BAB III ANALISA DAN PERANCANGAN SISTEMeprints.umm.ac.id/40045/4/BAB III.pdf · Basis pengetahuan...

18

BAB III

ANALISA DAN PERANCANGAN SISTEM

Pada bab ini akan dijelaskan mengenai analisa dan perancangan sistem

dari aplikasi yang akan dibuat untuk klasifikasi status gizi pada balita 0-60 bulan

di desa Tegalgondo, Karangploso Malang.

3.1 Analisa Dan Gambaran Umum

Masalah gizi di Indonesia merupakan masalah nasional, di mana balita

umur 0-60 bulan yang paling rentan terkena masalah gizi di antaranya adalah

masalah gizi kurang bahkan gizi buruk. Pada usia 0-60 bulan merupakan masa

pertumbuhan yang paling baik, dimana pada usia ini kesehatan balita serta status

gizinya dapat dijadikan acuan mengenai kesehatannya di masa yang akan datang.

Kekurangan gizi sendiri disebabkan oleh beberapa faktor, diantaranya adalah

pengetahuan, kemiskinan, karena adanya suatu penyakit dan lain sebagainya.

Diharapkan dengan adanya aplikasi yang akan dibuat ini dapat membantu para

ahli dibidangnya dalam menyelesaikan masalah gizi kurang bahkan gizi buruk

khususnya di desa Tegalgondo, Karangploso Malang.

3.1.1 Kebutuhan Hardware

Hardware (perangkat keras) merupakan perangkat yang akan digunakan

sebagai alat dalam memproses atau menjalankan perangkat lunak ( software ).

Dalam pembuatan aplikasi ini, kebutuhan perangkat keras yang digunakan adalah

sebagai berikut :

Processor : Intel® Core™ i3-2310M CPU @2.10GHz,-2.1GHz

Memory : 2048 MB RAM

Lain-lain :keyboard, mouse

19

3.1.2 Kebutuhan Software

Software (Perangkat lunak) adalah aplikasi yang nantinya akan

digunakan untuk membuat aplikasi. Untuk membuat aplikasipada tugas

akhir ini nanti yang akan digunakan adalah software sebagai berikut :

Operating system: Windows 7 Ultimate 32bit

Java Develoment Kit (JDK) Versi 8.1

Java Runtime Environment (JRE) Versi 8.1

Netbeans IDE Versi 7.0

Mysql Workbench 5.2 CE

Xampp Control Panel v3. 1.0.3.1.0

3.2 Akurasi Pengetahuan

Akuisasi Pengetahuan dari klasifikasi status gizi pada balita didapat dari:

1. Wawancara, dengan dokter ahli gizi anak.

2. Buku dan Data Tentang Faktor yang mempengaruhi status gizi pada balita

klasifikasi status gizi pada balita membutuhkan basis pengetahuan di sertai

keabsahan data yang valid. Basis pengetahuan ini berisi fakta-fakta yang di

butuhkan oleh sistem,sedangkan inferensi di butuhkan untuk menganalisa

faktor lain yang mendukung keadaan status gizi balita sehingga didapatkan

sebuah kesimpulan. Basis pengetahuan terdiri dari data balita berupa berat

badan, tinggi badan, pola makan, pola asuh, tingkat pegetahuan pengasuh

balita tentang kesehatan anak.

3.3 Analisa Kebutuhan Sistem

Untuk mempermudah menentukan keseluruhan kebutuhan sistem secara

lengkap dan tepat, maka kebutuhan sistem di bagi menjadi 2 jenis. Jenis pertama

adalah kebutuhan fungsional (Functional Requirment). Kebutuhan fungsional

adalah jenis kebutuhan yang berisi proses-proses apa saja yang nantinya di

lakukan oleh ssstem. Kebutuhan fungsional juga berisi informasi-informasi apa

saja yang harus ada dan di hasilkan oleh sistem. Jenis Kedua adalah kebutuhan

20

non fungsional (NonFunctioanl Requirment). Requirement jenis ini adalah tipe

requement yang berisi prilaku yang di miliki oleh sistem.

