Implementasi Naive Bayes pada Embedded System untuk - j

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Vol. 1, No. 11, November 2017, hlm. 1277-1284
e-ISSN: 2548-964X
http://j-ptiik.ub.ac.id
Implementasi Naive Bayes pada Embedded System untuk Menentukan
Status Gizi Bayi
Fauzi Rivani1, Dahnial Syauqy2, Mochammad Hannats Hanafi3
Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: [email protected], [email protected], [email protected]
Abstrak
Bayi adalah anak yang berusia 0 – 12 bulan, pada masa ini perkembangan otak dan fisik bayi selalu
menjadi perhatian utama. Status gizi merupakan suatu ekspresi atau keadaan dari tubuh yang
dipengaruhi oleh zat-zat tertentu. Status gizi pada bayi bukan hanya tentang status gizi itu baik atau
buruk saja. Tetapi status gizi juga ditujukan untuk pengkategorian status panjang badan dan juga berat
badan. Berdasarkan permasalahan tersebut, maka dilakukan penelitian terkait dengan sistem klasifikasi
untuk mendeteksi status gizi pada bayi, sehingga para orang tua dapat terus memantau perkembangan
gizi dari bayi mereka. Pada sistem ini membutuhkan parameter-parameter berupa jenis kelamin, umur,
panjang dan berat badan bayi. Dalam pembuatan sistem menggunakan komponen elektronika berupa
modul, sensor dan mikrokontroler. Untuk memberikan nilai pada parameter jenis kelamin dan umur
dibutuhkan modul keypad 4x4 sebagai alat untuk memasukan data, sedangkan untuk nilai dari panjang
dan berat badan diakuisisi menggunakan sensor ultrasonik dan load cell. Kemudian dari data yang telah
didapatkan akan diklasifikasi arduino uno untuk menentukan status gizi dari bayi tersebut. Untuk metode
klasifikasi yang digunakan pada penelitian ini adalah Naive Bayes. Dari seluruh tahapan awal hingga
akhir yang ada pada sistem akan ditampilkan pada modul LCD 16x2. Untuk pengujian dan analisis
dilakukan untuk mencari presentase akurasi dari sistem. Dapat disimpulkan untuk pembacaan nilai
sensor dari 10 objek, sensor panjang memiliki presentase akurasi 98,28% dan sensor berat 71,02%,
pengujian metode klasifikasi dengan 30 data manual secara acak pada sistem status gizi panjang dan
berat badan sebesar 100%, kemudian rata-rata dari proses waktu ketika klasifikasi dengan 25 percobaan
adalah 0,026 detik dan 0,032 detik. Selanjutnya pengujian dan analisis keseluruhan sistem memiliki
presentase akurasi sebesar 96,66% untuk status gizi panjang badan dan 60% untuk status gizi berat
badan.
Kata kunci: Ultrasonik, Load cell, Arduino Uno, status gizi, klasifikasi, Naive Bayes.
Abstract
A baby is a stage of human development from 0-12 months where brain development and physical
development are the main focus interest to see the baby growth. Nutrition status is one of the essential
components that is always under supervision for baby growht. Baby’s nutrition system is not only
measured in terms of whether they are good or bad nutrition, but also being measurd through baby’s
height and baby’s weight. Based on these problems, needed research on the classification system to
detecting nutrition of baby and baby’s parents can monitor the development nutrition from their baby.
Furthermore, there are other parameters such as gender and age that serve as contributing factor when
measuring baby’s nutrition, A censor with microcontroller has already been developed to provide
specific number of the baby’s gender and age which then will be input to a system using 4x4 keypad. On
the other hand, ultrasonic censor and load cell are used as a measurement system for baby’s height and
weight. Then all these data will be input and compared to arduino uno classification that will determine
the baby’s nutrition. The method use for this classification is called Naive Bayes. All the development
stages will be put on 16x2 LCD to provide an assessment and analysis regarding the accuracy of this
system. Based on the reading the censor provides on 10 objects, the heihgt (lenght) censor has 98.28%
accuracy and weight with 71.02% accuracy. The classification test with 30 data that is picked randomly
has 100% accuracy for the weight and height. Then average of time classification test are 0.026 second
and 0.032 second respectively. The test and analysis of the overall system has 96.66% for ist accuracy
for the height and 60% accuracy for the weight system.
