BAB 3 ANALISIS DAN PERANCANGAN

BAB 3

ANALISIS DAN PERANCANGAN 3.1 Analisis

Pada penelitian ini akan dibangun sistem yang dapat digunakan untuk mengklasifikasi pasien menurut body mass index (BMI), Basal Metabolic Rate (BMR), usia dan ukuran kerangkanya berdasarkan data fisik dari pasien yang telah diambil sebelumnya. Data fisik yang digunakan adalah tinggi badan, berat badan, usia, ukuran lingkar lengan bawah serta aktifitas sehari-hari.

Proses-proses yang dilakukan dalam melakukan pengelompokkan pasien dengan algoritma K-Means Clustering adalah: a. Bangkitkan cluster-cluster b. Hitung iterasi ke n dengan menghitung jarak antara pusat cluster dengan data (BMI dan UK). c. Hitung cluster baru d. Bandingkan cluster baru dengan cluster sebelumnya e. Jika pusat cluster masih berubah maka lanjutkan iterasi (n=n+1) f. Jika pusat cluster tidak berubah hentikan iterasi

BMI merupakan suatu pengukuran yang membandingkan berat badan dengan tinggi badan. BMI merupakan teknik untuk menghitung index berat badan, sehingga dapat diketahui kategori tubuh kita apakah tergolong kurus, normal atau gemuk. BMI dapat digunakan untuk mengontrol berat badan sehingga dapat mencapai berat badan normal yang sesuai dengan tinggi badan. Dalam menghitung BMI diperlukan dua parameter, yaitu berat badan (cm) dan tinggi badan (m).

BMI dapat dihitung dengan menggunakan persamaan berikut: BMI =

BB TB 2

……………………… (1)

Universitas Sumatera Utara

Dimana : BMI

= Nilai Body Mass Index

BB

= Berat Badan dalam kilogram

TB

= Tinggi Badan dalam centimeter. Untuk mengukur apakah berat badan seseorang ideal atau tidak, dapat

dilakukan dengan

melihat

nilai BMI

(Body

Mass Index)

tubuhnya

dan

membandingkan nilainya dengan aturan dengan kategori: a. Balita umur 1- 5 tahun b. Remaja umur > 5 – 17 tahun c. Dewasaumur > 17 - 60 tahun d. Lansia (lanjut usia) umur > 60 tahun Berat badan ideal untuk dewasadapat dilihat pada pada Tabel 3.1. Tabel 3.1 Nilai BMI Dewasa Nilai BMI

Keterangan

Ideal

<18,5

Berat Kurang

Tidak

18,5 – 22,9

Berat Normal

Ya

23 – 24,9

Obesitas Ringan Tidak

25 – 29,9

Obesitas Sedang Tidak

>= 30

Obesitas Berat

Tidak

Pengukuran kerangka tubuh manusia merupakan pengukuran yang membandingkan parameter tinggi badan dan lingkar lengan bawah. Dalam mengukur kerangka tubuh manusia diperlukan 3 buah parameter, yaitu tinggi badan (cm), lingkar lengan bawah (cm) dan jenis kelamin. Rumus untuk menghitung ukuran kerangka manusia seperti ditunjukkan pada persamaan berikut: UK =

Dimana : UK

= Ukuran Kerangka

TB

= Nilai Tinggi Badan

LLB

= Ukuran Lingkar Lengan Bawah

TB LLB

…………………………. (2)


Dengan batas pengelompokkan Laki-laki : < 9,6 : kerangka kecil 9,6 – 10,4 : kerangka sedang >10,4 : kerangka besar Perempuan : <10,1 : kerangka kecil 10,1 – 11,0 : kerangka sedang >11,0 : kerangka besar BMR pasien dapat dihitung melalui rumus berikut ini, dan dibedakan berdasarkan jenis kelamin: BMR (wanita) = 655 + (9,6 x BB) + (1,8 x TB - (4,7 x U) BMR (pria) = 66 + (13,7 x BB) + (5 x TB - (6,8 x U)…………..(3) Dimana : BB = Berat badan dalam kilogram TB = Tinggi Badan dalam centimeter U = Usia dalam tahun

Setelah kita mendapatkan hasil BMR pasien, kita harus menghitung kebutuhan kalori harian dengan menggunakan Persamaan Harris Benedict, sebagai berikut : Kelompok 1: Tidak berolah raga Kebutuhan Kalori Harian

= BMR x 1.2

Kelompok 2: Berolah raga ringan (1-3 kali seminggu) Kebutuhan Kalori Harian

= BMR x 1.375

Kelompok 3: Berolah raga sedang (3-5 kali seminggu) Kebutuhan Kalori Harian

= BMR x 1.55

Kelompok 4: Berolah raga berat (6-7 kali seminggu) Kebutuhan Kalori Harian

= BMR x 1.725

Kelompok 5: Berolah raga berat dan sangat aktif Kebutuhan Kalori Harian

= BMR x 1.9…………………(4)


Distance Space (euclidean distance) adalah jarak terpendek yang bisa didapatkan antara data dengan centroid. Distance space dihitung dengan rumusEuclidean: ………….. (5) Dimana: D

= distance space

X2 = data yang diperhitungkan dalam k-means(Umur, BMI, UK, dan Kalori) X1 = centroid dari Umur, BMI, UK, dan Kalori

Diperoleh data awal pasien yang berisi tinggi badan, berat serta ukuran lingkar lengan bawah seperti Tabel 3.2. Tabel 3.2 Tabel Pasien Kategori Dewasa

No.Pasien

Jenis Kelamin

Umur

Tinggi

Berat

Badan

Badan

(Cm)

(Kg)

LLB

Aktifitas

(cm)

1

Laki-Laki

18

160

55

15

Tidak berolahraga

2

Perempuan

20

159

58

14

Berolah raga ringan

3

Perempuan

35

172

60

15

Berolah raga sedang

4

Laki-laki

20

172

57

18

Berolah raga berat

5

Perempuan

28

168

70

17

3.1.1

Berolah raga berat dan sangat aktif

Perhitungan Nilai BMI

Berdasarkan data pada tabel 3.2 dilakukan perhitungan Nilai BMI adalah menghitung BMI dengan menggunakan persamaan (1) adalah sebagai berikut: 1. Pasien 1 = BB/(TB)2 = 55/(160/100)2 = 21.48 2. Pasien 2 = BB/(TB)2 = 58/(159/100)2 = 22.94 3. Pasien 3 = BB/(TB)2 = 60/(172/100)2 = 20.28 4. Pasien 4 = BB/(TB)2 = 57/(172/100)2 = 19.26 5. Pasien 5 = BB/(TB)2 = 70/(168/100)2 = 24.80


3.1.2 Perhitungan Nilai UK Perhitungan Ukuran Kerangka (UK) pasien dengan menggunakan persamaan (2) sebagai berikut: 1. Pasien 1 = TB/LLB = 160/15 = 15 2. Pasien 2 = TB/LLB = 159/14 = 11.35 3. Pasien 3 = TB/LLB = 172/15 = 11.46 4. Pasien 4 = TB/LLB = 172/18 = 9.55 5. Pasien 5 = TB/LLB = 168/17 = 9.88

