KLASIFIKASI STATUS GIZI BALITA MENGGUNAKAN NAIVE...

KLASIFIKASI STATUS GIZI BALITA

MENGGUNAKAN NAIVE BAYES CLASSIFICATION

(STUDI KASUS POSYANDU NGUDI LUHUR)

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar

Sarjana Komputer Program Studi Teknik Informatika

Oleh :

Adrian Satria Putra

135314092

TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2018

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

i

KLASIFIKASI STATUS GIZI BALITA

MENGGUNAKAN NAIVE BAYES CLASSIFICATION

(STUDI KASUS POSYANDU NGUDI LUHUR)

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar

Sarjana Komputer Program Studi Teknik Informatika

Oleh :

Adrian Satria Putra

135314092

TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2018


ii

CLASSIFICATION OF CHILD NUTRITION STATUS

USING NAÏVE BAYES CLASSIFICATION

(CASE STUDY POSYANDU NGUDI LUHUR)

A THESIS

Presented as Partial Fulfillment of The Requirement

To Obtain The Sarjana Komputer Degree

In Informatics Engineering Study Program

By:

Adrian Staria Putra

135314092

INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2018


v

MOTTO

“Jadilah garam dunia”


viii

ABSTRAK

Peningkatan derajat kesehatan masyarakat sangat diperlukan dalam

mengisi pembangunan yang dilaksanakan oleh bangsa Indonesia. Salah satu

upaya peningkatan derajat kesehatan adalah perbaikan gizi masyarakat, gizi yang

seimbang dapat meningkatkan ketahanan tubuh, dapat meningkatkan kecerdasan

dan menjadikan pertumbuhan yang normal. Dalam praktik sehari-hari status gizi

didapatkan melalui pengukuran antropometri di posyandu. Umumnya masyarakat

menggunakan indeks BB/U atau berat badan dibanding usia untuk menentukan

status gizi. Penelitian ini bertujuan untuk memudahkan penentuan status gizi

balita menggunakan data mining dengan algoritma naive bayes classification

(NBC). Sistem dibangun dengan bahasa pemrograman php dan database mySQL.

Penelitian ini menggunakan data 17 balita dengan rentang waktu 2 tahun

pengukuran. Total data yang digunakan berjumlah 408 data. Dilakukan dua kali

pengujian data, pertama dengan perbandingan 60:40 dan kedua 80:20 data training

dan data testing. Hasil penelitian menunjukkan akurasi sebesar 93,1%. Dengan

kata lain NBC dikategorikan baik untuk pengujian status gizi balita.

Kata kunci: klasifikasi, Naïve Bayes Classification, gizi


ix

ABSTRACT

Increasing the degree of public health is needed in filling the development

undertaken by the Indonesian nation. One effort to improve the health status is the

improvement of community nutrition, balanced nutrition can increase body

resistance, can increase intelligence and make normal growth. In daily practice

nutritional status was obtained through anthropometry measurement at posyandu.

Generally people use the index BB / U or body weight over age to determine

nutritional status. This study aims to facilitate the determination of nutritional

status of children using data mining with naive bayes classification (NBC)

algorithm. The system is built with the php programming language and mySQL

database. This research uses 17 children data with span of 2 years of

measurement. Total data used amounted to 408 data. Two data tests were

conducted, first with 60:40 and second 80:20 data training and data testing. The

results showed an accuracy of 93.1%. In other words NBC is categorized as good

for testing the nutritional status of children.

Keywords: classification, Naïve Bayes Classification, nutrition


x

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa karena atas

rahmat dan karunia-Nya, penulis dapat menyelesaikan Tugas Akhir yang berjudul

“KLASIFIKASI STATUS GIZI BALITA MENGGUNAKAN NAIVE BAYES

CLASSIFICATION (STUDI KASUS POSYANDU NGUDI LUHUR)” ini

dengan baik.

Dalam proses penulisan tugas akhir ini penulis menyadari bahwa ada

begitu banyak pihak yang turut memberikan motivasi semangat dan juga bantuan

dalam menyelesaikan tugas akhir ini, oleh karena itu saya ingin mengucapkan

terima kasih antara lain kepada :

1. Tuhan Yesus Kristus dan Bunda Maria yang selalu memberikan kekuatan,

kesabaran dan petunjuk dalam menyelesaikan tugas akhir.

2. Orang tua, kakak dan adik yang telah memberikan kasih sayang, perhatian,

doa dan dukungan sehingga penulis dapat menyelesaikan tugas akhir.

3. Bapak Sudi Mungkasi, S.Si., M.Math.Sc.,Ph.D. selaku Dekan Fakultas

Sains dan Teknologi.

4. Ibu Dr. Anastasia Rita Widiarti, selaku Kepla Prodi Teknik Informatika.

5. Ibu P.H Prima Rosa, S.Si., M.Sc. sebagai dosen pembimbing akademik,

yang telah memberikan bimbingan dan saran selama penulis menempuh

studi.

6. Dr. Cyprianus Kuntoro Adi, SJ., M.A., M.Sc. selaku dosem pembimbing

skripsi yang telah memberikan kesabaran, waktu dan saran sehingga dapat

diselesaikannya tugas akhir ini.

7. Seluruh dosen yang telah mendidik dan memberikan pengetahuan dan

pengalaman berharga selama penulis belajar di Universitas Sanata Dharma

Yogyakarta.

8. Seluruh teman-teman angkatan 2013 untuk kebersamaan kita menjalani

masa-masa perkuliahan.


xii

DAFTAR ISI

HALAMAN JUDUL................................................................................................i

TITLE PAGE............................................................................................................ii

HALAMAN PERSETUJUAN…...........................................................................iii

HALAMAN PENGESAHAN.........................................................................…....iv

MOTTO....................................................................................................................v

PERNYATAAN KEASLIAN KARYA….............................................................vi

LEMBAR PERNYATAAN PERSETUJUAN…..................................................vii

ABSTRAK............................................................................................................vii

ABSTRACT….......................................................................................................ix

KATA PENGANTAR…........................................................................................x

DAFTAR ISI…....................................................................................................xii

DAFTAR GAMBAR……....................................................................................xv

DAFTAR TABEL…….........................................................................................xv

BAB I PENDAHULUAN .......................................................................................1

1.1 Latar Belakang…............................................................................................1

1.2 Rumusan Masalah…………………………………………………………...2

1.3 Tujuan….........................................................................................................2

1.4 Batasan Masalah….........................................................................................2

1.5 Metodologi Penelitian….................................................................................3

1.6 Sistematika Penulisan….................................................................................3

BAB II LANDASAN TEORI ..................................................................................5

2.1 Data Mining…................................................................................................5

2.2 Klasifikasi…...................................................................................................7

2.3 Naïve Bayes Classification….......................................................................8

2.4 Penilaian Status Gizi……...........................................................................9

BAB III METODE PENELITIAN........................................................................11

3.1 Bahan Riset ..................................................................................................11

3.2 Peralatan Penelitian ......................................................................................11

3.3 Tahap–Tahap Penelitian…...........................................................................12


xiii

3.3.1 Studi Pustaka.........................................................................................12

3.3.2 Pengumpulan Data …............................................................................12

3.4 Pembuatan Alat Uji…..................................................................................12

3.4.1 Data Awal…..........................................................................................13

3.4.2 Pemberishan data …..............................................................................14

3.4.3 Tranformasi data …...............................................................................15

3.5Gambaran Umum Sistem..............................................................................19