Keywords: Ultrasonic, Load cell, Arduino Uno, nutrition status, classification, Naive Bayes
Fakultas Ilmu Komputer
Universitas Brawijaya
1277
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
1. PENDAHULUAN
Keadaaan dimana kesehatan fisik sesorang
yang ditentukan dengan salah satu dari ukuran
gizi tertentu disebut status gizi (Soekirman,
2000). Anak yang berusia 0 hingga 12 bulan
adalah bayi (Husaini, 2002). Pada masa bayi
perkembangan otak dan pertumbuhan fisik selalu
menjadi perhatian, terutama bayi yang lahir
secara prematur maupun bayi lahir cukup bulan
tetapi memiliki keadaan berat badan yang tidak
normal. Seorang ibu, ayah, dan orang-orang
terdekat bayi juga harus turut mengawasi tumbuh
kembang bayi serta melakukan perawatan yang
terbaik bagi bayi mereka. Status gizi pada bayi
bukan hanya tentang status gizi itu baik atau
buruk saja. Tetapi status gizi juga ditujukan untuk
pengkategorian status panjang badan dan juga
berat badan. Tinggi badan adalah salah satu
parameter yang penting bagi keadaan sebelumnya
dan dengan keadaan sekarang. Apabila umur
tidak diketahui dengan tepat, maka tinggi badan
dapat dijadikan opsi sebagai ukuran parameter
kedua
setelah
berat
badan,
karena
menghubungkan parameter berat badan dengan
parameter tinggi badan faktor dari umur dapat
dikesampingkan (Supriasa, 2002).
Standar Antropometri merupakan salah satu
acuan dalam penilaian status gizi anak. Sesuai
dengan keputusan kementerian kesehatan
Republik Indonesia tentang standar antropometri
penilaian status gizi anak usia 0 sampai 5 tahun,
indeks parameter yang sering digunakan untuk
menilai status gizi adalah Jenis Kelamin, Umur,
Berat Badan dan Panjang/Tinggi Badan. Dari
setiap parameter tersebut akan dikombinasikan
dengan paramater lainnya dan kemudian akan
menjadi dasar dalam penilaian status gizi
anak(Soekirman, 2000).
Metode klasifikasi Naive Bayes adalah salah
metode
untuk
mengklasifikasi
dengan
menggunakan teknik prediksi peluang kejadian
yang sederhana dan mendasar. Metode Naive
Bayes merupakan salah satu metode klasifikasi
yang efektif dan efisien karena proses
pengklasifikasian Naive Bayes bekerja secara
independen pada setiap fitur objek yang akan
diklasifikasi (Astuti, 2016).
Solusi yang telah dilakukan sebelumnya
adalah penelitian untuk memantau perkembangan
fisik bayi dengan mengukur panjang badan dan
lingkar kepala bayi. Penelitian tersebut
menggunakan sensor optocoupler dan meteran
autoroll. Hasil dari pembacaan sensor
Fakultas Ilmu Komputer,
Universitas Brawijaya
1278
ditampilkan pada aplikasi delphi dalam bentuk
grafik yang datanya dapat disimpan ke basis data
(Nurchasanah, 2016). Referensi dari penelitian
lain terdapat penelitian tentang alat yang dapat
mengukur tinggi dan berat badan, yang hasil nilai
pengukuran sensor ditampilkan pada LCD.
Tetapi, hasil dari pengukuran hanya dapat dilihat
pada ketika dalam proses pengukuran itu saja
(Khoiruddin, 2015). Solusi ada lainnya adalah
berupa sistem pengklasifikasian status gizi
dengan metode algoritma Naive Bayesian
Classification dan alat ukur antropometri sebagai
variabel input untuk menentukan status gizi
seseorang (Sri Kusumadewi, 2009).
Berdasarkan berbagai permasalahan yang
telah dijelaskan diatas dan solusi yang pernah
ada, penulis bermaksud melakukan penelitian
yang berjudul “Implementasi Naive Bayes Pada
Embedded System Untuk Menentukan Status Gizi
Bayi”. Penelitian ini menggunakan parameter
Jenis Kelamin, Berat Badan, Panjang Dan Umur
Bayi dan berdasarkan buku antropometri sebagai
acuan. Diharapkan sistem ini dapat membantu
dalam mempermudah pendeteksian kategori
status gizi panjang badan bayi dan berat badan
bayi.
2. PERANCANGAN DAN IMPLEMENTASI
2.1 Gambaran umum sistem
Untuk diagram blok implementasi sistem
klasifikasi status gizi bayi dapat dilihat pada
Gambar 2.1.