3.1.3

Perhitungan BMR

Perhitungan Basal Metabolic Rate (BMR) pasien dengan menggunakan persamaan (3) sebagai berikut: Pasien 1 (Pria): BMR = 66 + (13,7 x BB) + (5 x TB - (6,8 x U)) = 66 + (13,7 x 55) + (5 x 160 - (6,8 x 18)) = 1497.1 Pasien 2 (Wanita) BMR (wanita) = 655 + (9,6 x BB) + (1,8 x TB - (4,7 x U)) = 655 + (9,6 x 58) + (1,8 x 159 - (4,7 x 20)) = 1404 Pasien 3 (Wanita) BMR (wanita) = 655 + (9,6 x BB) + (1,8 x TB - (4,7 x U)) = 655 + (9,6 x 60) + (1,8 x 172 - (4,7 x 35)) = 1376.1 Pasien 4 (Pria): BMR (Pria)

= 66 + (13,7 x BB) + (5 x TB - (6,8 x U)) = 66 + (13,7 x 57) + (5 x 172 - (6,8 x 20)) = 1570.9

Pasien 5 (Wanita) BMR (wanita) = 655 + (9,6 x BB) + (1,8 x TB - (4,7 x U)) = 655 + (9,6 x 70) + (1,8 x 168 - (4,7 x 28)) = 1497.8

3.1.4

Perhitungan Kebutuhan Kalori Harian

Perhitungan kebutuhan kalori harian pasien dengan menggunakan persamaan (4) sebagai berikut:


Pasien 1: Tidak berolah raga Kebutuhan Kalori Harian

= BMR x 1.2 = 1497.1 x 1.2 = 1796.52

Pasien 2: Berolah raga ringan (1-3 kali seminggu) Kebutuhan Kalori Harian

= BMR x 1.375 = 1404 x 1.375 = 1930.5

Pasien 3: Berolah raga sedang (3-5 kali seminggu) Kebutuhan Kalori Harian

= BMR x 1.55 = 1376.1 x 1.55 = 2132.96

Pasien 4: Berolah raga berat (6-7 kali seminggu) Kebutuhan Kalori Harian

= BMR x 1.725 =1570.9 x 1.725= 2709.8

Pasien 5: Berolah raga berat dan sangat aktif Kebutuhan Kalori Harian

= BMR x 1.9 = 1497.8 x 1.9 = 2844.3

Hasil perhitungan BMI, UK, BMR, dan Kalori Harian di atas dimasukkan ke dalam tabel seperti pada Tabel 3.3. Tabel 3.3 Tabel Inisial Cluster Tinggi

Berat

Badan

Badan

(Cm)

(Kg)

1

160

55

18

2

159

58

3

172

4 5

No. Pasien

Usia

LLB

Kalori

BMI

UK

BMR

15

21.48

10.6

1497.1 1796.52

20

14

22.94 11.35

60

35

15

20.28 11.46 1376.1 2132.96

172

57

20

18

19.26

9.55

1570.9

2709.8

168

70

28

17

24.80

9.88

1497.8

2844.3

(cm)

1404

Harian

1930.5

Tahap awal perhitungan K-MeanCluster adalah dengan membangkitkan clustercluster

secara

Usia

;

acak. BMI

Pertama-tama

bangkitkan

;

;

UK

Kalori,

3

bilangan misalnya

acak

untuk

diperoleh

Cluster 1 (25;17;9;2000), Cluster 2 (35;20;10;2500), Cluster 3 (45;25;11;3000)

3.1.5

Perhitungan Iterasi

Perhitungan iterasi adalah menghitung jarak pusat cluster dengan data menggunakan persamaan (5).


a.

Hitung jarak data pertama ke pusat cluster pertama: D11= �(18 − 25)2 + (21.48 − 17) = 203.65

b.

2

Hitung jarak data pertama ke pusat cluster kedua: D21=�(18 − 35)2 + (21.48 − 20) = 703.69

c.

2

+ (10.6 − 10)2 + (1796.52 − 2500)2

Hitung jarak data pertama ke pusat cluster ketiga: D31=�(18 − 45)2 + (21.48 − 25) = 1203.79

d.

+ (10.6 − 9)2 + (1796.52 − 2000)2

2

+ (10.6 − 11)2 + (1796.52 − 3000)2

Hitung jarak data kedua ke pusat cluster pertama: D12= �(20 − 25)2 + (22.94 − 17) = = 69.97

e.

2

Hitung jarak data kedua ke pusat cluster kedua: D22=�(20 − 35)2 + (22.94 − 20) = 569.71

f.

2

+ (11.35 − 10)2 + (1930.5 − 2500)2

Hitung jarak data kedua ke pusat cluster ketiga: D32=�(20 − 45)2 + (22.94 − 25) = 1069.79

g.

+ (11.35 − 9)2 + (1930.5 − 2000)2

2

+ (11.35 − 11)2 + (1930.5 − 3000)2

Hitung jarak data ketiga ke pusat cluster pertama: D13= �(35 − 25)2 + (20.28 − 17) = 133.39

2

+ (11.46 − 9)2 + (2132.96 − 2000)2


h.

Hitung jarak data ketiga ke pusat cluster kedua: D23= �(35 − 35)2 + (20.28 − 20)

367.04

i.

2

+ (11.46 − 10)2 + (2132.96 − 2500)2 =

Hitung jarak data ketiga ke pusat cluster ketiga: D33= �(35 − 45)2 + (20.28 − 25)

867.11

j.

2

+ (11.46 − 11)2 + (2132.96 − 3000)2 =

Hitung jarak data keempat ke pusat cluster pertama: D14= �(20 − 25)2 + (19.26 − 17)

709.82 k.

2

Hitung jarak data keempat ke pusat cluster kedua: D24=�(20 − 35)2 + (21.48 − 20) 210.34

l.

+ (9.55 − 9)2 + (2709.8 − 2000)2 =

2

+ (9.55 − 10)2 + (2709.8 − 2500)2 =

Hitung jarak data keempat ke pusat cluster ketiga: D34=�(20 − 45)2 + (21.48 − 25) 291.29

2

+ (9.55 − 11)2 + (2709.8 − 3000)2 =

m. Hitung jarak data kelima ke pusat cluster pertama: D15= �(28 − 25)2 + (24.80 − 17)

844.34 n.

2

+ (10.6 − 9)2 + (2844.3 − 2000)2 =

Hitung jarak data kelima ke pusat cluster kedua: D25=�(28 − 35)2 + (24.80 − 20) 344.41

2

+ (10.6 − 10)2 + (2844.3 − 2500)2 =


o.

Hitung jarak data kelima ke pusat cluster ketiga: D35=�(28 − 45)2 + (24.80 − 25) 156.63

2

+ (10.6 − 11)2 + (2844.3 − 3000)2 =

Hasil perhitungan di atas dimasukkan ke dalam tabel pusat cluster, sehingga diperoleh Tabel 3.4.

