Analisa Klasifikasi Status Gizi dengan Metode Fuzzy C-Means Menggunakan Aplikasi Berbasis Android (Classification Analysis of Nutritional Status with the Fuzzy C-Means Method Using Android Based Applications) Sudirman, Nerfita Nikentari, ST., M.Cs dan Martaleli Bettiza, S.Si., M.Sc Jurusan Informatika, Fakultas Teknik, Universitas Maritim Raja Ali Haji (UMRAH) Jl. Politeknik Senggarang, Tanjungpinang 29115 E-mail:
[email protected];
[email protected];
[email protected] Abstrak Puskesmas Kecamatan Belakang Padang merupakan salah satu lembaga pemerintahan yang berperan pada bidang kesehatan yang terdapat di kota Batam. Dalam mengolah data dan menganalisa status gizi balita, pihak Puskesmas Kecamatan Belakang Padang masih melakukan pengolahan data secara arsip dan analisa belum tentu terhitung dengan baik. Akibatnya, waktu akan lebih banyak terbuang dan dari segi hasil perhitungan juga belum tentu akurat. Maka, tentu diperlukan waktu tambahan guna mengoptimalkan data-data status gizi balita tersebut. Dalam penelitian ini peneliti membangun aplikasi berbasis android untuk menyelesaikan masalah penentuan klasifikasi dengan menggunakan dua perhitungan, yaitu berdasarkan Standar Kementerian RI Tahun 2010 tentang Standar Antropometri Penilaian Status Gizi Anak pada indeks Berat Badan per Tinggi Badan (BB/TB) dan perhitungan metode algoritma fuzzy c-means. Variabel yang digunakan dalam menentukan status gizi balita untuk kedua perhitungan tadi ialah tinggi badan, berat badan, dan jenis kelamin. Dari penelitian yang dilakukan terhadap 114 data sampel, metode fuzzy c-means menghasilkan jumlah kesamaan hasil klasifikasi terhadap perhitungan berdasarkan Standar Kementerian tadi sebanyak 26 hingga 32 data sampel. Dan persentase kesamaan hasil klasifikasi yang dihasilkan oleh sistem berkisar 22,81 % hingga 28,07 %. Kata kunci : Status gizi balita, android, metode algoritma fuzzy c-means, variabel, klasifikasi.
Abstract The Belakang Padang’s District Health Center is one of the government agencies that play a role in the health field located in the city of Batam. In data processing and analyzing the nutritional status of toddlers, The Belakang Padang’s District Health Center still perform processing archival and analysis of data is not necessarily counted properly. As a result, more time will be wasted and in terms of the calculation is not necessarily accurate. So, of course it takes additional time to optimize data the nutritional status of toddlers. In this study, the researcher build android-based application to resolve the problem of determining classification using the two calculation, which is based on the Indonesian Ministry Standard 2010 about Standard Anthropometric Assessment Nutritional Status of Toddlers in the index of Weight per Height and the calculation method of fuzzy c–means algorithms. The variables used in determining the nutritional status of toddlers for both our calculations are height, weight, and gender. From the study from 114 samples of data, methods of fuzzy c-means produces the quantity of similarity calculations based on the results of the classification of the Standard Ministry had as many as 26 to 32 sample data. And percentage similarity classification results produced by the system ranges from 22.81% to 28.07%. Keywords : The nutritional status of toddlers, android, method of fuzzy c-means algorithm, variable, classification.