Gambar 2.1 Diagram blok sistem
Implementasi
Naive
Bayes
pada
Embedded System Untuk Menentukan Status Gizi
Bayi
merupakan
sistem
yang
dapat
mengklasifikasikan status gizi bayi berdasarkan
parameter jenis kelamin, umur, panjang, dan berat
badan. Sistem ini berupa implementasi perangkat
keras untuk pembacaan nilai panjang badan
menggunakan sensor ultrasonik dan pembacaan
nilai berat badan menggunakan sensor load cell,
yang dapat menampilkan hasil sensor dan hasil
pengklasifikasian status gizi bayi pada LCD 16x2.
2.2 Perancangan sistem
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Sebelum mengimplementasikan sistem,
terlebih dahulu membuat perancangan yang
terdiri dari perancangan perangkat keras dan
perangkat lunak sistem. Pada sistem klasifikasi
status gizi bayi, perangkat keras ini digunakan
untuk pengambilan data hasil panjang dan berat
badan bayi yang akan diukur nilainya. Mengenai
perancangan perangkat keras dijelaskan berikut
ini.
Gambar 2.2 Perancangan rangkaian elektronika
pembacaan berat badan
Dari Gambar 2.2 menjelaskan mengenai
rangkaian yang berfungsi untuk melakukan
pembacaan berat badan bayi dengan komponen
berupa sensor load cell dan HX711 yang
dihubungkan dengan Arduino Uno untuk
kontroler
Gambar 2.3 Perancangan rangkaian elektronika
pembacaan panjang badan
Dari Gambar 2.3 menjelaskan mengenai
rangkaian yang berfungsi untuk melakukan
pembacaan panjang badan bayi dengan
komponen berupa sensor ultrasonik yang
dihubungkan dengan Arduino Uno untuk
kontroler.
1279
Dari Gambar 2.4 menjelaskan mengenai
rangkaian yang berfungsi untuk masukan data
menggunakan keypad dan dapat menampilan
hasil sensor pada LCD yang dihubungkan dengan
Arduino Uno untuk kontroler.
Mengenai perancangan desain purwarupa
untuk menentukan status gizi bayi dapat dilihat
pada Gambar 2.5.
Gambar 2.5 perancangan desain purwarupa
Gambar 2.5 merupakan desain perancangan
sistem embedded untuk melakukan pengukuran
panjang dan berat badan bayi serta dapat
mengklasifikasikan status gizi bayi dan dapat
menampilkan hasilnya pada LCD. Dari
purwarupa diatas terdapat modifikasi tambahan
triplek untuk menopang beban bayi yang akan
diukur.
Proses selanjutnya yaitu perancangan
perangkat lunak yang dilakukan pada Arduino
IDE untuk menulis program, agar sistem dapat
melakukan pembacaan sensor, menentukan status
gizi bayi menggunkan metode Naive Bayes, dan
menampilkan hasilnya pada antarmuka berupa
LCD. Perancangan dijelaskan pada diagram alur
seperti Gambar 2.6.
Gambar 2.6 Flowchart kesluruhan sistem untuk
menentukan status gizi bayi
Gambar 2.4 Rangkaian elektronika untuk masukan
data dan tampilan hasil sensor
Fakultas Ilmu Komputer,
Universitas Brawijaya
Flowchart
Gambar
2.6
merupakan
perancangan proses keseluruhan sistem untuk
merealisasikan Implementasi Naive Bayes pada
Embedded System Untuk Menentukan Status Gizi
Bayi. Dimana terlebih dahulu untuk melakukan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
1280
penentuan status gizi membutuhkan parameter
berupa jenis kelamin dan umur yang datanya
didapatkan dari informasi data bayi yang di input
manual pada keypad. Terdapat beberapa
pengklasifikasian yang membutuhkan parameter
berpa panjang atau berat badan, sehingga perlu
mendapatkan nilainya dari pembacaan sensor.
Setelah
didapat
parameter
untuk
pengklasifikasian sistem mampu menentukan
status gizi dan dapat menampilkan hasil status
gizi pada antarmuka pengguna berupa LCD.
dilakukan dengan menggeser pembatas utama
sehingga sensor pengukur panjang dapat
mengukur dengan cara memantulkan gelombang
pada pembatas tersebut. Hasil ukur berat dan
panjang langsung bisa diolah mikrokontroler dan
ditampilkan pada LCD.
2.3 Implementasi sistem
Pada implementasi sistem dapat dilihat
seperti Gambar 2.7 berikut ini.

3. PENGUJIAN DAN ANALISIS
3.1 Pengujian sensor ukur
Pengujian dilakukan untuk menguji akurasi
dari alat ukur dari sensor panjang dan sensor berat.
