapak Ali Rokhman, M.Si Selaku Rektor Institut Teknologi Telkom Purwokerto.
6. Ibu Dr. Tenia Wahyuningrum, S.Kom., M.T. selaku Dekan Fakultas Informatika Institut Teknologi Telkom Purwokerto.
7. Bapak Auliya Burhanuddin, S.Si., M. Kom. selaku Kepala Program Studi S1 Informatika Institut Teknologi Telkom Purwokerto.
8. Para Dosen Program Studi S1 Informatika Institut Teknologi Telkom Purwokerto yang telah memberikan bekal ilmu kepada penulis.
vi
9. Pihak RS. Islam Banjarnegara yang telah menerima penulis dan memberikan informasi yang dibutuhkan dalam penulisan Tugas Akhir.
10. Pihak Puskesmas Rakit I yang telah menerima penulis dan memberikan Informasi yang dibutuhkan dalam penulisan Tugas Akhir.
11. Mba Hani Istiqomah, Mba Laeily Sahlatun, Mba Binti Khuzaemah, Mba Khayatun Istinganah dan Bu lik Umi yang selalu menyemangati dan memberikan arahan kepada penulis hingga dapat menyelesaikan tugas akhir ini.
12. Keluarga Besar Pondok Pesantren Bani Malik yang selalu ada dan memberikan doa serta dukungan selama penulis masuk kuliah di Institut Teknologi Telkom Purwokerto hingga sampai saat ini.
13. Ust. Sirojudin, Richard Ibrahim Salsabiela, Lalita Afin Nur Zakiyah, Mba Siti Munirotussangadah, Latifah Nurokhmah, Novi, Mba Kholifah, Mba Yuyun yang telah menyemangati serta membantu penulis dalam memberikan masukan dan membantu tenaga dalam menyelesaikan tugas akhir ini.
14. Rekan pembimbing Tugas akhir Janur Syahputra sebagai pembimbing tambahan yang telah membantu penulis dengan memberikan arahan, membagikan ilmu serta memberikan semangat dan memotivasi hingga penulis dapat menyelesaikan Tugas Akhir ini.
15. Rekan Seperjuangan Tugas akhir Hikmah Quddustiani, Surya Adi Widiarto, Mokhtar Khoiruddin dan Diaz Astizyah. Sebagai teman seperjuangan pengerjaan dan motivasi penulis dalam menyelesaikan Tugas Akhir.
16. Rekan seperjuangan Dolan, Vidia, Rizka, Dara, Neomy Thowaf, Adit, Rafael, Reyvaldi, Reynaldi, Wachid, yang selalu memberikan support dan membagikan kebahagian selama perkuliahan dan penyusunan Tugas Akhir.
17. Para anggota PSDM HMIF IT Telkom Purwokerto periode 2018/2019 dan 2019/2020 (Mba Alfaria Rizki, Kak Siwi, Kak Eliza, Kak Syaiful, Rindu Hafil M, Zafira, Mawar, Rizal, Halim, Alfan) yang telah menemani penulis dalam berproses selama di ITTP dan selalu memberi support satu sama lain.
vii
18. Rekan-rekan satu bimbingan bapak Apri Junaidi, S.Kom., M.Kom., MCS dan Bapak Wahyu Andi Saputra, S.Si., M.Sc yang selalu memberikan support satu sama lain untuk bisa menyelesaikan Tugas Akhir.
19. Diaz Astizyah, Aina Azalea, Ruty dan Adam Iqbal yang telah membantu penulis dalam proses belajar hingga penyusunan laporan Tugas Akhir dengan saling mendoakan hal yang terbaik satu sama lain.
20. Rekan-rekan seperjuangan rombongan belajar IF 05 E yang tidak dapat disebutkan satu persatu.
21. Rekan-rekan seperjuangan di IT Telkom Purwokerto yang tidak dapat disebutkan satu persatu.
Penulis menyadari bahwa masih banyak kekurangan dalam penulisan dan penyajian Tugas Akhir ini, sehingga kritik dan saran dari pembaca yang dapat membangun sangat diharapkan menjadi masukan penulis kedepanya. Akhir kata, penulis berharap semoga skipsi ini dapat memberikan manfaat dan membantu untuk menambah pengetahuan bagi pembaca dan yang membutuhkan.
