KLASIFIKASI STATUS GIZI MENGGUNAKAN K-NEAREST NEIGHBOR Sumarni Arifin Hasani¹, Sitti Suhada², Lillyan Hadjaratie³ ¹Program Studi Sistem Informasi, Fakultas Teknik, Universitas Negeri Gorontalo Email:
[email protected] ²Program Studi Sistem Informasi, Fakultas Teknik, Universitas Negeri Gorontalo Email:
[email protected] ³ Program Studi Sistem Informasi, Fakultas Teknik, Universitas Negeri Gorontalo Email:
[email protected]
INTISARI Kesibukan mahasiswa yang pada umumnya selalu disibukkan dengan berbagai kegiatan sehari-hari menyebabkan mahasiswa tersebut kurang memperhatikan asupan gizi, sehingga menyebabkan masalah kekurangan ataupun kelebihan gizi yang berpengaruh pada kesehatan. Selain itu sering ditemui seorang mahasiswa tidak mengetahui berada dimana kelompok status gizinya. Tujuan dari penelitian ini yaitu menerapkan algoritma K-Nearest Neighboar dalam mengklasifikasi status gizi. Penelitian ini menggunakan salah satu metode klasifikasi dalam Data Mining, yaitu K-Nearest Neighbor (KNN) dengan menggunakan perhitungan jarak Euclidean. Hasil pengujian yang dilakukan terhadap 10 data sampel mahasiswa, diperoleh nilai keakuratan sistem sebesar 100%. Kata Kunci : Data Mining, Klasifikasi, K-Nearest Neighbor, Eucledian, Status Gizi.
ABSTRACT Students are often busy with their daily activities which often made them pay less attention to their nutrition intake, thus, causing the lack or over nutrition problem that influence their health. In addition, it is often found that students do not know their nutrition status group. The objective of this research was to implement the K-Nearest Neighbor algorithm in nutritional status classification. This research used one of the classification methods in data mining called K-Nearest Neighbor with the Euclidean space calculation. The test administered to 10 data sample of students obtained the accuracy of the system was 100% Keywords : Data Mining, Classification, K-Nearest Neighbor, Euclidean, Nutritional Status
1
1. PENDAHULUAN Menurut Wulandari (2011), masalah kekurangan dan kelebihan gizi pada orang dewasa (usia 18 tahun keatas) merupakan masalah penting, karena selain mempunyai resiko penyakitpenyakit tertentu, juga dapat mempengaruhi produktifitas kerja.
2. TINJAUAN PUSTAKA 2.1 Definisi Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar (Turban, dkk. 2005).
Kesibukan mahasiswa yang pada umumnya selalu disibukkan dengan berbagai kegiatan sehari-hari menyebabkan mahasiswa tersebut kurang memperhatikan asupan gizi, sehingga menyebabkan masalah kekurangan ataupun kelebihan gizi yang berpengaruh pada kesehatan. Selain itu sering ditemui seorang mahasiswa tidak mengetahui berada dimana kelompok status gizinya. Oleh Karena itu perlu dilakukan pengelompokan status gizi berdasarkan data yang ada dengan menggunakan metode klasifikasi.
2.2 Algoritma K-Nearest Neighbor Metode K-Nearest Neighbor merupakan salah satu metode yang digunakan dalam pengklasifikasian data. Prinsip kerja K-Nearest Neighbor (KNN) adalah mencari jarak terdekat antara data yang akan di evaluasi dengan K tetangga (neighbor) terdekatnya dalam data pelatihan (Rismawan, dkk. 2008) Berikut rumus pencarian jarak menggunakan rumus Euclidean (Sutanto, 2009).
Dalam dunia Teknologi Informasi (TI) ada beberapa teknik yang bisa digunakan untuk mengatasi hal tersebut, salah satunya adalah teknik Data Mining (Turban dkk dalam Kusrini, 2009). Salah satu metode Data Mining yang bisa digunakan adalah Mining Classification Rule atau metode Klasifikasi Data Mining. Metode ini merupakan proses menentukan klas (label) dari suatu objek yang tidak memiliki label. Pelabelan objek dilakukan berdasarkan kesamaan karakteristik antara sekumpulan objek (training set) dengan objek baru tersebut (Abidin dalam Hasan, 2012). Terdapat beberapa Algoritma yang dapat digunakan dalam Data Mining untuk metode klasifikasi salah satunya adalah K-Nearest Neighbor. K-Nearest Neighbor adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu dengan berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada. (Kusrini, 2009).
𝑝
𝑑𝑖𝑗 = √∑𝑖=1(𝑥𝑖𝑘 − 𝑥𝑗𝑘 )2 … ….(1) Keterangan: Xjk = Sample Data / Data Training Xik = Data Uji / Testing ij = Variabel Data d = Jarak p = Dimensi Data 2.3 Definisi Status Gizi Mengenai definisi status gizi, berikut adalah beberapa pendapat dari berbagai sumber (Putra,2013), yakni : 1. Status gizi adalah keadaan tubuh yang diakibatkan oleh konsumsi makanan dan penggunaan zat-zat gizi. 2. Status gizi adalah status kesehatan yang dihasilkan oleh keseimbangan antara kebutuhan dan masukan nutrisi. 2
2.4 Indeks Massa Tubuh (IMT) Menurut Hartono (2006), Indeks Massa Tubuh (IMT) merupakan suatu pengukuran yang membandingkan berat badan dengan tinggi badan. IMT merupakan teknik untuk menghitung index berat badan, sehingga dapat diketahui kategori tubuh kita apakah tergolong kurus, normal atau gemuk. Dalam menghitung IMT diperlukan dua parameter, yaitu berat badan (kg) dan tinggi badan (m)2. IMT dapat dihitung dengan menggunakan persamaan berikut: 𝐵𝑒𝑟𝑎𝑡 𝐵𝑎𝑑𝑎𝑛 (𝑘𝑔) 𝐼𝑀𝑇 = 2 ….(2)
yang sebelumnya telah dibagikan oleh peneliti kepada mahasiswa reguler jurusan Teknik Informatika UNG yang masih aktif sebanyak 254 sampel data mahasiswa. Data mahasiswa jurusan Informatika UNG sebanyak 254 sampel diperoleh dari perhitungan sampel dengan Rumus Slovin (Ellen, 2010), yang diperoleh dari jumlah mahasiswa reguler yang masih aktif sebanyak 698 mahasiswa. Adapun penjelasan dari pengambilan sampel dengan menggunakan rumus slovin, sebagai berikut :
𝑇𝑖𝑛𝑔𝑔𝑖 𝐵𝑎𝑑𝑎𝑛 (𝑚)
n
Nilai standar IMT untuk orang Asia adalah sebagai berikut: IMT < 18,5 : Kurang IMT ≥ 18,5 - 22,9 : Normal IMT ≥ 23 – 24,9 : Obesitas Ringan IMT ≥ 25 – 29,9 : Obesitas Sedang IMT ≥ 30 : Obesitas Berat
N 1 Ne2
…………………(3)
Dimana : n = ukuran sampel N = ukuran populasi e = persen kelonggaran ketidak telitian yang digunakan karena kesalahan pengambilan sampel yang masih dapat 1 ± 10% Dariditolerir rumus (error) tersebutantara diperoleh
3. METODE PENELITIAN Metode penelitian yang digunakan dalam peneliti ini lebih merujuk kepada penggunaan teori pengembangan System Development Life Cycle (SDLC). Menurut Sutabri (2004), Siklus hidup pengembangan sistem merupakan suatu bentuk yang digunakan untuk menggambarkan tahapan utama dan langkah-langkah pada tahapan tersebut dalam proses pengembangan sistem. Siklus hidup pembangunan atau pengembangan sistem informasi menyajikan metodologi atau proses yang diorganisasikan guna membangun suatu sistem informasi. Ada 6 tahapan dalam penelitian ini yaitu perencanaan, analisis sistem, perancangan sistem, implementasi, pengujian sistem, pembuatan laporan.
jumlah sampel dalam penelitian ini adalah: 𝑛= = = = 𝑛=
698 1 + 698 𝑥 (5%)2 698 1 + 698 𝑥 (0.0025) 698 2.745 254.3 254
Dengan demikian jumlah sampel yang akan digunakan dalam penelitian ini adalah 254 data mahasiswa yang dianggap mewakili sampel secara keseluruhan. 2) Analisis Sistem Pada tahap analisis sistem yang dilakukan meliputi analisis permasalahan, analisis kebutuhan sistem baik fungsional maupun non fungsional, dan analisis pemecahan masalah dengan metode K-Nearest Neighbor menggunakan jarak eucledian untuk
4. HASIL DAN PEMBAHASAN A. Hasil Penelitian 1) Perancanaan (Pengumpulan Data) Sumber data yang digunakan dalam penelitian berasal dari data hasil kuisioner 3
mengklasifikasi status gizi mahasiswa. Sebelum dilakukan perhitungan dengan menggunakan algoritma KNN, data sampel yang di dapatkan dari hasil kuisioner, di hitung dengan menggunakan perhitungan Indeks Massa tubuh (IMT) untuk memperoleh status gizi mahasiswa, data hasil perhitugan IMT tersebut akan dijadikan sebagai data training. Berikut hasil perhitungan IMT data mahasiswa dengan menggunakan persamaan 2 yang dapat dilihat pada tabel 1. Tabel 1. Hasil perhitungan IMT Data mahasiswa (data training)
1
Tinggi Badan 153
Berat Badan 40
Status Gizi Kurang
2
157
48
Normal
3
163
56
Normal
4
160
50
5
161
6
No
a. Jarak Eucledian 1. Tentukan parameter K Nilai K yang digunakan adalah 5. 2. Hitung jarak antara data baru dengan semua data training, gunakan persamaan (1). 𝑑𝑖𝑗 = √(153 − 157)2 + (40 − 48)2 = √(−4)2 + (−8)2 = √16 + 64 = √80 = 8.94
Untuk hasil perhitungan jarak eucledian 254 data sampel mahasiswa, dapat dilihat pada tabel 2. Tabel 2. Hasil Perhitungan Jarak dengan melibatkan 254 data training
1
Tinggi Badan 153
Berat Badan 40
Status Gizi Kurang
Normal
2
157
48
Normal
8.94
49
Normal
3
163
56
Normal
18.87
158
39
Kurang
4
160
50
Normal
12.21
7
159
40
Kurang
5
161
49
Normal
12.04
8
158
47
Normal
6
158
39
Kurang
5.10
9
154
40
Kurang
7
159
40
Kurang
6.00
10
150
40
Kurang
8
158
47
Normal
8.60
…
….
…..
…..
9
154
40
Kurang
1.00
254
166
48
Kurang
10
150
40
Kurang
3.00
…
….
…
…..
…
254
166
48
Kurang
15.26
No
Keterangan: TB : Tinggi Badan BB : Berat Badan JK : Jenis Kelamin LPG : Lingkar Pergelangan LP : Lingkar Perut SG : Status Gizi
Jarak 0.00
3. Data di urutkan berdasarkan nilai jarak dari nilai yang terkecil sampai yang terbesar, seperti yang terlihat pada tabel 3.
Cara perhitungan algoritma KNearest Neighbor dengan menggunakan formulasi perhitungan jarak eucledian dengan melibatkan 254 sampel data mahasiswa (data training) apabila diberikan inputan seorang yang memiliki tinggi badan 153 cm, berat badan 40 kg. Berikut perhitungan jarak yang dilakukan.
Tabel 3. Hasil Pengurutan 254 data training berdasarkan nilai Jarak
1
Tinggi Badan 153
Berat Badan 40
Status Gizi Kurang
9
154
40
Kurang
1.00
45
152
40
Kurang
1.00
No
4
Jarak 0.00
69
153
39
Kurang
1.00
215
153
39
Kurang
1.00
38
155
40
Kurang
2.00
60
155
40
Kurang
2.00
173
155
40
Kurang
2.00
62
154
42
Kurang
2.24
10
150
40
Kurang
3.00
…
….
….
…..