3.5.1 Input Sistem .........................................................................................19

3.5.3 Output Sistem .......................................................................................21

3.6 Model Fungsi…...........................................................................................22

3.4.1 Use case ...............................................................................................22

3.4.2 Narasi Usecase ......................................................................................23

3.4.3 Diagram Aktivitas ................................................................................28

3.4.4 Diagram Kelas ................................................................................31

3.5Model Perancangan …..................................................................................32

3.5.1 Model interaksi antar kelas ..................................................................32

3.5.2 Perancangan Antarmuka .......................................................................35

3.5.3Perancangan Basis Data ….....................................................................39

BAB IV IMPLEMENTASI DAN ANALISA HASIL ..........................................40

4.1 Implementasi Program ................................................................................40

4.1.1 Halaman Login .....................................................................................40

4.1.2 Halaman Home......................................................................................41

4.1.3 Halaman Import Data ...........................................................................41

4.1.4 Halaman Data Training ........................................................................42

4.1.5 Halaman Data Testing .........................................................................43

4.1.6 Halaman Pengujian Akurasi .................................................................43

4.1.7 Halaman Pengujian Tunggal ................................................................44

4.1.8 Halaman Hasil Uji Akurasi ...................................................................44

4.1.9 Halaman Hasil Uji Data Tunggal ..........................................................45

4.2 Hasil Sistem ................................................................................................45

4.3 Kelebihan dan Kekurangan Sistem..............................................................46

4.3.1 Kelebihan Sistem ..................................................................................46

4.3.2 Kelemahan Sistem …............................................................................46


xiv

BAB V PENUTUP….............................................................................................47

5.1 Kesimpulan..............................................................................................47

5.2 Saran ……................................................................................................47

Daftar Pustaka ........................................................................................................48


xv

DAFTAR TABEL

3.2 Tabel Data Awal ...........................................................................................14

3.3 Tabel Data Setelah Cleaning .........................................................................14

3.4 Tabel Kategori Transformasi……………………………………………….15

3.5 Tabel Setelah Transformasi...........................................................................16

4.1. Tabel Akurasi………………………………………………………………45


xvi

DAFTAR GAMBAR

Gambar 3.1 Diagram Alur...................................................................................13

Gambar 3.6. Diagram Flowchart .........................................................................20

Gambar 3.7. Diagram Usecase ............................................................................21

Gambar 3.8 Diagram Aktivitas Login .................................................................21

Gambar 3.9 Diagram Aktivitas Import Data .......................................................28

Gambar 3.10 Diagram Aktivitas Lihat Data .......................................................29

Gambar 3.11. Diagram Aktivitas Pengujian Akurasi..........................................29

Gambar 3.12. Diagram Aktivitas Pengujian Tunggal .........................................30

Gambar 3.13. Diagram Kelas Analisis ................................................................30

Gambar 3.14. Diagram Sekuen Login ................................................................31

Gambar 3.15. Diagram Sekuen Import Data .......................................................32

Gambar 3.16. Diagram Sekuen Lihat Data .........................................................32

Gambar 3.17. Diagram Sekuen Pengujian Akurasi ............................................33

Gambar 3.18. Diagram Sekuen Pengujian Tunggal ............................................33

Gambar 3.19. Tampilan Login............................................................................34

Gambar 3.20. Tampilan Home............................................................................34

Gambar 3.21. Tampilan Import Data ..................................................................35

Gambar 3.22. Tampilan Data Training ...............................................................35

Gambar 3.23. Tampilan Data Testing .................................................................36

Gambar 3.24. Tampilan Pengujian Akurasi ........................................................36

Gambar 3.25. Tampilan Pengujian Tunggal .......................................................37

Gambar 3.26. Tampilan Hasil Uji Akurasi .........................................................37

Gambar 3.27. Tampilan Hasil Uji Tunggal .........................................................38

Gambar 4.1 Tampilan Login ...............................................................................40

Gambar 4.2 Tampilan Home ...............................................................................41

Gambar 4.3 Tampilan Import Data .....................................................................41

Gambar 4.4 Tampilan Berhasil Import Data .......................................................42

Gambar 4.5 Tampilan Data Training ..................................................................42

Gambar 4.6 Tampilan Data Testing ....................................................................43

Gambar 4.7 Tampilan Pengujian Akurasi ...........................................................43


xvii

Gambar 4.8 Tampilan Pengujian Tunggal ..........................................................44

Gambar 4.9 Tampilan Hasil Uji Akurasi ............................................................44

Gambar 4.10 Tampilan Hasil Uji Tunggal ..........................................................45


1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Peningkatan derajat kesehatan masyarakat sangat diperlukan dalam

mengisi pembangunan yang dilaksanakan oleh bangsa Indonesia. Salah satu

upaya peningkatan derajat kesehatan adalah perbaikan gizi masyarakat, gizi

yang seimbang dapat meningkatkan ketahanan tubuh, dapat meningkatkan

kecerdasan dan menjadikan pertumbuhan yang normal. Status gizi dapat

ditentukan melalui pemeriksaan laboratorium maupun secara antropometri.

Antropometri merupakan cara penentuan status gizi yang paling mudah dan

murah. Pengukuran antropometri adalah pengukuran yang digunakan untuk

menentukan keadaan gizi seseorang. Indeks antropometri yang sering

digunakan adalah BB/U, TB/U, dan BB/TB. Namun yang sering digunakan

adalah BB/U karena lebih mudah dan lebih cepat dimengerti oleh masyarakat

umum. Standar rujukan yang dipakai untuk penentuan klasifikasi status gizi

dengan antropometri berdasarkan SK Menkes No.

1995/Menkes/SK/XII/2010 tentang Standar Antropometri Penilaian Status

Gizi Anak.

Akan tetapi pengukuran indeks antropometri sering terjadi kerancuan.

Oleh karena itu diperlukan suatu metode yang digabungkan dengan ilmu

komputer untuk mendapatkan hasil yang akurat. Adminan teknologi

informasi di dunia kesehatan dapat membantu memudahkan permasalahan

yang dihadapi. Teknologi informasi dapat digunakan untuk membantu

pegawai puskesmas atau posyandu dalam menentukan klasifikasi status gizi

balita. Dengan adanya teknologi ini diharapkan nantinya proses penentuan

status gizi bisa dilakukan dengan lebih cepat dan dapat mengurangi tingkat

akurasi penentuan status gizi.

