Journal Speed Sentra Penelitian Engineering dan Edukasi Volume 9 No

Journal Speed – Sentra Penelitian Engineering dan Edukasi – Volume 9 No 3 - 2017

speed.web.id

Komparasi Algoritma C.45 Dan Backpropagation Untuk Klasifikasi Status Gizi Balita Berdasarkan Indeks Antropometri Bb/U Dan BB/PB Nani Purwati, Candra Agustina, Gunawan Budi S Amik BSI Karawang, Amik BSI Yogyakarta [email protected], [email protected], [email protected] Abstract - Toddler is the next generation successor of the nation. While the age of a toddler is a golden period, so from that toddler must grow and develop optimally to be a next generation of quality nation. Toddlers will grow and develop optimally if nutrition is met well. It is important to pay attention to the nutritional status of children under five that is the benchmark of a nation and society at large. The nutritional status of children can be determined based on the anthropometry index of BB / Udan BB / PB using WHO-NCHS standard. This research is a continuation of previous research aimed to comparation algorithm of C.45 and Backpropagation for classification of under five nutrition status based on anthropometry index of BB / U and BB / PB which will result in very lean, thin, normal and fat status. Variables used in this study were gender, age, weight, height, and economic status. The results of this study obtained the most accurate method for the classification of nutritional status of children using backpropagation algorithm with accuracy of 96.08% and kappa 0.907. While the algorithm C.45 obtained accuracy of 88.24% and kappa 0.725. Keywords: nutritional status, toddlers, comparison, algorithm C.45, backpropagation Abstrak - Balita adalah calon penerus generasi bangsa. Sedangkan usia balita adalah masa emas, maka dari itu balita harus tumbuh dan berkembang dengan optimal untuk bisa menjadi generasi penerus bangsa yang berkualitas. Balita akan tumbuh dan berkembang dengan optimal jika gizi terpenuhi dengan baik. Penting untuk memperhatikan status gizi balita yang tolak ukur keadaan suatu bangsa dan masyarakat secara luas. Status gizi balita dapat ditentukan berdasarkan indeks antropometri BB/Udan BB/PB dengan menggunakan standar baku WHO-NCHS. Penelitian ini yang merupakan lanjutan dari penelitian sebelumnya bertujuan melakukan komparasi algoritma C.45 dan Backpropagation untuk klasifikasi status gizi balita berdasarkan indeks antropometri BB/U dan BB/PB yang akan menghasilkan status sangat kurus, kurus, normal dan gemuk. Variabel yang digunakan dalam penelitian ini yaitu jenis kelamin, umur, berat badan, tinggi badan, dan status ekonomi. Hasil dari penelitian ini diperoleh metode yang paling akurat untuk klasifikasi status gizi balita yaitu menggunakan metode algoritma backpropagation dengan accuracy sebesar 96,08% dan kappa 0,907. Sedangkan pada algoritma C.45 diperoleh nilai accuracy sebesar 88,24% dan kappa 0,725. Kata Kunci: status gizi, balita, komparasi, algoritma C.45, backpropagation I. Pendahuluan Kehidupan Manusia dimulai dari sejak janin dalam rahim ibu. Sejak saat itu manusia kecil sudah memulai perjuangan untuk bertahan hidup, salah satunya dari kemungkinan kurangnya gizi yang diterima dari ibu yang mengandungnya(Prof.dr.Haman Hadi.M.S., 2005). Setelah lahir, usia balita adalah usia yang paling rentan mengalami berbagai masalah kesehatan dan gizi. Kondisi kesehatan dan status gizi balita merupakan salah satu tolok ukur cerminan keadaan gizi masyarakat secara luas. Kasus gizi buruk tidak hanya menjadi beban keluarga tetapi juga menjadi beban Negara (Swastina & Lareno, 2014). Tumbuh kembang balita sangat dipengaruhi oleh asupan gizi pada menu makanan yang diberikan. Asupan makanan akan berpengaruh terhadap keaktifan dan kecerdasan balita. Oleh karena itu pada saat proses tumbuh kembangnya, balita harus memperoleh asupan makanan