3.3.1 Kebutuhan Fungsional

Kebutuhan fungsional adalah kebutuhan utama yang harus ada agar sistem

dapat berjalan. Berikut adalah kebutuhan fungsional yang dimiliki sistem :

1. Sistem dapat melakukan input data berupa jenis kelamin anak, umur,

berat badan, penghasilan orang tua, pendidikan ibu serta jumlah point

pengetahuan ibu berdasarkan data kuisioner yang telah di isi.

2. Sistem dapat melakukan preprocessing data.

3. Sistem dapat menghitung bobot tiap masukan data dan melanjutkan ke

hidden layer.

4. Sistem dapat melakukan klasifikasi status gizi berdasarkan data

training yang telah tersedia pada database.

3.3.2 Kebutuhan Non-Fungsional

Kebutuhan non-fungsional adalah sesuatu yang di perlukan oleh

sistem agar dapat berjalan dengan optimal. Berikut adalah kebutuhan non

fungsional sistem yaitu :

1. Sistem dapat menunjukkan hasil klasifikasi status gizi pada balita.

2. Sistem dapat menunjukkan hasil Accuracy, Precision dan Recall.

3.4 Perancangan Sistem

Tujuan dari perancangan sistem adalah untuk memenuhi kebutuhan user

mengenai gambaran yang jelas tentang perancangan sistem yang akan di buat

serta diimplemenasikan. Untuk memulai membangun sebuah program yang

berupa sistem klasifikasi status gizi, maka penulis terlebih dahulu merencanakan

alur kerja berdasarkan kebutuhan user yang akan menggunakan sistem tersebut.

21

Gambar 3.1 Alur Perancangan Sistem

3.4.1 Alur Perancangan Sistem

a. Pengumpulan data

Pengumpulan data di lakukan dengan dua cara yaitu, pengisian

kuisiner dan wawancara. Pada lembaran kuisiner, terdapat beberapa data yang

harus diisi oleh ibu/pengasuh balita yaitu pendidikan terakhir ibu, penghasilan

orang tua balita dimana penghasilan yang di maksudkan adalah penghasilan

bersih. Penghasilan bersih tersebut sudah dikurangi dengan uang listrik

bulanan, PDAM, asuransi, kredit dll.

Adapun point dari pengetahuan ibu/pengasuh di dapatkan dari hasil

pengakumulasian point, dimana terdapat 50 soal yang harus di jawab pada

lembar kuisioner dan masing-masing soal memiliki bobot nilai yang telah

ditentukan. Data yang berupa jenis kelamin anak, berat dan umur dapat di lihat

dari hasil KSM terakhir pada balita. Data balita pada kartu KSM dapat

memperlihatkan staus gizi balita, apakah dia termasuk gizi baik tau gizi

kurang. Contoh gambar kuisioner ada pada halaman lampiran.

b. Preprocessing (data cleaning)

Yang dilakukan dalam proses berikut ada dua proses yaitu feature

selection dan normalisasi data. Feature selection yaitu memilih fitur-fitur apa

saja yang dibutuhkan sebagai parameter dalam aplikasi yang akan dibuat,

sedangkan normalisasi data yaitu membersihkan data-data yang tidak valid.

Pada Feature selection di dapatkan enam parameter yaitu jenis kelamin, berat

badan, umur, penghasilan orang tua, nilai pengetahuan orang tua serta tingkat

22

penddidikan ibu. Selanjutnya proses normalisasi data sendiri yaitu membuang

data-data yang tidak di perlukan oleh sistem, seperi nama, anak,nama ortu,

alamat dll.

c. Pembobotan

Inisialisasi input dan bobot adalah pemberian nilai awal untuk input dan

bobot pada jaringan backpropagation. Penentuan bobot awal koneksi, untuk

menentukan nilai dari bobot koneksi awal Vnj dan Wjk diinisialisasi dengan

cara random dengan nilai jangkauan [-0.5,+0.5].

d. Data Training

Tahap selanjutnya yaitu melakukan implementasi kedalam algoritma

Artificial Neural Network (ANN) backpropagation . Terdapat beberapa proses

perhitungan yang di lakukan pada proses training algoritma Backproagation

agar jaringan dapat mengenali pola dengan baik. Gambar 3.2 berikut untuk

mengetahui detail proses algoritma Backpropagation.