Dalam penelitian sebelumnya oleh Sri Kusumadewi (2010) yang berjudul

“Klasifikasi Status Gizi Menggunakan Naive Bayesian Classification”


2

dengan menggunakan sampel penelitian 47 mahasiswa Teknik Informatika

UII diperoleh kinerja sebesar 93,2%. Untuk mengetahui klasifikasi status gizi

salah satunya menggunakan metode Naïve Bayes Classificaion (NBC).

Tujuan penulis melakukan penilitian ini adalah untuk mengetahui klasifikasi

status gizi balita dengan menggunakan metode Naïve Bayes Classification.

Diharapkan dengan diterapkannya Naïve Bayes Classification tersebut dapat

membantu untuk mengklasifikasikan status gizi balita untuk mengetahui

perkembangan pertumbuhan balita.

1.2 Rumusan Masalah

Berdasarkan latar belakang masalah di atas, maka dapat ditarik rumusan

masalah sebagai berikut :

1. Berapa akurasi dari Naïve Bayes Classification dalam menetukan

status gizi balita?

1.3 Tujuan

Tujuan yang dicapai dari penilitian ini adalah mengetahui hasil dari

akurasi Naïve Bayes Classification dalam menentukan status gizi balita.

1.4 Batasan Masalah

Batasan-batasan masalah dalam penulisan proposal tugas akhir ini antara

lain :

1. Parameter yang digunakan adalah jenis kelamin, umur, tinggi badan,

berat badan, dan gaji orang tua.

2. Ambang batas pengkategorian parameter tinggi, berat, dan BMI

berdasarkan pada Keputusan Menteri Kesehatan Republik Indonesia

Nomor: 1995/Menkes/SK/XII/2010 tentang Standar Antropometri

Penilaian Status Gizi Anak.

3. Penentuan status gizi menggunakan perhitungan berat badan/umur.


3

1.5 Manfaat Penelitian

1. Mempermudah dan mengotomatisasi sistem penentuan status gizi balita

menggunakan Naive Bayes Classification.

2. Menambah wawasan bagi pembaca yang ingin mempelajari metode

Naive Bayes Classification.

1.6 Metodologi Penelitian

Dalam melakukan penelitian ini langkah-langkah yang dilakukan adalah

sebagai berikut :

1. Studi Pustaka

Pada langkah ini peniliti mempelajari teori-teori melalui buku,

artikel, jurnal yang berkaitan dengan algoritma Naive Bayes

Classification dan metode-metode lain yang dibutuhkan.

2. Pembuatan alat uji

Melakukan perancangan terhadap sistem yang akan dibangun,

mulai dari perancangan untuk user interface dan juga list program.

3. Evalusi dan Analisis Hasil

Peniliti melakukan penarikan kesimpulan setelah melakukan uji

coba pada sistem.

1.7 Sistematika Penulisan

Sistematika penulisan proposal ini terbagi atas tiga bab dengan garis

besar sebagai berikut :

Bab I : PENDAHULUAN

Berisi gambaran umum dari penelitian. Pendahulan terdiri

dari Latar Belakang, Rumusan Masalah, Batasan Masalah, Tujuan

Penelitian, Manfaat Penelitian, Metode Penelitian dan Sistematika

Penulisan.


4

Bab II : LANDASAN TEORI

Berisi teori-teori yang berhubungan dengan status gizi

balita, algoritma naïve bayes classification.

BAB III : METODOLOGI PENELITIAN

Berisi analisis teori-teori yang digunakan dan bagaimana

menerjemahkannya ke dalam sistem yang hendak dibuat dan

membahas tentang perancangan kebutuhan sistem, flow diagram,

desain interface program, dan rancangan pengujian sistem.

BAB IV : IMPLEMENTASI DAN ANALISA HASIL

Bab ini membahas analisa hasil perancangan sistem, dan

pengujian algoritma naïve bayes classification.

BAB V : PENUTUP

Bab ini berisi kesimpulan dari hasil analisa dan saran-saran

untuk pengembangan lebih lanjut.


5

BAB II

LANDASAN TEORI

Pada bab ini dijelaskan teori yang digunakan untuk mendukung penelitian

tugas akhir dalam mengklasifikasi status gizi balita menggunakan naive bayes

classification.

2.1 Data Mining

Data mining adalah suatu proses menemukan hunungan yang berarti,

pola dan kecenderungan dengan memeriksa sekumpulan besar data yang

tersimpan, dengan menggunakan teknik pengenalan pola (Gartner, 2012).

Pada dasarnya terdapat dua alasan yang menyebabkan data mining

menjadi perhatian. Pertama adalah kemampuan kita dalam mengumpulkan

dan menyimpan dala dalam jumlah sangat banyak terus meningkat. Alasan

yang utama adalah alasan kedua, yaitu kebutuhan mengubah data menjadi

informasi dan pengetahuan yang berguna (Kaur dan Aggarwal, 2010)

Data mining memindai basis data untuk menemukan pola yang

tersembunyi, informasi prediktif yang mungkin dilewatkan oleh para ahli

karena berada di luar dugaan. Data mining terdiri dari urutan iteratif dari

langkah-langkah berikut: data cleang, data integration, data selection,

data transformation, data mining, pattern evaluation, dan knowledge

extraction. (Kaur dan Aggarwal, 2010).

Istilah data mining dan knowledge discovery in database (KDD) sering

digunakan secara bergantian untuk menjelaskan proses penggalian

informasi tersembunyi dalam suatu basis data yang besar. Kedua istilah

tersebut mempunyai konsep yang berbeda, tetapi saling berkaitan dan

digunakan secara bergantian karena data mining merupakan salah satu

tahapan dalam keseluruhan proses KDD (Kusrini dan Luthfi). Berikut

adalah tahapan dalam proses KDD.

1. Seleksi data (Data selection)


6

Seleksi data dari sekumpulan data operasional perlu dilakukan

sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil

seleksi tersebut akan disimpan dalam suatu berkas, terpisah dari basis

data operasional.

2. Pre-processing / Cleaning

Proses cleaning dilaksanakan sebelum proses data mining pada data

yang menjadi fokus KDD. Proses cleaning diantaranya membuang

duplikasi data dan memperbaiki kesalahan pada data. Selain itu

dilakukan juga proses enrichment, yaitu proses memperkaya data yang

sudah ada dengan data atau informasi yang relevan dan diiperlukan

untuk KDD.

3. Transformasi (Transformation)

Pengkodean adalah proses transformasi pada data yang telah dipilih.