1
I. PENDAHULUAN Puskesmas Kecamatan Belakang Padang merupakan salah satu lembaga pemerintahan yang memiliki peran yang cukup besar dalam usaha menjalankan tugas dan wewenang pemerintah daerah Kota Batam pada bidang kesehatan. Salah satu perannya dalam bidang kesehatan ialah mengelola pendataan status gizi balita. Sistem analisa status gizi balita yang dilakukan oleh pihak Puskesmas Kecamatan Belakang Padang masih diterapkan secara manual atau analisa dilakukan masih menggunakan perhitungan rumusan di atas kertas. Akibatnya, waktu akan lebih banyak terbuang dan dari segi hasil perhitungan juga belum tentu akurat. Maka, tentu diperlukan waktu tambahan guna mengoptimalkan data-data status gizi balita tersebut. Aplikasi berbasis android merupakan solusi yang dirasa mampu membantu menangani permasalahan tersebut. Ditambah lagi dengan perhitungan dengan metode fuzzy c-means dirasa sangat mampu membantu menangani permasalahan tersebut baik dari sisi perekaman data maupun dalam hal analisa status gizi balita dan diharapkan aplikasi yang dibangun dapat bekerja lebih baik dengan menggunakan analisa perhitungan nilainilai kriterianya. Dari uraian latar belakang diatas, maka penulis mengambil judul yaitu “Analisa Klasifikasi Status Gizi Dengan Metode Fuzzy C-Means Menggunakan Aplikasi Berbasis Android”. II. METODE PENELITIAN A. Metode Pengumpulan Data Pengumpulan data-data yang dibutuhkan dilakukan dengan cara melakukan observasi. Hal ini dilakukan di Puskesmas Kecamatan Belakang Padang secara langsung. Dalam hal ini diperlukan sebuah laptop dan alat tulis untuk merekap data dan memudahkan dalam pengambilan data. B. Metode Pengembangan Sistem Pada tahap pengembangan sistem terdiri dari proses-proses yang terstruktur yaitu : analisis, desain, kode, dan pengujian. Metode pengembangan ini dikenal dengan model Sekuensial Linier menurut Roger S. Pressman. Untuk desain model sekuensial linier dapat dilihat pada gambar berikut.
Gambar 1. Metode Pengembangan Sistem Berikut penjelasan bagaimana metode pengembangan sistem yang digunakan dalam sistem ini, yaitu : 1. Analysis Tahap ini menguraikan kebutuhan sistem yang utuh menjadi komponen-komponen sistem untuk mengetahui bagaimana sistem dibangun dan untuk mengetahui kelemahankelemahan sistem yang sudah ada sehingga dapat dijadikan masukan dan pertimbangan dalam penyusunan sistem yang baru. Pada tahap ini, hal yang dilakukan adalah mencari dan mempelajari referensi tentang status gizi balita. 2. Design Tahap ini merupakan tahap perancangan sistem. Tahap design ini menggunakan flowchart berfungsi untuk menyatakan aliran algoritma atau proses sehingga memberi solusi dalam penyelesaian masalah yang ada di dalam proses atau algoritma tersebut. Sementara Context Diagram dan DFD (Data Flow Diagram) digunakan untuk membantu menggambarkan diagram sistem yang akan dibangun. 3. Code Tahap ini adalah penerjemahan rancangan dalam tahap desain ke dalam bahasa pemrograman Java. 4. Test Tahap ini merupakan uji coba terhadap program yang dibangun. Sehingga analisis hasil implementasi yang didapat dari sistem disesuaikan dengan kebutuhan sistem tersebut. Jika penerapan sistem sudah berjalan dengan lancar, maka sistem dapat diimplementasikan. C. Perancangan Sistem Alur sistem yang dibangun ini dapat dilihat pada context diagram berikut.
Gambar. 2. Context Diagram
2
Context diagram digunakan untuk menggambarkan bagaimana sistem akan dibangun. Aplikasi analisa status gizi ini diperuntukkan untuk satu pengguna, yaitu perawat.
Gambar 2 : Halaman Data Sampel Proses penginputan parameter fuzzy c-means akan ditampilkan seperti gambar berikut :
Gambar 3 : Halaman Penghitungan Fuzzy Gambar. 3. Flowchart Algoritma Fuzzy C-Means Proses fuzzy c-means dimulai dengan memasukkan data sampel ke sistem untuk dibentuk menjadi matriks. Kemudian perawat memasukkan nilai parameter fuzzy c-means. Setelah itu sistem mulai melakukan penghitungan yang dimulai dari membentuk matriks partisi awal secara acak. Setelah itu menghitung pusat cluster. Lalu dilanjutkan dengan menghitung fungsi obyektif dan memperbarui matriks partisi. Di akhir metode, langkah selanjutnya, sistem akan memeriksa kondisi berhenti antara lain | Pt-Pt-1 | < error atau t > iterasi maksimum. Jika syarat berhenti belum terpenuhi, maka iterasi bertambah 1 dan proses diulang kembali ke tahap perhitungan pusat cluster. Dan jika syarat terpenuhi, maka proses selesai. III. PEMBAHASAN Pada halaman data sampel sistem penganalisa status gizi terdapat daftar data sampel dan beberapa menu pendukung. Berikut adalah tampilan halaman data sampel dalam sistem ini:
Selanjutnya saat proses perhitungan fuzzy c-means selesai, maka output akan ditampilkan seperti gambar berikut :
Gambar 4 : Halaman Hasil Akhir 1. Perhitungan fuzzy c-means Berikut adalah data-data yang digunakan sebagai bahan analisa sistem.