Purwokerto, 20 Juni 2021 Khuruni ‘Ain
Muzaqi
viii
DAFTAR ISI
TUGAS AKHIR ... i
TUGAS AKHIR ... ii
Halaman Persetujuan Pembimbing ... i
Lembar Pengesahan Pembimbing ... ii
Lembar Penetapan Penguji ... iii
HALAMAN PERNYATAAN KEASLIAN TUGAS AKHIR ... iv
KATA PENGANTAR ... v
DAFTAR ISI ... viii
DAFTAR TABEL ... xi
DAFTAR GAMBAR ... xii
DAFTAR LAMPIRAN ... xiv
DAFTAR GLOSARIUM ... xv
ABSTRAK ... xviii
ABSTRACT ... xix
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Pertanyaan Penelitian ... 7
1.3 Perumusan Masalah ... 7
1.4 Batasan Masalah ... 7
1.5 Tujuan Penelitian ... 8
1.6 Manfaat Penelitian ... 8
BAB II TINJAUAN PUSTAKA ... 10
2.1 Tinjauan Pustaka ... 10
2.2 Landasan Teori ... 19
2.2.1. Lanjut Usia (Lansia) ... 19
ix
2.2.2. Kartu Jaminan Kesehatan ... 20
2.2.3. Status Gizi ... 20
2.2.4. Neural Network (Jaringan Saraf Tiruan)... 23
2.2.5. Klasifikasi ... 25
2.2.6. Learning Vector Quantization (LVQ) ... 25
2.2.6.1. Arsitektur Learning Vector Quantization (LVQ) ... 26
2.2.6.2. Algoritma LVQ 3 ... 27
2.2.7. Bahasa Pemrograman Phyton ... 29
2.2.8. Normalisasi Z-Score... 30
2.2.9. One Hot Encoder ... 30
2.2.10. Confusion Matrix ... 31
BAB III METODOLOGI PENELITIAN... 33
3.1 Subjek dan Objek Penelitian ... 33
3.2 Alat dan Bahan ... 33
3.3 Diagram Alir Penelitian/Proses Penelitian ... 34
3.3.1. Identifikasi dan Perumusan Masalah ... 35
3.3.2. Studi Pendahuluan ... 36
3.3.3. Pengumpulan Data ... 36
3.3.4. Preprocessing ... 37
3.3.5. LVQ 3 ... 47
3.3.6. Evaluasi dan Kesimpulan ... 59
BAB IV ... 60
4.1 Hasil Pengujian ... 60
4.1.1. Hasil Akurasi Klasifikasi Status Gizi Pada Lansia Menggunakan Learning Vector Quantization 3 (LVQ 3)... 64
4.1.2. Pengujian jumlah epoch terhadap akurasi ... 66
4.1.3 Percobaan Penelitian ... 66
4.2 Analisis ... 69
BAB V ... 73
5.1 Kesimpulan ... 73
5.2 Saran ... 74
DAFTAR PUSTAKA ... 75
x
LAMPIRAN ... 85
xi
DAFTAR TABEL
Tabel 2.1 Penelitian Terdahulu ... 15
Tabel 2.2 Kategori ambang batas IMT di Indonesia ... 23
Tabel 3.1 Contoh perhitungan z-score ... 40
Tabel 3.2 Data Input Bobot (W) ... 51
Tabel 3.3 Data Uji (X) ... 51
Tabel 4.1 Nilai Parameter Pengujian ... 64
Tabel 4.2 Hasil Akurasi berdasarkan preprocessing... 64
Tabel 4.3 Perhitungan Akurasi ... 70
Tabel 4.4 Perhitungan Precission ... 71
Tabel 4.5 Perhitungan Recall ... 72
xii
DAFTAR GAMBAR
Gambar 1.1 Proyeksi Jumlah Penduduk 2020 Menurut Provinsi (SUPAS 2015) ... 1
Gambar 1.2 Tren Jumlah dan Proporsi Penduduk Usia Mencapai 60 Tahun ... 2
Gambar 2.1 Kaitan Asupan gizi dengan status gizi ... 20
Gambar 2.2 Single layer Neural Network ... 23
Gambar 2.3 Multi-Layer Neural Network ... 24
Gambar 2.4 Arsitektur LVQ ... 25
Gambar 2.5 Arsitektur LVQ 3 ... 27
Gambar 2.6 Label Encoding & One Hot Encoding ... 30
Gambar 2.7 Confusion Matrix ... 30
Gambar 3.1 Diagram Alir Penelitian ... 34
Gambar 3.2 Penghapusan kolom data ... 37