Tabel 3.4 Pusat Cluster Iterasi 1 No.Pasien

Usia

BMI

UK

Kalori

C1

C2

1

18

21.48

10.6

1796.52

203.65

2

20

22.94

11.35

1930.5

3

35

20.28

11.46

2132.96

69.97 569.71 1069.79 133.39 367.04 867.11

4

20

19.26

9.55

2709.8

5

28

24.80

9.88

2844.3

709.82 844.34

C3

703.69 1203.79

210.34 344.41

291.29 156.63

Dari Tabel Cluster Iterasi 1 di atas, pilih cluster yang paling kecil seperti pada tabel 3.5: Tabel 3.5 Pusat Cluster Terkecil Iterasi 1 No.Pasien

Usia

BMI

UK

1

18

21.48

10.6

1796.52 *

2

20

22.94

11.35

1930.5

3

35

20.28

11.46

2132.96 *

4

20

19.26

9.55

2709.8

5

28

24.80

9.88

2844.3

Kalori

C1

C2

C3

*

* *

1. Hitung pusat cluster. Cluster pertama adalah data nomor pasien 1, 2, dan 3 sehingga C11 = (18+20+35)/3= 24.33 C12 = (21.48+22.94+20.28)/3 = 21.58 C13 = (10.6+11.35+11.48)/3 = 11.14 C14 = (1796.52+1930.5+2132.96)/3 = 1953.33 Cluster-1 adalah (24.33; 21.58; 11.14; 1953.33)


Cluster kedua adalah hanya data nomor pasien 4 saja, sehingga: C21 = 20 C22 = 19.26 C23 = 9.55 C24 = 2709.8 Cluster-2 adalah (20; 19.26; 9.55; 2709.8) Cluster ketiga adalah hanya data nomor pasien 5 saja, sehingga: C31 = 28 C32 = 24.80 C33 =9.88 C34 = 2844.3 Cluster-3 adalah (28; 24.80; 9.88; 2844.3) 2. Lakukan Iterasi yang kedua dengan langkah 2 di atas dan diperoleh: Cluster-1 adalah (24.33

; 21.58 ; 11.14 ; 1953.33)

Cluster-2 adalah (20

; 19.26 ; 9.55 ; 2709.8)

Cluster-3 adalah (28

; 24.80 ; 9.88 ; 2844.3)

a. Hitung jarak data pertama ke pusat cluster pertama: D11= �(18 − 24.33)2 + (21.48 − 21.58) = 156.9

2

+ (10.6 − 11.14)2 + (1796.52 − 1953.33)2

b. Hitung jarak data pertama ke pusat cluster kedua: D21= �(18 − 20)2 + (21.48 − 19.26) = 913.28

2

+ (10.6 − 9.55)2 + (1796.52 − 2709.8)2

c. Hitung jarak data pertama ke pusat cluster ketiga: D31= �(18 − 28)2 + (21.48 − 24.80) = 1047.83

2

+ (10.6 − 9.88)2 + (1796.52 − 2844.3)2


d.

Hitung jarak data kedua ke pusat cluster pertama: D12= �(20 − 24.33)2 + (22.94 − 21.58) = 23.25

e.

2

+ (11.35 − 11.14)2 + (1930.5 − 1953.33)2

Hitung jarak data kedua ke pusat cluster kedua: D22= �(20 − 20)2 + (22.94 − 19.26) = 779.31

f.

2

+ (11.35 − 9.55)2 + (1930.5 − 2709.8)2

Hitung jarak data kedua ke pusat cluster ketiga: D32= �(20 − 28)2 + (22.94 − 24.80) = 913.84

g.

2

+ (11.35 − 9.88)2 + (1930.5 − 2844.3)2

Hitung jarak data ketiga ke pusat cluster pertama: D13= �(35 − 24.33)2 + (20.28 − 21.58) = 179.95

h.

2

+ (11.46 − 11.14)2 + (2132.96 − 1953.33)2

Hitung jarak data ketiga ke pusat cluster kedua: D23= �(35 − 20)2 + (20.28 − 19.26) = 577.04

i.

2

+ (11.46 − 9.55)2 + (2132.96 − 2709.8)2

Hitung jarak data ketiga ke pusat cluster ketiga: D33= �(35 − 28)2 + (20.28 − 24.80) = 711.39

2

+ (11.46 − 9.88)2 + (2132.96 − 2844.3)2


j.

Hitung jarak data keempat ke pusat cluster pertama: D14= �(20 − 24.33)2 + (19.26 − 21.58) = 756.49

k.

2

+ (9.55 − 11.14)2 + (2709.8 − 1953.33)2

Hitung jarak data keempat ke pusat cluster kedua: D24= �(20 − 20)2 + (21.48 − 19.26) = 2.22

l.

2

+ (9.55 − 9.55)2 + (2709.8 − 2709.8)2

Hitung jarak data keempat ke pusat cluster ketiga: D34= �(20 − 28)2 + (21.48 − 24.80) = 134.78

2

+ (9.55 − 9.88)2 + (2709.8 − 2844.3)2

m. Hitung jarak data kelima ke pusat cluster pertama: D15= �(28 − 24.33)2 + (24.80 − 21.58) = 891.01 n.

2

+ (9.88 − 11.14)2 + (2844.3 − 1953.33)2

Hitung jarak data kelima ke pusat cluster kedua: D25= �(28 − 20)2 + (24.80 − 19.26) = 134.85

o.

2

+ (9.88 − 9.55)2 + (2844.3 − 2709.8)2

Hitung jarak data kelima ke pusat cluster ketiga: D35= �(28 − 28)2 + (24.80 − 24.80) =0

2

+ (9.88 − 9.88)2 + (2844.3 − 2844.3)2

Hasil perhitungan di atas dimasukkan ke dalam Tabel 3.6.


Tabel 3.6 Pusat Cluster Iterasi 2 BMI

UK

Kalori

C1

C2

C3

No.Pasien

Usia

1

18

21.48

10.6

1796.52

156.9

913.28

1047.83

2

20

22.94

11.35

1930.5

23.25

779.31

913.84

3

35

20.28

11.46

2132.96 179.95

577.04

711.39

4

20

19.26

9.55

2709.8

756.49

5

28

24.80

9.88

2844.3

891.01

2.22

134.78

134.85

0

Dari Tabel 3.5 di atas, pilih cluster yang paling kecil sehingga hasilnya diperoleh seperti pada Tabel 3.7. Tabel 3.7 Pusat Cluster Terkecil Iterasi 2 No.Pasien

Usia

BMI

UK

1

18

21.48

10.6

1796.52 *

2

20

22.94

11.35

1930.5

3

35

20.28

11.46

2132.96 *

4

20

19.26

9.55

2709.8

5

28

24.80

9.88

2844.3

Kalori

C1

C2

C3

*

* *

Pada Tabel 3.6 di atas dapat dibandingkan dengan Tabel 3.7, jika posisi cluster masih berubah, maka iterasi 3 dilanjutkan. Namun dari data diatas ternyata posisi cluster tidak berubah maka iterasi dihentikan dan hasil yang diperoleh satu cluster: Cluster pertama adalah data nomor pasien 1, 2, dan 3 sehingga C11 = (18+20+35)/3= 24.33 C12 = (21.48+22.94+20.28)/3 = 21.58 C13 = (10.6+11.35+11.48)/3 = 11.14 C14 = (1796.52+1930.5+2132.96)/3 = 1953.33 Cluster-1 adalah (24.33; 21.58; 11.14; 1953.33) Cluster kedua adalah hanya data nomor pasien 4 saja, sehingga: C21 = 20 C22 = 19.26 C23 = 9.55 C24 = 2709.8