3
Tabel 1 : Pendataan Gizi Balita
1.1 Pembentukan Matriks Data Sampel Langkah awal ialah membentuk matriks data sampel X ij, dengan i=1, 2, 3, …, 114 dan j=1, 2, 3.
4
1.2 Penentuan Parameter fuzzy c-means
1.6 Perhitungan Perubahan Matriks Partisi
Adapun nilai parameter yang dideklarasikan pada pembahasan ini ialah sebagai berikut : Jumlah cluster atau pengelompokan yang diharapkan (c) = 4. Batas iterasi / perulangan maksimum (maxIter) = 100. Nilai pembobot (w) = [1.25, 1.3, 1.35, 1.4, 1.45, 1.5, 1.55, 1.65, 1.7, 1.75, 1.8, 1.85, 1.9, 1.95, dan 2]. Batas galat terkecil (error) = 0.01. Nilai fungsi obyektif awal (P0) = 0. Dan nilai iterasi awal (t) = 1.
Dengan persamaan (6), diperoleh matriks partisi yang baru pada iterasi ke-1 sebagai berikut:
1.3 Penentuan Matriks Partisi Acak Awal Keanggotaan matriks partisi awal yang digunakan dalam pembahasan ini ialah sebagai berikut : dengan i=1, 2, 3, …, 114 dan k=1,2,3,4.
1.7 Pengecekan Kondisi Berhenti Pada langkah terakhir ini, adapun hasil syarat yang didapat adalah sebagai berikut :
Iterasi saat ini (t) = 1 Iterasi maksimum (MaxIter) = 100 Fungsi obyektif awal (Pt-1) = 0 Fungsi obyektif akhir (Pt) = 285.7850665 Nilai mutlak dari selisih fungsi obyektif (Pt Pt-1) = 285.7850665 Error terkecil yang diharapkan (Error) = 0.01
Dengan hasil t < MaxIter dan Error < (Pt - Ptmaka proses kembali diulangi pada langkah perhitungan pusat cluster. 1),
1.4 Perhitungan Pusat cluster
1.8 Pencapaian Hasil Akhir
Dengan persamaan (4), maka didapatkan hasil perhitungan pusat cluster pada t=1 sebagai berikut, dengan k=1,2,3,4 dan j=1,2,3 :
Dari keseluruhan perulangan proses di atas, diperoleh hasil sebagai berikut :
Iterasi berhenti (t) = 29 Fungsi obyektif awal (Pt-1) = 174.1318423 Fungsi obyektif akhir (Pt) = 174.1318423 Nilai mutlak dari selisih fungsi obyektif (Pt Pt-1) = 0.008327569 Pusat cluster (Vkj) :
Matriks partisi (
1.5 Perhitungan Fungsi Obyektif Dengan persamaan (5), maka nilai Pt pada iterasi ke-1: =
([
(
( , )
−
( , ))
](
) )
) terbaru :
= 1.204949743 + 0.307255033 + 2.213555955+ . . . + 3.868924166 = 285.7850665.