Proses pengkodean dalam KDD merupakan proses kreatif dan sangat

tergantung pada jenis atau pola informasi yang akan dicari dalam basis

data.

4. Data Mining

Data mining adalah proses mencari pola atau informasi menarik

dalam data dengan menggunakan teknik tatau metode tertentu.

Pemilihan metodde atau algoritma yang tepat sangat bergantung pada

tujuan dan proses KDD secara keseluruhan.

3. Interpretasi/Evaluasi (Interpretation/Evaluation)

Pola informasi yang dihasilkan dari proses data mining perlu

ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang

berkepentingan. Tahap-tahap ini disebut dengan interpretasi yang

mencakup pemeriksaan apakah pola atau informasi yang ditemukan

bertentangan dengan fakta atau hipotesis yang ada sebelumnya.

Menurut Larose metode data mining dibagi menjadi enam kelompok

berdasarkan tugas yang dilakukan. Kelompok-kelompok tersebut

diuraikan sebagai berikut:


7

1. Deskripsi

Teknik yang digunakan untuk menggambarkan pola dan

kecenderungan yang terdapat dalam data.

2. Klasifikasi

Proses membedakan kelas data dalam beberapa kategori.

3. Estimasi

Estimasi hampir sama dengan klasifikasi, tetapi variabel target

estimasi lebih ke arah numerik daripada ke arah kategorik

4. Prediksi

Prediksi hampir sama dengan klasifikasi dan estimasi, tetapi nilai dari

hasil prediksi akan ada di masa mendatang.

5. Klaster

Klaster merupakan pengelompokan sejumlah data yang mempunyai

kemiripan ke dalam kelompok-kelompok data.

6. Asosiasi

Teknik yang digunakan untuk mencari hubungan antara karakteristik

tertentu dalam satu waktu.

2.2 Klasifikasi

Klasifikasi adalah sebuah proses untuk mencari model atau fungsi

yang menjelaskan dan membedakan kelas atau konsep dari data, dengan

tujuan untuk menggunakan model dan melakukan prediksi dari kelas suatu

objek dimana tidak diketahui label dari kelas tersebut. Model yang ada

berasal dari analisis kumpulan training data (objek data dimana kelas label

diketahui) (Han dan Kamber, 2006). Algoritma yang dapat digunakan

untuk klasifikasi antara lain Naïve Bayes, Adaptive Bayes Network,

Decision Tree, dan Support Vector Machine. Tabel 2.1 adalah tabel

perbandingan keempat algoritma tersebut.


8

Tabel 2.1 Perbandingan Algoritma Klasifikasi (Satiajaya,2009)

Fitur Naïve

Bayes

Adaptive

Bayes

Network

Decision

Tree

Support

Vector

Machine

Kecepatan Sangat

cepat

Cepat Cepat Cepat

Ketepatan

Baik

disemua

data

Baik

disemua

data

Signifikan

Baik

disemua

aturan

Transparansi Tanpa

aturan

Aturan

khusus

Tanpa

aturan

Aturan

Model Klasifikasi terdiri dari: (Tan, dkk., 2006)

a. Pemodelan Deskriptif

Dapat bertindak sebagai suatu alat yang bersifat menjelaskan untuk

membedakan antara objek dengan klas yang berbeda.

b. Pemodelan Prediktif

Model klasifikasi juga dapat menggunakan prediksi label kelas

yang belum diketahui recordnya.

2.3 Naïve Bayes Classification

Klasifikasi Naïve Bayes adalah klasifikasi berdasar teorema Bayes dan

digunakan untuk menghitung probabilitas tiap kelas dengan asumsi bahwa

antar satu kelas dengan kelas yang lain tidak saling tergantung

(independen). Pada metode ini, semua atribut akan memberikan


9

kontribusinya dalam pengambilan keputusan, dengan bobot atribut yang

sama penting dan setiap atribut saling bebas satu sama lain. (Kusumadewi,

2009)

Persamaan dari teorema Bayes adalah :

( | ) ( | ) ( )

( ) (1)

Di mana :

X: Data dengan class yang belum diketahui

H: Hipotesis data merupakan suatu class spesifik

P(H|X): Probabilitas hipotesis H berdasar kondisi X (posteriori

probabilitas)

P(H): Probabilitas hipotesis H (prior probabilitas)

P(X|H): Probabilitas X berdasarkan kondisi pada hipotesis H

P(X): Probabilitas X

Untuk menjelaskan teorema Naive Bayes, perlu diketahui bahwa

proses klasifikasi memerlukan sejumlah petunjuk untuk menentukan kelas

apa yang cocok bagi sampel yang dianalisis tersebut.

2.4 Penilaian Status Gizi

Dalam bidang kesehatan, penilaian status gizi diukur menggunakan

antropometri. Antropometri sebagai indikator status gizi dapat dilakukan

dengan menggunakan beberapa parameter. Parameter adalah ukuran

tunggal dari tubuh manusia, yaitu umur, berat badan, tinggi badan, lingkar

lengan atas, lingkar dada, lingkar panggul, dan lemak di bawah kulit.

(Supariasa, 2002)

Penentuan gizi pada umumnya dihitung berdasarkan Berat Badan

Menurut Umur (BB/U). Karena karakteristik berat badan yang labil, maka

indeks BB/U lebih menggambarkan status gizi saat dilakukan pengukuran.

Pertumbuhan tinggi badan tidak seperti berat badan, relatif kurang sensitif

terhadap masalah kekurangan gizi dalam waktu yang pendek. Tinggi


10

Badan Menurut Umur (TB/U) di samping memberikan gambaran status

gizi masa lampau juga lebih berkaitan dengan status sosial – ekonomi.

Penentuan kategori parameter berat badan dan tinggi badan berbeda

untuk tiap jenis kelamin dan umur. Ambang batas untuk penentuan

kategori dinilai dari interval Standar Deviasi (SD) yang telah ditentukan

oleh Kementerian Kesehatan RI dalam Pedoman Standar Antropometri

Penilaian Status Gizi Anak tahun 2011.

Berat badan memiliki hubungan linear dengan tinggi badan. Dalam

keadaan normal, perkembangan berat badan akan sejalan dengan

pertumbuhan tinggi badan. Indeks berat badan menurut tinggi badan

(BB/TB) merupakan indikator yang baik untuk melakukan pengukuran.

Adminan Body Mass Index (BMI) pada umumnya hanya berlaku

untuk orang dewasa. Pada anak-anak pengukuran BMI sangat terkait

dengan umurnya, karena dengan perubahan umur terjadi perubahan

komposisi tubuh. Perhitungan BMI pada anak dirumuskan sebagai berikut:

( )

( ) (2)


11

BAB III

METODE PENELITIAN

Dalam metodologi penelitian ini akan dijelaskan lebih rinci mengenai data,

dan proses penelitian klasifikasi status gizi balita menggunakan naive bayes

classification.