yang sesuai dengan kebutuhan agar pertumbuhan dan perkembangannya optimal. Namun saat ini masih banyak orangtua yang memiliki keterbatasan pengetahuan tentang kebutuhan gizi balita, sehingga menyebabkan balita mengalami masalah gizi. Faktor lain adalah keterlambatan dalam penanganan penyakit gizi dan kurangnya tenaga ahli atau pakar. Saat ini, banyak metode yang dapat digunakan untuk identifikasi status gizi, diantaranya metode statistik dan data mining. Penelitian ini merupakan lanjutan dari penelitian sebelumnya (Purwati, 2016). Dalam penelitian ini penulis melakukan komparasi Algoritma C.45 dan Algoritma Backpropagation untuk mengklasifikasikan status gizi balita berdasarkan indeks antropometri.

ISSN : 1979-9330 (Print) - 2088-0154 (Online) - 2088-0162 (CDROM)

18


Z-Score= Nilai Individu Subjek – Nilai Median Baku Rujukan Nilai Simpangan Baku Rujukan

II. Tinjauan Literatur 2.1 Status Gizi Status gizi adalah suatu ukuran mengenai kondisi tubuh seseorang yang dapat dilihat dari makanan yang dikonsumsi dan penggunaan zat-zat gizi di dalam tubuh. Status gizi dibagi menjadi tiga kategori, yaitu status gizi kurang, gizi normal, dan gizi lebih(Almatsier, 2005). Menurut (Wahyuningsih, Khamsan, & Ekawidyani, 2014) Status Gizi merupakan tanda-tanda penampilan seseorang akibat keseimbangan antar pemasukan dan pengeluaran zat gizi yang berasal dari pangan yang dikonsumsi pada suatu saat berdasarkan ketegori dan indikator yang digunakan.Seseorang diidenfifikasi status gizi normal apabila terdapat keseimbangan antara jumlah energi yang masuk ke dalam tubuh dan energi yang dikeluarkan dari luar tubuh sesuai dengan kebutuhan individu. Energi yang masuk ke dalam tubuh dapat berasal dari karbohidrat, protein, lemak dan zat gizi lainnya (Nix, 2005). Status gizi kurang atau yang lebih sering disebut undernutrition merupakan keadaan gizi seseorang dimana jumlah energi yang masuk lebih sedikit dari energi yang dikeluarkan. Hal ini dapat terjadi karena jumlah energi yang masuk lebih sedikit dari anjuran kebutuhan individu(Wardlaw & Hampl, 2007). Sedangkan Status gizi lebih (overnutrition) merupakan keadaan gizi seseorang dimana jumlah energi yang masuk ke dalam tubuh lebih besar dari jumlah energi yang dikeluarkan(Nix, 2005). 2.2 Status Gizi Balita Status gizi balita diukur berdasarkan umur, berat badan (BB), dan Tinggi Badan (TB). Variabel BB dan TB tersebut disajikan dalam bentuk tiga indikator antropometri yaitu berat badan menurut umur (BB/U), tinggi badan menurut umur (TB/U), dan berat badan menurut tinggi badan (BB/TB). Angka berat badan dan tinggi badan setiap balita dikonversikan kedalam betuk nilai terstaar (2score) dengan menggunakan buku antropometri WHO 2006 (Depkes RI, 2009). Dari berbagai jenis indeks tersebut diatas, untuk menginterprestasikannya dibutuhkan ambang batas. Penentuan ambang batas dapat disajikan kedalam tiga cara yaitu persen terhadap median, persentil dan standar deviasi unit. Rumus perhitungan ZScore adalah sebagai berikut(Supariasa & Fajar, 2002).

speed.web.id

Tabel 2.1. Klasifikasi Status Berdasarkan Indikator BB/U

Gizi Balita

Indeks

Status Gizi

Ambang Batas

Berat Badan terhadap Umur (BB/U)

Gizi buruk

<-3,0 SD

Gizi Kurang

<-2,0 SD sampai >=-3,0 SD

Gizi Normal

>=-2

Gizi Lebih

SD sampai

+2,0 SD >+2,0 SDD

Tabel 2.2. Klasifikasi Status Gizi Balita Berdasarkan Indikator TB/U Indeks Tinggi terhadap (TB/U)