5
Tabel 4 : Klasifikasi Data pada Keempat cluster
Hasil lengkap derajat keanggotaan tiap data pada setiap cluster dapat dilihat pada tabel berikut : Tabel 2 : Keanggotaan Data pada Keempat cluster 2.2 Validasi Kesamaan Hasil penentuan kesamaan data antara perhitungan status gizi secara Standar Kementerian dan secara penalaran fuzzy c-means dapat dilihat pada tabel berikut. Tabel 5 : Validasi Data SK dan FCM No
2. Validasi Kesamaan Hasil Klasifikasi 2.1 Penentuan Klasifikasi Berdasarkan tabel ambang batas status gizi menggunakan standar deviasi, maka klasifikasi dari cluster dapat dilihat pada tabel berikut. Tabel 3 : Penentuan Klasifikasi
Berdasarkan tabel 2 dan 3, maka dapat diperoleh hasil lengkap seperti di dalam tabel berikut:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
FCM Kurus Kurus Normal Wasted Gemuk Gemuk Kurus Wasted Gemuk Gemuk Normal Normal Normal Kurus Kurus Kurus Kurus Wasted Wasted Wasted Kurus Kurus Gemuk Gemuk Normal Kurus Normal Kurus Wasted Wasted Wasted Wasted Wasted Wasted
SK Normal Normal Normal Normal Gemuk Normal Normal Normal Normal Gemuk Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal Gemuk Normal Normal Normal Gemuk Normal Normal Normal Normal Normal Normal Normal
Validasi tidak sama tidak sama SAMA tidak sama SAMA tidak sama tidak sama tidak sama tidak sama SAMA SAMA SAMA SAMA tidak sama tidak sama tidak sama tidak sama tidak sama tidak sama tidak sama tidak sama tidak sama SAMA tidak sama SAMA tidak sama tidak sama tidak sama tidak sama tidak sama tidak sama tidak sama tidak sama tidak sama
6
No 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97
FCM Wasted Gemuk Wasted Wasted Wasted Kurus Gemuk Wasted Kurus Normal Kurus Wasted Kurus Gemuk Gemuk Wasted Kurus Kurus Normal Kurus Kurus Normal Gemuk Gemuk Gemuk Kurus Normal Normal Normal Gemuk Kurus Wasted Normal Wasted Gemuk Gemuk Gemuk Kurus Wasted Wasted Kurus Gemuk Normal Wasted Kurus Wasted Wasted Kurus Kurus Wasted Wasted Wasted Kurus Kurus Gemuk Kurus Kurus Normal Normal Normal Kurus Gemuk Normal
SK Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal Gemuk Normal Normal Wasted Normal Normal Normal Kurus Normal Gemuk Normal Kurus Gemuk Normal Normal Normal Normal Normal Normal Normal Normal Gemuk Normal Normal Normal Normal Normal Kurus Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal Kurus Normal Normal Normal Normal Normal
Validasi tidak sama tidak sama tidak sama tidak sama tidak sama tidak sama tidak sama tidak sama tidak sama SAMA tidak sama tidak sama tidak sama tidak sama SAMA tidak sama tidak sama tidak sama SAMA tidak sama tidak sama tidak sama tidak sama SAMA tidak sama SAMA tidak sama SAMA SAMA tidak sama tidak sama tidak sama SAMA tidak sama tidak sama SAMA tidak sama tidak sama tidak sama tidak sama tidak sama tidak sama SAMA tidak sama tidak sama tidak sama tidak sama tidak sama tidak sama tidak sama tidak sama tidak sama tidak sama tidak sama tidak sama tidak sama tidak sama tidak sama SAMA SAMA tidak sama tidak sama SAMA
No 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114
FCM Gemuk Normal Kurus Gemuk Normal Normal Normal Gemuk Normal Kurus Gemuk Gemuk Normal Gemuk Gemuk Gemuk Gemuk
SK Normal Normal Normal Wasted Wasted Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal
Validasi tidak sama SAMA tidak sama tidak sama tidak sama SAMA SAMA tidak sama SAMA tidak sama tidak sama tidak sama SAMA tidak sama tidak sama tidak sama tidak sama
Maka, perhitungan persentase kesamaan data untuk pembobot (w) = 2 adalah sebagai berikut.
Dari keseluruhan nilai untuk setiap pembobot, maka dapat dilihat persentase kesamaan pada tabel berikut.
No 1
Tabel 6 : Persentase Kesamaan Persentase Kesamaan Pembobot (w) (%) 1.25
2
1.3
3
1.35
4
1.4
5
1.45
6
1.5
7
1.55
8
1.6
9
1.65
10
1.7
11
1.75
12
1.8
13
1.85
14
1.9
15
1.95
16
2.0
28.07 28.07 27.19 27.19 27.19 27.19 25.44 25.44 25.44 25.44 24.56 23.68 22.81 22.81 22.81 22.81
7
IV. KESIMPULAN DAN SARAN
[2]
Deritana, Nini, Martha Kombong, dan G. Yuristianti
A. Kesimpulan Kesimpulan yang dapat diambil dari penelitian di Puskesmas Kecamatan Belakang Padang adalah sebagai berikut.
A.,
Gizi
2000,
untuk
Pertumbuhan dan Perkembangan “Prioritas dan
Intervensi
yang
Dilakukan
oleh
Jayawijaya WATCH Project”. Jayawijaya 1.
2.
