Tb Menggunakan Jaringan Saraf Tiruan

ijns.org

Indonesian Journal on Networking and Security - Volume 5 No 4 – Oktober 2016

Klasifikasi Status Gizi Balita Berdasarkan Indeks Antropometri Bb/U Dan Bb/Tb Menggunakan Jaringan Saraf Tiruan Nani Purwati Amik BSI Yogyakarta [email protected] Abstract - The condition of the health and nutritional status of children is a measure of reflection of the state of the condition of society at large. Nutritional status can be determined based on anthropometric indices W / A and W / H using the WHO-NCHS standards. This study aims to classify the nutritional status using Neural Networks Backpropagation based anthropometric indices W / A that will produce the nutritional status into malnutrition, less, better, and more, as well as classify the nutritional status based on anthropometric indices weight / height that will generate status very thin , underweight, normal and overweight. Variables used in this research were gender, age, weight, height, and economic status. The results of trials using backpropagation ANN, yielding a value of 89.50% accuracy and Kappa 0,711pada training data, 96.08% and Kappa 0.907 on testing the data for the index of BB / U. Whereas, for the index BB / PB produces an accuracy of 88.50% and Kappa 0.460 for the training data, and an accuracy of 83.35% and Kappa 0.419 for data testing. Keywords: nutritional status, anthropometric indices, JST, backpropagation. Abstrak - Kondisi kesehatan dan status gizi balita merupakan tolak ukur cerminan keadaan kondisi masyarakat secara luas. Status gizi balita dapat ditentukan berdasarkan indeks antropometri BB/U dan BB/TB dengan menggunakan standar baku WHO-NCHS. Penelitian ini bertujuan untuk mengklasifikasikan status gizi menggunakan Jaringan Saraf Tiruan Backpropagation berdasarkan indeks antropometri BB/U yang akan menghasilkan status gizi kedalam gizi buruk, kurang, baik, dan lebih, serta mengklasifikasikan status gizi berdasarkan indeks antropometri BB/TB 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 uji coba menggunakan JST backpropagation, menghasilkan nilai akurasi sebesar 89,50% dan Kappa 0,711pada data training, 96,08% dan Kappa 0,907 pada data testing untuk indeks BB/U. Sedangkan, untuk indeks BB/PB menghasilkan akurasi sebesar 88,50% dan Kappa 0,460 untuk data training, dan akurasi sebesar 83,35% dan Kappa 0,419 untuk data testing. Kata Kunci: status gizi balita, indeks antropometri, JST, backpropagation. I.

Pendahuluan

Keberhasilan suatu bangsa sangat bergantung pada keberhasilan dalam menyiapkan generasi penerus bangsa yang berkualitas, cerdas, sehat dan produktif. 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). 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). Masalah gizi pada anak balita di Indonesia telah mengalami perbaikan. Hal ini dapat dilihat antara lain dari penurunan prevalensi gizi buruk pada anak balita dari 5,4% tahun 2007 menjadi 4,9% pada tahun 2010. Meskipun terjadi penurunan, tetapi jumlah nominal anak gizi buruk masih relatif ISSN : 2302-5700 (Print) – 2354-6654 (Online)

besar, oleh karena itu diperlukan tenaga yang mampu mengatasi kasus gizi buruk secara cepat, tepat dan profesional yang diikuti dengan penyiapan sarana dan prasarana yang memadai. Untuk menyiapkan tenaga kesehatan terampil seperti yang diharapkan selain memberikan peningkatan kapasitas juga diperlukan panduan tatalaksana gizi buruk yang akan digunakan tenaga kesehatan dalam melakukan penanggulangan gizi buruk oleh tim asuhan gizi (dokter, perawat, dan ahli gizi) (Kementerian Kesehatan, 2011). 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

12

ijns.org


keterlambatan dalam penanganan penyakit gizi dan kurangnya tenaga ahli atau pakar. Untuk mengidentifikasi status gizi pada balita, maka penulis mencoba melakukan penelitian menggunakan Jaringan Syaraf Tiruan backpropagationberdasarkan indeks antropometri BB/U dan BB/TB.

ambang batas. Penentuan ambang batas dapat disajikan kedalam tiga cara yaitu persen terhadap median, persentil dan standar deviasi unit. Rumus perhitungan Z-Score adalah sebagai berikut (Supariasa & Fajar, 2002). Z-Score= Nilai Individu Subjek – Nilai Median Baku Rujukan Tabel 1. Klasifikasi Status Gizi Balita

II.