Pengujian sensor panjang
Pengujian ini dilakukan menggunakan 10
objek dengan panjang yang berbeda-beda. Untuk
mencari akurasi hasil dengan membandingkan
nilai dari pengukuran manual dengan pengukuran
dari hasil sensor. Dari keseluruhan pengujian
didapat tabel pengamatan seperti Tabel 3.1.
Tabel 3.1 Hasil pengujian sensor panjang
Pengujian Hasil
Hasil
KePanjang Panjang
Manual
Sensor
1
30
30
2
56.5
56
3
75.5
75
4
50
50
5
39.5
39
6
41.5
41
7
60.5
60
8
71
72
9
79.5
79
10
81.5
81
Rata-rata
Gambar 2.7 Implementasi purwarupa sistem untuk
penentuan status gizi bayi
Implementasi rangkaian elektronika terdapat
beberapa penambahan komponen. Purwarupa alat
memiliki 2 triplek yang mana pada 1 triplek
berukuran 90 cm x 55 cm berfungsi untuk
menopang badan bayi, 1 triplek dibawah
berukuran 60 cm x 35 cm digunakan untuk alas
sensor berat, dan terdapat 2 tambahan kaki pada
alat sebagai penyangga agar alat tersebut tidak
mudah goyang ketika beban diletakkan. Disetiap
sisi triplek bagian atas terdapat pembatas sebagai
wadah bayi untuk diletakkan dan juga ditambah
dengan pembatas utama yang dapat digeser
secara manual untuk menyesuaikan panjang
badan bayi. Sensor berat dapat membaca nilai
berat ketika beban sudah diletakkan pada bagian
penopang badan bayi. Untuk mengukur panjang
Fakultas Ilmu Komputer,
Universitas Brawijaya
Selisih
Panjang
Kesalahan
(%)
0
0.5
0.5
0
0.5
0.5
0.5
1
0.5
0.5
0
0.88
0.66
0
1.26
1.2
0.82
1.4
0.62
0.61
0.72
Berdasarkan
hasil
pengujian
sensor
didapatkan akurasi untuk pembacaan panjang
badan menggunakan sensor ultrasonik sebesar
99.28%. Dapat dilihat pada selisih panjang
terdapat selisih nilai 0.5 hingga 1 cm, hal ini
dikarenakan sensor ultrasonik pada sistem ini
hanya dapat membaca panjang dalam kelipatan
setiap 1 cm dan ketika melakukan pengukuran
panjang harus diperhatikan ketika penggeseran
pembatas agar tidak ada celah antara objek dengan
pembatas.
 Pengujian sensor berat
Pengujian ini dilakukan menggunakan 10
objek dengan berat berbeda-beda. Untuk mencari
akurasi hasil dengan membandingkan nilai dari
pengukuran manual dengan pengukuran dari hasil
sensor. Dari keseluruhan pengujian didapat tabel
pengamatan seperti Tabel 3.2.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Tabel 3.2 Hasil pengujian sensor load cell
Pengujian
Ke1
2
3
4
5
6
7
8
9
10
Hasil
Hasil
Berat
Berat
Manual
Sensor
1.3
2.4
3.8
5.2
4.2
5
5.1
5.1
5.5
5
7.6
6.4
8
6.1
8.9
6.8
11.4
7.2
12.7
7.6
Rata-rata
Selisih
Berat
Kesalahan
(%)
1.1
1.4
0.8
0
0.5
1.2
1.9
2.1
4.2
5.1
84.61
19.04
36.84
0
23.75
9.09
15.78
36.84
23.59
40.15
28.97
Berdasarkan
hasil
pengujian
sensor
didapatkan akurasi untuk pembacaan berat badan
menggunakan sensor load cell sebesar 71.02%.
Pada selisih berat antara hasil manual dan sensor
dapat dilihat memiliki selisih beban berat yang
bervariasi dari 0 hingga 5.1 kg. Hal ini
disebabkan karena desain alat purwarupa dari
penopang berat badan tidak dapat memberikan
seluruh tekanan dari beban berat ke sensor load
cell. Dan sehingga ini juga dapat menyebabkan
setiap penempatan objek yang berbeda dapat
menghasilkan nilai berat yang berbeda pula.
3.2 Pengujian klasifikasi Naive Bayes
Pengujian dilakukan untuk menguji akurasi
dari kode program klasifikasi metode naive bayes
yang akan diimplementasikan pada sistem.