3.1 Bahan Riset

Dataset yang digunakan merupakan data posyandu yang diambil dari

Posyandu Ngudi Lestari, Desa Suci, Kecamatan Pracimantoro, Kabupaten

Wonogiri. Data tersebut yang kemudian disalin ke dalam sebuah file bertipe .xls.

Dari proses pengumpulan data, diperoleh jumlah data sebanyak 408 data.

Untuk menentukan status gizi balita terdapat 5 parameter yang diperlukan

sebagai inputan dalam perhitungan metode Naive Bayes Classifier, yaitu jenis

kelamin, umur, berat badan, tinggi badan dan gaji orang tua.

3.2 Peralatan Penelitian

Implementasi dalam penelitian ini menggunakan aplikasi yang dibangun

oleh penulis menggunakan pemrograman PHP. Implementasi ini dilakukan

dengan menggunakan komputer yang memiliki spesifikasi sebagai berikut :

1. Perangkat Keras

a. Prosesor : AMD A8-4500M

b. RAM : 4 GB

c. HDD : 500 GB

2. Perangkat Lunak

a. Microsoft Windows 7 (x64)

b. Microsoft Excel 2016

c. Xampp

d. Sublime Text 3

e. Mysql


12

3.3 Tahap–Tahap Penelitian

3.3.1 Studi Pustaka

Dalam penelitian ini penulis memerlukan sumber informasi yang

diambil dari buku referensi dan jurnal ilmiah yang berkaitan dengan

penelitian ini terutama yang berkaitan dengan data mining, klasifikasi,

dan algoritma naïve bayes.

3.3.2 Pengumpulan Data

Data diperoleh dari Posyandu Ngudi Lestari, Desa Suci,

Kecamatan Pracimantoro, Kabupaten Wonogiri.

Teknik yang digunakan dalam penelitian ini adalah:

3.3.2.1 Wawancara

Wawancara yang dilakukan yaitu tanya jawab antara

peneliti dan narasumber dengan tujuan untuk menggali data

atau memperoleh informasi yang berhubungan dengan

penelitian.

3.3.2.2 Observasi

Penulis melakukan pengamatan dan mencatat hal-hal

yang berkaitan dengan bahan penelitian. Pengamatan

dilakukan dengan datang langsung dan melihat bagaimana

proses pengukuran tubuh balita.

3.4 Pembuatan Alat Uji

Masukkan sistem akan diproses menggunakan naive bayes dalam teori

penambangan data. Alur sistem dan tahapan penelitian dijabarkan dalam

bentuk diagram model pengolahan data seperti pada gambar 3.1 berikut :


13

Gambar 3.1 Diagram alur

3.4.1 Data Awal

Data awal adalah data mentah yang belum melalui proses pembersihan.

Tabel data awal bisa dilihat di tabel 3.2 tabel data awal.

no Umur(bulan) JK BB(kg) TB(cm) Gaji(ribu) Status gizi

1 11 L 12,2 90 2200000 Lebih

2 23 L 11,5 111 3000000 Baik

3 35 P 11 110 2100000 Baik

4 17 L 10,5 87 2100000 Baik

5 20 L 9 85 2500000 Kurang

6 7 L 9,3 74 1000000 Baik

7 4 P 6,8 67 1200000 Baik

8 1 L 4 55 1000000 Baik

9 42 P 12,6 112 3200000 Baik

10 30 P 11,3 103 1500000 Baik

11 27 P 10,2 89 2300000 Baik

12 60 P 25 120 2500000 Baik

13 45 L 15,4 115 3000000 Baik

14 29 L 10 87 2500000 Kurang

15 18 L 13,8 100 2200000 Lebih

16 14 L 13,6 99 2200000 Lebih

17 24 L 9,1 86 2500000 Kurang

18 7 P 7,8 75 1200000 Baik

19 39 P 12,2 104 1500000 Baik


14

20 57 P 14,8 114 3200000 Baik

21 34 P 12,1 100 1200000 ???

Tabel 3.2 Data awal

3.4.2 Pemberishan data

Proses pemberishan / cleaning yaitu membersihkan data yang

variabelnya tidak memenuhi dalam perhitungan. Dalam kasus ini semua

data bebas dari proses cleaning.

no Umur(bulan) JK BB(kg) TB(cm) Gaji(ribu) Status Gizi

1 11 L 12,2 90 2200000 Lebih

2 23 L 11,5 111 3000000 Baik

3 35 P 11 110 2100000 Baik

4 17 L 10,5 87 2100000 Baik

5 20 L 9 85 2500000 Kurang

6 7 L 9,3 74 1000000 Baik

7 4 P 6,8 67 1200000 Baik

8 1 L 4 55 1000000 Baik

9 42 P 12,6 112 3200000 Baik

10 30 P 11,3 103 1500000 Baik

11 27 P 10,2 89 2300000 Baik

12 60 P 25 120 2500000 Baik

13 45 L 15,4 115 3000000 Baik

14 29 L 10 87 2500000 Kurang

15 18 L 13,8 100 2200000 Lebih

16 14 L 13,6 99 2200000 Lebih

17 24 L 9,1 86 2500000 Kurang

18 7 P 7,8 75 1200000 Baik

19 39 P 12,2 104 1500000 Baik

20 57 P 14,8 114 3200000 Baik

21 34 P 12,1 100 1200000 ???

Tabel 3.3 Data setelah cleaning


15

3.4.3 Tranformasi data

Proses transformasi data atau proses perubahan data ke dalam kategori

tertentu yang sesuai untuk proses data mining. Hasil transformasi data bisa

dilihat dalam tabel 3.4 dalam tabel transformasi data.