Gambar 3.3 Penanganan missing value menggunakan modus ... 38
Gambar 3.4 Penanganan missing value menggunakan modus dan mean ... 38
Gambar 3.5 Penanganan missing value menggunakan median dan modus ... 39
Gambar 3.6 Hasil Perhitungan IMT ... 40
Gambar 3.7 Normalisasi z-score ... 42
Gambar 3.8 Normalisasi z-score dengan fungsi absolute ... 42
Gambar 3.9 Hasil Pelabelan Target Berdasarkan IMT ... 43
Gambar 3.10 Hasil One Hot Encoder ... 44
Gambar 3.11 Hasil Pelabelan Kolom Keterangan ... 46
Gambar 3.12 Arsitektur LVQ 3 untuk Klasifikasi Gizi Pada Lansia ... 47
Gambar 3.13 Proses Training LVQ 3 untuk Klasifikasi Gizi Lansia ... 48
Gambar 3.14 Proses Testing LVQ 3 untuk Klasifikasi Gizi Lansia ... 49
Gambar 3.15 Program perintah pengambilan data test ... 49
Gambar 4.1 Pembagian Data Training dan Testing ... 60
Gambar 4.2 Nilai Learning Rate(a) ... 61
Gambar 4.3 Nilai Pengurangan Learning Rate(b) ... 61
Gambar 4.4 Nilai Window(ε) ... 62
xiii
Gambar 4.5 Minimum Learning Rate... 63
Gambar 4.6 Pengujian jumlah epoch ... 66
Gambar 4.7 Hasil preprocessing data missing value ... 67
Gambar 4.8 Percobaan Penggunaan Data Missing Value ... 67
Gambar 4.9 Percobaan Penghilangan Parameter learning rate(b) ... 67
Gambar 4.10 Percobaan Penggunaan Jumlah Dataset 291 ... 68
Gamabr 4.11 Penggunaan percobaan perbandingan rasio ... 68
Gambar 4.12 Hasil Klasifikasi Report ... 69
Gambar 4.13 Confusion Matrix... 70
xiv
DAFTAR LAMPIRAN
Lampiran 1 Hasil Wawancara Ahli Gizi ... 85
Lampiran 2 Surat Permintaan Data (Dinas Kesehatan Banjarnegara) ... 87
Lampiran 3 Surat Permintaan Data (Rumah Sakit Islam Banjarnegara) ... 88
Lampiran 4 Dataset Penelitian ... 89
Lampiran 5 Daftar Pertanyaan Pada Kuisioner Hardcopy ... 91
Lampiran 6 Daftar Pertanyaan Pada Kuisioner Online ... 92
Lampiran 7 Source Code Preprocessing Klasifikasi Status Gizi Pada Lansia Menggunakan Learning Vector Quantization (LVQ 3) ... 96
Lampiran 8 Source Code LVQ3 Klasifikasi Status Gizi Pada Lansia Menggunakan Learning Vector Quantization (LVQ 3) ... 98
Lampiran 9 Source Code Grafik Klasifikasi Status Gizi Pada Lansia Menggunakan Learning Vector Quantization (LVQ 3) ... 102
xv
DAFTAR GLOSARIUM
Ageing population : Era penduduk menua dengan bertambahnya jumlah penduduk lansia di suatu negara
Artificial Intelligence : Sistem ilmu komputer memiliki bagian ilmu yang dapat membuat mesin (komputer) meniru perilaku manusia
Antropometri : Ilmu tentang pengukuran tubuh manusia, digunakan untuk pembuatan desain furnitur yang ergonomis, klasifikasi dan perbandingan antropologis, dan sebagainya
Biokimia : Pengobatan biokimia, pengobatan biologi, mikrobiologi, sitologi, bakteriologi, genetika, imunitas, imunologi, mikroorganisme, virologi BPJS : Badan Penyelenggara Jaminan Sosial Kesehatan
(BUMN yang bergerak di bidang asuransi kesehatan, sebelumnya bernama Askes)