3.2.1 Pengujian Klasifikasi Status Gizi
Panjang
Pengujian klasifikasi status gizi panjang
yang dilakukan adalah berupa pengujian status
gizi panjang yang dimana setiap data dari jenis
kelamin, umur dan panjang badan dimasukan
secara acak dan manual kedalam program
kemudian akan diklasifikasi dengan metode naive
bayes yang telah dibuat pada sistem. Kemudian
setelah dilakukan klasifikasi hasil, dari program
tersebut akan dibandingkan dengan buku
antropometri untuk dianalis. Dari keseluruhan
pengujian didapatkan tabel pengamatan seperti
Tabel 3.3.
Tabel 3.3 Tabel hasil pengujian klasifikasi status gizi
panjang
Data latih
Data uji
Persentase kesalahan
Persentase akurat
Dari
keseluruhan
Fakultas Ilmu Komputer,
Universitas Brawijaya
104
30
0%
100%
pengujian
dapat
1281
disimpulkan bahwa berdasarkan presentase
akurasi pada pengujian diperoleh sebesar 100%.
3.2.2 Pengujian Klasifikasi Status Gizi Berat
Pengujian klasifikasi status gizi berat yang
dilakukan adalah berupa pengujian status gizi
berat yang dimana setiap data dari jenis kelamin,
panjang dan berat badan dimasukan secara acak
dan manual kedalam program kemudian akan
diklasifikasi dengan metode naive bayes yang
telah dibuat pada sistem. Kemudian setelah
dilakukan klasifikasi hasil, dari program tersebut
akan dibandingkan dengan buku antropometri
untuk dianalis. Dari keseluruhan pengujian
didapatkan tabel pengamatan seperti Tabel 3.4.
Tabel 3.4 Tabel hasil pengujian klasifikasi status gizi
berat
Data latih
Data uji
Persentase kesalahan
Persentase akurat
320
30
0%
100%
Dari
keseluruhan
pengujian
dapat
disimpulkan bahwa berdasarkan presentase
akurasi pada pengujian diperoleh sebesar 100%.
3.3 Pengujian Waktu Klasifikasi Sistem
Status Gizi
Pengujian waktu klasifikasi pada sistem status
gizi adalah berupa pengujian untuk menghitung
waktu selama proses pengklasifikasian. Tahap
pengujian ini terdapat 2 bagian antara lain:
pengujian waktu klasifikasi status gizi panjang
badan dan status gizi berat badan. Pengujian dapat
dilihat pada penjelasan-penjelasan bawah ini.
3.3.1 Pengujian Waktu Klasifikasi Status Gizi
Panjang
Pengujian waktu klasifikasi status gizi panjang
adalah dimana setiap data dari umur, jenis
kelamin dan panjang badan dimasukan secara
manual kedalam program klasifikasi. Kemudian
pada program arduino ditambahkan fungsi
millis() untuk mengetahui waktu proses selama
klasifikasi naive bayes. Dari hasil pengujian
didapatkan tabel pengamatan seperti Tabel 3.5.
Tabel 3.5 Tabel hasil pengujian Waktu Klasifikasi
Status Gizi Panjang
Data uji
Percobaan data uji
Rata-rata waktu (ms)
5
25
26,48
Berdasarkan
hasil
pengujian
dapat
disimpulkan bahwa metode klasifikasi naive
bayes pada status gizi panjang badan dibutuhkan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
waktu proses pengklasifikasian dengan waktu
rata-rata 26.48 millisecond atau 0.026 detik.
3.3.2 Pengujian Waktu Klasifikasi Status Gizi
Berat
Pengujian waktu klasifikasi status gizi berat
adalah dimana setiap data dari jenis kelamin,
panjang dan berat badan dimasukan secara
manual kedalam program klasifikasi. Kemudian
pada program arduino ditambahkan fungsi
millis() untuk mengetahui waktu proses selama
klasifikasi naive bayes. Dari hasil pengujian
didapatkan tabel pengamatan seperti Tabel 3.6.
Tabel 3.6 Tabel hasil pengujian Waktu Klasifikasi
Status Gizi Berat
Data uji
Percobaan data uji
Rata-rata waktu (ms)
5
25
32,08
Berdasarkan
hasil
pengujian
dapat
disimpulkan bahwa metode klasifikasi naive
bayes pada status gizi berat badan dibutuhkan
waktu proses pengklasifikasian dengan waktu
rata-rata 32.08 millisecond atau 0.032 detik.