Cluster-2 adalah (20; 19.26; 9.55; 2709.8) Cluster ketiga adalah hanya data nomor pasien 5 saja, sehingga: C31 = 28 C32 = 24.80 C33 =9.88 C34 = 2844.3 Cluster-3 adalah (28; 24.80; 9.88; 2844.3)

Cluster 1 ini dapat diartikan sebagai kelompok pasien dengan berat normal dan. Hasil perhitungan bahwa: Cluster Pertama dengan BMI : 21.58 (Berat Normal) ; UK: 11.14(kerangka besar untuk laki-laki dan perempuan ); dan kebutuhan Kalori Harian pasien adalah 1953.33 kal/hari. Untuk melakukan pengelompokan data pasien dengan cluster-cluster pada proses iterasi-2, maka digunakan Tabel 3.1 dan persamaan (2) dengan hasil seperti pada Tabel 3.8. Tabel 3.8 Hasil Pengelompokan Pasien No.Pasien

3.1.6

Jenis Kelamin

BMI

UK

Kalori Harian

Berat

Kerangka

Ideal

1

Laki-Laki

21.48

10.6

1796.52

Normal

Besar

Ya

2

Perempuan

22.94 11.35

1930.5

Normal

Besar

Ya

3

Perempuan

20.28 11.46 2132.96

Normal

Besar

Ya

4

Laki_laki

19.26

9.55

2709.8

Normal

Kecil

Ya

5

Perempuan

24.80

9.88

2844.3

Kecil

Tidak

Obesitas Ringan

Flow Chart Sistem

Flow Chart Sistem proses pengelompokan data pasien berdasarkan nilai BMI dan Ukuran Kerangka (UK) dapat dilihat pada Gambar 3.1.


Start

Input Tinggi, Berat, Ukuran Lingkar lengan, Usia, Aktifitas

Hitung BMI, UK, BMR, Kalori Harian Bangkitkan titik pusat tiap-tiap cluster secara acak

Hitung jarak data dengan masing-masing cluster berdasarkan titik pusatnya

Kelompokkan data pada cluster berdasarkan jarak terdekat

Hitung rata-rata titik pusat data pada masing-masing cluster

Bangkitkan titik pusat baru tiap-tiap cluster Tidak

Posisi sama?

Bandingkan posisi titik pusat cluster yang lama dengan yang baru

Ya Tampilkan hasil pengelompokan

End

Gambar 3.1Flow Chart Sistem

3.2 Perancangan

Rancang sistem yang digunakan adalah dalam model Diagram Konteks dan Data Flow Diagram (DFD) yang menampilkan kebutuhan sistem serta entitas luar yang terlibat dalam proses K-MeanClustering.


3.2.1 Diagram Konteks Sistem Pengelompokkan K-Means Clustering

Pada diagram konteks di bawah ini terdapat dua entiti luar (external entity) yang terdapat pada perangkat lunak yang dibangun yaitu Admin dan User. Admin berfungsi sebagai pengguna sistem yang memberikan masukan berupa data pasien yang terdiri dari IDPasien, jenis kelamin, berat badan, tinggi badan serta ukuran lingkar lengan bawah. Selain memberikan masukan berupa data pasien, Admin juga dapat memberikan masukan untuk data BMI, data UK, dan data cluster acak awal yang digunakan dalam proses perhitungan metode k-means clustering. Sedangkan, fungsi dari user sebagai pengguna sistem hanya dapat melakukan proses perhitungan kmeans clustering dengan memberikan masukan data cluster acak awal. Diagram Konteks dapat dilihat seperti pada Gambar 3.2. Hasil Pengelompokkan Admin

User

Data Pasien, Data BMI, Data UK, Data Cluster Acak Awal

0 Sistem Pengelompokkan k-means clustering

Data Cluster Acak Awal Hasil Pengelompokkan

Gambar 3.2 Diagram Konteks

3.2.2

Data Flow Diagram Level 0

Data Flow DiagramLevel 0 adalah diagram yang menggambarkan proses-proses yang terjadi di dalam sistem pengelompokkan k-means clustering. Proses-proses yang terjadi dalam DFD Level 0 adalah proses pengisian data pasien, proses pengisian data BMI, proses pengisian data UK, dan proses perhitungan k-means clustering. Dalam DFD level 0 tersebut dapat dilihat proses-proses apa saja yang dapat dilakukan oleh admin dan user. DFD Level 0 dapat dilihat pada Gambar 3.3.


1.0 Pengisian Data Pasien

Data Pasien

Data BMI

2.0 Pengisian Data BMI

Data Pasien

Data BMI tPasien

tDataUK

Admin Data UK

Data UK 3.0 Pengisian Data UK

tDataBMI Data UK

Data BMI Data Umur, Berat,Tinggi, Aktivitas

tBMI

Hasil Pengelomp okkan

Data Cluster Acak Awal

Data Umur, BMI, UK, Kalori

4.0 k-means clustering


User

Data Cluster Pusat

Hasil Pengelompokkan Data Pasien, Kluster, Umur, BMI, UK, K l i Data Kluster, BMI, UK

tNewKluste

Data Pasien, Kluster, Jarak Kluster tKluster

Data Pasien, Kluster

tHasilLaporan

temKluster

tHasilKluster

Data Pasien, Kluster,Umur, BMI, UK, temBMI

Gambar 3.3DFD Level0Sistem Pengelompokkan K-MeansClustering 3.2.3

Data Flow Diagram Level 1 Proses K-Means Clustering

Data Flow DiagramLevel 1Proses K-Means Clustering menggambarkan langkahlangkah proses dari metodek-meansclustering untuk melakukan pengelompokan pasien dengan menghitung BMI, menghitung ukuran kerangka (UK), BMR, dan kalori harian, membangkitkan centroid acak, menghitung jarak data dengan centroid, menghitung cluster baru serta pengelompokan data pasien berdasarkan posisi cluster pada iterasi terakhir.