207
165
110
….. Obesitas Berat
Data User untuk Proses Klasifikasi Data Training
Admin
Data Mahasiswa Data User untuk Proses Klasifikasi User
Sistem Klasifikasi Status Gizi
Data Training Data Urut Eucledian Hasil Klasifikasi Laporan Hasil Klasifikasi
Hasil Klasifikasi
Gambar 1. Diagram Konteks
b. Rancangan Antar Muka Berikut ini adalah rancangan antar muka sistem yang akan dibuat:
71.02
K-Nearest Neighbor
Sistem Klasifikasi Status Gizi
4. Tetapkan tetangga terdekat berdasarkan jarak minimum ke-k, apabila ditetapkan nilai k=5, maka diambil 5 jarak terdekat yang terlihat pada table 4. Tabel 4. Pengambilan Data Sejumlah Nilai K
1
Tinggi Badan 153
Berat Badan 40
Status Gizi Kurang
9
154
40
Kurang
1.00
45
152
40
Kurang
1.00
69
153
39
Kurang
1.00
215
153
39
Kurang
1.00
No
Beranda
Klasifikasi
Informasi
Petunjuk
Header Beranda Status Gizi Dalam Garafik
Grafik
Login
Jarak
Admin
Gambar 2. Rancangan Menu Utama (Pengunjung)
0.00
4) Implementasi Tahapan ini merupakan tahapan untuk mengimplementasikan hasil pembuatan aplikasi. Gambar 3. Merupakan Implementasi Website Sistem Klasifikasi Status Gizi yang menyajikan fasilitas yang ada.
5. Periksa kelas dari tetangga terdekat. Berdasarkan hasil pada tabel 4 menunjukkan bahwa dari 5 tetangga terdekat, terdapat 5 status gizi kurang, maka dapat disimpulkan bahwa data baru termasuk kedalam kelas status gizi “KURANG”. 3) Perancangan Sistem Pada tahap perancangan sistem ini, akan dirancang mengenai sistem yang akan dibuat mulai dari pemodelan proses sistemnya, rancangan database, dan rancangan antar muka sistem. Berikut ini adalah gambar rancangan dari sistem klasifikasi status gizi:
Gambar 3. Tampilan Halaman Beranda (Pengunjung) Menu pada gambar 4 dibawah ini digunakan admin untuk menginput, mengedit serta menghapus data training.
a. Pemodelan Proses Sistem 5
Hasil No. 1 2 3 4 5 6 7 8
Gambar 4. Menu Data Training 5) Pengujian Sistem Setelah melewati tahapan pengembangan sebelumnya, ditahapan ini akan dilakukan proses pengujian menggunakan sensitifitas, kekhususan, nilai terprediksi benar dan nilai terprediksi salah. Pengujian ini dilakukan untuk menilai kinerja sistem terhadap beberapa data. Data yang digunakan dalam pengujian ini berjumlah 10 sampel data mahasiswa, yang terlihat pada tabel 5. Tabel 5. Data Sampel mahsiswa
1
Tinggi Badan 167.5
Berat Badan 55
2
172
72
3
175
55
Normal Obesitas Ringan Kurang
4
167
52
Normal
5
169
50
Kurang
6
167
52
Normal
7
170
63
Normal
8
169
51
9
167
85
10
167
67
Kurang Obesitas Berat Obesitas Ringan
No.
9 10
Sesuai
Data real
Eucledian
Normal Obesitas Ringan Kurang Normal Kurang Normal Normal Kurang Obesitas Berat Obesitas Ringan
Normal Obesitas Ringan Kurang Normal Kurang Normal Normal Kurang Obesitas Berat Obesitas Ringan
Y Y Y Y Y Y Y Y Y Y
Keterangan : Y = Ya T = Tidak Dari hasil pengujian 10 data sampel mahasiswa pada tabel 6. terdapat Data Asli (hasil klasifikasi IMT), dan Hasil Sistem (hasil klasifikasi sistem). Dari data asli terdapat 4 kategori status gizi, yakni 4 data status gizi Normal, 3 data status gizi Kurang, 2 data status gizi Obesitas Ringan, dan 1 data status gizi Obesitas Berat. Berdasarkan hasil pengujian, diperoleh hasil bahwa dari ke 10 data tersebut semuanya sesuai dengan sistem Dalam menilai kinerja sistem diperlukan proses penilaian kinerja yang dilakukan dengan konsep sensitivitas, kekhususan, nilai prediksi benar, dan nilai prediksi salah (Bemmel dalam Kusumadewi, 2009). Sensitivitas (TPV) adalah rasio orang yang mengalami status gizi X dan model keputusan juga memutuskan orang tersebut mengalami status gizi X dibagi dengan orang yang mengalami status gizi X. Kekhususan (TNV) adalah rasio orang yanFg tidak mengalami status gizi X dan model keputusan, juga memutuskan orang tersebut tidak mengalami status gizi X dibagi dengan orang yang tidak mengalami status gizi X. Nilai terprediksi benar (FPV) adalah rasio orang yang mengalami status gizi X, namun model
StatusGizi