3.4 Pengujian keseluruhan sistem status gizi
Pengujian keseluruhan sistem status gizi
adalah berupa pengujian status gizi yang dimana
setiap data dari jenis kelamin, umur, panjang dan
berat badan didapatkan langsung dari modul
keypad dan sensor ukur. Kemudian dari data yang
sudah didapatkan akan diklasifikasi dengan
metode naive bayes yang ada pada sistem, hasil
akhir dari status gizi akan ditampilkan pada LCD.
3.4.1 Pengujian keseluruhan sistem status gizi
panjang
Pengujian ini akan melakukan klasifikasi
naive bayes dimana jenis kelamin, umur
didapatkan dari hasil masukan modul keypad dan
panjang badan berasal dari sensor panjang. Hasil
akhir dari sistem status gizi akan dibandingkan
dengan buku antropometri. Dari keseluruhan
pengujian didapatkan tabel pengamatan seperti
Tabel 3.7.
Tabel 3.7 Tabel hasil Pengujian keseluruhan sistem
status gizi panjang
Data Latih
Data uji
Persentase kesalahan
Persentase akurat
104
30
3,34%
96,66%
Berdasarkan hasil dari 30 data terdapat 1 data
yang tidak sesuai dengan kategori status gizi yang
Fakultas Ilmu Komputer,
Universitas Brawijaya
1282
sebenarnya. Hal ini karena sensor ultrasonik
hanya dapat mengukur panjang dengan kelipatan
1 cm. Dari hasil pada tabel pengujian ini dapat
disimpulkan bahwa presentase akurasi pada
pengujian keseluruhan sistem status gizi panjang
diperoleh sebesar 96.66%.
3.4.2 Pengujian keseluruhan sistem status gizi
panjang
Pengujian ini akan melakukan klasifikasi naive
bayes dimana jenis kelamin, panjang badan
berasal dari sensor panjang dan berat badan
berasal dari sensor berat. Hasil akhir dari sistem
status gizi akan dibandingkan dengan buku
antropometri. Dari keseluruhan pengujian
didapatkan tabel pengamatan seperti Tabel 3.7.
Tabel 3.7 Tabel hasil Pengujian keseluruhan sistem
status gizi panjang
Data Latih
Data uji
Persentase kesalahan
Persentase akurat
320
30
40%
60%
Berdasarkan hasil pengujian dari 30 data
terdapat 12 data yang tidak sesuai dengan kategori
status gizi yang sebenarnya. Dari data tersebut
dapat disimpulkan bahwa presentase akurasi pada
pengujian diperoleh sebesar 60%. Hal ini
disebabkan karena perangkat keras purwarupa
tidak dapat memberikan seluruh tekanan dari
beban kepada sensor berat.
4. KESIMPULAN
Berdasarkan hasil pengujian yang telah
dilakukan pada penelitian ini maka dapat ditarik
kesimpulan sebagai berikut :
1. Untuk implementasi pada sistem ini,
perancangan
perangkat
pada
sistem
klasifikasi status gizi panjang dan berat badan
bayi terbagi dua, yaitu perancangan perangkat
keras dan perangkat lunak. Pada perangkat
keras dilakukan untuk mengukur nilai dari
panjang badan yang dilakukan oleh sensor
ultrasonik dan berat badan yang nilainya
didapatkan dari pembacaan sensor load cell.
Sedangkan untuk perancangan perangkat
lunaknya diterapkan pada aplikasi Arduino
IDE untuk menulis kode program klasifikasi
yang akan di-compile ke mikrokontroler agar
sistem dapat mengklasifikasikan status gizi
bayi.
2. Pada implementasi klasifikasi metode Naïve
Bayes pada sistem status gizi bayi ini dibagi
menjadi dua, yaitu pengklasifikasi untuk
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
status gizi panjang badan dan status gizi berat
badan. Untuk melakukan pengklasifikasian
status gizi panjang badan diperlukan data dari
parameter Jenis kelamin, Umur dan panjang
badan bayi. Dimana terdapat 4 kategori dari
status gizi ini yaitu Sangat Pendek, Pendek,
Normal dan Tinggi. Sedangkan pada
pengklasifikasian status gizi berat badan
diperlukan parameter Jenis Kelamin, Panjang
badan, dan berat badan bayi. Dimana terdapat
4 kategori dari status gizi ini yaitu Sangat
Kurus, Kurus, Normal dan Gemuk.