Status Gizi Badan Umur

Sangat pendek Pendek

Normal

Ambang Batas <-3,0 SD >=-3,0 SD sampai <-2,0 SD >=-2,0 SD

Tabel 2.3. Klasifikasi Status Gizi Balita Indeks

Status Gizi

Tinggi Badan terhadapa Berat Badan (TB/BB)

Sangat kurus Kurus Normal Gemuk

Ambang Batas <-3,0 SD

>=-3,0 SD sampai <-2,0 SD >=-2,0 sd sampai <=2,0 SD >2,0 SD

Berdasarkkan Indikator TB/BB Indikator BB/U memberikan gambaran tentang status gizi yang sifatnya umum, tidak spesifik. Tinggi rendahnya prevalensi gizi buruk dan kurang mengindikasikan ada tidaknya masalah gizi pada balita, tetapi tidak memberikan indikasi apakah masalah gizi tersebut bersifat kronis atau akut. Indikator TB/U menggambarkan status gizi yang dipengaruhi kondisi-kondisi yang sifatnya kronis (akibat kondisi yang berlangsung sangat lama). Indikator BB/TB menggambarkan status gizi yang sifatnya akut(Depkes RI, 2009). 2.3 Data Mining Data Mining didefinisikan sebagai proses menemukan dan membaca pola dalam data sehingga dapat digunakan sebagai alat untuk membantu menemukan informasi yang sangat penting dari data tersebut(Witten,


19


Frank, & Hall, 2011). Data mining juga dapat digunakan untuk mengembangkan model yang bermanfaat untuk memahami fenomena dari analisis data dan prediksi(Maimon & Rokach, 2010). Secara umum, tugas data mining dapat diklasifikasikan menjadi dua kategori: deskriptif dan prediktif(Han & Kamber, 2006). Tugas mining deskriptif mengungkapkan pola dalam data dan mudah diinterpretasikan oleh pengguna seperti clustering, association rule, dll. Tugas mining prediktif menggunakan beberapa variabel yang ada untuk memprediksi nilai dari variabel lain seperti classification, regression, dll(Gorunescu, 2011).

speed.web.id

input. Nilai output ini kemudian dibandingkan dengan nilai aktual dari variabel target dan dihitung error yang dihasilkan (Larose, 2006). Backpropagation melakukan proses pembelajaran secara iteratif yang mencoba untuk meminimalkan error dari klasifikasi.

Gambar 2.2 Multi Layer Feed Forward Neural Network Sumber: (Han & Kamber, 2006)

Gambar 2.1 Tahapan Proses Kowledge Management Discovery (KDD) Sumber: (Han & Kamber, 2006) 2.4 Algoritma Backpropagation Backpropagation merupakan suatu algoritma yang menggunakan metode pembelajaran terbimbing (supervised learning) yang dikenalkan oleh Rumelhart dkk. Backpropagation merupakan algoritma neural network untuk klasifikasi yang menggunakan gradient descent, backpropagation mencari satu set bobot yang dapat memodelkan data sehingga dapat meminimalkan jarak kuadrat rata-rata antara prediksi kelas jaringan dan label kelas yang sebenarnya dari tuple data (Han & Kamber, 2006).

Proses pembelajaran dalam backpropagation dilakukan dengan penyesuaian bobot-bobot neuron dengan arah mundur berdasarkan nilai error dalam proses pembelajaran (Kusrini & Luthfi, 2009). Dalam setiap proses, bobot relasi dalam jaringan dimodifikasi untuk meminimalkan nilai Mean Squared Error (MSE) antara nilai prediksi dari jaringan dengan nilai sesungguhnya. Modifikasi relasi jaringan tersebut dilakukan dalam arah mundur (Kusrini & Luthfi, 2009). Langkah pembelajaran dalam metode backpropagation adalah sebagai berikut (Myatt, 2007): 1. Inisialisasi semua bobot jaringan secara acak. (Biasanya antara 1.0 hingga 1.0). 2. Untuk setiap data training, hitung input untuk simpul berdasarkan nilai input dan bobot jaringan saat itu. Dengan menggunakan rumus : Ij=∑ 𝑖 𝑊𝑖𝑗 𝑂𝑖 + 𝜃𝑖

Tiap observasi data training diproses melalui jaringan, nilai output dihasilkan dari node ISSN : 1979-9330 (Print) - 2088-0154 (Online) - 2088-0162 (CDROM)

Keterangan: Oi = Output simpul i dari layer sebelumnya wij = bobot relasi dari simpul i pada layer sebelumnya ke simpul j ϴj = bias (sebagai pembatas)

20


Berdasarkan input dari langkah kedua, selanjutnya membangkitkan output untuk simpul menggunakan fungsi aktifitas sigmoid Output =

Hitung nilai error antara nilai yang diprediksi dengan nilai yang sesungguhnya menggunakan rumus : Errori = outputi * (1-Outputi)*(Targeti – Outputj) 3.

Keterangan : Outputi = Output actual dari simpul i Targeti = nilai target yang sudah diketahui pada data training Setelah nilai error dihitung, selanjutnya dibalik ke layer sebelumnya (backpropagation). Untuk menghitung nilai error pada hidden layer, menggunakan rumus: Errori = Outputi * (1 – Outputi )* 1 𝐸𝑟𝑟𝑜𝑟 𝑊𝑖𝑗 Keterangan: Errori : Error yang dihasilkan dari hidden node Outputi : Nilai output yang dari hidden node Errorj : Error yang dihasilkan dari simpul j yang terhubung ke output W ij : Bobot pada pada simpul i ke simpul j 4.

5.

Nilai error yang dihasilkan dari langkah sebelumnya digunakan untuk memperbarui bobot relasi, dengan menggunakan rumus: Wij = Wij + l * Errorj * Outputi

speed.web.id

atributatribut, setiap cabang menggambarkan hasil dari atribut yang diuji, dan setiap daun menggambarkan kelas. Pohon keputusan bekerja mulai dari akar paling atas, jika diberikan sejumlah data uji, misalnya X dimana kelas dari data X belum diketahui, maka pohon keputusan akan menelusuri mulai dari akar sampai node dan setiap nilai dari atribut sesuai data X diuji apakah sesuai dengan aturan pohon keputusan, kemudian pohon keputusan akan memprediksi kelas dari tupel X. Algoritma C4.5 dan pohon keputusan merupakan dua model yang tak terpisahkan, karena untuk membangun sebuah pohon keputusan, dibutuhan algoritma C4.5. Di akhir tahun 1970 hingga di awal tahun 1980an, J. Ross Quinlan seorang peneliti di bidang mesin pembelajaran mengembangkan sebuah model pohon keputusan yang dinamakan ID3 (Iterative Dichotomiser), walaupun sebenarnya proyek ini telah dibuat sebelumnya oleh E.B. Hunt, J. Marin, dan P.T. Stone. Kemudian Quinlan membuat algoritma dari pengembangan ID3 yang dinamakan C4.5 yang berbasis supervised learning. Ada beberapa tahap dalam membuat sebuah pohon keputusan dengan algoritma C4.5 (Kusrini & Luthfi, 2009), yaitu : 1. Menyiapkan data training. Data training biasanya diambil dari data histori yang pernah terjadi sebelumnya dan sudah dikelompokkan ke dalam kelas-kelas tertentu. 2. Menentukan akar dari pohon. Akar akan diambil dari atribut yang terpilih,dengan cara menghitung nilai Gain dari masingmasing atribut, nilai Gain yang paling tinggi yang akan menjadi akar pertama. Sebelum menghitung nilai Gain dari atribut, hitung dahulu nilai entropy yaitu :

Keterangan : Wij = bobot relasi dari unit i pada layer sebelumnya ke unit j l = learning rate (konstantan, nilainya 0 sampai dengan 1) Errorj = Error pada output layer simpul j Outputi = Output dari simpul i. Jika nilai l kecil, maka perubahan bobot akan sedikit dalam setiap iterasi. Begitu juga sebaliknya. 2.5 Algoritma C.45 Pohon keputusan mirip sebuah sebuah struktur pohon dimana terdapat node internal (bukan daun) yang mendeskripsikan ISSN : 1979-9330 (Print) - 2088-0154 (Online) - 2088-0162 (CDROM)

Keterangan: S : himpunan kasus A : atribut n : jumlah partisi S pi : proporsi dari Si terhadap S 3. Kemudian hitung nilai Gain dengan metode information gain :

Keterangan:

21


S

: himpunan kasus

A : Atribut N : jumlah partisi atribut A |Si| : jumlah kasus pada partisi ke-i |S| : jumlah kasus dalam S 4. Ulangi langkah ke-2 hingga semua tupel terpartisi. 5. Proses partisi pohon keputusan akan berhenti saat :

speed.web.id

matrix dan KAPPA. Hasil validasi masingmasing algoritma kemudian dikomparasi untuk mengetahui rule yang terbaik yang memiliki akurasi yang paling tinggi. Rule yang terpilih akan digunakan untuk diterapkan pada data baru.

a. Semua tupel dalam node N mendapat kelas yang sama. b. Tidak ada atribut di dalam tupel yang dipartisi lagi. c. Tidak ada tupel di dalam cabang yang kosong. III. Metode Penelitian Metode penelitian yang digunakan dalam penelitian ini adalah jenis eksperimen. Metode eksperimen menguji kebenaran sebuah hipotesis dengan statistik dan menghubungkannya dengan masalah penelitian. Metode eksperimen dibagi menjadi dua, yaitu eksperimen absolut dan eksperimen komparatif. Eksperimen absolut mengarah pada dampak yang dihasilkan dari eksperimen, sedangkan eksperimen komparatif membandingkan dua objek yang berbeda (Khothari, 2004). Dalam penelitian ini digunakan metode eksperimen komparatif. Sampel dari penelitian ini adalah data balita Puskesmas Mranti tahun 2014, berdasarkan data Laporan Pemantauan Status Gizi (PSG) balita dan data laporan bulanan kasus gizi buruk. Dalam penelitian ini adalah balita dibawah umur 5 tahun (0-59 bulan) yang berjumlah 261 data balita. Dengan atribut dari status gizi balita, nama balita, jenis kelamin, umur (U), berat badan (BB), tinggi badan (TB/PB), status ekonomi, status gizi berdasarkan BB/U dan status gizi berdasarkan BB/TB. Kerangka pemikiran dari penelitian ini ditunjukan oleh gambar 3.1. Penelitian dimulai dengan mengidentifikasi masalah yang ada yaitu belum diketahui algoritma yang akurat untuk klasifikasi status gizi balita, berdasarkan algoritma C4.5 dan backpropagation. CRISPDM sebagai proses standar data mining digunakan untuk mendapatkan rule dari masing-masing algoritma, rule tersebut kemudian divalidasi dengan menggunakan confussion

Gambar 3.1 Kerangka Pemikiran IV. Hasil dan Pembahasan 4.1 Hasil Penelitian Penelitian ini merupakan penelitian lanjutan dari penelitian yang sebelumnya (Purwati, 2016). Tujuan dari penelitian ini menguji keakuratan klasifikasi status gizi balita dengan menggunakan algoritma C.45 dan algoritma backpropagation berdasarkan indeks antropometri BB/U dan BB/PB. Pengujian menggunakan algoritma bacpropagation telah dilakukan pada penelitian sebelumnya (Purwati, 2016). Kemudian dilakukan komparasi algoritma mana yang paling akurat untuk klasifikasi status gizi balita. 4.1.1. Hasil Uji Algoritma Backpropagation Berdasarkan eksperimen yang telah diuji menggunakan algoritma Neural network Backpropagation dalam penelitian ini


22


menggunakan satu buah lapisan input yang terdiri dari 5 neuron (4 neuron adalah atribut yang digunakan sebagai predictor dan satu neuron bias), satu buah lapisan tersembunyi yang terdiri dari 6 buah neuron, dan 4 buah lapisan output yang merupakan hasil klasifikasi seperti yang terlihat pada gambar 4.1.

speed.web.id

akurasi yang diperoleh dengan menggunakan data testing sebesar 96,08% , seperti yang terlihat pada tabel 4.1 dan kappa sebesar 0,907. Tabel 4.1 Hasil Accuracy Backpropagation

Tabel 4.2 Hasi l nilai Kappa Backpropagation

4.1.2 Hasil Uji Algoritma C.45

Gambar 4.1 Neural Network Klasifikasi Status Gizi Balita Uji model yang terbentuk dengan menggunakan data testing, dengan cara memasukan satu buah operator model dari tab scoring– Confidences –Apply Model. Hubungkan model ke operator Apply Model, begitu juga dengan data testing dihubungkan ke operator Apply Model. Untuk melihat akurasi yang diperoleh tambahkan satu buah operator yang bernama performance, dari tab Validation – Permormance – Predictive – Performance (Classification) hubungkan dengan operator Apply Model seperti yang terlihat pada gambar 4.2 berikut.

Pada pengujian Confussion matrix untuk klasifikasi status gizi balita berdasarkan indeks antropometri BB/U menggunakan algoritma C.45 diperoleh accuracy sebesar 88,24% dan nilai kappa 0,725. Tabel 4.3 Model Confusion Matrix C.45 untuk Accuracy

Tabel 4.4 Hasil nilai Kappa Algoritma C.45

4.2 Pembahasan Gambar 4.1 Pengujian Menggunakan RapidMiner

Model

Setelah data uji dimasukan kedalam model Neural Network yang telah terbentuk, dari 51 data yang digunakan sebanyak 36 data yang dinyatakan gizi baik diprediksi dengan benar, 12 data yang dinyatakan gizi kurang diprediksi dengan benar, 1 data yang dinyatakan gizi lebih ,diprediksi dengan benar dan 1 data yang dinyatakan gizi buruk,diprediksi dengan benar. Sedangkan 1 data diprediksi dengan salah., sehingga

Berdasarkan hasil eksperiment yang dilakukan untuk memecahkan masalah klasifikasi status gizi balita, dapat disimpulkan bahwa hasil eksperiment menggunakan metode algoritma Neural Network backpropagation mempunyai tingkat akurasi yang lebih tinggi yaitusebesar 96,08% dan mempunyai nilai kappa sebesar 0.907. Sedangkan klasifikasi menggunakan algoritma C.45 diperoleh akurasi sebesar 88,24% dan kappa sebesar 0,725 seperti terlihat pada tabel 4.5 berikut.


23


Tabel 4.5 Hasil Komparasi Algoritma Metode

Accuracy

Kappa

Backpropagation

96,08%

0,907

Algoritma C.45

88,24%

0,725

V. Kesimpulan dan Saran 5.1 Kesimpulan Berdasarkan hasil uji coba yang dilakukan maka dapat disimpulkan bahwa model algoritma backpropagation mampu mengklasifikasikan status gizi balita dengan tingkat akurasi yang lebih tinggi dibandingkan algoritma C.45 yaitu sebesar 96,08% dan kappa memperoleh hasil yang excellent yaitu sebesar 0,907. Sedangkan hasil uji mnggunakan Algoritma C.45 diperoleh akurasi sebesar 88, 24% dan kappa sebesar 0,725 . 5.2 Saran Agar penelitian ini bisa ditingkatkan, berikut adalah saran-saran yang diusulkan: 1. Penelitian ini diharapkan dapat digunakan pihak medis sebagai bahan pertimbangan dalam klasifikasi status gizi balita, sehingga dapat meningkatkan akurasi dalam prediksi status gizi balita. 2.

Penelitian ini dapat dikembangkan dengan metode optimasi seperti Ant Colony Optimization (ACO), Genetic Algorithm (GA), dan lainnya.

3.

Penelitian ini dapat dikembangkan dengan metode klasifikasi data mining lainnya seperti Naive Bayes, KNN dan lainnya untuk melakukan perbandingan. Tingkat kesalahan klasifikasi dapat disebabkan kemungkinan adanya penyimpangan data penelitian, untuk penelitian selanjutnya, sebaiknya dilakukan tindak lanjut analisis dari penyimpangan yang terjadi.

4.