Aplikasi android mampu mengolah data balita beserta menentukan klasifikasi untuk perhitungan menurut Standar Kementerian RI Tahun 2010 dan untuk perhitungan metode fuzzy c-means. Dari penelitian yang dilakukan terhadap 114 data sampel, metode fuzzy c-means menghasilkan jumlah kesamaan hasil klasifikasi terhadap perhitungan berdasarkan Standar Kementerian tadi sebanyak 26 hingga 32 data sampel. Dan persentase kesamaan hasil klasifikasi yang dihasilkan oleh sistem berkisar 22,81 % hingga 28,07 %.
Women and Their Children’s Health Project. 1 : 7-8. [3]
Hermaduanti, Ninki dan Sri Kusumadewi (2008) . Sistem Pendukung Keputusan Berbasis SMS untuk Menentukan Status Gizi Menggunakan
Metode
K-Nearest
Neighbour. [4]
Hendrawan, Deny Sidarta. (2012). Aplikasi Belajar Menulis Untuk Anak Prasekolah Berbasis Android.
B. Saran Beberapa saran yang perlu disampaikan dalam penelitian ini, dengan harapan akan menjadi saran yang bermanfaat, yaitu : 1. Klasifikasi status gizi untuk orang dewasa masih sangat mungkin untuk ditinjau menggunakan metode fuzzy c-means dengan menggunakan variabel yang lebih variatif. 2. Diharapkan untuk penelitian kedepannya dapat diterapkan menggunakan metode klasifikasi lain seperti Naïve Bayesian, Decision Tree, fuzzy subtractive clustering, dan fuzzy Equivalence Relation. 3. Penerapan metode fuzzy c-means ini juga diharapkan dapat diterapkan pada studi kasus yang berbeda dengan menggunakan pengembangan platform yang lain pula seperti IOS dan Blackberry OS.
[5]
DAFTAR PUSTAKA [1]
Cox, Earl, 2005, Fuzzy Modelling and
Arwan
Ahmad
(2007).
Menentukan Nilai Akhir Kuliah Dengan Fuzzy C-Means. [6]
Klir, George J; Yuan, Bo. (1995). Fuzzy Sets and Fuzzy Logic, Theory and Application. Prentice Hall International, Inc.
[7]
Kusumadewi, S., & Purnomo, H. (2010). Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta: Graha Ilmu
[8]
Luthfi, Emha Taufiq (2012). Modul Kuliah Program Aplikasi Mobile. Diperoleh 14 Januari 2013, dari elearning.amikom.ac.id/index.php/download /materi/100302125-ST08814/2012/03/20120326_MODUL%20ANDR OID%201%20&%202%20&%203%20&%2 04%20&%205.pdf
[9]
Martino, Fernando Di dan Salvatore Sessa. (2009). Implementation of the Extended Fuzzy C-Means Algorithm in Geographic Information Systems.
UCAPAN TERIMA KASIH Penulis mengucapkan terima kasih kepada Allah Subhanahu Wa Ta’ala, kedua orang tua dan pembimbing yang telah banyak membantu serta kepada segala pihak, yang baik secara langsung membantu maupun tidak langsung.
Khoiruddin,
[10] Menkes, RI, 2011, Standar Antropometri Penilaian Status Gizi Anak, Jakarta
Genetic Algorithms for Data Mining and
[11] Puskesmas, Belakang Padang, 2010, Profil
Exploration, Elsevier Inc, United Stated of
Puskesmas Belakang Padang Semester II
America.
2010: Batam.
8
[12] Rismawan, T., Ardhitya Wiedha Irawan,
[14] Safaat, Nazarudin, 2012, Pemrograman
Wahyu Prabowo dan Sri Kusumadewi
Aplikasi Mobile Smartphone dan Tablet PC
(2008) . Sistem Pendukung Keputusan
Berbasis Android, Informatika: Bandung.
Berbasis Pocket PC Sebagai Penentu Status
[15] Teknologiz. (2012). Sejarah Android, jenis
Gizi Menggunakan Metode KNN (K-Nearest
dan versi Android Operating System (OS).
Neighbour).
Diperoleh
[13] Roger S.Pressman, Ph.D., 2001. Software Engineering A Practitioner’s Approach.
14
Januari
2013,
dari
http://www.teknologiz.com/2012/11/sejarahandroid-jenis-dan-versi-android.html
New York : McGraw- Hill.
9