3. Untuk menghitung akurasi dari sistem status
gizi bayi diperlukan pengujian dan analisis
agar dapat mengetahui seberapa akurat sistem
yang diterapkan. Dalam pengujian ini
dilakukan sebanyak 8 tahap. Tahap pertama
yaitu pengujian pembacaan sensor panjang
yang menghasilkan akurasi sebesar 99,28%,
Tahap kedua yaitu pengujian pembacaan
sensor berat yang menghasilkan akurasi
sebesar 71,02%. Selanjutnya yaitu tahap
ketiga dan keempat melakukan pengujian
dari program metode klasifikasi, dengan cara
memberi data secara acak ke setiap parameter
kemudian dimasukkan secara manual ke
dalam program klasifikasi. Hasil dari analisis
pengujian metode klasifikasi ini memperoleh
akurasi sebesar 100% untuk klasifikasi status
gizi panjang dan status gizi berat. Tahap
kelima dan keenam merupakan pengujian
waktu ketika program klasifikasi melakukan
pengklasifikasian, dimana hasil dari analisis
ini berupa rata-rata dari 5 data yang dilakukan
sebanyak 25 percobaan. Hasil rata-rata dari
pengujian waktu adalah 0,026 detik untuk
klasifikasi status gizi panjang dan 0,032 detik
untuk klasifikasi status berat. Yang terakhir
adalah tahap tujuh dan delapan, di tahap ini
merupakan pengujian dan analisis terhadap
hasil akhir keseluruhan sistem yang
dilakukan sebanyak 30 kali pengujian. Dari
hasil analisis presentase akurasi untuk sistem
status gizi panjang memiliki presentase
akurasi 96,66%, sedangkan untuk presentase
akurasi sistem status gizi berat adalah sebesar
60%.
1283
Pada Urin Berbasis Sensor TCS3200 dan
MQ135 Dengan Metode Naive Bayes.
Anta, F. P., 2015. febripurianta08.blogspot.co.id.
[Online]
Available
at:
http:
//febripurianta08.blogspot.co.id/2015/05/k
ey-pad-3x44x4.html [Diakses 30 Mei
2017].
Asmara, N. E., 2017. Sistem Klasifikasi Status
Gizi Bayi Dengan Metode K-Nearest
Neighbor Berbasis Sistem Embedded.
Astuti, E. H., 2016. Sistem Pendukung Keputusan
Deteksi
Dini
Penyakit
Stroke
menggunakan Metode Naive Bayes.
Baber, D, 2010. Bayesian Reasoning and
Machine Learning. London : Cambridge
University Press.
Brown, E., 2016. linuxgizmos. [Online] Available
at:
http://linuxgizmos.com/arduino-srladds-wireless-ready-arduino-uno-wifi/
[Diakses 30 Mei 2017].
Chamim, 2012. Mikrokontroler Belajar Code
Vision AVR Mulai Dari Nol. Yogyakarta:
Graha Ilmu.
christj, 2013. christianto.tjahyadi.com. [Online]
Available
at:
http://christianto.tjahyadi.com/belajarmikrokontroler/sensor-ultrasonik-hcsr04.html [Diakses 30 Mei 2017].
Direktorat Bina Gizi, K. K. R. I., 2016. Data
Balita.
[Online]
Available
at:
http://gizi.depkes.go.id/sms
gateway/index.php?go=home.main
[Diakses 16 Desember 2016].
Doxygen, 2017. upm 1.2.0. [Online] Available at:
https://iotdk.intel.com/docs/master/upm/cl
assupm_1_1_h_x711.html
[Diakses 30 Mei 2017].
fitinline, 2013. fitinline.com. [Online] Available
at:
https://fitinline.com/article/read/meteran/
[Diakses 30 Mei 2017].
5. SUMBER PUSTAKA
Husaini, 2002. Gizi Anak. Bogor: Pusat Penelitian
dan Pengembangan Gizi, Departemen
Kesehatan RI.
Almatsier, S., 2003. Prinsip Dasar Ilmu Gizi.
s.l.:Gramedia.
Almatsier, S., 2003. Prinsip Dasar Ilmu Gizi.
s.l.:Gramedia.
Amani, R. Z., 2017. Sistem Pendeteksi Dehidrasi
Berdasarkan Warna dan Kadar Amonia
Amani, R. Z., 2017. Sistem Pendeteksi Dehidrasi
Berdasarkan Warna dan Kadar Amonia
Pada Urin Berbasis Sensor TCS3200 dan
Fakultas Ilmu Komputer,
Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
MQ135 Dengan Metode Naive Bayes.
S1.Universitas Brawijaya.
Asmara, N. E., 2017. Sistem Klasifikasi Status
Gizi Bayi Dengan Metode K-Nearest
Neighbor
Berbasis
Sistem
Embedded.S1.Universitas Brawijaya..