Daftar pustaka: [1] Almatsier, S. (2005). Prinsip Dasar Ilmu Gizi. Jakarta: PT. Gramedia Pustaka Utama. [2] Amalia, E. L., Dachlan, H. S., & Santoso, P. B. (2014). Integrasi Sistem Pakar dan Algoritma Genetika untuk Mengidentifikasi Status Gizi Balita. Jurnal EECCIS , Vol 8, No.1. ISSN : 1979-9330 (Print) - 2088-0154 (Online) - 2088-0162 (CDROM)

speed.web.id

[3] Berndtsson, M., Hansson, J., Olsson, B., & Lundell, B. (2008). A Guide For Students in Computer Science And Information Systems. London: Springer. [4] D.Thangamani, & P.Sudha. (2014). Identification Of Malnutrition with Use Of Supervised Data mining Thechniques-Decision Trees and Artificial Neural Networks International Journal Of Engeneering and Computer Science ISSN: 2319a7242, 8236-8241. [5] Dawson, C. (2009). Projects in Computing and Information System A Students Guide. England: AddisonWesley. [6] Depkes RI. (2009). Profil Kesehatan Indonesia 2008. Jakarta: Departemen Kesehatan RI. [7] Dezhi, X., & Ganegoa, G. U. (2011). Rule Based Classification to detect Malnutrition in Children. International Journal on Computer Science and Enggineering (IJCSE). [8] Gorunescu, F. (2011). Data Mining Concepts, Models and Techniques. Verlag Berlin Heidelberg: Springer. [9] Han, J., & Kamber, M. (2006). Data Mining Concepts and Techniques Second Edition. California: Morgan Kaufmann. [10] Hui-Huang, H. (2006). Advanced Data Mining Technologies in Biofarmatics. United States of America: Idea Group Publishing. Kahramanli, H., & Allahverdi, N. (2008). Design of a Hybrid System for the Diabetes and Heart Diseases. Expert System with Aplication, 82-89. [11] Khothari, C. (2004). Research Methology Methods and Thehniques India: New Age International. [12] Kusrini, & Luthfi, E. T. (2009). Algoritma Data Mining. Yogyakarta: Penerbit Andi. [13] Larose, D. (2006). Data Mining Methods and Models. Jhon Wiley & Sons Inc. Hoboken New Jersey. [14] Maimon , O., & Rokach, L. (2010). Data Mining and Knowledge Discovery Hanbook Second Edition. New York: Springer. [15] Myatt, G. J. (2007). Making Sanse Of Data A Partical Guide to Explaratory Data Analysis and Data Mining. Canada: John Wiley & Sons.

24


[16] Nix, S. (2005). William's Basic Nutrition & Diet Therapy. Elsivier Mosby Inc. USA. [17] Prof.dr.Haman Hadi.M.S., S. (2005). Beban Ganda Masalah Gizi dan Implikasinya Terhadap Kebijakan Pembangunan Kesehatan Nasional. Pidato Pengukuhan Jabatan Guru Besar pada Fakultas Kedokteran Universitas Gadjah Mada. [18] Purwati, N. (2016). Klasifikasi Status Gizi Balita berdasarkan Indeks Antropometri BB/U dan BB/TB menggunakan Jaringan Syaraf Tiruan. IJNS, 12-18. [19] Supariasa, I. N., & Fajar, I. (2002). Penilaian Status Gizi. Jakarta: PT Gramedia Indonesia. [20] Swastina, L., & Lareno, B. (2014). Model Penentuan Potensi Status Gizi Bermasalah Menggunakan Decision


speed.web.id

Tree. Jurnal Gema Aktualita, Vol. 3 No. 2. [21] Vercellis, C. (2009). Bussine Intellegence: Data Mining and Optimization for Decision Maing. United Kingom: Jhon Wiley & Sons. [22] Wahyuningsih, U., Khamsan, A., & Ekawidyani, K. R. (2014). Asupan Zat Gizi, Status Anemia pada Remaja Laki-laki Pengguna Narkoba di Lembaga Permasyarakatan Anak Pria Tangerang. Jurnal Gizi dan Pangan, ISSN 1978-1059, 23-28. [23] Wardlaw, G. M., & Hampl, S. J. (2007). Perspective In Nutrition. New York: Mc. Graw Hill Companies Inc. [24] Witten, I., Frank, E., & Hall, M. (2011). Data Mining Particial Machine Learning tools and Techniques. United States: Elsivier Inc.

25

Journal Speed Sentra Penelitian Engineering dan Edukasi Volume 9 No

Recommend Documents