23

Gambar 3.2 Training algoritma ANN Backpropagation

Terdapat beberapa proses atau tahap yang di lakukan ketika

melakukan training training pada algoritma backpropagation, yaitu

membaca input proses prepocessing, inisialisasi nilai input dan bobot,

melakukan proses training dan iterasi, menghitung nilai error dan

bobot, melakukan pengecekan nilai error, update bobot, stop proses

training lalu menyimpan nilai bobot akhir.

1. Membaca input dari preprocessing adalah proses pengambilan

nilai yang nantinya akan digunakan untuk input jaringan pada

24

algoritma backpropagation. Inisialisasi input dan bobot adalah

pemberian nilai awal untuk input dan bobot pada jaringan

backpropagation. Nilai dari bobot koneksi awal Vnj dan Wjk di

inisialisasi dengan cara random yatu dengan nilai jangkauan [-

0.5, +0.5]

2. Proses training adalah proses pemberian nilai awal dari iterasi

yang akan dilakukan, iterasi akan terus dilakukan sampai nilai

error pada jaringan backpropagation sudah terpenuhi.

3. Perhitungan nilai error dan bobot adalah perhitungan nilai error

dan bobot yang ada pada jaringan backpropagation. Setelah

perhitungan nilai error selesai, maka akan dilakukan pengecekan

nilai error, jika nilai error dianggap belum memenuhi target

error, maka akan dilakukan kembali proses training dengan

bobot-bobot terbaru. Namun jika nilai error sudah dianggap

memenuhi target error, maka jaringan backpropagationakan

menghentikan proses training dan menyimpan nilai dari bobot

akhir yang diperoleh yang nantinya akan digunakan sebagai

bobot dalam pengujian jaringan backpropagation.

e. Klasifikasi

Penentuan klasifikasi status gizi menggunakan Z-Skor atau standar deviasi

unit (SD) sebagai batas ambang kategori dan di gunakan untuk meneliti atau

memantau pertumbuhan serta mengetahui klasifikasi status gizi. Z-Skor dapat

di hitung dengan menggunakan rumus

Gambar 3.3 Rumus Z-Skor

Kategori status gizi menurut indks (BB/U) dan batasan-batasannya.

Berdasarkan hasi keputusan Menteri Kesehatan R.I No.

920/Menkes/SK/VIII/2002, untuk menggunakan rujukan baku World

25

Health Organization-National Center for Health Statistics (WHO-NCHS)

dapat di lihat pada tabel 3.1 berikut :

Indeks Status Gizi Ambang Batas

Berat Badan terhadap

umur (BB/U) Gizi Baik >-2SD sampai +2SD

Gizi Kurang

26

1 jika’SMP’. Jumlah point prilaku ibu

terhadap pertumbuhan anak serta pola asuhnya.

3. Menampilkan hasil klasifikasi

3.5 Perhitungan ANN Backpropagation

Jika semua tahap tersebut dilakukan maka dilakukan uji dan evaluasi

aplikasi. Dalam ANN Backpropagation, algoritma pelatihan mempunyai dua fase,

fase pertama vektor/data masukan diberikan pada layer masukan. Jaringan

kemudian merambatkan data masukan dari layer masukan ke hidden layer

pertama, kemudian diteruskan ke hidden layer berikutnya sampai nilai keluaran

dibangkitkan oleh layer keluaran. Fase kedua, jika nilai/pola keluaran berbeda

dengan nilai keluaran yang diinginkan, error akan dihitung kemudian akan

dirambatkan balik ke layer keluaran sampai kembali ke layer masukan, Bobot

diperbaiki selama proses perambatan balik.

Ada beberapa parameter yang perlu diperhatikan dalam menyelesaikan masalah

pada perancangan pelatihan algoritma ANN yang sangat berpengaruh,

diantaranya:

1. Jumlah neuron pada input layer ini berdasarkan pada jumlah variabel

yang akan diproses.