Data Cluster Pusat Data Cluster Acak Awal

Admin

tPasien

4.1 Perhitungan BMI, UK, dan Kalori

Data Umur, Berat,Tinggi , Aktivitas


User

Data Cluster Pusat

4.2 Perhitungan Cluster Pusat

Data Umur, BMI, UK, Kalori

4.3 Perhitungan distance space

tBM Data Umur, BMI, UK, Kalori

Data Pasien, Kluster, Jarak Kluster

Data Pasien,Kluster, Umur, BMI, UK, Kalori

Data Pasien, Kluster, Jarak Kluster

tKluster DataUmur,BMI , UK Kalori

temBMI Data Pasien,Kluster, Umur, BMI, UK, Kalori

4.4 Pengelompok kan Data tiap Cluster

tNewKluster Status Kluster

Data Cluster Pusat

4.5 Pengecekan posisi cluster lama dan baru

Data Pasien,Kluster, Umur, BMI, UK, Kalori 4.6 Simpan Hasil Akhir Cluster

Data UK

tDataBMI

temKluster Data Pasien, Kluster

4.7 Cetak Laporan

Data Kluster, Data Kluster, BMI, UK BMI, UK tHasilKluste Data Pasien, Kluster,Umur, BMI,UK, Kalori

Data BMI

Data Pasien, Kluster

tDataUK

tHasilLaporan Data Pasien,Kluster, Umur, BMI,UK, K l i Hasil Pengelompokkan Hasil Pengelompokkan

Gambar 3.4DFD Level1Proses K-Means Clustering


3.2.4Perancangan Database Perancangan database merupakan proses untuk menentukan isi data yang dibutuhkan untuk mendukung rancangan sistem. Model rancangan database yang dibangun adalah model relationship dimana seluruh tabel saling berhubungan satu dengan yang lainnya. Rancangan database yang berisi tabel data yang digunakan adalah sebagai berikut:

1. Tabel tAdmin

Tabel ini berfungsi sebagai sumber informasi tentang data administrator sistem yang memiliki hak otoritas atas pemasukan data pasien. Struktur tabel ini dapat dilihat pada Tabel 3.9. Tabel 3.9 Tabel tAdmin

No Nama

Tipe

Ukuran

Keterangan

Field 1

UserID

Char

10

User Name (Primary Key)

2

Passwd

Char

10

Password

2. Tabel tPasien

Tabel ini berfungsi sebagai sumber informasi tentang pasien yang akan dikelompokkan berdasarkan ukuran kerangka. Tabel ini terdiri dari field IdPasien, NmPasien, JK, Berat, Tinggi, LLB, UserID, Umur dan Aktivitas. Struktur tabel tPasien ini dapat dilihat pada Tabel 3.10.


Tabel 3.10 Tabel tPasien

No

Nama

Tipe

Ukuran

Keterangan

Field 1

IDPasien

Integer

2

Kode Pasien (Primary Key)

2

NmPasien

Char

50

Nama Pasien

3

JK

Char

1

Jenis Kelamin

4

Berat

Integer

3

Berat Badan

5

Tinggi

Integer

3

Tinggi Badan

6

LLB

Integer

3

Lingkar Lengan Bawah

7

UserID

Char

10

ID Admin

8

Umur

Integer

3

Umur Pasien

9

Aktivitas

Char

10

Aktifitas harian pasien

3. Tabel tBMI

Tabel ini berfungsi untuk menyimpan hasil perhitungan body mass index (BMI), ukuran kerangka, umur, dan kalori dari setiap data pasien. Struktur tabel tBMI dapat dilihat pada Tabel 3.11. Tabel 3.11 Tabel tBMI

No Nama

Tipe

Ukuran

2

Keterangan

Field 1

IDPasien

Integer


2

BMI

Single

Nilai BMI dari pasien

3

UK

Single

Nilai ukuran kerangka pasien

4

Umur

Single

Nilai umur dari pasien

5

Kalori

Single

Nilai kalori dari pasien


4. Tabel tKluster

Tabel ini berfungsi untuk menyimpan hasil perhitungandari nilai setiap kluster masing-masing pasien pada setiap iterasi. Struktur tabel tKluster dapat dilihat pada Tabel 3.12.

Tabel 3.12 Tabel tKluster

No Nama

Tipe

Ukuran

Integer

1

Keterangan

Field 1

IDKluster

Nomor

yang

menandakan

kluster

yang

bersangkutan

(Primary Key) 2

IDPasien

Integer

2

Kode pasien

3

Kluster

Single

4

Iterasi

Integer

2

Nilai iterasi

5

Status

Text

1

Nilai

Nilai kluster

yang

menunjukkan

kluster yang memiliki nilai kluster terrendah pada masingmasing pasien tiap iterasi

5. Tabel temBMI

Tabel ini berfungsi untuk menyimpan hasil perhitungan sementara nilai BMI, UK, Umur, Kalori, Kluster yang ditempati pasien pada satu iterasi. Struktur tabel temBMI dapat dilihat pada Tabel 3.13. Tabel 3.13 Tabel temBMI

No Nama

Tipe

Ukuran

Keterangan

Field 1

IDPasien

Integer

2

Kode pasien (Primary Key)

2

IDKluster

Integer

1

Nomor kluster


3

Umur

Single

Nilai umur

4

BMI

Single

Nilai BMI

5

UK

Single

Nilai UK

6

Kalori

Single

Nilai Kalori

7

Status

Integer

2

Nilai yang menandakan iterasi yang berlangsung pada saat itu

6. Tabel temKluster

Tabel ini berfungsi untuk menyimpan hasil perbandingan status posisi kluster masingmasing pasien antara posisi kluster pada iterasi sekarang dengan posisi kluster pada iterasi sebelumnya. Struktur tabel temKluster dapat dilihat pada Tabel 3.14.

Tabel 3.14 Tabel temKluster

No Nama

Tipe

Ukuran

Keterangan

Field 1

IDPasien

Integer

2

Kode pasien (Primary Key)

2

KlusterBaru

Integer

1

Posisi

Kluster pada iterasi

sekarang 3

KlusterLama

Integer

1

Posisi

kluster

pada

iterasi

sebelumnya 4

Status

Text

9

Status perubahan posisi kluster

7. Tabel tNewKluster

Tabel ini berfungsi untuk menyimpan informasi nilai pusat masing-masing kluster pada setiap iterasi. Struktur tabel tNewKluster ini dapat dilihat pada Tabel 3.15.


Tabel 3.15 Tabel tNewKluster

No 1

Nama Field IDIterasi

Tipe

Ukuran

Keterangan

Integer

3

Nomor unik untuk setiap nilai pusat kluster(Primary Key)

8.

2

IDKluster

Integer

1

3

BMI

Single

Nilai pusat BMI

4

UK

Single

Nilai pusat ukuran kerangka

5

Iterasi

Integer

6

Umur

Single

Nilai pusat umur

7

Kalori

Single

Nilai pusat kalori

2

Nomor kluster

Nomor iterasi

Tabel tHasilKluster

Tabel ini berfungsi untuk menyimpannilai akhir pusat kluster. Struktur tabel tHasilKluster ini dapat dilihat pada Tabel 3.16.

Tabel 3.16 Tabel tHasilKluster

No 1

Nama Field IDKluster

Tipe

Ukuran

Keterangan

Integer

1

Nomor

Kluster

(Primary

Key) 2

Umur

Single

Nilai pusat akhir dari umur

3

BMI

Text

20

Nilai pusat akhir dari BMI

4

UKL

Text

20

Nilai pusat akhir dari ukuran kerangka

untuk

jenis

kelamin laki-laki 5

UKP

Text

20

Nilai pusat akhir dari ukuran kerangka

untuk

jenis

kelamain perempuan 6

Kalori

Single

Nilai pusat akhir dari kalori


9.

Tabel tHasilLaporan

Tabel ini berfungsi untuk menyimpan nilai akhir dari BMI, UK, umur, kalori, dan posisi kluter pada tiap pasien. Struktur tabel tHasilLaporan ini dapat dilihat pada Tabel 3.17.