BPS : Badan Pusat Statistik (lembaga pemerintah nonkementerian yang melaksanakan tugas pemerintahan dalam bidang statistik)
Dataset : Suatu kumpulan data yang digunakan untuk proses penelitian
Energi : Kemampuan untuk melakukan kerja, daya
(kekuatan) yang dapat digunakan untuk melakukan berbagai proses kegiatan)
Gizi : Zat makanan pokok yang diperlukan bagi
pertumbuhan dan kesehatan badan
Google formulir : Suatu wadah yang membantu dalam proses pengumpulan data dengan teknik kuisioner
IMT : Indeks Massa Tubuh metode untuk memperkirakan kadar kegemukan seseorang dilihat dari jumlah lemak pada tulang, otot, jaringan, organ, dan darah JKN-KIS : Kartu jaminan kesehatan yang diberuntukan untuk
masyarakat kurang mampu
xvi
Klinis : Metode penentuan suatu masalah kesehatan dengan menggunakan ilmu kedokteran
Lansia : Penduduk dengan usia telah mencapai 60 tahun LVQ : Metode pembelajaran terwarisi yang merupakan
bagian dari Jaringan Syaraf Tiruan dan dapat digunakan untuk proses klasifikasi
Malnutrisi : Keadaan defisiensi (kurang), kelebihan, atau ketidakseimbangan zat gizi; malagizi
Metabolisme : Pertukaran zat pada organisme yang meliputi proses fisika dan kimia, pembentukan dan penguraian zat di dalam badan yang memungkinkan berlangsungnya hidup
Neural Network : Metode yang menirukan cara kerja jaringan syaraf pada manusia
Nutrisi : Proses pemasukan dan pengolahan zat makanan oleh tubuh
Old dependency ratio : Beban ketergantungan penduduk tua terhadap penduduk dengen usia produktif
Puskesmas : Pusat kesehatan masyarakat; poliklinik di tingkat kecamatan tempat rakyat menerima pelayanan kesehatan dan penyuluhan mengenai keluarga berencana
Posbindu : Posyandu lansia sebagai pelayanan dari puskesmas terhadap masyarakat dengan status penduduk lanjut usia
Protein : Kelompok senyawa organik bernitrogen dengan bobot molekul tinggi yang sangat penting bagi kehidupan; bahan organik yang susunannya sangat majemuk, yang terdiri atas beratus-ratus atau beribu-ribu asam amino, dan merupakan bahan utama pembentukan sel dan inti sel; zat putih telur Preprosessing : Langkah yang digunakan untuk menyiapkan data
untuk digunakan pada penelitian
xvii
SUPAS : Survei Penduduk Antar Sensus
Testing : Langkah memproses suatu percobaan untuk dapat menyimpulkan suatu penelitian
Training : Langkah yang digunakan untuk melatih suatu data agar dapat memfungsikan suatu proses penelitian yang dibuat
Toksin : Zat racun yang dibentuk dan dikeluarkan oleh organisme yang menyebabkan kerusakan radikal dalam struktur atau faal, merusak total hidup atau keefektifan organisme pada satu bagian
UHH : Usia seseorang yang diharapkan hidup berdasarkan perhitungan statistik
WHO : World Health Organization adalah suatu organisasi internasional dalam bidang kesehatan dan berfungsi untuk memberikan kebijakan dan penanganan kesehatan masyarakat dunia