Astuti, E. H., 2016. Sistem Pendukung Keputusan
Deteksi
Dini
Penyakit
Stroke
menggunakan Metode Naive Bayes.
S1.Universitas Brawijaya.
Baber, D, 2010. Bayesian Reasoning and
Machine Learning. London : Cambridge
University Press.
Brown,E.,2016.linuxgizmos.[Online]Available
at:
http://linuxgizmos.com/arduino-srladds-wireless-ready-arduino-unowifi/[Diakses 30 Mei 2017].
Chamim, 2012. Mikrokontroler Belajar Code
Vision AVR Mulai Dari Nol. Yogyakarta:
Graha Ilmu.
christj,2013.christianto.tjahyadi.com.[Online]
Available at : http : // christianto .
tjahyadi.com/belajarmikrokontroler/senso
r-ultrasonik-hc-sr04.html
[Diakses 30 Mei 2017].
Doxygen, 2017. upm 1.2.0. [IOnline] Available
at: https : // iotdk .intel.com /docs
/master/upm/classupm_1_1_h_x711.html
[Diakses 30 Mei 2017].
fitinline, 2013. fitinline.com. [Online] Available
at: https :// fitinline.com /article/
read/meteran/ [Diakses 30 Mei 2017].
Husaini, 2002. Gizi Anak. Bogor: Pusat
Penelitian dan Pengembangan Gizi,
Departemen Kesehatan RI.
JualArduino.com, 2015. Weight Sensor 20KG /
Load
Cell
20Kg.
[Online]
Available at: https ://www .jual arduino
.com/weight-sensor-20kg-load-cell-20kg/
[Diakses 30 Mei 2017].
Kementerian Kesehatan Republik Indonesia,
2010. Standar Antropometri Penilaian
Status Gizi Anak. Jakarta : Menteri
Kesehatan Republik Indonesia.
Khakim, A. L., 2015. Rancang Bangun Alat
Timbang Digital Berbasis Avr Tipe
Atmega32.S1.Universitas
Negeri
Semarang
Fakultas Ilmu Komputer,
Universitas Brawijaya
1284
Khoiruddin, A. M., 2015. Pengembangan Alat
Ukur Tinggi Badan Dan Berat Badan
Digital Yang Terintegrasi. Pengembangan
Alat Ukur Tinggi Badan Dan Berat Badan
Digital Yang Terintegrasi. S1.Universitas
Negeri Yogyakarta.
Kusumadewi, S., 2009. Klasifikasi status gizi
menggunakan
Naive
Bayesian
CLassification.vol 3. no. 1. pp 6 - 11, Mei
2009.
Medika, G., 2017. Timbangan Digital Omron HN286.
[Online]
Available
at:
http://www.galerimedika.com/Timbangan
/Timbangan-Digital-Omron-HN286
[Diakses 30 Mei 2017]
Munandar, A., 2014. leselektronika. [Online]
Available
at:
http://www
.leselektronika.com/2014/11/caramemprogram-lcd-karakter-16x2.html
[Diakses 30 Mei 2017].
Nurchasanah, E. P., 2016. METERAN UKUR
WIRELESS
UNTUK
PANJANG
BADAN DAN LINGKAR KEPALA
BAYI BERBASIS ARDUINO DAN
NRF24L01. S1. Universitas Brawijaya.
PasarDino, 2017. PasarDino : eyebee. [Online]
Available
at:
http://www
.dinomarket.com/PasarDino/37657032/Ju
al-TIMBANGAN-BADAN-TANITAHA623/ [Diakses 30 Mei 2017].
priceindo.com, 2017. priceindo.. [Online]
Available at: http ://priceindo.com /hargajangka-sorong-manual-terbaru/ [Diakses
30 Mei 2017].
Puri, F. A., 2015. febripurianta08.blogspot.co.id.
[Online]
Available
at:
http://febripurianta08.blogspot.co.id/2015
/05/key-pad-3x44x4.html
[Diakses 30 Mei 2017].
Soekirman, 2000. Ilmu Gizi dan Aplikasinya.
Jakarta: Direktorat Jenderal Pendidikan
Tinggi Departemen Pendidikan Nasional.
Supriasa, I. B. F. I., 2002. Penilaian Status Gizi.
Jakarta: Buku Kedokteran. EGC.
Themes, . W., 2013. Macam-Macam Alat Ukur
Lengkap
Dengan
Fungsi
Atau
Kegunaannya. [Online]
Available at:
http://rumusrumus.com/macam-macamalat-ukur/ [Diakses 30 Mei 2017].