Tabel 3.17 Tabel tHasilLaporan

No

Nama Field

Tipe

Ukuran

Keterangan

1

IDPasien

Integer

2


2

IDKluster

Integer

1

Posisi kluster dari pasien

3

Umur

Single

4

BMI

Text

20

Nilai akhir dari BMI

5

UKL

Text

20

Nilai

Nilai akhir dari umur

akhir

kerangka

dari

ukuran

untuk

jenis

kelamin laki-laki 6

UKP

Text

20

Nilai

akhir

kerangka

dari

ukuran

untuk

jenis

kelamin perempuan 7

Kalori

Single

Nilai akhir dari kalori

3.2.5 Relasi Antar Tabel

Dari kumpulan tabel yang dibuat, maka dapat dibentuk hubungan relasi antar tabel. Relasi tesebut dapat dilihat pada Gambar 3.5 berikut ini.


temBMI PK,FK1

IDPasien IDKluster Umur BMI UK Kalori Status

temKluster PK,FK1

IDPasien

tBMI PK,FK1

IDPasien BMI UK Umur Kalori

PK

IDKluster

FK1

IDPasien Kluster Iterasi Status

IDKluster Umur BMI UKP UKL Kalori

PK

IDPasien

FK1

NmPasien JK Berat Tinggi LLB Umur Aktivitas UserID

tKluster

tHasilKluster PK

KlusterBaru Status KlusterLama

tPasien

tHasilLaporan PK,FK1

IDPasien IDKluster Umur BMI UKL UKP Kalori

tNewKluster PK

IDIterasi

FK1,FK2

IDKluster BMI UK Umur Kalori Iterasi

FK1

tAdmin PK

UserID Passwd

Gambar 3.5 Relasi Antar Tabel

3.2.6 Rancangan Antarmuka (Interface)

Rancangan Antarmuka merupakan sarana yang menghubungkan antara sistem dan pengguna (user). Rancangan antarmuka Perangkat Lunak untuk Menentukan Berat Badan Ideal dengan Menggunakan Algoritma K-MeansClustering terdiri dari rancangan Login, Pengukuran Manual,K-Mean Clustering yang berfungsi untuk melakukan proses pengelompokan pasien, Inisial Data yang berfungsi sebagai pemasukan data user, data pasien, Data ketetapan Body Mass Index (BMI) dan Data ketetapan Ukuran Kerangka (UK), About dan Keluar.


3.2.6.1 Rancangan Menu Utama

Rancangan Tampilan Menu Utama merupakan tampilan yang pertama kali muncul saat program dijalankan. Rancangan Menu Utama dapat dilihat seperti pada Gambar 3.6. Login

K-Mean Clustering

Pengukuran Manual

Data User

About

Keluar

Data Pasien Data Body Mass Index Data Ukuran Kerangka

Judul Skripsi XXXXXXXXXXXXXXXXXXXXX XXXXXXXX

Gambar Pembukaan

Gambar 3.6 Rancangan Tampilan Menu Utama

Rancangan Menu Utama ini terdiri dari tombol sub menu Login, Pengukuran Manual, K-Mean Clustering, Inisial Data, About dan tombol Keluar untuk menutup tampilan.

3.2.6.2 Rancangan Login

Rancangan Login adalah rancangan untuk melakukan otorisasi user untuk melakukan pemasukan data pasien, BMI serta Ukuran Kerangka. Tampilan ini terdiri dari Nama Pasien serta Password. Setelah mengisi data di atas, maka pilih tombol Login dan jika hendak membatalkan Login, maka pilih Batal dan sekaligus menutup rancangan Login untuk kembali ke menu Utama. Rancangan Login dapat dilihat seperti Gambar 3.7.

Nama

xxxxxxxxx

Password

xxxxxxxxx Ok

Batal

Gambar 3.7 Rancangan Login


3.2.6.3 Rancangan Pengukuran Manual

Rancangan Pengukuran Manual adalah rancangan untuk melakukan perhitungan pengukuran berat badan ideal untuk masing-masing pasien. Data yang dimasukkan terdiri dari nama, umur, jenis kelamin, berat badan, tinggi badan, ukuran lengan, aktivitas. Rancangan Pengukuran Manual dapat dilihat seperti gambar 3.8. Nama

xxxxxxxxxx

Usia

xxxxxxxx

Jenis l i

xxxxxxxxxx

Berat Badan

xxxxxxxx

kg

Tinggi Badan

xxxxxxxx

cm

Ukuran

xxxxxxxx

cm

tahun

Aktivitas Anda xxxxxxxxxx Proses

Keluar

Gambar 3.8 Rancangan Pengukuran Manual

3.2.6.4 Rancangan K-Means Clustering

Rancangan K-Means Clustering adalah rancangan untuk melakukan proses clustering dengan metode K-Means terhadap data yang telah dimasukkan terlebih dahulu. Rancangan K-Means Clustering dapat dilihat seperti Gambar 3.9.


Proses K-Means Clustering

ID Pasien 1 2 3

Nama Pasien Xxxxxx Xxxxx Xxxxx

Jen. Kelamin Xxxxxx Xxxxx Xxxx

Umur

Berat Badan Xxxxxx Xxxx Xxxx

ID Pasien

Nama Pasien

Umur

Body Mass Index

Ukuran Kerangka

1 2 3

Xxxxxx Xxxxx Xxxxx

Xxxxxx Xxxxx Xxxx

Xxxxxx Xxxxx Xxxx

Xxxxxx Xxxx Xxxx

Xxxxxx Xxxxx Xxxx

Cluster Acak

Lingkar Lengan Xxxxx Xxxx Xxxx Kalori yang dibutuhkan Xxxxxx Xxxxx Xxxx

Tombol

Urutan Input : Umur; BMI; UK; Kalori

Cluster 1 Cluster 2 Cluster 3

Tinggi Badan Xxxxxx Xxxxx Xxxx

Xxx Xxx Xxx Xxx Xxx Xxx Xxx Xxx Xxx Xxx Xxx Xxx

Proses

Keluar

Pusat Cluster Tiap Iterasi

Cek Cluster Tiap Iterasi Laporan Akhir

Gambar 3.9 Rancangan Proses K-Means Clustering

Keterangan 1. Petugas yang melakukan pemasukan data ini adalah bebas tanpa otoritas. 2. Sebelum Proses, user harus memasukkan data pasien berupa nama pasien, jenis kelamin, berat tubuh, tinggi badan serta ukuran lingkar lengan, data BMI dan data Ukuran Kerangka. 3. Untuk menampilkan pada layar atau mencetak hasil cluster, user diharuskan menyimpan hasil kluster terlebih dahulu.


3.2.6.5 Rancangan Pusat Cluster Tiap Iterasi

Rancangan Pusat Cluster tiap Iterasi adalah salah satu bagian yang ada pada proses kmean clustering yang berfungsi untuk melihat/memeriksa proses cluster yang menghasilkan pusat cluster dari masing-masing iterasi. Rancangan Pusat Cluster tiap Iterasi dapat dilihat pada Gambar 3.10.