2. Jumlah neuron pada hidden layer, belum ada cara pasti dalam

menentukan jumlah neuron pada hidden layer tersebut. Untuk jumlah

neuron pada hidden layer ini tidak ditentukan. Dan jumlah pada hidden

layer ini mempengaruhi hasil klasifikasi. Sehingga semakin banyak

jumlah neuron pada hidden layer maka akan semakin baik hasil

klasifikasinya namun akan memperlambat proses komputasi sitem.

3. Jumlah neuron pada output layer, yaitu sebanyak 1 neuron dan

menyesuaikan jumlah kelas klasifikasinya gizi baik atau gizi kurang.

4. Bias, nilai bias ini merupakan nilai konstan yang dimiliki setiap neuron

(kecuali neuron pada lapisan input) yang digunakan untuk memperbaiki

keluaran jaringan agar dapat menyamai atau mendekati nilai keluaran

yang diinginkan.

27

5. Fungsi aktivasi, fungsi aktivasi yang digunakan dalam multilayer

perceptron yaitu sigmoid bipolar dan sigmoid biner, fungsi aktivasi

sigmoid biner yaitu nilai sinyal keluaran y dihitung menggunakan kurva

sigmoid dengan interval nilai keluaran mulai 0 sampai 1, sedangkan

sigmoid bipolar yaitu dengan interval -1 sampai 1. Pada penelitian ini,

fungsi aktivasi yang digunakan yaitu fungsi aktivasi sigmoid biner.

6. Penentuan bobot awal koneksi, untuk menentukan nilai dari bobot

koneksi awal Vnj dan Wjk diinisialisasi dengan cara random dengan nilai

jangkauan [-0.5,+0.5].

7. Laju pembelajaran (learning rate), nilai parameter laju pembelajaran ada

dalam jangkauan 0 sampai 1. Semakin besar nilainya maka semakin

cepat selesai proses pelatihannya. Jika terlalu kecil maka akan

memperlambat proses pelatihan tetapi lebih menjamin hasil klasifikasi

yang lebih baik. Umumnya nilai yang digunakan adalah 0.1 sampai 0.3.

Pada penelitian ini, laju pembelajaran yang akan dignakan 0.1.

8. Momentum, kecilnya nilai laju pembelajaran bias mengakibatkan proses

pelatihan yang lama, tetapi tidak menjamin hasil yang lebih baik.

Umumnya ditambahkan momentum untuk membantu mempercepat

proses pencapaian target error tetapi dengan laju pembelajaran yang

kecil.

9. Target error, merupakan akumulasi selisih antara nilai keluaran output

harapan dengan nilai keluaran yang didapatkan(output). Kriteria yang

digunakan adalah Sum of Square (SSE) atau Mean of Square (MSE) ,

menghitung nilai error = y- y’ . jika target error yang diinginkan belum

tercapai, maka dilakukan perubahan pada bobot dan jika nilainya masih

melebihi batas maka dilakukan pembaruan bobot.Sementara x adalah

vector masukan (data) yang seang diproses. Dan nilai yang umum

digunakan adalah 0.001 atau 0.0001. Pada penelitian ini criteria error

yang digunakan 0.001 [15].

Berikut akan di contoh perhitungan pada ANN backpropagation.

Pada perhitungan ini, diasumsikan dengan menggunakan tabel 3.14, asumsi

28

data 1,2,3,4,5,6 dengan inputan x1, x2 dengan 2 Hiden Layer y1,y2 . dan

Arsitektur pada gambar 3.14.

Case : Data berupa inputan jenis kelamin balita, umur, berat badan,

penghasilan orang tua, tingkat penddikan ibu dan jumlah point prilaku ibu

terhadap pertumbuhan dan pola asuh anak.