Dalam pengujian ini, nilai K yang digunakan adalah 5. Pengujian kinerja sistem untuk 10 data sampel mahasiswa dengan cara melakukan perhitungan setiap baris data pada tabel 5 dengan melibatkan data training yang ada pada tabel 1. Hasilnya dapat dilihat pada tabel 6. Tabel 6. Hasil Pengujian Data Sampel Mahasiswa 6
keputusan memutuskan orang tersebut tidak mengalami status gizi X dibagi dengan jumlah keduanya. Nilai terprediksi salah (FNV) adalah rasio orang yang tidak mengalami status gizi X, namun model keputusan memutuskan orang-orang tersebut mengalami status gizi X dibagi dengan jumlah keduanya. Kinerja sistem dapat dihitung dengan formula berikut. Kinerja = (TP + TN) / (TP + TN + FP + FN) …………(4)
adanya sebuah sistem informasi pengklasifikasian status gizi. Setelah melakukan penelitian ini maka peneliti mengusulkan sebuah sistem kalsifikasi status gizi menggunakan metode K-Nearest Neighbor yang dapat memberikan informasi pengklasifikasian status gizi kepada masyarakat khususnya mahasiswa. Dalam mengklasifikasi status gizi terdapat beberapa kategori status gizi yang ditentukan berdasarkan pehitungan Indeks Massa Tubuh (IMT). Ada 5 kategori status gizi yang digunakan dalam penelitian ini berdasarkan pehitungan Indeks Massa Tubuh (IMT) yaitu, kurang, normal, obesitas ringan, obesitas sedang, dan obesitas berat. Untuk data sampel yang digunakan yakni 254 data sampel mahasiswa yang dihitung berdasarkan rumus slovin dalam pengambilan sampel. 254 data sampel mahasiswa akan dihitung dengan menggunakan metode KNN. Sebelum dilakukan perhitungan dengan menggunakan metode KNN, data sampel yang didapatkan, di hitung dengan menggunakan perhitungan IMT untuk memperoleh status gizi mahasiswa. Setelah didapatkan status gizi dari masing-masing mahasiswa, data sampel mahasiswa tersebut dihitung dengan menggunakan metode KNN dengan menggunakan formulasi perhitungan jarak eucledian. Untuk mengukur keakurat hasil klasifikasi, penulis melakukan pengujian dengan menggunakan pengujian sensitivitas, kekhususan, nilai prediksi benar, dan nilai prediksi salah, dimana akan mengambil 10 data sampel mahasiswa dari 254 data training untuk diklasifikasi. Tabel 7 menunjukan hasil kinerja sistem untuk setiap status gizi dengan menggunakan perhitungan jarak eucledian. Dengan menerapkan metode KNearest Neighbor dengan menggunakan formulasi perhitungan jarak eucledian
Tabel 7. Kinerja Sistem untuk Setiap Status Gizi Status Gizi Kurang Normal Obesitas Ringan Obesitas Sedang Obesitas Berat
TP (TPV) 3 (3/3) 4 (4/4) 2 (2/2) 0 (0/0) 1 (1/1)
TN (TNV) 7 (7/7) 6 (6/6) 8 (8/8) 10 (10/10) 9 (9/9)
FP (FPV) 0 (0/3) 0 (0/4) 0 (0/2) 0 (0/0) 0 (0/1)
FN Kinerja (FNV 0 10/10 (0/7) 0 10/10 (0/6) 0 10/10 (0/8) 0 10/10 (0/10) 0 10/10 (0/9)
Setelah melakukan pengujian dari 5 kategori status gizi pada tabel 7, maka didapatkan nilai TP, TN, FP, FN dari masing-masing kategori status gizi tersebut. Untuk menilai total kinerja sistem secara keseluruhan, maka diambil nilai total TP, TN, FP, FN dari semua kategori status gizi. Apabila diambil nilai total kinerja untuk semua status gizi, akan diperoleh nilai total kinerja sebesar 100% Berdasarkan hasil pengujian sistem terhadap 10 sampel data uji, didapatkan hasil kinerja sistem untuk jarak eucledian dengan nilai total kinerja sebesar 100%. sehingga dapat disimpulkan bahwa model sistem telah memiliki kinerja yang baik dalam pengklasifikasian status gizi. B. Pembahasan Berdasarkan penelitian yang peneliti lakukan, masih banyaknya mahasiswa yang tidak mengetahui berada dimana kelompok status gizinya, dan belum 7
terhadap 10 sampel data uji dengan menggunakan nilai K=5, diperoleh hasil klasifikasi untuk jarak eucledian mencapai 100%. Berdasarkan penelitian ini, maka peneliti menyimpulkan bahwa penerapan metode K-Nearest Neighbor dalam pengklasifikasian status gizi dengan menggunakan formulasi perhitungan jarak eucledian memiliki kinerja yang baik. Hal ini dapat dilihat dari hasil penguji kinerja sistem yang dihasilkan oleh jarak Eucledian dengan nilai akurasi sebesar 100 %.