Kategori Keterangan

UMUR <= 16 Umur dibawah 16 bulan

UMUR 17-32 Umur diantara 17 sampai 32 bulan

UMUR > 32 Umur diatas 32 bulan

BB <= 10 Berat badan dibawah 10kg

BB 11-20 Berat badan diantara 11kg sampai 20kg

BB >20 Berat badan diatas 20kg

TB 51-100 Tinggi badan antara 51cm sampai 100cm

TB >100 Tinggi badan diatas 100cm

GAJI <=1.500.000 Penghasilan dibawah 1,5 juta

GAJI 1.500.000-3.000.000 Penghasilan diantara 1,5 juta sampai 3 juta

GAJI >3.000.000 Penghasilan diatas 3 juta

Tabel 3.4 Tabel Kategori Transformasi

Dari hasil pengkategorian kombinasi dalam tabel 3.4 di dapatkan hasil dari

transformasi data balita yang ditunjukan dalam tabel 3.5

no Umur(bulan) JK BB(kg) TB(cm) Gaji(ribu) Status gizi

1

<= 16 L 11-20 51-100

1.500.000-

3.000.000 Lebih

2

17-32 L 11-20 >100

1.500.000-

3.000.000 Baik

3

> 32 P 11-20 >100

1.500.000-

3.000.000 Baik

4

17-32 L <= 10 51-100

1.500.000-

3.000.000 Baik

5

17-32 L <= 10 51-100

1.500.000-

3.000.000 Kurang


16

6 <= 16 L <= 10 51-100 <=1.500.000 Baik

7 <= 16 P <= 10 51-100 <=1.500.000 Baik

8 <= 16 L <= 10 51-100 <=1.500.000 Baik

9 > 32 P 11-20 >100 >3.000.000 Baik

10 17-32 P 11-20 >100 <=1.500.000 Baik

11

17-32 P <= 10 51-100

1.500.000-

3.000.000 Baik

12

> 32 P >20 >100

1.500.000-

3.000.000 Baik

13

> 32 L 11-20 >100

1.500.000-

3.000.000 Baik

14

17-32 L <= 10 51-100

1.500.000-

3.000.000 Kurang

15

17-32 L 11-20 51-100

1.500.000-

3.000.000 Lebih

16

<= 16 L 11-20 51-100

1.500.000-

3.000.000 Lebih

17

17-32 L <= 10 51-100

1.500.000-

3.000.000 Kurang

18 <= 16 P <= 10 51-100 <=1.500.000 Baik

19 > 32 P 11-20 >100 <=1.500.000 Baik

20 > 32 P 11-20 >100 >3.000.000 Baik

21 > 32 P 11-20 51-100 <=1.500.000 ???

Tabel 3.5 Tabel setelah Transformasi

D ari tabel 3.5 terdapat 21 hasil data dimana dari data tersebut 20

di antaranaya akan digunkan untuk training dan menentukan klasifikasi dari data

yang ke 21 dengan rincian data berupa:

Umur : 34 bulan (> 32)

Jenis Kelamin : Perempuan

Berat Badan : 12,1 (11-20)

Tinggi Badan : 100 (51-100)

Gaji : 1200000 (<=1.500.000)


17

Tahapan dalam proses perhitungan Naive Bayes sebagai berikut :

1. Menghitung Jumlah Class/ Label.

P(Y=Baik) = 14/20

P(Y=Kurang) = 3/20

P(Y=Lebih) = 3/20

2. Menghitung jumlah kasus yang sama dengan class yang sama.

P(Jenis Kelamin = Perempuan| Y=Baik) = 9/14

P(Jenis Kelamin = Perempuan| Y=Kurang) = 0/3

P(Jenis Kelamin = Perempuan| Y=Lebih) = 0/3

P(Umur = > 32| Y=Baik) = 6/14

P(Umur = > 32| Y=Kurang) = 0/3

P(Umur = > 32| Y=Lebih) = 0/3

P(Tinggi Badan = 51-100| Y=Baik) = 6/14

P(Tinggi Badan = 51-100| Y=Kurang) = 3/3

P(Tinggi Badan = 51-100| Y=Lebih) = 3/3

P(Penghasilan = <=1.500.000| Y=Baik) = 6/14

P(Penghasilan = <=1.500.000| Y=Kurang) = 0/3

P(Penghasilan = <=1.500.000| Y=Lebih) = 0/3

3. Mengalikan semua hasil variabel setiap klasifikasi.

P(Jenis Kelamin = Perempuan| Y=Baik)*P(Umur = > 32| Y=Baik)*

P(Tinggi Badan = 51-100| Y=Baik)* P(Penghasilan =

<=1.500.000| Y=Baik)

= 9/14 * 6/14 * 6/14 * 6/14

= 0,642 * 0,428 * 0,428 * 0,428

= 0,050


18

P(Jenis Kelamin = Perempuan| Y=Kurang)*P(Umur = > 32|

Y=Kurang) *P(Tinggi Badan = 51-100|

Y=Kurang)*P(Penghasilan = <=1.500.000| Y=Kurang)

= 0/3 * 0/3 * 3/3 * 0/3

= 0

P(Jenis Kelamin = Perempuan| Y=Lebih)* P(Umur = > 32|

Y=Lebih)* P(Tinggi Badan = 51-100| Y=Lebih)* P(Penghasilan =

<=1.500.000| Y=Lebih)

= 0/3 * 0/3 * 3/3 * 0/3

= 0

4. Membandingkan setiap hasil class dalam klasifikasi.

Dari hasil diatas, terlihat bahwa nilai probabilitas tertinggi ada

pada kelas (P|Baik) dengan nilai 0,050 sehingga dapat disimpulkan

bahwa status gizi balita dikategorikan baik.


19

3.5 Gambaran Umum Sistem

3.5.1 Input Sistem

Data dimasukan ke dalam sistem berupa file spreadsheet dengan

ekstensi .xls yang dipilih dari direktori computer yang kemudian disimpan

ke dalam database sistem.

Pseudocode NAÏVE BAYES

Begin-pseudo code Bayes

%INPUT%

X ← Data dengan class yang belum diketahui

H ← Hipotesis data merupakan suatu class spesifik

%HITUNG PROBABILITAS DATA CLASS%

P(X) ← 𝑗𝑢𝑚𝑙𝑎ℎ 𝑐𝑙𝑎𝑠𝑠

𝑙𝑎𝑏𝑒𝑙

%INDEPENDENT PROBABILITAS%

P(H) ← 𝑗𝑢𝑚𝑙𝑎ℎ 𝑐𝑙𝑎𝑠𝑠

𝑙𝑎𝑏𝑒𝑙

%HITUNG PROBABILITAS DATA KASUS%

P(X|H) ← 𝑎𝑡𝑡𝑟𝑖𝑏𝑢𝑡 𝑗𝑢𝑚𝑙𝑎ℎ 𝑐𝑙𝑎𝑠𝑠

%HITUNG BAYES%

P(H|X) ← (𝑃(𝑋 𝐻 .𝑃(𝐻

𝑃(𝑋

End-pseudo code Bayes


20

3.5.2. Proses Sistem

Proses sistem ini terdiri dari beberapa tahapan untuk

mengklasifikasikan data, menghitung akurasi, dan uji data tunggal. Proses

sistem ini, antara lain :

1. Memasukan data pendonor darah ke dalam database, data yang

dimasukan bertipe .xls

2. Sistem melakukan transformasi data.

3. Sistem menampilkan hasil transformasi.

4. Sistem melakukan perhitungan naive bayes.

5. Sistem melakukan proses perhitungan akurasi klasifikasi naïve

bayes.

6. User memasukan data tunggal untuk menentukan status gizi

balita.


21

Proses sistem digambarkan dalam diagram flowchar pada Gambar 3.6

Gambar 3.6. Diagram Flowchart

3.5.3 Output Sistem

Sistem akan menampilkan hasil perhitungan akurasi dan detail data

pengujian. Kemudian untuk uji data tunggal sistem akan meminta

masukan dari user dan akan menampilkan hasil klasifikasi status gizi

balita.