Tabel 3.2 Contoh Data

Data D1 D2 D3 D4 D5 D6 Output

1 2 42 14 1.250.000 1 77 1

2 1 17 7,2 714.000 1 73 0

3 2 27 9 868.000 1 73 0

4 1 23 8,1 603.000 1 77 0

5 2 7 7,1 6.057.000 2 85 1

6 1 14 11 1.437.000 2 73 1

Dari tabel data di atas ditemukan satuan data dengan nominal

angka yang cukup signifikasn , yaitu adanya data yang berupa satuan

hingga jutaan. Agar tidak ada ketimpangan data yang cukup signifikan,

maka D4 yang berupa penghasilan dari orang tua balita akan di jadikan

menjadi sebuah bilangan puluhan. Untuk mendapatkan nilai berupa angka

satuan dan puluhan, maka tiap data akan di bagi dengan bilangan seratus

ribu (10.000) dan mengambil empat angka pertama. Berikut proses

normalisasi data berupa penghasilan orang tua:

Data D1 D2 D3 D4 & Normalisas D5 D6 Output

1 2 42 14 1.250.000:100.000=12.50 1 77 1

2 1 17 7,2 714.000:100.000=7.14 1 73 0

3 2 27 9 868.000:100.000=8.68 1 73 0

4 1 23 8,1 603.000:100.000=6.03 1 77 0

5 2 7 7,1 6.057.000:100.000=60.5 2 85 1

6 1 14 11 1.437.000:100.000=14.37 2 73 1

29

Tabel 3.3 Hasil Normalisasi Data

Keterangan :

1 : Gizi Baik

0 : Gizi Kurang

D1 : Jenis kelamin balita bernilai 1 jika ‘perempuan’ dan 2 jika ‘laki-

laki’

D2 : Umur balita (bulan)

D3 : Berat badan balita (kg)

D4 : Penghasilan orang tua (rupiah)

D5 : Pendidikan ibu bernilai 1 jika’SMP’