Tinjauan Literatur

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 antara pemasukan dan pengeluaran zat gizi yang berasal dari pangan yang dikonsumsi pada suatu saat berdasarkan ketegori dan indikator yang digunakan. Seseorang diidentifikasi 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. 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 Z-Score dengan menggunakan buku antropometri WHO 2006 (Depkes RI, 2009). Dari berbagai jenis indeks tersebut diatas, untuk menginterprestasikannya dibutuhkan ISSN : 2302-5700 (Print) – 2354-6654 (Online)

Berdasarkan Indikator BB/U Indekks Berat

Status Gizi Badan

terhadap

Ambang Batas

Gizi buruk

<-3,0 SD

Gizi Kurang

<-2,0

Umur

SD

sampai

>=-3,0 SD

(BB/U)

Gizi Normal

>=-2

SD

sampai

+2,0 SD Gizi Lebih

>+2,0 SDD

Sumber: (Depkes RI, 2009)

Tabel 2. Klasifikasi Status Gizi Balita Berdasarkkan Indikator TB/BB Indeks Tinggi terhadapa

Badan Berat

Badan (TB/BB)

Status Gizi

Ambang Batas

Sangat

<-3,0 SD

kurus Kurus

>=-3,0

SD

Normal

>=-2,0 sd sampai

sampai <-2,0 SD

<=2,0 SD Gemuk

>2,0 SD

Sumber: (Depkes RI, 2009) 3.

Jaringan Saraf Tiruan

JST adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologis dalam otak. Istilah JST digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran, cara kerja jaringan syaraf tiruan meniru cara kerja otak manusia (Siang 2009).Salah satu contoh pengambilan ide dari jaringan syaraf biologis adalah adanya elemen-elemen pemrosesan pada JST yang saling terhubung dan beroperasi secara paralel. Ini meniru jaringan syaraf biologis yang tersusun dari selsel syaraf (neuron) (Sihombing, 2011). JST tidak diprogram untuk menghasilkan keluaran tertentu. Semua keluaran atau kesimpulan yang ditarik oleh jaringan didasarkan pada pengalamannya selama mengikuti proses pembelajaran. Pada proses pembelajaran, kedalam JST dimasukkan polapola (input dan output) lalu jaringan akan 13

ijns.org


diajari untuk memberikan jawaban yang bisa diterima. Di dalam JST, input akan diproses oleh neuron-neuron JST dengan bobot tertentu. Secara umum cara kerjanya adalah dengan memproses sinyal yang diterima kemudian didistribusikan melewati jaringan dan disimpan sebagai bobot disetiap neuron. Selama proses pelatihan, dilakukan proses penyesuaian bobot dan batas nilai-nilai diperoleh output yang diinginkan (Sihombing, 2011). JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi dengan asumsi bahwa (Sihombing, 2011) : a. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron). b. Sinyal dikirimkan diantara neuron-neuron melalui penghubung-penghubung. c. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal. Algoritma neural network yang paling populer adalah Backpropagation, algoritma backpropagation melakukan pembelajaran pada jaringan saraf multi layer feed forward yang terdiri dari tiga lapisan/layer, yaitu: lapisan input, lapisan tersembunyi, dan lapisan keluaran (Han & Kamber, 2006). Pada beberapa diagram neural network dimungkinkan terdapat lebih dari satu lapisan tersembunyi, meskipun kebanyakan hanya mengandung satu lapisan tersembunyi yang dirasa cukup untuk berbagai tujuan (Larose, 2006). 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). Tiap observasi data training diproses melalui jaringan, nilai output dihasilkan dari node 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

ISSN : 2302-5700 (Print) – 2354-6654 (Online)

untuk meminimalkan error dari klasifikasi.