22

3.6 Model Fungsi

3.4.1 Use case

Pada sistem klasifikasi status gizi balita hanya ada satu Admin. Terdapat 5

proses utama yang dapat dilakukan Admin, yaitu : login, import data melihat

data, pengujian akurasi, dan pengujian tunggal.

Gambar 3.7. Diagram Usecase


23

3.4.2 Narasi Usecase

Diagram usecase pada Gambar 3.7 memiliki narasi usecase sebagai

penjelasan lengkap dari masing-masing usecase.

a. Usecase login

Masukan Data

Nama Usecase Login

ID Usecase 1

Aktor Admin

Deskripsi Usecase ini Admin memasukan username dan password

Kondisi Awal Pada halaman halaman utama

Kondisi Akhir Berhasil login

Typical

Course

Aksi Admin Reaksi Sistem

1. Memasukkan username

dan password

2. Memasukkan username

dan password

3. Mengecek username dan

password

4. Menampilkan

HalamanUtama

Alternate Alt-3 :

Jika username dan password salah maka akan muncul

peringatan dan kembali ke 1


24

b. Usecase import Data

Masukan Data

Nama Usecase Import Data

ID Usecase 2

Aktor Admin

Deskripsi Usecase ini Admin memasukan file .xls ke dalam database

Kondisi Awal Pada halaman halaman utama, user menekan menu Import

Data.

Kondisi Akhir Sistem akan menginputkan data ke database

Typical

Course


1.Menekan tombol “Choose

file”

3.Memilih file berformat .xls

4.Mengisi ceckbox "Hapus

data terdahulu"

5. Menekan tombol "Upload"

2. Menampilkan kotak dialog

dari direktori PC/Laptop

6. Menampilkan dialog data

berhasil disimpan

Alternate -


25

c. Usecase Lihat Data

Lihat Data

Nama Usecase Lihat Data

ID Usecase 3

Aktor Admin

Deskripsi Usecase ini Admin melihat data training, dan data testing

Kondisi Awal Pada halaman halaman utama, user menekan menu Data

Training. Pada menu data survey user menekan menu Data

Testing.

Kondisi Akhir Menampilkan data training dan data testing

Typical

Course


1. Menekan menu "Data

Training”

3. Menekan menu "Data

Testing”

2. Menampilkan data training

hasil transformasi

4. Menampilkan data testing

hasil transformasi

Alternate -


26

d. Usecase Pengujian Akurasi

Lihat Data

Nama Usecase Pengujian Akurasi

ID Usecase 4

Aktor Admin

Deskripsi Usecase ini merupakan proses perhitungan akurasi naive

bayes

Kondisi Awal Pada halaman halaman utama, user menekan menu Pengujian

Akurasi.

Kondisi Akhir Menampilkan hasil perhitungan akurasi dan detail data

pengujian.

Typical

Course


1.Menekan Menu "Pengujian

Akurasi"

3.Menekan Menu "Hitung"

2.Menampilkan jumlah data

training dan data testing

4.Menampilkan Akurasi

Perhitungan dan detail data

pengujian

Alternate -


27

e. Usecase Uji Data Tunggal

Uji Data Tunggal

Nama Usecase Uji Data Tunggal

ID Usecase 5

Aktor Admin

Deskripsi Usecase ini pengguna melakukan uji data tunggal

Kondisi Awal Pada halaman halaman utama, user menekan menu Pengujian

Tunggal

Kondisi Akhir Menampilkan hasil klasifikasi

Typical

Course


1.Menginputkan data Balita

2.Menekan tombol "Hitung"

3.Menampilkan data

pengujian dan status gizi

balita

Alternate -


28

3.4.3 Diagram Aktivitas

Terdapat 5 diagram berdasarkan usecase diatas.

1. Login

Gambar 3.8 Diagram Aktivitas Login


29

2. Import data

Gambar 3.9 Diagram Aktivitas Import Data


30

3. Lihat Data

Gambar 3.10 Diagram Aktivitas Lihat Data

4. Pengujian Akurasi

Gambar 3.11 Diagram Aktivitas Pengujian Akurasi


31

5. Pengujian Tunggal

Gambar 3.12 Diagram Aktivitas Pengujian Tunggal

3.4.4 Diagram Kelas

Berikut ini merupakan desain model kelas analisis untuk sistem

klasifikasi status gizi balita:

Gambar 3.13 Diagram Kelas Analisis


32

3.5 Model Perancangan

Berisi model perancangan sistem yang meliputi, model interaksi

antar kelas, perancangan antarmuka, dan perancangan basis data.

3.5.1 Model interaksi antar kelas

1. Login

Gambar 3.14 Diagram Sekuen Login


33

2. Import File

Gambar 3.15 Diagram Sekuen Import Data

3. Lihat Data

Gambar 3.16 Diagram Sekuen Lihat Data


34

4. Pengujian Akurasi

Gambar 3.17 Diagram Sekuen Pengujian Akurasi

5. Pengujian Tunggal

Gambar 3.18 Diagram Sekuen Pengujian Tunggal


35

3.5.2 Perancangan Antarmuka

Perancangan user interface dalam skripsi ini dijabarkan sebagai

berikut:

1. Halaman Login

Halaman ini merupakan halaman pertama untuk akses sistem. Disini

admin harus melakukan input username dan password.

Gambar 3.19 Gambar Tampilan Login

2. Halaman Home

Didalam halaman ini terdapat pilihan menu utama untuk menjalankan

program

Gambar 3.20 Gambar Tampilan Home


36

3. Halaman Import Data

Untuk melakukan import data admin harus memilih file .xls melalui

kotak dialog setelah menekan tombol “Choose file”. Sebelum

menekan tombol “Upload” admin harus cek pada pilihan “Hapus

data tedahulu”.

Gambar 3.21 Gambar Tampilan Import Data

4. Halaman Data Training

Halaman ini menampilkan data training yang sudah melalui proses

transformasi.

Gambar 3.22 Gambar Tampilan Data Training


37

5. Halaman Data Testing

Halaman ini menampilkan data testing yang sudah melalui proses

transformasi.

Gambar 3.23 Gambar Tampilan Data Testing

6. Halaman Pengujian Akurasi

Halaman ini menampilkan total data training dan data testing yg

akan digunakan.

Gambar 3.24 Gambar Tampilan Pengujian Akurasi


38

7. Halaman Pengujian Tunggal

Di halaman ini admin nantinya harus menginput data balita secara

lengkap sebelum menekan tombol hitung

Gambar 3.25 Gambar Tampilan Pengujian Tunggal

8. Halaman Hasil Uji Akurasi

Menampilkan Hasil perhitungan akurasi berdasarkan data training

dan data testing, serta menampilkan detail data pengujian.