D6 : Jumlah point prilaku ibu terhadap pertumbuhan anak serta pola

asuhnya

30

Gambar 3.5 Struktur Perhitungan ANN

a. Inisialisasi Parameter

#Inisialisasi

31

Iterasi : #1

#Data 1

Fase Pertama : Menghitung Keluaran

1. Hitung keluaran pada neuron di hidden layer Y1 sampai Y6

Y1 = D1 * W11 + D2 * W21 + D3 * W31+ D4 * W41 + D5 * W51

+ D6 * W61 + Bias * W01

= 2 * -0,26069 + 42 * 0.46539 + 14 * -0.12498 + 12.50 *

0.31665 + 1 * -0.20711 + 77 * 0.43782 + 1 * 0.37468

= 54.50690

∑Y1 = 1 / (1+ e-(Y1) ) = 1 / (1+ e - (54.50690) ) = 1 / 1 = 1.00000

Y2 = D1 * W12 + D2 * W22 + D3 * W32+ D4 * W42 + D5 *

W52 + D6 * W62 + Bias * W02

= 2 * 0.22168 + 42 * 0.19866 + 14 * -0.17832 + 12.50 * -

0.40371 + 1 * 0.20290 + 77 * 0.02086 + 1 * -0.31866

= 2.73478

∑Y1 = 1 / (1+ e-(Y2) ) = 1 / (1+ e−(2.73478)) = 1 / 0 =0.93905

Langkah sama sampai perhitungan Y6

Y3 = -20.63952

ƩY3 = 0.00000

Y4 = -29.40742

ƩY4 = 0.00000

Y5 = 50.67540

ƩY5 = 1.00000

Y6 = -0.71446

32

ƩY6 = 0.32861

2. Hitung keluaran pada neuron di output layer Z1

Z1 = ∑Y1 * V11 + ∑Y2 * V21 + ∑Y3 * V31+ ∑Y4 * V41+ ∑Y5 *

V51 + ∑Y6 * V61 + Bias * V01

= 0.30242

∑Z1 = 1 / (1+e-(Z1)) = 1 / (1+(𝑒−(.60143)) = 0.57503

Fase Kedua : Merambatkan balik error

1. Hitung error dan gradient error pada neuron di output layer Z1

Output harapan = 1

Z error1 = Output harapan - ∑Z1

= 1 - 0.57503

= 0.42497

δZ1 = ∑Z1 * (1- ∑Z1) * Z error1

= 0.57503* (1 - 0.57503) * 0.35402

= 0.1038

Hitung selisih bobot untuk output layer ∆V11, ∆V21, ∆V31, ∆V41, ∆51, ∆61, ∆V01

∆V11 = Leraning rate* ∑Y1 * δZ1 = 0.1 * 1.00000 * 0.08096 =

0.01038

∆V21 = Learning rate* ∑Y2 * δZ1 = 0.1 * 0.00000* 0.08096 =

0.00975


0.00000


0.00000


0.01038

33


0.00341

∆V01 = Learning rate* Bias * δZ1

= 0.01038

2. Hitung gradien error pada neuron dihidden layer

δy1 = ∑Y1* (1- ∑Y1) * δZ1*V11

= 0.00000

δy2 = ∑Y2* (1- ∑Y2) * δZ1*

=-0.00102

δy3 = ∑Y3* (1- ∑Y3) * δZ1*V31

= -0.00000

δy4 = ∑Y4* (1- ∑Y4) * δZ1*V41

= 0.00000

δy5 = ∑Y5* (1- ∑Y5) * δZ1*V51

= 0.00000

δy6 = ∑Y6* (1- ∑Y6) * δZ1*V61

= -0.00966

3. Hitung selisih bobot untuk hidden layer ∆W11, ∆W21, ∆W31,

∆W41, ∆W51, ∆W61, ∆W01, ∆W12, ∆W22, ∆W32, ∆W42,

∆W52, ∆W62, ∆W02, ∆W13, ∆W23, ∆W33, ∆W43, ∆W53,

∆W63, ∆W03, ∆W14, ∆W24, ∆W34, ∆W44, ∆W54, ∆W64 ∆W04,

∆W15, ∆W25, ∆W35, ∆W45, ∆W55, ∆W65, ∆W05, ∆W16,

∆W26, ∆W36, ∆W46, ∆W56, ∆W66, ∆W06.