Hasan, I. 2012. Penerapan Algoritma KNearest Neighbor Untuk Prediksi Potensi Calon Kreditur Di Xyz Finance. [Skripsi] tidak diterbitkan. Gorontalo : Universitas Negeri Gorontalo. Hasani, S, Arifin. 2015. Klasifikasi Status Gizi Menggunakan KNearest Neighbor. [Skripsi] tidak diterbitkan. Gorontalo: Universitas Negeri Gorontalo. Kusrini dan Luthfi, M. 2009. Algoritma Data Mining. Yogyakarta : Penerbit Andi Offset. Kusumadewi, S. 2009. Klasifikasi Status Gizi Menggunakan Naive Bayesian Classification. Yogyakarta : Universitas Islam Indonesia. CommIT, Vol. 3, No. 1. Rismawan, T., Irawan, A, Wiedha., Prabowo, W., Kusumadewi, S. 2008. Sistem Pendukung Keputusan Berbasis Pocket PC Sebagai Penentu Status Gizi Menggunakan Metode KNN (K-Nearest Neighbor). Yogyakarta : Universitas Islam Indonesia. Vol. 13, No. 2
KESIMPULAN Berdasarkan hasil dan pembahasan yang peneliti lakukan mengenai klasifikasi status gizi menggunakan metode K-Nearest Neighbor dengan melibatkan variabel tinggi badan dan berat badan, dapat disimpulkan bahwa penerapan metode K-Nearest Neighbor dalam pengklasifikasian status gizi dengan menggunakan formulasi perhitungan jarak eucledian memiliki kinerja yang baik. Hal ini dapat dilihat dari hasil penguji kinerja sistem yang dihasilkan oleh jarak Eucledian dengan nilai akurasi sebesar 100%.
Putra, S. 2013. Pengantar Ilmu Gizi dan Diet. Jogjakarta : D-Medika. Sutabri, T. 2004. Analisa Sistem Informasi. Yogyakarta : Penerbit Andi. Sutanto, H, Tri. 2009. Cluster Analysis. Prosiding Seminar Nasional Matematika dan Pendidikan Matematika Jurusan Pendidikan Matematika FMIPA UNY, ISBN: 978-979-16353-3-2. Jawa Timur : Universitas Negeri Surabaya. Turban, E., dkk. 2005. Decicion Support Systems and Intelligent Systems. Yogyakarta : Andi Offset. Wulandari, Y. 2011. Aplikasi Metode Mamdani Dalam Penentuan Status Gizi Dengan Indeks Massa Tubuh (IMT) Menggunakan Logika Fuzzy. Yogyakarta : Universitas Negeri Yogyakarta.
5.2. Saran Beberapa saran untuk pengembangan sistem selanjutnya yaitu: 1. Disarankan pengembangan selanjutnya menggunakan perhitungan jarak yang berbeda sehingga diperoleh hasil yang lebih bervariasi 2. Disarankan dalam pengambilan data sampel bisa lebih besar jumlahnya sehingga memperoleh hasil klasifikasi yang lebih baik.. 5. REFERENSI Ellen, S. 2010. Principles and Methods of Research, eHow Contributor. Hartono, A. (2006). Terapi gizi dan diet rumah sakit, Jakarta: Kedokteran ECG. 8