Sumber: (Han & Kamber, 2006) Gambar 1. Multi Layer Feed Foward Neural Network 4. Tinjauan Study Literatur mengenai pembahasan klasifikasi status gizi telah banyak dilakukan dengan beberapa metode. Berikut metode-metode yang pernah digunakan untuk menyelesaikan masalah klasifikasi status gizi: 1. Xu Dezhi dan Gamage Upeksha Ganegoda dalam papernya mengatakan bahwa rule based classification adalah salah satu sub bidang dalam data mining. Dalam makalah ini menjelaskan bagaimana rule based classification digunakan untuk mendeteksi kekurangan gizi pada anak-anak. Hasil dari penelitian ini bahwa ada hubungan antara sejumlah rule dan optimalitas keputusan akhir. Hanya saja dalam makalah ini belum dijelaskan algoritma klasifikasi yang digunakan (Dezhi & Ganegoa, 2011). 2. D.Thangamani dan P.Sudha dalam Penelitiannya mencoba untuk menunjukkan analisis gizi buruk berdasarkan asupan makanan, indeks kaya, kelompok usia, tingkat pendidikan, pekerjaan, dan lain-lain. Tujuan dari penelitian mereka menggunakan model ID3, Random Forest, dan Multilayer Perceptionuntuk mengklasifikasikan dataset survai kesehatan keluarga dan untuk menentukan metode yang tepatdan fleksibeluntuk memproses sejumlah besar datauntuk menentukandeteksimalnutrisi yang akuratdan pencegahannya. Hasil dari supervised data mining techniques dapat memberikan status gizi balita (D.Thangamani & P.Sudha, 2014). 3. Eka Larasati Amalia, dkk menggunakan data masukan gejala untuk mendapat jenis status gizi. 14

ijns.org


Dalam penelitian ini sebanyak 453 data menu makanan dibentuk populasi yang merepresentasikan solusi menu makanan dalam sehari. Sistem Pakar digunakan untuk menganalisa status gizi berdasarkan masukan gejala yang dialami. Sedangkan, Algoritma Genetika untuk penentuan solusi menu (Amalia, Dachlan, & Santoso, 2014). 4. Liliana Swastina dan Bambang Lareno, menentukkan wilayah berpotensi status gizi bermasalah menggunakan Algoritma Decision Tree untuk mengklasifikasikan status wilayah berpotensi gizi bermasalah kedalam status rendah, sedang, dan tinggi berdasarkan nilai kecenderungan (p1,p2,p3,p4,p5) (Swastina & Lareno, 2014). III. Hasil dan Pembahasan Tujuan dari penelitian ini menguji keakuratan klasifikasi status gizi balita dengan menggunakan algoritma Neural Network backpropagation. Dalam penelitian ini menguji keakuratan algoritma Neural Network backpropagation berdasarkan indeks antropometri BB/U dan BB/PB. Jumlah Neuron dalam Hiden Layer mempengaruhi tingkat akurasi. Berikut ini adalah hasil dari percobaan yang telah dilakukan untuk penentuan nilaiNeuron dalamHiden layer dengan nilai learning rate 0,9: Tabel 3. Eksperiment penentuan nilai Hiden Layer Jumlah

Learning Rate 0,9

Neuron

Accuracy

1. Hasil Uji Neural Network Berdasarkan eksperimen yang telah diuji Neural network dalam penelitian ini 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 8 buah neuron, dan 4 buah lapisan output yang merupakan hasil klasifikasi seperti yang terlihat pada gambar 2.

Sumber: Hasil Penelitian Tabel 4. Nilai Bobot Akhir

Sumber: hasil penelitian Tabel 4 adalah nilai akhir fungsi aktifasi pada output layer. Kolom pertama pada Tabel 5 menyatakan class, yaitu atribut kelas yang dinyatakan dengan simpul pada output layer.