Rancangan Pusat Cluster Tiap Iterasi

Iterasi 1 2 3 Dst

Cluster 1 Xxx;xxx;xxx;xxx Xxx;xxx;xxx;xxx Xxx;xxx;xxx;xxx Xxx;xxx;xxx;xxx



Gambar 3.10 Rancangan Pusat Cluster Tiap Iterasi 3.2.6.6 Rancangan Cek Cluster Tiap Iterasi

Pada bagian Rancangan Cek Cluster Tiap Iterasi ini berisikan hasil K-Means Clustering yang menampilan pusat data terkecil pada masing-masing iterasi. Rancangan Cek Cluster Tiap Iterasi dapat dilihat pada Gambar 3.11.

Rancangan Cek Cluster Tiap Iterasi Iterasi ke : xxxxxxxxxx

ID Pasien 1 2 3 4

Cluster 1

Cluster 2

Cluster 3

xxxxxxxxx xxxxxxxxx xxxxxxxxx xxxxxxxxx



Gambar 3.11 Rancangan Cek Cluster Tiap Iterasi


3.2.6.7 Laporan Akhir

Laporan akhir ini berisikan data hasil pengujian system K-Means Clustering terhadap data pasien. Laporan akhir dapat dilihat pada gambar 3.12.

Tanggal

Hasil Pengujian K-Means Clustering

No

Nama Jenis Umur Berat Tinggi Kalori Pasien Kelamin Kluster 1 dengan rata-rata pasien berumur 36.22, Berat Normal, lak-laki dan perempuan berkerangka besar, serta kalori yang dibutuhkan sekitar 2.570.08 kal/hari 1 xxx xxx xxx xxx xxx xxx 2 xxx xxx xxx xxx xxx xxx 3 xxx xxx xxx xxx xxx xxx 4 xxx xxx xxx xxx xxx xxx 5 xxx xxx xxx xxx xxx xxx 6 xxx xxx xxx xxx xxx xxx

Gambar 3.12 Rancangan Laporan akhir

3.2.6.8 Rancangan Inisial Data

3.2.6.8.1

Rancangan Data Admin

Rancangan ini berguna untuk memasukkan nama serta password yang dilakukan oleh seorang Admin. Pada rancangan ini terdapat pemasukan Nama Admin serta password. Selain itu juga terdapat dua tombol yaitu tombol Tambah berfungsi untuk melakukan pemasukan data, tombol Edit untuk merubah data, tombol Hapus untuk menghapus data serta Keluar untuk menutup halaman.


Rancangan tampilan Data Admin dapat dilihat seperti Gambar 3.13.

User ID

xxxxxxxxx

Password

xxxxxxxxx

Tambah

Cari

Ubah

Hapus

Batal

Keluar

Gambar 3.13 Rancangan Data Admin

3.2.6.8.2

Rancangan Data Pasien

Rancangan ini berfungsi untuk memasukkan data pasien yang akan dikelompokkan. Pada bagian ini terdapat inputan sebagai berikut : ID Pasien; Nama Pasien; Jenis Kelamin; Tinggi Badan; Lingkar Lengan; Berat Badan; Umur; Aktivitas. Juga disertai tompol import; tambah; update; hapus; batal; keluar. Rancangan data pasien dapat dilihat pada Gambar 3.14.

IDPasien

xxxxx

Nama Pasien Jenis

xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx Umur

Tinggi Badan

xxx

Lingkar

xxx

Berat Badan

xxx

Tambah

Import

Aktivitas

Update

xxxxxxxxxxxxxxxxxxxxxxxxxxx

Hapus

Batal

Keluar

Hapus semua data

Data Pasien

Gambar 3.14 Rancangan Data Pasien


3.2.6.8.3 Rancangan Data BMI

Rancangan ini berguna untuk pemasukan nilai body mass index (BMI) serta keterangan, rancangan Data BMI dapat dilihat seperti Gambar 3.15.

ID BMI

9999

Nilai BMI Keterangan

9999 xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

Tambah

Update

Hapus

Batal

Keluar

Data BMI Xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

Gambar 3.15 Rancangan Data BMI Keterangan: Petugas yang melakukan pemasukan data ini adalah administrator sistem yang melakukan pemasukan data Pasien, Data user, Data BMI serta Data Ukuran Kerangka.

3.2.6.8.4

Rancangan Data UK

Rancangan ini berguna untuk pemasukan nilai ukuran kerangka (UK) serta keterangan. Rancangan Data UK dapat dilihat seperti Gambar 3.16.


ID UK

9999

Jenis Kelamin

xxxxxxxxxx

Nilai UK

9999

Keterangan

xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

Tambah

Edit

Hapus

Batal

Keluar

Data UK Xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

Gambar 3.16 Rancangan Data UK Keterangan: Petugas yang melakukan pemasukan data ini adalah administrator sistem yang melakukan pemasukan data ukuran kerangka tubuh pasien.

3.2.6.9 Rancangan About

Rancangan About hanya memiliki satu tombol yaitu tombol Keluar dan dirancang untuk menampilkan informasi tentang profil penulis. Untuk lebih jelasnya dapat dilihat pada Gambar 3.17.

Foto Penulis

Profil Penulis xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxx

Gambar 3.16 Rancangan About Gambar 3.17 Profil Penulis


BAB 4

IMPLEMENTASI DAN PENGUJIAN SISTEM 4.1 Implementasi

Implementasi perangkat lunak dalam menentukan berat badan ideal dengan menggunakan algoritma k-meansclustering berdasarkan masukan (input) data pasien oleh user yang mengoperasikan aplikasi. Hasil akhir proses adalah pengelompokan pasien sesuai dengan nilai body mass index (BMI), umur, ukuran kerangka dan kalori harian.

4.1.1 Tampilan Menu Utama

Tampilan Menu Utama merupakan tampilan yang berisi judul skripsi, gambar latar serta tampilan menu. Tampilan Menu Utama terdiri dari menu K-Mean Clustering, Input Data, About serta menu Keluar untuk menutup halaman menu utama. Tampilan Menu Utama dapat dilihat pada Gambar4.1.

Gambar 4.1 Tampilan Menu Utama


Keterangan: Pada Gambar 4.1 di atas, menu yang aktif adalah sub menu Login, menu Pengukuran Manual, menu K-Mean Clustering, About serta menu Keluar. Menu-menu ini bebas digunakan oleh user tanpa otoritas. Sedangkan sub menu Inisial Data harus melakukan otorisasi user dengan pemanggilan menu Login.

4.1.2

Tampilan Login

Tampilan Login merupakan tampilan yang berfungsi untuk melakukan otorisasi user dalam mendapatkan hak akses masuk ke dalam sistem. Tampilan Login dapat dilihat pada Gambar 4.2.

Gambar 4.2 Tampilan Login

Keterangan: Pada Gambar 4.3 di atas Login dilakukan oleh user dengan nama pengguna “desfa” serta password “***”. Maka tampilan menu utama akan berubah menjadi seperti yang terlihat pada Gambar 4.3.