# a

∆W11 = Learning rate* D1 *δY1 = 0.00000


34





∆W01 = Learning rate* Bias*δY1 = 0.00000

# b

∆W12 = Learning rate* D1 *δY2 = -0.00020






∆W02 = Learning rate* Bias * δY2 = -0.00010

#c

∆W13 = Learning rate* D1 *δY3 =-0.00000


∆W33 = Learning rate* D3 *δY3 -0.00000





#d






∆W64 = Learning rate* D6 *δY4 =0.00000

∆W04 = Learning rate* Bias * δY4 =0.00000

#e



35





∆W05 = Learning rate* Bias * δY3 = 0.00000

#f








Update bobot

W11 = W11 + ∆W11 = -0.26069

W12 = W12 + ∆W12 = 0.22168

W13 = W13 + ∆W13 = -0.20446

W14 = W14 + ∆W14 = 0.05301

W15 = W15 + ∆W15 = 0.01287

W16 = W16 + ∆W16 = -0.12626

W21 = W21 + ∆W21 = 0.46539

W22 = W22 + ∆W22 = 0.19866

W23 = W23 + ∆W23 = -0.15703

W24 = W24 + ∆W24 =-0.39100

W25 = W25 + ∆W25 = 0.43265

W26 = W26 + ∆W26 = 0.21671

W31 = W31 + ∆W31 = 0.12498

W32 = W32 + ∆W32 = -0.17832

W33 = W33 + ∆W33 = -0.26341

36

W34 = W34 + ∆W34 = -0.12980

W35 = W34 + ∆W35 = 0.36653

W36 = W36 + ∆W36 = -0.18720

W41 = W41 + ∆W41 = 0.31665

W42 = W42 + ∆W42 = -0.40371

W43 = W43 + ∆W43 = -0.19894

W44 = W44 + ∆W44 = -0.20587

W45 = W45 + ∆W45 = -0.03411

W46 = W46 + ∆W46 = -0.44948

W51 = W51 + ∆W51 = -0.20711

W52 = W52 + ∆W52 = 0.20290

W53 = W53 + ∆W53 = 0.29648

W54 = W54 + ∆W54 = 0.11851

W55 = W55 + ∆W55 = -0.35276

W56 = W56 + ∆W56 = -0.44540

W61 = W61 + ∆W61 = 0.43782

W62 = W62 + ∆W62 = 0.02086

W63 = W63 + ∆W63 = -0.09497

W64 = W64 + ∆W64 = -0.11279

W65 = W65 + ∆W65 = 0.36706

W66 = W66 + ∆W66 = -0.01650

W01 = W01 + ∆W01 = -0.23153

W02 = W02 + ∆W02 = -0.31856

W03 = W03 + ∆W03 = -0.44464

37

W04 = W04+ ∆W04 = -0.13454

W05 = W05+ ∆W05 = -0.11658

W06 = W06+ ∆W06 = 0.39144

V11 = V11 + ∆V11 = 0.10499

V21 = V21 + ∆V21 = -0.17099

V31 = V31 + ∆V31 = -0.13224

V41 = V41 + ∆V41 = 0.13225

V51 = V51 + ∆V51 = 0.14034

V61 = V61 + ∆V61 = -0.42164

V01 = V01 + ∆V01 = 0.36430

38

#Data 2

Perhitungan sama hingga data ke 6.

4. Hasil Training didapatkan nilai SSE : 0.78552

SSE = 0.5 * ( Z error1 ^ 2 + Z error2 ^2 + Z error3 ^2 + Z error4 ^2+

Z error5 ^2+ Z error6 ^2) = 0.78552

39

dan iterasi akan terhenti jika nilai SSE telah memenuhi target yaitu

0,001.

3.4 User Interface

Pembuatan aplikasi sangat di mudahkan dengan adanya user

interface, dimana user interface merupakan penghubung atau penerjemah

informasi antara pengguna dengan computer.

a. Gambar 3.16 Tampilan Interface

Gambar 3.6 Tampilan Interface

Pada gambar 3.17 merupakan tampilan awal dari Aplikasi

Klasifikasi Status Gizi Balita 0-60 bulan yang penulis rancang. Dalam

tampilan awal tersebut terdapat dua menu login yaitu login admin dan

user.Untuk dapat login, admin garus memasukkan username dan password

terlebuh dahulu, sedangkan user tidak memilikiusername dan password.

b. Gambar 3.18 Menu Login Admin

40

Gambar 3.7 Desain Menu Login Admin

c. Gambar 3.19 Desain Menu Utama

Gambar 3.8 Desain Menu Utama

Dalam menu-menu yang telah di rancang, terdapat sub-sub

menu di dalamnya. Berikut adalah penjelasannya :

a. Menu Utama

Menu utama adalah menu yang berisi tentang hal umum yang di

lakukan pada sistem diantaranya sebagai berikut:

Input Data : Untuk melakukan penginputan data.

Klasifikasi : Untuk melihat hasil klasifikasi

About : Tentang Klasifikasi Status Gizi dan algoritma

ANN

Logout : Keluar dari aplikasi

a. Menu Umum

Training : Untuk melakukan proses training data

Testing : Untuk melihat hasil perbandingan klasifikasi status

gizi balita.

o Precision : Ketetapan sistem dalam

mengklasifikasikan data.

o Recall : Untuk mengetahui keberhasilan sistem

dalam meng-klasifikasikan data.

41

o Accuracy : Untuk melihat tingkat keakuratan sistem.

b. Gambar 3.20 Menu Utama User

Gambar 3.9 Menu Utama User

User hanya dapat menginput data yang diinginkan serta

menampilkan hasil klasifikasi dari data tersebut.

BAB III ANALISA DAN PERANCANGAN SISTEMeprints.umm.ac.id/40045/4/BAB III.pdf · Basis pengetahuan...

Documents

Transcript of BAB III ANALISA DAN PERANCANGAN SISTEMeprints.umm.ac.id/40045/4/BAB III.pdf · Basis pengetahuan...