Kappa Tabel 5. Nilai Output Layer

dalam HL 2

86,00%

0,596

4

86,50%

0,625

6

88,00%

0,666

8

89,50%

0,711

10

87,00%

0,664

Sumber: Hasil Penelitian Dari hasil eksperimen berdasarkan tabel 4.1 diperoleh kesimpulan bhwa nilai akurasi tertinggi dicapai hingga 89,50% dan kappa 0,771 dengan jumlah neuron 8 dalam hiden layer. ISSN : 2302-5700 (Print) – 2354-6654 (Online)

Sumber: hasil penelitian 2. Evaluasi dan Validasi Hasil Hasil dari pengujian model yang dilakukan adalah klasifikasi status gizi balita berdasarkan indeks BB/U dengan Neural Network untuk menentukan nilai accuracy dan kappa. Tabel 6. diketahui dari 200 data, 150dari 54 datadiklasifikasikan baiksesuai dengan 15

ijns.org


prediksi yang dilakukan, sisanya diprediksi kurang sebanyak 2 data dan diprediksi lebih sebanyak 2 data. 20 data dari 26 data diprediksi kurang dengan tepat, sisanya 3 diprediksi baik dan 3 data diprediksi buruk. 4 data dari 12 data diprediksi lebih dengan tepat dansisanya diprediksi baik. 5 data dari 8 data diprediksi buruk dengan tepat dan sisanya 3 data diprediksi kurang. Tabel 6. Model Confusion Matrix untuk Accuracy

sebesar 89,50 % dan mempunyai nilai kappa sebesar 0.711 untuk data training. Sedangkan pada data testing akurasi meningkat menjadi 96,08% dan kappa 0,907. Data tersebut merupakan pengujian berdasarkan indeks antropometri BB/U. Dalam penelitian ini juga dilakukan pengujian berdasarkan indeks antropometri BB/PB. Namun, dalam pengujian berdasarkan indeks antropometri BB/PB menghasilkan nilai akurasi yang berbeda. Berikut tabel komparasi akurasi berdasarkan indeks antropometri BB/U dan BB/TB dalam tabel 10. Tabel 10. Komparasi Akurasi Indeks

Sumber: Hasil Penelitian Tabel 7. Model Confusion Matrix untuk Kappa

Training

Testing

Accuracy

Kappa

Accuracy

Kappa

BB/U

89,50%

0,711

96,08%

0,907

BB/PB

88,50%

0,460

82,35%

0,419

Sumber: Hasil Penelitian Dari tabel 10. ada perbedaan hasil yang diperoleh, berdasarkan indeks antropometri BB/PB nilai akurasi dan kappa yang dihasilkan lebih rendah. Sumber: Hasil Penelitian Tabel 8. Nilai Akurasi Data Testing

Sumber: Hasil Penelitian Tabel 9. Nilai Kappa Data Testing

Sumber: Hasil Penelitian Dari tabel 8 diatas dapat disimpulkan bahwa nilai akurasi pada data testing mengalami peningkatan sebesar 96,08%, sedangkan pada data training nilai akurasi sebesar 89,50%. Nilai kappa pada data testing juga meningkat menjadi 0,907 termasuk excellent, sedangkan pada data training nilai kappa 0,711. Semakin tinggi nilai kappa maka semakin layak untuk tingkat kebenaran klasifikasi. Nilai kappa digambarkan dalam tabel 9. 3. Pembahasan Berdasarkan hasil eksperiment yang dilakukan untuk memecahkan masalah klasifikasi status gizi balita, dapat disimpulkan bahwa hasil eksperiment menggunakan metode Jaringan Saraf tiruan mempunyai tingkat akurasi ISSN : 2302-5700 (Print) – 2354-6654 (Online)