Gambar 4.3 Tampilan Menu Utama Otoritas Desfa


Keterangan: Hasil otorisasi “desfa” adalah sub menu Inisial Data menjadi aktif. Dengan memilih sub menu Inisial Data, maka dapat dilihat program-program yang dapat diakses user “desfa” antara lain: 1. Data User 2. Data Pasien 3. Data BMI 4. Data Ukuran Kerangka Menu Input Data dapat dilihat seperti pada Gambar 4.4.

Gambar 4.4 Tampilan Sub Menu Input Data

4.1.3

Tampilan Menu Pengukuran Manual

Data ini dapat diakses tanpa harus melakukan otorisasi data login terlebih dahulu. Berikut tampilan pengukuran manual sebelum mengalami input data seperti pada gambar 4.5.


Gambar 4.5 Tampilan Menu Pengukuran Manual

4.1.4

Tampilan Data User

Data User berfungsi untuk pemasukan data administrator sistem yang memiliki otoritas sebagai Admin. Setelah pemilihan program Data User maka tampilan dapat dilihat pada Gambar 4.6.

Gambar 4.6Tampilan Data User


4.1.5 Tampilan Data Pasien

Tampilan data pasien berfungsi untuk pemasukan data pasien yang terdiri dari ID pasien, nama pasien, jenis kelamin, berat badan, tinggi badan serta ukuran lingkar lengan. Tampilan Data Pasien dapat dilihat pada Gambar 4.7.

Gambar 4.7 Tampilan Data Pasien

4.1.6

Tampilan Data BMI

Tampilan data BMIberfungsi untuk pemasukan nilai BMI yang berhubungan dengan proses Clustering. Tampilan Data BMI dapat dilihat pada Gambar4.8.


Gambar 4.8 Tampilan Data BMI

4.1.7

Tampilan Data Ukuran Kerangka

Tampilan Data Ukuran Kerangka berfungsi untuk memasukkan nilai ukuran kerangka pasien yang digunakan untuk proses clustering. Tampilan Data Ukuran Kerangka dapat dilihat pada Gambar4.9.

Gambar 4.9 Tampilan Data Ukuran Kerangka


4.1.8 Tampilan Menu K-Mean Clustering

Tampilan K-Mean Clustering merupakan tampilanyang berguna untuk melakukan proses pengelompokan data pasien berdasarkan nilai Umur, BMI, ukuran kerangka serta Kalori Harian. Tampilan awal K-Mean Clustering dapat dilihat pada Gambar 4.10.

Gambar4.10 Tampilan Awal K-Mean Clustering

Keterangan: 1. Data pasien yang diproses berjumlah 78 pasien. 2. Cluster acak adalah cluster yang diperoleh dengan cara mengacak data Umur, BMI, Ukuran Kerangka dan Kalori.

4.1.9

Tampilan About

Pada Tampilan About terdapat tempat untuk menampilkan keterangan tentang aplikasi.Tampilan About dapat dilihat pada Gambar 4.11.


Gambar 4.11Tampilan About

4.2 Pengujian Sistem

Proses pengelompokkan data pasien dengan metode k-means clustering dimulai dari Tampilan K-Means Clustering yang dapat dilihat pada Gambar 4.12. Tombol Proses yang terdapat pada Tampilan K-Means Clustering tersebut mengarah pada tampilan halaman baru yang akan menunjukkan proses perhitungan k-means clustering dari setiap iterasi.

Gambar 4.12 Tampilan Awal Proses K-Means Clustering


4.2.1 Tampilan Hasil Pengujian K-Means Clustering Tiap Iterasi

Tampilan Hasil K-Means Clustering tiap iterasi memperlihatkan posisi cluster setiap pasien. Posisi cluster yang ditampilkan tersebut bertujuan untuk memperlihatkan perbandingan dengan posisi cluster pada iterasi sebelumnya. Tampilan tersebut juga memperlihatkan setiap pusat cluster yang digunakan pada setiap iterasi dalam proses perhitungan K-Means Clustering. Tampilan Hasil K-Means Clustering dapat dilihat pada Gambar 4.13. Tombol Next yang terdapat pada tampilan tersebut berguna untuk melanjutkan iterasi selanjutnya dari proses perhitungan K-Means Clustering.

Gambar 4.13 Tampilan Hasil Pengujian K-Means Clustering Tiap Iterasi

4.2.2

Tampilan Hasil Pengujian K-Means Clustering Pada Iterasi Terakhir

Proses perhitungan K-Means Clustering berakhir ketika posisi cluster setiap pasien tidak mengalami perubahan posisi dengan posisi cluster pada proses iterasi sebelumnya. Tampilan pada Gambar 4.14 memperlihatkan pesan konfirmasi bahwa proses perhitungan telah selesai dilakukan. Sedangkan, tampilan pada Gambar 4.15 memperlihatkan hasil pengujian K-Means Clustering pada iterasi terakhir.


Gambar 4.14 Tampilan Pesan Hasil Pengujian

Pada Gambar 4.15 diperlihatkan bahwa ketika proses perhitungan K-Means Clustering berakhir, tombol Next menjadi tidak berfungsi. Pada tampilan tersebut user dapat melihat posisi cluster tiap iterasi dengan memilih nomor iterasi yang disediakan dalam bentuk combo box. Pada tabel bagian bawah yang terlihat pada Gambar 4.15 menunjukkan bahwa nilai pusat cluster pada tiap iterasi.

Gambar 4.15 Tampilan Hasil Pengujian K-Means Clustering Pada Iterasi Terakhir

4.2.3

Tampilan Hasil Laporan Akhir Pengujian

Pada bagian ini akan menampilkan laporan akhir pengujian data yang sudah mengalami proses pengelompokan dengan metode K-Means Clustering. Tampilan hasil laporan akhir pengujian dapat dilihat pada gambar 4.16.


Gambar 4.16 Tampilan Laporan Akhir


BAB 5 KESIMPULAN DAN SARAN

5.1 Kesimpulan

Dari hasil penelitian yang telah penulis lakukan atas Implementasi Algoritma KMeans Clustering Dalam Menentukan Berat Badan Ideal, maka penulis dapat mengambil kesimpulan sebagai berikut: 1. Hasil penentuan berat badan ideal dengan menggunakan Algoritma K-Means Clustering berhasil dilakukan. 2. Proses clustering dapat menggunakan beberapa pusat cluster (centroid) 3. Aplikasi ini dapat memenuhi kebutuhan pengguna dalam menentukan berat badan ideal dari sebuah kelompok yang titik pusat cluster (centorid) telah ditentukan terlebih dahulu sesuai kebutuhan user (pengguna) 4. Pasien dapat mendapatkan informasi tidak hanya mengenai berat badan ideal namun juga dengan tambahan kebutuhan kalori harian.

5.2 Saran

Adapun saran-saran untuk pengembangan selanjutnya adalah: 1. Agar dapat melakukan pengelompokandata status sosial dengan melihat: a) Gaya hidup. b) Pola makan. c) Aktifitas sehari-hari. Sehingga data dari perangkat lunak ini dapat digunakan sebagai acuan pola hidup sehat berdasarkan status soasial dan gaya hidup. 2.

Menambah fitur aplikasi agar dapat membandingkan dengan metode cluster lainnya.


BAB 3 ANALISIS DAN PERANCANGAN

Recommend Documents