Gambar 3.26 Gambar Tampilan Hasil Uji Akurasi


39

9. Halaman Hasil Uji Tunggal

Berisi informasi status gizi balita berdasarkan pengujian data

tunggal.

Gambar 3.27 Gambar Tampilan Hasil Uji Tunggal

3.5.3 Perancangan Basis Data


40

BAB IV

IMPLEMENTASI DAN ANALISA HASIL

Bab ini berisi uraian implementasi sistem berupa hasil penelitian dan analisa

hasil klasifikasi naive bayes serta antarmuka sistem.

4.1 Implementasi Program

4.1.1 Halaman Login

Di halaman login ini admin memasukkan username dan password.

Bila benar akan diarahkan ke halaman home, apabila salah maka diminta input

ulang

Gambar 4.1 Gambar Tampilan Login


41

4.1.2 Halaman Home

Halaman ini merupakan halaman utama program. Terdapat menu

import data, data training, data testing, pengujian akurasi, pengujian tunggal dan

logout.

Gambar 4.2 Gambar Tampilan Home

4.1.3 Halaman Import Data

Pada menu ini admin melakukan import data berupa file excel .xls.

Pilih “Choose file” lalu akan muncul kotak dialog untuk mencari direktori file

data. Cek juga bagian “Hapus Data Terdahulu”. Lalu klik “upload”.

Gambar 4.3 Gambar Tampilan Import Data


42

Dibawah ini merupakan tampilan berhasil memasukkan data.

Gambar 4.4 Gambar Tampilan Berhasil Import Data

4.1.4 Halaman Data Training

Halaman ini menampilkan data training yang sudah ditransformasi.

Gambar 4.5 Gambar Tampilan Data Training


43

4.1.5 Halaman Data Testing

Halaman ini menampilkan data testing yang sudah ditransformasi.

Gambar 4.6 Gambar Tampilan Data Testing

4.1.6 Halaman Pengujian Akurasi

Di halaman ini ditunjukkan jumlah data training dan jumlah data

testing. Klik tombol Hitung untuk melakukan pengujian akurasi.

Gambar 4.7 Gambar Tampilan Pengujian Akurasi


44

4.1.7 Halaman Pengujian Tunggal

Di halaman ini dilakukan input data untuk pengujian data tunggal.

Admin harus memasukkan data secara lengkap untuk menentukan status

gizi balita.

Gambar 4.8 Gambar Tampilan Pengujian Tunggal

4.1.8 Halaman Hasil Uji Akurasi

Data training dan data testing yang sudah di input oleh admin

kemudian di uji akurasinya. Hasilnya ditampilkan pada halaman ini.

Gambar 4.9 Gambar Tampilan Hasil Uji Akurasi


45

4.1.9 Halaman Hasil Uji Data Tunggal

Data balita yang sebelumnya di input pada halaman Penguji

Tunggal hasilnya ditampilkan pada halaman ini.

Gambar 4.10 Gambar Tampilan Hasil Uji Tunggal

4.2 Hasil Sistem

Dalam percobaan, terdapat dua prosedur dalam pembagian data

training dan testing dalam persentase data yang berbeda. Dengan adanya

prosedur yang berbeda tersebut dapat dilihat performa metode yang diuji

berdasarkan masing-masing prosedur, pengujian menggunakan five-fold

cross validation. Pembagian prosedur dapat dilihat pada tabel 4.1

Jumlah Data Data Training Data Testing Akurasi

408 60 % 40 % 95.092%

408 80 % 20 % 95.121 %

4.1. Tabel Akurasi


46

Dari tabel diatas diketahui bahwa pengujian menggunakan 80%

data training dan 20% data testing menghasilkan akurasi lebih tinggi

sebesar 95.121% walaupun hanya berbeda 0.039%.

4.3 Kelebihan dan Kekurangan Sistem

4.3.1 Kelebihan Sistem

Kelebihan yang dimiliki ini adalah :

1. Sistem memiliki fungsi login dan logout

2. Sistem mampu menerima input data berupa .xls

3. Sistem mampu menampilkan data training dan data testing

4. Sistem mampu melakukan perhitungan akurasi

5. Sistem mampu melakukan perhitungan data tunggal

6. Tampilan sederhana dan mudah dipahami

4.3.2 Kelemahan Sistem

Kekurangan yang dimiliki :

1. Sistem hanya mampu menerima input data bertipe .xls

2. Sistem hanya memiliki satu user


47

BAB V

PENUTUP

5.1 Kesimpulan

Dari hasil penelitian ini, dapat diambil kesimpulan sebagai

berikut :

1. Metode Naive Bayes Classification digunakan untuk

mengklasifikasi status gizi balita menghasilkanakurasi yang

baik.

2. Pengujian pada perbandingan data training dan data testing

sebesar 80 : 20 menghasilkan akurasi tertinggi dengan

95.121%.

5.2 Saran

Saran agar penelitian ini dapat berkembang diantara lain :

1. Program dapat menerima masukan file bertipe lain, tidak hanya

.xls saja.

2. Ditambah metode yang berpengaruh pada penghitungan

parameter seperti Cosine Similarity.


48

Daftar Pustaka

Nur Anggraeni , Diana Rahmawati , and Firli Irhamni , "Sistem Penentuan Status

Gizi Pasien Rawat Inap Menggunakan Metode Naive Bayes Classifier," Jurnal

Sarjana Teknik Informatika, vol. 1, no. 1, pp. 85 - 92, November 2012.

Mujib Ridwan , Hadi Suyono , and M. Sarosa , "Penerapan Data Mining Untuk

Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes

Classifier," Jurnal EECCIS, vol. 7, no. 1, pp. 59 - 64, Juni 2013.

Kusumadewi, Sri. 2010. Klasifikasi Status Gizi Menggunakan Naive Bayesian

Classification, Jurusan Teknik Informatika, Universitas Islam Indonesia.

Larose, D.T. Discovering Knowledge In Data. A John Wiley & Son Publication.

US , 180 – 198, 2005.

Kusrini & Luthfi. E. Taufiq. 2009. Algoritma Data Mining. Yogyakarta: Andi

Offset.

Han, Jiawei dan Kamber, Micheline. 2006. Data Mining : Concept and

Techniques Second Edition, Morgan Kaufmann Publishers.

Tan, dkk. 2006. Introduction to Data Mining. Pearson Education, Inc.

Supariasa IDN, dkk. 2002. Penilaian Status Gizi. Penerbit Buku Kedokteran

EGC, Jakarta.


KLASIFIKASI STATUS GIZI BALITA MENGGUNAKAN NAIVE...

Documents

Transcript of KLASIFIKASI STATUS GIZI BALITA MENGGUNAKAN NAIVE...