IV. Kesimpulan & Saran 1. Kesimpulan Berdasarkan hasil uji coba yang dilakukan maka dapat disimpulkan bahwa model JST dengan algoritma backpropagation mampu megklasifikasikan status gizi balita dengan nilai learning rate 0,9, jumlah neuron pada hiden layer sebanyak 8 neuron. Pada hasil uji coba berdasarkan indeks antropometri BB/ U menghasilkan tingkat kebenaran klasifikasi sebesar 89,50% dengan kappa sebesar 0,711 untuk data training, dan sebesar 96,08% dan kappamemperoleh hasil yang excellent yaitu sebesar 0,907 untuk data testing. Sedangkan eberdasarkan indeks antropometri BB/ PB menghasilkan tingkat kebenaran klasifikasi sebesar 88,50% dengan kappa sebesar 0,460 untuk data training, dan sebesar 83,35% dan kappa 0,419 untuk data testing. Dari hasil uji coba indeks antropometri BB/ U mengalami peningkatan akurasi dan kappa pada data testing. Hal ini mengindikasikan bahwa tingkat kebenaran klasifikasi semakin baik. Namun, berdasarkan indeks antropometri BB/ PB nilai kappa sangat rendah dan akurasi menurun pada data testing. 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 mengidentifikasi status gizi balita,

16

ijns.org


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. 4. Tingkat kesalahan klasifikasi dapat disebabkan kemungkinan adanya penyimpangan data penelitian, untuk pen 5. Penelitian selanjutnya, sebaiknya dilakukan tindak lanjut analisis dari penyimpangan yang terjadi. 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 . [3] Assadi, A., & Zade, S. H. (2014). UGA: A New Genetic Algorithm-Based Classification Method for Uncertain Data. Middle-East Journal Of Scientific Research ISSN 1990-9233 , 12071212. [4] Bramer, M. (2007). Principles of Data Mining. London: Springer. [5] 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: 23197242 , 8236-8241. [6] Degroff , C. G., & dkk. (2001). Artificial Neural Network - Based Method of Screening Heart Murmurs in Children. American Heart Association Jornals . [7] Depkes RI. (2009). Profil Kesehatan Indonesia 2008. Jakarta: Departemen Kesehatan RI. [8] Dezhi, X., & Ganegoa, G. U. (2011). Rule Based Classification to detect Malnutrition in Children. International Journal on Computer Science and Enggineering (IJCSE) . [9] Folorunso, O., Ogunseye, O., Okesola, J., & Olaniyan, O. (2005). Visualizing E-Voting results. Journal


Of Theoretical and Applied Information Technology . [10] Gorunescu, F. (2011). Data Mining Concepts, Models and Techniques. Verlag Berlin Heidelberg: Springer. [11] Han, J., & Kamber, M. (2006). Data Mining Concepts and Techniques Second Edition. California: Morgan Kaufmann. [12] Karegowde, A. G., Manjunath, A., & Jayaran, M. (2011). Application of Genetic Algorithm Optimizied Neural Network Weights for Medical Diagnosis of PIMA Indians Diabetes. International Journal on Soft Computing (IJCS), Vol.2, No.2 . [13] Kementerian Kesehatan. (2011). Bagan Tata Laksanan Anak Gizi Buruk. Direktorak Bina Gizi. [14] Kusrini, & Luthfi, E. T. (2009). Algoritma Data Mining. Yogyakarta: Penerbit Andi. [15] Larose, D. (2006). Data Mining Methods and Models. Jhon Wiley & Sons Inc. Hoboken New Jersey. [16] Maimon , O., & Rokach, L. (2010). Data Mining and Knowledge Discovery Hanbook Second Edition. New York: Springer. [17] Moradi , M., & Abedini, M. (2012). A Combination of Genetic Algorithm and Particle Swarm Optimiation for Optimal DG Location and istribution System. Elsevier . [18] Myatt, G. J. (2007). Making Sanse Of Data A Partical Guide to Explaratory Data Analysis and Data Mining. Canada: John Wiley & Sons. [19] Nix, S. (2005). William's Basic Nutrition & Diet Therapy. Elsivier Mosby Inc. USA. [20] 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. [21] Purwati, N., & Yuliana, N. (2013). Konsep Perancangan Sistem informasi. Bandung: Aaaa. [22] Riera, A., & Brown, P. (2003). Bringing Confidence to Electronic Voting. Electronic Journal of e-Goverment , 1(1). 14-21. [23] Rokhman, A. (2011). Prospek dan Tantangan Penerapan E-Voting di Indonesia. Seminar Nasional Peran Negara dan masyarakat dalam

17

ijns.org


Pembangunan Demokrasi dan Masyarakat madani di indonesia . [24] Sexton, R. S., & Dorsey, R. E. (2000). Reliable Classification Using Neural Networks: A Genetic Algorithm and . ACM , Issue 30 . [25] Shalahuddin, M. (2009). Pembuatan model E-Voting Berbasis Web (Studi Kasus Pemilu Legislatif dan Predisen Indonesia). [26] Sihombing, B. (2011). Jaringan Syaraf Tiruan dan Algoritma Genetika dalam Pemodelan Kalibrasi (Studi Kasus:Tanaman Obat Temulawak). Tesis Sekolah Pasca Sarjana IPB . [27] Sivanandam, S., & Deepa, S. (2008). Introduction to Genetic Algorithm. Berlin Heidelberg New York: Springer. [28] Supariasa, I. N., & Fajar, I. (2002). Penilaian Status Gizi. Jakarta: PT Gramedia Indonesia. [29] Swastina, L., & Lareno, B. (2014). Model Penentuan Potensi Status Gizi Bermasalah Menggunakan Decision Tree. Jurnal Gema Aktualita, Vol. 3 No. 2 . [30] Vercellis, C. (2009). Bussine Intellegence: Data Mining and Optimization for Decision Maing. United Kingom: Jhon Wiley & Sons. [31] Vote Here Inc. (April 2002). Network Voting Systems Standards Public Draft2. [32] 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. [33] Wardlaw, G. M., & Hampl, S. J. (2007). Perspective In Nutrition. New York: Mc. Graw Hill Companies Inc. [34] Witten, I., Frank, E., & Hall, M. (2011). Data Mining Particial Machine Learning tools and Techniques. United States: Elsivier Inc.


[35] Achmad Lukman Lukman, Asih Winantu , Identifikasi Ikan Mentah Berformalin Menggunakan Nilai HSV Dan Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) Dari Citra Ikan Mentah, Vol 5, No 1 (2016): IJNS 2016 [36] Marwa Sulehu, Sistem Pendukung Keputusan Pemilihan Layanan Internet Service Provider Menggunakan Metode Weighted Product (Studi kasus : STMIK AKBA), Vol 4, No 4 (2015): IJNS Oktober 2015 [37] Hera Wasiati, Dwi Wijayanti, Sistem Pendukung Keputusan Penentuan Kelayakan Calon Tenaga Kerja Indonesia Menggunakan Metode Naive Bayes (Studi Kasus: Di P.T. Karyatama Mitra Sejati Yogyakarta), Vol 3, No 2 (2014): IJNS April 2014 [38] Riesda Ganevi, Bambang Eka Purnama, Sistem Pendukung Keputusan Penilaian Kinerja Guru Sekolah Menengah Pertama Negeri (SMP N) 1 Pacitan, Vol 6, No 4 (2014): Jurnal Speed 24 – 2014 [39] Yogha Radhitya, Fitro Nur Hakim, Achmad Solechan, Rancang Bangun Sistem Pendukung Keputusan Penentuan Penerima Beasiswa Dengan Metode SAW, Vol 8, No 2 (2016): Jurnal Speed Mei 2016 [40] Ramadhani Noor Pratama, Sistem Pendukung Keputusan Untuk Penentuan Penerima Beasiswa (Studi Kasus : Politeknik Hasnur), Vol 8, No 1 (2016): Jurnal Speed Januari - 2016

18

Tb Menggunakan Jaringan Saraf Tiruan

Recommend Documents