Page 1
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
Page 2
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 3
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 5
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 6
v
MOTTO
“Jadilah garam dunia”
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 7
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 8
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 9
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 10
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 11
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 12
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 13
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 14
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 15
xiv
BAB V PENUTUP….............................................................................................47
5.1 Kesimpulan..............................................................................................47
5.2 Saran ……................................................................................................47
Daftar Pustaka ........................................................................................................48
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 16
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 17
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 18
xvii
Gambar 4.8 Tampilan Pengujian Tunggal ..........................................................44
Gambar 4.9 Tampilan Hasil Uji Akurasi ............................................................44
Gambar 4.10 Tampilan Hasil Uji Tunggal ..........................................................45
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 19
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”
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 20
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 21
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 22
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 23
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 24
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:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 25
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 26
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 27
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 28
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 29
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 30
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 :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 31
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 32
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 33
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 34
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 35
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 36
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 37
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 38
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 39
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 40
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 41
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 42
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
Aksi Admin Reaksi Sistem
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 -
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 43
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
Aksi Admin Reaksi Sistem
1. Menekan menu "Data
Training”
3. Menekan menu "Data
Testing”
2. Menampilkan data training
hasil transformasi
4. Menampilkan data testing
hasil transformasi
Alternate -
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 44
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
Aksi Admin Reaksi Sistem
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 -
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 45
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
Aksi Admin Reaksi Sistem
1.Menginputkan data Balita
2.Menekan tombol "Hitung"
3.Menampilkan data
pengujian dan status gizi
balita
Alternate -
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 46
28
3.4.3 Diagram Aktivitas
Terdapat 5 diagram berdasarkan usecase diatas.
1. Login
Gambar 3.8 Diagram Aktivitas Login
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 47
29
2. Import data
Gambar 3.9 Diagram Aktivitas Import Data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 48
30
3. Lihat Data
Gambar 3.10 Diagram Aktivitas Lihat Data
4. Pengujian Akurasi
Gambar 3.11 Diagram Aktivitas Pengujian Akurasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 49
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 50
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 51
33
2. Import File
Gambar 3.15 Diagram Sekuen Import Data
3. Lihat Data
Gambar 3.16 Diagram Sekuen Lihat Data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 52
34
4. Pengujian Akurasi
Gambar 3.17 Diagram Sekuen Pengujian Akurasi
5. Pengujian Tunggal
Gambar 3.18 Diagram Sekuen Pengujian Tunggal
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 53
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 54
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 55
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 56
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 57
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 58
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 59
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 60
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 61
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 62
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 63
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 64
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 65
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 66
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI