BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam program
advertisement
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam program pemerintahan mengenai pembangunan nasional mewujudkan kualitas Sumber Daya Manusia yang cerdas, produktif dan sehat, yaitu dengan cara untuk pembentukan SDM yang sehat,cerdas dan berkualitas dengan melalui peningkatan status gizi penduduk, gizi buruk merupakan masalah utama di Indonesia tetapi obesitas juga menjadi masalah yang mulai muncul di Indonesia. Status gizi merupakan harus adanya keseimbangan di antara asupan yang masuk dalam tubuh dan kebutuhan zat gizi. Status gizi dapat dikatakan baik jika jumlah suatu asupan zat gizi sesuai dengan yang dibutuhkan dalam tubuh. Status gizi tidak seimbang dapat diprestasikan dalam bentuk gizi yang kurang dari yang dibutuhkan. Sedangkan dalam status gizi lebih jika asupan zat gizi lebih dari yang dibutuhkan tubuh. Status gizi dapat diartikan keadaan didalam tubuh sebagai hasil dari konsumsi makanan dan zat-zat gizi yang masuk dalam tubuh [1] Malnutrisi (gizi yang salah) merupakan keadaan patologis akibat kekurangan atau kelebihan zat gizi, malnutrisi dapat diartikan keadaan tubuh karena ketidakseimbangan diantara masuknya makanan dalam tubuh dengan kebutuhan gizi dalam mempertahankan kesehatan tubuh.kejadian ini dapat terjadi karena dalam asupan makanan terlalu sedikit ataupun masuknya makanan yang tidak seimbang.[2] Dalam bentuk penilaian status gizi menggunakan Antropometri dengan menggunakan Indeks Masa Tubuh (IMT), dengan menggunakan IMT sangatlah ssederhana cara pemantauan status gizi apakah normal, kurus tingkat ringan, kurus tingkat berat, obesitas 1, obesitas 2.klasifikasi menurut Kemenkes RI (2003). Didalam penelitian ini dilakukan survey di Klinik Azzahra yang beralamatkan di jalan raya ngawen No.305 Ngawen Blora Telp. 0296 4319515 / 085 2009 12345. Dari survey telah disetujui oleh bapak Direktur Klinik Azzahra yaitu dr. M. Aris Kurniawan. Di klinik azzahra mengenai fasilitas sudah cukup baik 1 2 karna bisa melayani rawat jalan, rawat inap, poliklinik spesialis, instalasi farmasi serta instalasi Unit Gawat Darurat serta sudah tersedia ambulan tetapi untuk perhitungan status gizi hanya menggunakan perhitungan Indek Massa Tubuh (IMT) yaitu dengan Tinggi Badan serta berat badan yang dirasa kurang untuk menentukan status gizi pada remaja, sedangkan jika ada 2 orang yang mempunyai berat badan dan tinggi badan sama tetapi hasil status gizinya sama karena hanya diperoleh dari nilai dan spesifikasi yang mendekati status gizi. dikarenakan didalam klinik yang hanya mempunyai perhitungan sederhana maka dibutuhkan perhitungan yang lebih baik. Dari hasil penilaian status gizi dengan antropomeri terkadang masih terjadi kerancuan, maka dari itu klinik azzahra membutuhkan solusi yang tepat untuk mengatasi masalah tersebut dengan menggabungkan suatu metode-metode dengan teknik ilmu computer untuk mendapatkan hasil yang lebih akurat untuk menentukan bahwa pasien kekurangan gizi atau kelebihan gizi dan mengurangi tingkat kematian atau mengurangi banyaknya penyakit infeksi yang disebabkan kekurangan gizi dan obesitas bagi yang kelebihan gizi karena terjadinya malnutrisi yang berada di klinik azzahra serta memberikan penyuluhan tentang gizi yang lebih rutin kepada masyarakat. Dengan adanya teknologi informasi (TI) dibidang kesehatan dapat membantu atau mempermudah pihak klinik azzahra untuk mengetahui status gizi yang akurat, karena banyaknya pasien yang terkena penyakit yang disebabkan oleh malnutrisi serta dapat mengurangi tingkat kesalahan yang bisa dilakukan dengan cara penghitungan manual. Untuk menentukan status gizi pada pasien remaja yang berumur 16-21 tahun, disini penghitungan lebih mengutamakan pasien remaja karena pada usia 1621 tahun usia yang rawan bagi masyarakat didaerah ngawen dan sekitarnya karena pada usia itu remaja lebih sibuk dengan kegiatan sekolahnya maupun diluar sekolah dan masa pubertas, jadi anak jarang mementingkan waktu makan serta asupan gizi apa saja yang harus masuk ke dalam tubuh. Selain itu UMR diblora juga belum begitu besar maka dari itu untuk menentukan status gizi yang lebih baik sangat kurang. Disini perhitungannya menggunakan aspek, lingkar pergelangan tangan, 3 umur, berat badan, jenis kelamin, lingkar perut, dan tinggi badan menggunakan metode naïve bayes classification (NBC) merupakan sebuah pengklasifikasian probabilitas sederhana. Keuntungan dari penggunan NBC sendiri adalah bahwa metode ini hanya membutuhkan jumlah data pelatihan (training data) yang kecil untuk menentukan estimasi parameter yang diperlukan dalam proses pengklasifikasian. Berfungsi untuk pembentukan kelas dan sebagai acuan bagaimana data akan diklasifikasikan, disamping itu metode NBC memiliki keakuratan yang lebih dibanding metode klasik. Oleh karena itu dibutuhkan Sebuah Sistem yang berbasis desktop yang diharapkan dapat memberikan solusi yang mampu menangani masalah klasifikasi status gizi pada remaja dan disertai perhitungan dengan menggunakan data mining dengan metode naïve bayes, Data mining sendiri sangat dibutuhkan terutama dalam mengelola data yang sangat besar untuk mempermudah proses data agar dapat memberikan informasi yang akurat bagi penggunanya. Teknik data mining yang akan ditentukan untuk mengetahui klasifikasi status gizi pada remaja menggunakan metode Naïve Bayes Classification (NBC). Adapun manfaatnya yang diperoleh setelah dilakukannya pengklasifikasian menggunakan metode NBC terhadap klasifikasi status gizi pada remaja agar dapat mengetahui status gizi remaja sehingga dapat memberikan kemudahan bagi klinik azzahra agar dapat meningkatkan pola hidup sehar agar dapat menghasilkan gizi yang baik untuk mencegah berbagai penyakit yang diakibatkan kurang gizi atau kelebihan gizi. 1.2 Rumusan Masalah Dari beberapa masalah yang dipaparkan dilatar belakang maka disimpulkan rumusan masalahnya adalah : Menerapkan metode Naïve Bayes Classification untuk pengklasifikasian status gizi remaja pada pasien klinik azzahra karena diklinik mengalami kesulitan untuk menentukan status gizi pada remaja. 1.3 Batasan Masalah 4 Agar penelitian ini dapat mencapai tujuan yang diharapkan, maka penulis membuat batasan-batasan masalah antara lain: 1. pengklasifikasian status gizi hanya membahas status gizi pada pasien berumur 16-21 tahun dengan aspek umur, berat badan, tinggi badan, lingkar pergelangan tangan, lingkar perut, jenis kelamin dan dengan studi kasus klinik azzahra. 2. Pengklasifikasian status gizi hanya meliputi Normal, Kurus tingkat ringan,Kurus tingkat berat, Obesitas Tingkat Ringan dan Obesitas Tingkat Berat. 3. Data pengklasifikasian status gizi yang digunakan atau diambil hanya pada tahun 2016 1.4 Tujuan Penelitian Penelitian ini bertujuan untuk mengimplementasikan Algoritma Naïve Bayes Classification untuk mempermudah menentukan status gizi pada remaja untuk pengklasifikasian. 1.5 Manfaat Penelitian a) Bagi Penulis 1. Hasil dari penelitian ini diharapkan dapat membantu penulis dalam penerapan pembelajaran ilmu data mining yang didapat dalam perkuliahan. 2. Hasil dari penelitian ini diharapkan dapat memenuhi salah satu syarat kelulusan mahasiswa Teknik Informatika Universitas Dian Nuswantoro Semarang. 3. Hasil dari penelitian ini diharapkan dapat membantu penulis dalam membuatan sistem untuk pengklasifikasikan status gizi remaja. b) Bagi Masyarakat 5 1. Hasil dari penelitian ini diharapkan dapat membantu masyarakat untuk mengurangi resiko yang ditimbulkan karena adanya malnutrisi. 2. Hasil dari penelitian ini diharapkan agar dapat membantu masyarakat dalam mendapatkan informasi tentang status gizi yang lebih akurat. c) Bagi Akademik 1. Hasil dari penelitian diharapkan dapat mengetahui kemampuan mahasiswa dalam menguasai materi mata kuliah dan penerapan yang didapat saat perkuliahan. 2. Hasil dari penelitian ini diharapkan dapat mengetahui kemampuan dan kesiapan mahasiswa untuk terjun kedunia kerja dengan hasil dari perkuliahan selama ini. BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Penelitian Terkait Dalam penelitian sebelumnya sangat berguna bagi penulis untuk menjadi pedoman ataupun pegangan dalam penelitian yang akan dilakukan oleh penulis, dengan diadakan penelitian sebelumnya dapat membantu dan mempermudah penulis dalam melakukan penelitiannya sesuai dengan tema dan pembuatan system baru yang bermanfaat. Dalam Metode naïve bayes classification sering digunakan untuk melakukan penelitian baik dalam memprediksi kemungkinan-kemungkinan ataupun untuk menentukan keputusan dan perbandingan yang ada dimasa yang akan datang. Disini penulis menggunakan 5 jurnal sebagai acuan untuk mengambil beberapa keputusan sebagai pengambilan algoritma dan metode. Penelitian pertama dilakukan oleh Yuda Septian Nugroho kesimpulnya bahwa menggunakan metode naïve bayees classification dapat menentukan tingkat kelulusan yang tepat waktu dan tidak tepat waktu dalam penelitian ini menggunakan metodee CRISP-DM dengan cara business understanding, data preparation, deployment, evaluation, data understanding dan modeling. Dari hasil eksperimen telah diuji memperoleh hasil akurasi sebesar 82.08 % dan tingkat kesalahan 17,92 %.[5] Penelitian kedua yang dilakukan oleh Sandi Fajar Rodiyansyah dan Edi Winarko dapat menyimpulkan bahwa penelitian mempunyai tujuan untuk visualisasi kemacetan lalu lintas di kota bandung menggunakan metode naïve bayes classification. Dari hasil uji coba memperoleh hasil nilai akurasi terkecil 78% dihasilkan pada pengujian dengan sampel sebanyak 100 dan menghasilkan nilai akurasi tinggi 91,60%.[6] 6 7 Penelitian ketiga yang dilakukan oleh Sukma Nur Fais A, dkk dalam penelitiannya bertujuan untuk mengklasifikasikan calon pendonor darah apakah termasuk ke dalam kelas pendonor ataupun kelas non pendonor dengan menggunakan metode Klasifikasi Naive Bayes berbasis pemrograman PHP Terdapat dua jenis atribut data set yaitu kontinu dan diskrit dan dilakukan uji coba dengan menggunakan data training dan data testing sebanyak 4 kali dan hasilnya keakuratanya 74% dan tingkat kesalahanya 26%.[7] Penelitian keempat yang dilakukan oleh Aida Indriani dalam penelitian yang berkaitan dengan penentuan klasifikasi data forum menggunakan naïve bayes classification, dalam proses klasifikasi sendiri dibagi menjadi 2 yaitu yang pertama data latih dan yang kedua data uji. Dalam penelitian ini menggunakan pengukuran dari efektifitas klasifikasi dengan menggunakan Confusion Matrix dengan cara menentukan nilai True Positive, True Negative, False Positive, dan False Negative. Setelah dilakukan klasifikasi dan pengujian sebanyak 15 data uji diperoleh hasil akurasi kebenaran sebesar 73%.[8] penelitian yang kelima dilakukan oleh Atri Nurani, Budi Susanto, Umi Proboyekti Dalam penelitian ini berkaitan dengan penentuan buku referensi mata kuliah dengan metode naïve bayes classification, untuk proses pengkalasifikasian menggunakan pola data dan jumlah data training. Dari hasil klasifikasi buku referensi buku menggunakan metode Naive Bayesian memiliki nilai akurasi 63% dengan 100 data test dokume, nilai akurasi dihitung dengan cara : 63/100 * 100 % = 63%. Dan tingkat kesalahan sebanyak 33%.[9] Table 2.1 penelitian terkait 8 No Nama Masalah Metode Hasil Yuda Menentukan Metode Dari hasil eksperimen Septian tingkat Naïve dengan cara business Nugroho kelulusan bayes understanding, Peneliti dan Tahun 1 2014 yang tepat data preparation, waktu dan deployment, evaluation, tidak tepat data understanding dan waktu. modeling yang telah diuji memperoleh hasil akurasi sebesar 82.08 % dan tingkat kesalahan 17,92 %. 2 Sandi Pengklasifika Fajar sian data Naïve memperoleh hasil nilai Rodiyansy tweet yang bayes akurasi ah,Edi mengandung Winarko tentang 2012 3 Metode classifica tion Dari hasil uji terkecil dihasilkan coba 78% pada pengujian dengan sampel informasi lalu sebanyak 100 dan lintas di kota menghasilkan Bandung . akurasi tinggi 91,60%. nilai Sukma Mengklasifik Metode Nur Fais asikan calon naïve atribut data set yaitu A, dkk pendonor bayes kontinu dan diskrit dan darah apakah classifica termasuk ke tion dalam kelas Terdapat dua jenis dilakukan uji coba dengan menggunakan data training dan data 9 pendonor testing sebanyak 4 kali ataupun kelas dan hasilnya non keakuratanya 74% dan pendonor. tingkat kesalahanya 26%. 4 Aida Penentuan Metode Penelitian ini Indriani klasifikasi naïve menggunakan data forum bayes pengukuran efektifitas 2014 secara klasifikasi, dengan otomatis menggunakan Confusion Matrix dengan cara menentukan nilai True Positive, True Negative, False Positive dan False Negative. Setelah dilakukan klasifikasi dan pengujian sebanyak 15 data uji diperoleh hasil akurasi kebenaran sebesar 73%. 5 Atri Penentuan Metode Nurani, klasifikasi naïve referensi berdasarkan dkk buku-buku bayes silabus matakuliah 2007 referensi berdasarkan classifica tion Pengklasifikasian buku memanfaatkan informasi dari daftar isi, dengan silabus mata menggunakan pola data kuliah dan jumlah data training. Dari hasil klasifikasi buku referensi menggunakan metode 10 naïve bayes classification memiliki nilai akurasi 63% dengan 100 data test dokumen. Dari hasil kelima penelitian diatas penulis dapat menyimpulkan bahwa dalam pengambilan metode naïve bayes classification dapat membantu penulis dalam menyelesaikan masalah dengan berbagai macam kriteria dalam pengambilan keputusan. Dengan adanya berbagai macam kriteria maka akan semakin hasilnya akan akurat. Di dalam penelitian ini penulis menggunakan metode naïve bayes classification dalam pengklasifikasian status gizi pada umur 16-21 tahun, dan data yang diambil dari klinik azzahra dengan beberapa aspek kriteria sebagai berikut : lingkar pergelangan tangan, jenis kelamin, tinggi badan, umur, berat badan, dan lingkar perut. 2.2 Remaja Pada jiwa remaja sangatlah berpengaruh pada pertumbuhan dan perkembangan pada dirinya. Masa remaja adalah masa transisi perkembangan antara masa anak-anak dan masa dewasa. Dalam masa ini anak mengalami masa pertumbuhan dan masa perkembangan fisiknya maupun perkembangan psikisnya.Dalam penelitian ini menggunakan ini mencakup remaja yang berusia 16-21 tahun. Disini memilih remaja umur 16-21 tahun karena pada usia itu remaja biasanya tidak memperdulikan waktu makan dan kandungan gizi yang masuk ke dalam tubuh sudah mencakup nilai gizi yang baik atau tidak, karena pada usia 16-21 tahun remaja sibuk dengan kegiatan yang ada disekolah maupun kegiatan luar sekolah. Disini mengapa hanya mencakup status gizi remaja karena dalam penentuan status gizi sendiri untuk balita, anak-anak, remaja, dewasa, orang tua dan lansia memiliki perhitungan yang berbeda, jadi jika di hitung dengan rumus yang disamakan maka hasil perhitunganya tidak tepat. Dan untuk balita menghitung status gizi dengan variabel : Berat Badan, 11 Tinggi Badan, Lingkar Kepala, dan Umur untuk umur sendiri tiap bulan atau per tahunnya ada tabel tersendiri. Sedangkan untuk perhitungan status gizi pada anak meliputi beberapa variabel : Tinggi Badan/Umur, Berat Badan/Umur, Tinggi Badan/ Berat Badan dan menggunakan tabel pengukuran skor simpang baku (Z-score). Penghitungan status gizi pada dewasa menggunakan variabel : Tinggi Badan, Berat Badan, Umur, Lingkar Pinggang, dan Prosentase Lemak dalam tubuh. Penghitungan status gizi pada orang tua dengan variabel : Tinggi Badan, Berat Badan, Lingkar Lengan Atas, Umur dan Lingkar dada. Perhitungan Status gizi pada Lansia dengan : pada pengukuran status gizi pada lansia adalah dengan menggunakan Mini Nutritional Assessment (MNA). Dengan Variabel : Umur, Tinggi Badan, Berat Badan, Lingkar Lengan Atas, Lingkar Betis.[20] 2.3 Gizi ( Nutrition ) Gizi adalah senyawa yang penting dibutuhkan dalam pertumbuhan, perkembangan dan kelangsungan hidup manusia. Istilah gizi sering disebut dengan nutrisi, terutama bila merujuk pada manusia. Gizi adalah nutrisi untuk manusia.[4] 2.3.1 Zat Gizi ( Nutriens ) Zat gizi adalah adalah zat yang dibutuhkan oleh tubuh untuk pertumbuhan, perkembangan, pemeliharaan dan memperbaiki jaringan tubuh. Yang termasuk dalam zat gizi yang diperoleh dalam kehidupan sehari-hari adalah [1] : 1. Karbohidrat atau hidrat arang 2. Protein atau zat putih telur 3. Lemak 4. Vitamin 5. Mineral 2.3.2 Status Gizi 12 Status gizi adalah adalah suatu keadaan didalam tubuh yang diakibatkan karena adanya keseimbangan antara asupan zat gizi yang masuk ke dalam tubuh dengan kebutuhan. Keseimbangan tersebut dapat dilihat dari variabel pertumbuhan, yaitu berat badan, tinggi badan, lingkar tangan,dan lainya. Adapun macam-macam gizi diantaranya adalah [4] : 1. Malnutrition ( Gizi Salah, Malnutrisi ) Kekurangan atau kelebihan zat gizi yang diperlukan untuk perkembangan, pertumbuhan, dan kebutuhan energi tubuh. Ada 4 bentuk malnutrisi : 1. Under Nutrition : kekurangan konsumsi pangan secara relative atau absolut untuk periode tertentu. 2. Specific Deficiency : kekurangan zat gizi tertentu, misalnya kekurangan vitamin A, Yodium , Zat Besi, dan lain-lain. 3. Over Nutrition : kelebihan konsumsi pangan untuk periode tertentu. 4. Imbalance : karena disproporsi zag gizi,misalnya : kolesterol terjadi karena tidak seimbangnya LDL ( Low Density Lipoprotein ), HDL ( High Density Lipoprotein) dan VLDL ( Very Low Density Lipoprotein). 2. Status gizi normal Status gizi normal adalah suatu ukuran status gizi yang terdapat keseimbangan antara jumlah energi yang masuk ke dalam tubuh dan energi yang dikeluarkan dari luar tubuh sesuai dengan kebutuhan manusia. Macam-macam penilaian status gizi secara umum meliputi Antropometri, Klinis, Biokimia, Biofisik dalam penelitian ini menggunakan Antropometri [4] 13 2.3.3 Penilaian Gizi Secara Antropometri Secara umum antropometri mempunyai arti ukuran tubuh manusia. Dan dapat dilihat dari sudut pandang gizi, maka penilaian antropometri gizi bisa berhubungan dalam berbagai bentuk pengukuran dalam dimensi tubuh dan dari berbagai komposisi tubuh dari mulai aspek tingkat umur dan tingkat gizi. Kegunaan dari antropometri adalah untuk mendeteksi ketidakseimbangan dalam asupan protein dan energy. Ketidakseimbangan ini terlihat pada pola pertumbuhan fisik dan proporsi jaringan tubuh seperti lemak , otot dan jumlah air dalam tubuh [4] Pengukuran antropometri untuk remaja berumur 16-21 tahun menggunakan Indeks Massa Tubuh (IMT). IMT adalah nilai yang diambil dari perhitungan berat badan (BB) dan tinggi badan (TB) seseorang [3]. Selain itu IMT juga dapat mengetahui apakah status gizi remaja berumur 16-21 tahun itu termasuk normal, kurus tingkat ringan, kurus tingkat tinggi, obesitas tingkat ringan, obesitas tingkat berat. Penggunaan IMT tidak bisa digunakan olahragawan, bayi, ibu hamil. Disamping itu IMT tidak bisa digunakan pada orang yang ber- (penyakit) lainnya seperti adanya hepatomogali, edema dan asites. [4] 2.3.3.1 Konsep Pertumbuhan dan Perkembangan Sebagai Dasar Antropometri Gizi a) Pertumbuhan Pertumbuhan adalah peningkatannya akan bertahap bisa bermualai dari organ, tubuh, dan jaringan dari masa konsepsi sampai dewasa. Kecepatan dari pertumbuhan setiap orang pasti berbeda-beda setiap tahapan kehidupan karena dapat dipengaruhi oleh kompleksitas dan ukuran dari organ serta rasio otot dengan lemak tubuh manusia [4] b) Perkembangan 14 Perkembangan adalah kemampuan dari penampilan (skill) yang dapat diakibatkan karena kematangan sistem saraf pusat, khususnya pada otak. Perkembangan menyangkut adanya proses diferensi dari sel-sel tubuh,jaringan tubuh, organ-organ dan sistem organ yang berkembang sedemikian rupa sehingga masing-masing dapat memenuhi fungsi didalamnya [4] 2.3.3.2 Jenis Parameter Antropometri Antropometri sebagai indikator status gizi dapat dilakukan dengan mengukur beberapa parameter antara lain [4] : 1. Umur Umur adalah faktor penting untuk penentuan gizi. Kesalahan dalam penentuan umur dapat menyababkan pengukuran dalam status gizi menjadi tidak tepat. 2. Berat Badan berat badan faktor ukuran dalam antropometri yang penting dan paling sering digunakan, mineral, jumlah protein dan air yang ada didalam tulang dapat menggambarkan berat badan. 3. Tinggi Badan Tinggi badan merupakan salah satu aspek yang penting bagi dalam kehidupan yang telah lalu dan kehidupan yang sekarang. 4. lingkar Pergelangan Tangan pengukuran menggunakan lingkar pergelangan tangan ini digunakan untuk mengetahui kurang nya asupan energy dan protein dalam tubuh, tetapi pengukuran lingkar pergelangan tangan tidak dapat digunakan untuk pengukuran jangka pendek, harus ada aspek lainnya juga untuk lebih mendapatkan akurasi 15 yang baik. Selain itu pengukuran lingkar pergelangan tangan sangat mudah dapat di lakukan siapa saja. 5. Lingkar Perut Pengukuran lingkar perut digunakan untuk memprediksi besarnya lingkar perut dengan berat badan dan tinggi badan yang mempengaruhi perubahan status gizi. 6. Jenis Kelamin Jenis kelamin diketahui berpengaruh dengan adanya status gizi dimana seorang laki-laki cenderung tumbuh lebih baik dibandingkan dengan perempuan. 2.3.3.3 Kelebihan dan kekurangan dalam pengukuran Antropometri Kelebihan dan kekurangan dalam pengukuran Antropometri ada pada tabel dibawh ini : Tabel 2.2 Kelebihan dan kekurangan pengukuran Antropometri Kekurangan Kelebihan Membutuhkan banyak data untuk Relatif murah referensi yang relevan Kesalahan pada observer (kesalahan Cepat,karena sudah ada alatnya. pada pengukuran dan pencatatan) 16 Hanya mendapat data pertumbuhan, Objektif dan malnutrisi kekurangan protein & energy Tidak mendapatkan informasi zat Tidak menimbulkan rasa sakit gizi mikro pada pasien yang di ukur. 2.3.4 Indeks Massa Tubuh (IMT) Indeks massa tubuh (IMT) adalah rasio standar berat badan terhadap tinggi badan, dan sering digunakan sebagai indikator kesehatan umum. IMT dihitung dengan membagi berat badan (dalam kilogram) dengan kuadrat tinggi badan (dalam meter). Dalam usia remaja status gizi sangatlah penting banyak masalah kekurangan dan kelebihan gizi pada remaja berumur 16-21 tahun. selain dapat menimbulkan resiko penyakit-penyakit tertentu, juga dapat mempengaruhi produktifitas kerja. Oleh sebab itu didalam pemantauan status gizi pada remaja perlu memepertahankan berat badan yang normal ataupun ideal. Berat badan yang dibawah minimum disebut “under weight” dan berat badan diatas maksimum disebut “over weight”. Orang-orang yang mempunyai berat badan dibawah minimum memiliki resiko penyakit infeksi sedangkan orang yang mempunyai berat badan diatas maksimum memiliki resiko penyakit degerneratif. Rumus perhitungan IMT adalah sebagai berikut [3] : Tabel 2.3 Rumus IMT Berat Badan (kg) IMT = Tinggi badan (m) x Tinggi badan (m) 17 Batas ambang yang sudah dimodifikasi berdasarkan pengalaman klinis dan hasil penelitian diberbagai Negara berkembang. Akhirnya diambil kesimpulan ambang batas IMT di Indonesia adalah [4]: Tabel 2.4 Kategori ambang batas IMT untuk Indosesia Kurus Kategori IMT Kekurangan BB tingkat berat (KTB) <17,0 Kekurangan BB tingkat ringan (KTR) 17,0-18,5 Normal Gemuk >18,5-25,0 Kelebihan BB tingkat ringan (OTR) >25,0-27,0 Kelebihan BB tingkat berat (OTB) >27,0 2.4 Aspek Klasifikasi Status Gizi Klasifikasi sendiri merupakan pengelompokan data kemudian dimasukan kedalam suatu kelas-kelas yang tersedia. Dari klasifikasi status gizi yang menjadi objek yaitu data status gizi remaja yang ber-umur 16-21 tahun yang diperoleh data dari klinik Azzahra. 18 Aspek-aspek yang dapat diperlukan dalam klasifikasi status gizi remaja pada umur 16-21 tahun [1] : 1) Umur 2) Berat badan 3) Tinggi badan 4) Lingkar pergelangan tangan 5) Lingkar perut 6) Jenis kelamin 2.5 Tujuan Klasifikasi Status Gizi Tujuan dari klasifikasi status gizi ada 2 yaitu umum dan khusus. Tujuan yang umum adalah untuk dapat membantu petugas Klinik untuk menentukan status gizi menggunakan indikator yang mendukung IMT. Tujuan khusus dari klasifikasi status gizi untuk tingkat remaja menurut Hammond (2004) adalah untuk [12] : 1. Mempertahankan status gizi seseorang. 2. Mengidentifikasi individu yang membutuhkan dukungan nutrisi yang cukup. 3. Memonitor efektivitas interverensi gizi yang diberikan kepada individu. 4. Mengidentifikasi penatalaksanaan medis yang sesuai. Berdasarkan tujuan diatas , peneliti akan melakukan penilaian status gizi remaja pada umur 16-21 tahun untuk mengetahui klasifikasi status gizi pada pasien remaja. 2.6 Data Mining Data mining 19 sangat dibutuhkan terutama dalam mengelola data yang sangat besar untuk mempermudah proses data agar dapat memberikan informasi yang akurat bagi penggunanya. [13] Data mining menurut larose dapat dibagi menjadi beberapa aspek [13] : a. Deskripsi Dalam Deskripsi seorang peneliti atau analisis akan mencari cara lain untuk menggambarkan suatu pola dalam data-datanya. b. Estimasi Didalam Estimasi variabel yang terdapat dalam estimasi akan lebih menuju ke arah numerik dibandingkan ke arah kategori. c. Prediksi Dalam Prediksi ada persamaan antara deskripsi dan estimasi, tetapi didalam prediksi akan memberikan hasil atau nilai yang belum ada pada sekarang atau di masa mendatang . d. Klasifikasi Klasifikasi adalah suatu data yang dikelompokan untuk dimasukan kedalam suatu kelas yang telah didefinisikan. e. Pengklusteran Clustering adalah sebuah cara yang digunakan dalam pengelompokan untuk menentukan beberapa kemiripan diantara satu dengan yang lain. f. Asosiasi Asosiasi sendiri dapat diartikan dengan mencari beberapa atribut yang akan muncul atau sering muncul dalam suatu waktu. 2.6.1 Konsep Klasifikasi Dalam konsep klasifikasi terdapat 2 model yaitu : 1. Model pelatihan (data latih) 20 Dalam model pelatihan terdapat beberapa kumpulan data yang memiliki kelas yang telah ditetapkan (data latih). Didalam Kumpulan data latih dapat digunakan untuk membentuk model klasifikasi. 2. Model pengujian (data uji) Dalam model klasifikasi yang sudah terbentuk dalam kelas lalu akan diuji dengan data yang berbeda (data uji) agar mengetahui tingkat akurasi dari model klasifikasi tersebut. Didalam Model klasifikasi yang dihasilkan dapat digunakan untuk menentukan kelas dari data yang baru. Misalkan Pada fase ‘model data latih ’ sekumpulan data input, Setelah suatu model ‘dilatih’, model tersebut di-tes atau diuji terhadap sampel data yang tersisa untuk penilaian akurasi dan pada akhirnya diimplementasikan untuk memprediksi atau menentukan kelas yang baru. 2.6.2 Naïve Bayes Classification Metode Naive Bayes merupakan metode yang digunakan untuk memprediksi probabilitas. Sedangkan klasifikasi Bayes adalah klasifikasi statistik yang dapat memprediksi kelas suatu anggota probabilitas. Untuk klasifikasi Bayes sederhana yang lebih dikenal sebagai naïve Bayesian Classification dapat diasumsikan bahwa efek dari suatu nilai atribut sebuah kelas yang diberikan adalah bebas dari atribut-atribut lain. [14] Naïve Bayes Classification merupakan sebuah metoda klasifikasi yang berakar pada teorema Bayes. Ciri utama dari Naïve Bayes Classification ini adalah asumsi yang sangat kuat (naif) akan independensi dari masing-masing kondisi/kejadian. dimana diasumsikan bahwa setiap atribut contoh (data sampel) bersifat saling lepas satu sama lain berdasarkan atribut kelas. Dalam metode ini 21 menggunakan algoritma naïve bayes classification dengan perhitungan nilai probabilitas[14] 2.6.2.1 Algoritma Metode Naïve Bayes Classification Algortitma yang ada didalam metode Naïve Bayes Classification adalah sebagai berikut: 1) Pengelompokan variabel berdasarkan status gizi Dalam metode ini langkah awal adalah melakukan pengelompokan variabel, pengelompokan tersebut berdasarkan status gizi yang telah dibuat yaitu berupa umur, berat badan, jenis kelamin, lingkar perut, tinggi badan, lingkar tangan. 2) Penghitungan nilai Mean dan Standart Deviasi Dalam penghitungan mean hanya bisa digunakan untuk setiap variabel yang datanya berupa kontinyu contohnya : lingkar pergelangan tangan, tinggi badan, berat badan, umur, lingkar perut. Perhitungan mean dan standart deviasi dapat dilihat dibawah ini : 1. Mean x = X1 + X2 + X3+. . . . . . +Xn n (2) Keterangan : x = nilai rata-rata hitung x = nilai sample n = jumlah sample 2. Standar Deviasi 22 s ( x x) 2 n 1 (3) Keterangan: S = Standart Deviasi x = Nilai sample x = nilai rata-rata hitung n = jumlah seluruh sample 3) Menghitung probabilitas kategori status gizi untuk variabel diskret contohnya jenis kelamin P( E ) x n (4) Keterangan : P = probabilitas E = event (kejadian) x = nilai sample n = jumlah seluruh sample 4) Memprediksi Metode Naïve Bayes Classification berdasarkan pada Teorema Bayes dengan formula p(ci xci ) p( xci ) p(ci ) (5) sedangkan naïve bayes dengan adanya fitur kontinyu diestimasi dengan fungsi densitas gauss adalah : 23 f ( x) 1 exp 2 ( x µ ) 2 2 2 (6) Keterangan : µ = nilai rata-rata atau mean dengan data kontinu = deviasi standart exp = 2.718282 x = nilai variabel pada inputan tertentu 5) Menghitung nilai Likelihood dalam setiap kelas p( XCi ) P( xi Ci ) xP( x 2 Ci ) x... xP( x m Ci ) (7) 6) Menghitung nilai dari probabilitas menggunakan cara normalisasi terhadap Likelihool sehingga nilai di dapat = 1 P( E ) x n (8) Keterangan : P = probabilitas E = kejadian (event) x = nilai sample n = jumlah semua sample 7) Mencari nilai probabilitas yang maksimum pada setiap kelasnya. Setelah perhitungan selesai lalu kita bandingkan hasil perhitungan menggunakan metode NBC dengan perhitungan yang ada di klinik azzahra dan selanjutnya kita 24 lakukan uji akurasi, uji akurasi dilakukan untuk membandingkan data yang sudah ada dengan data perhitungan yang baru. Kinerja = (TP TN ) (TP TN FP FN ) (9) Keterangan : TP = True Positive ( jika nilai data training dan data testing nilainya positif ) TN = True Negative ( jika nilai data training dan data testing nilainya negatif) FP = False Positive ( jika nilai data training negatif tetapi data testing nilainya positif ) FN= False Negative ( jika nilai data training positif tetapi data testing nilainya negatif ) 2.7 Basis Data Basis data dapat diartikan sebagai suatu kumpulan data yang saling terhubung dan disimpan secara bersama-sama dalam suatu media tanpa ada kerangkapan data[15] Sedangkan (Data Base Manajement System) dapat dijelaskan sebagai program komputer yang dapat digunakan untuk memasukkan data , mengubah data , menghapus data, memodifikasi dan memperoleh data/informasi dengan efisien dan praktis. Peranan penting basis data dalam sebuah Sistem Informasi sebagai berikut [16]: 25 a. Basis data berperan sebagai infastruktur Sistem Informasi Basis data dan DBMS menyediakan suatu sarana untuk infrastruktur kepada organisasi-organisasi sistem informasi yang dibangun. Sistem organisasi yang dimaksud adalah sistem pendukung keputusan,sistem pengolahan transaksi, sistem informasi manajemen,. b. Basis data berperan sebagai komponen penyusunan Sistem Informasi Disini hubungan antara basis data dan sistem informasi adalah sebagai sistem dan sub sistem. Sebuah sistem informasi mempunyai ruang lingkup yang sangat komplek maka disebut sebagai sistem,Basis data akan menjadi bahan baku bagi sistem informasi menjadi sub sistem karena basis data menjadi bagian dari sistem informasi. c. Basis data perperan sebagai sumber informasi bagi Sistem Informasi Dengan adanya hubungan antara data dan informasi maka basis data itu sendiri mempunyai peranan sebagai data dalam sistem pengolahan data. Sedangkan DBMS berperan sebagai pengambilan data keputusan. d. Basis data berperan sebagai sarana mencapai efektifitas Sistem Informasi Data yang disimpan basis data merupakan data yang benar benar akurat datanya maka basis data mempunyai hasil yang efektifitas. e. Basis data berperan sebagai sarana mencapai efisiensi Sistem Informasi Basis data dirancang secara lengkap dan mudah agar dapat diakses dengan cepat dan dapat digunakan dengan macam macam cara dengan banyaknya pengguna ataupun tidak. 2.8 MySQL MySQL (My Structured Query Language ) adalah sebuah program database server yang multi user atau dapat menerima dan mengirimkan data juga bisa menyimpan data dengan cepat. Dapat disebut sebagai pembuat program dan pengelola atau bisa disebut dengan DBMS (Database 26 Management System). Pengelolaan data DBMS menggunakan MySQL mempunyai beberapa keuntungan [17]: a. Mudah digunakan MySQL memiliki perintah dan aturan yang relatife mudah untuk diimplementasikan, karena MySQLmenggunakan SQL sebagai bahasa standart database. b. Biaya MySQL dapat digunakan oleh setiap orang karena bersifat OpenSource atau free bebas biaya. c. Cepat MySQL memiliki kecepatan dalam pembuatan table maupun pengupdate-an table. d. Aman MySQL menggunakan enskripsi password, jadi database ini cukup aman karena memiliki password untuk mengaksesnya. e. Lengkap MySQL dapat diakses menggunakan aplikasi apa saja termasuk berupa visual seperti Delphi 7.0 yang akan digunakan dalam pmbangunan sistem nantinya. 27 Gambar 2.1 Halaman Depan MySQL versi 5.0 2.9 Unifed Modeling Language Unified Modeling Language atau sering disebut dengan UML adalah sebuah standar untuk merancang sebuah model sistem atau suatu bahasa yang dapat digunakan untuk menentukan, membangun mendokumentasikan dan memvisualisasikan sebuah sistem informasi[18] Didalam pengembangan UML dibutuhkan diagram perancangan dalam pembuatan model sistem seperti berikut [18] : 1. Use case Diagram Use Case Diagram merupakan suatu sistem pemodelan yang terdiri antara actor yang dihubungkan dengan use case dalam suatu sistem yang telah dibuat, actor disini tidak semua berupa manusia tetapi juga berupa peralatan ataupun sistem yang lain yang berhubungan dengan sistem yang dibuat. 28 2. Diagram Activity Diagram Activity dapat menggambarkan beberapa aktifitas dalam sistem yang dirancang. Diagram menggambarkan dari masing masing alur atau proses-proses dari alur teratas ke secara umum. 3. Diagram Sequence Diagram sequence atau disebut dengan (diagram urutan) adalah suatu diagram yang menampilkan atau memperlihatkan sebuah sistem yang berurutan dan tersusun. Diagram sequence digunakan dalam penggambaran langkah-langkah yang dilakukan sebagai sebuah hasil dari suatu kejadian untuk menghasilkan output tertentu. 2.10 Delphi 7.0 Delphi merupakan perangkat lunak untuk bahasa pemrograman Pascal dan pengembangan perangkat lunak yang digunakan untk merancang suatu aplikasi program[20] 2.10.1 Kegunaan dari Delphi 1. Untuk membuat aplikasi Desktop 2. Untuk merancang program .Net (berbasis internet) 3. Untuk perancangan aplikasi program berbasis grafis 4. Untuk pembuatan program berbasis jaringan (server/client) 2.10.2 Keunggulan dari Delphi 1. Bersifat multi purphase,dalam bahasa pemograman Delphi bisa digunakan untuk berbagai pengembangan aplikasi. 2. Memiliki menu-menu yang dapat memudahkan kita untuk membuat program. 3. Proses kompilasi cepat 4. Mudah digunakan karena source code Delphi merupakan turunan dari pascal. 29 Gambar 2.2 Halaman Depan Delphi 7.0 30 2.11 Kerangka Pemikiran Permasalahan Banyaknya korban penyakit yang disebabkan oleh malnutrisi. Penghitungan status gizi yang menggunakan perhitungan IMT menggunakan variabel tinggi badan dan berat badan,dirasa kurang memberikan hasil akurasi yang baik maka dibutuhkan sebuah Sistem Informasi untuk pengklasifikasian status gizi. Tujuan Pembuatan Sistem pengkasifikasian status gizi yang dapat di Implementasikan dengan Algoritma Naïve Bayes Classification agar dapat membantu masyarakat atau pegawai klinik untuk menentukan pengklasifikasian status gizi pada remaja yang lebih baik dan dapat mengurangi tingkat penyakit yang disebabkan oleh malnutrisi. Implementasi Pendekatan metode naïve bayes classification Pengembangan analisa dan rancangan Pengujian antara rumus IMT dengan metode naïve bayes classification Hasil Menghasilkan sebuah sistem perbandingan penghitungan IMT dan penghitungan metode NBC, untuk menjadi tolak ukur dalam pengklasifikasian status gizi pada remaja. Gambar 2.3 Kerangka Pemikiran BAB III METODE PENELITIAN 3.1 Jenis Data dan Sumber Data Jenis-jenis data yang ada dalam penelitian ada 2 yaitu : 1. Data Primer Data primer adalah data yang didapatkan secara langsung yaitu dengan cara wawancara, observasi, langsung kepada pihak yang berkaitan dengan klinik Azzahra atau melakukan penelitian langsung ke klinik untuk mengambil data-data yang dibutuhkan. 2. Data Sekunder Data sekunder adalah data yang didapatkan secara tidak langsung yaitu dengan cara melalui jurnal, buku, tesis, karya ilmiah, dan bisa mendapatkan dari internet dari sumber yang terpercaya. 3.2 Metode Pengumpulan Data Metode yang ada dalam penelelitian data yaitu : 1. Wawancara Pengumpulan data dengan wawancara dilakukan secara langsung tatap muka kepada orang yang berperan penting di Klinik Azzahra dan mempunyai informasi yang banyak serta akurat dari sumbernya. 2. Observasi Pengumpulan data dengan cara Observasi secara langsung pada Klinik Azzahra dengan pengamatan langsung merupakan cara pengambilan data untuk melihat bagaimana keadaan diklinik Azzahra dan diperlukan penulisan-penulisan jika dibutuhkan data tersebut. 3. Dokumentasi Pengumpulan dengan cara Dokumentasi merupakan metode dalam penyelidikan agar memperoleh informasi dari masa lalu atau data-data atau 31 32 informasi sebelumnya dapat dilihat dari dokumentasi. Dokumen diperlukan untuk mendukung kelengkapan data yang lain. 3.3 Analisa Penelitian Kebutuhan Data Penelitian ini dilakukan di klinik azzahra yang beralamat di Jalan Raya Ngawen No.305 Kec.Ngawen Kab.Blora Jawa Tengah. Untuk keperluan dan kepentingan pengumpulan data-data dan informasi dari klinik azzahra akan diolah menggunakan Metode Naïve Bayes Classification untuk pengklasifikasian status gizi pada remaja di klinik azzahra. Dan melakukan perbandingan antara metode IMT dan metode Naïve Bayes Classification. Didalam penelitian mendapatkan data dari klinik Azzahra sebanyak 500 record dan yang di ujikan yaitu hanya 50 sample, variabel yang terdapat dalam pengklasifikasian status gizi pada remaja dibawah ini : 1. Umur Umur adalah faktor penting untuk penentuan gizi. Kesalahan dalam penentuan umur dapat menyababkan pengukuran dalam status gizi menjadi tidak tepat. 2. Berat Badan berat badan faktor ukuran dalam antropometri yang penting dan paling sering digunakan, mineral, jumlah protein dan air yang ada didalam tulang dapat menggambarkan berat badan. 3. Tinggi Badan Tinggi badan merupakan parameter yang penting bagi keadaan yang telah lalu dan keadaan sekarang. disamping itu tinggi badan merupakan ukuran kedua yang penting. Karena dengan menghubungkan tinggi badan dan berat badan (Quac Stick), faktor umur dapat dikesampingkan. 4. Lingkar Pergelangan Tangan pengukuran menggunakan lingkar pergelangan tangan ini digunakan untuk mengetahui kurang nya asupan energy dan protein dalam tubuh, tetapi pengukuran lingkar pergelangan tangan tidak dapat digunakan 33 untuk pengukuran jangka pendek, harus ada aspek lainnya juga untuk lebih mendapatkan akurasi yang baik. Selain itu pengukuran lingkar pergelangan tangan sangat mudah dapat di lakukan siapa saja. 5. Lingkar Perut Pengukuran lingkar perut digunakan untuk memprediksi besarnya lingkar perut dengan berat badan dan tinggi badan yang mempengaruhi perubahan status gizi. 6. Jenis Kelamin Jenis kelamin diketahui berpengaruh dengan adanya status gizi dimana seorang laki-laki cenderung tumbuh lebih baik dibandingkan dengan perempuan. Dalam penelitian ini mengambil data pasien sebanyak 500 data dan yang di ujikan untuk sample yaitu 50 data yang di ambil pada tanggal 16 November 2015 dari klinik Azzahra yang digunakan untuk pengklasifikasian status gizi pada pasien remaja ber-umur 16-21 tahun : Tabel 3.1 Sample Data Klasifikasi Status Gizi Pada Klinik Azzahra 34 No Tinggi Badan Berat Badan Jenis Kelami n Lingkar Tangan Lingkar Perut Status Gizi Umur 1 155 62 P 22 93 OTR 17 2 140 36 P 14 67 KTR 16 3 155 43 L 13 72 KTR 16 4 145 57 P 18 69 OTR 16 5 153 45 P 14 71 NORMAL 17 6 160 59 L 17 71 NORMAL 19 7 153 47 P 15 68 NORMAL 18 8 160 65 L 18 83 OTR 19 9 165 49 L 13 70 KTR 17 10 147 46 P 14 73 NORMAL 16 11 170 72 L 16 79 NORMAL 18 12 159 50 L 15 64 NORMAL 17 13 151 63 P 19 84 OTB 19 14 158 47 P 13 67 NORMAL 19 15 178 52 L 12 62 KTB 21 16 168 78 L 19 81 OTR 18 17 154 48 P 15 63 NORMAL 18 18 153 63 P 21 79 OTR 19 19 159 43 L 12 62 KTB 21 20 171 56 P 16 66 NORMAL 20 21 171 42 L 15 70 KTB 18 22 157 46 P 16 69 NORMAL 17 35 23 161 50 P 15 64 NORMAL 21 24 154 39 L 13 61 KTB 17 25 151 59 L 20 86 OTR 16 26 176 57 P 13 65 KTR 20 27 174 52 P 14 61 KTR 21 28 165 57 L 16 70 NORMAL 18 29 164 47 P 15 66 KTR 20 30 168 54 P 16 63 NORMAL 19 31 158 48 P 17 71 NORMAL 19 32 181 50 L 13 63 KTB 18 33 178 60 L 16 70 NORMAL 18 34 174 87 L 21 98 OTB 20 35 160 59 L 18 70 NORMAL 17 36 171 73 L 17 74 NORMAL 20 37 154 64 P 19 88 OTR 18 38 159 49 P 14 65 NORMAL 17 39 182 67 L 19 82 OTR 17 40 148 46 P 14 67 NORMAL 19 41 149 51 P 16 71 NORMAL 20 42 179 84 L 21 93 OTR 17 43 173 88 L 22 87 OTB 20 44 154 51 L 13 67 NORMAL 16 45 150 41 P 12 65 KTR 20 46 174 52 L 13 69 KTR 18 36 47 178 73 L 14 70 NORMAL 18 48 162 56 P 17 71 NORMAL 20 49 177 59 P 15 68 NORMAL 20 50 184 64 L 14 72 NORMAL 16 51 157 64 P 21 90 OTR 17 52 142 36 P 14 67 KTR 16 53 158 44 P 15 71 KTR 16 54 149 58 P 16 67 OTR 17 55 155 46 L 14 67 NORMAL 18 56 161 60 L 16 71 NORMAL 19 57 155 49 L 15 80 NORMAL 20 58 162 54 L 16 78 NORMAL 21 59 167 60 P 17 68 NORMAL 18 60 148 63 P 13 67 OTB 17 61 171 70 L 17 81 NORMAL 18 62 158 69 P 14 70 OTB 19 63 153 68 P 15 69 OTB 20 64 163 73 P 16 67 OTR 21 65 158 47 L 15 69 NORMAL 18 66 166 51 P 14 70 KTR 18 67 174 62 L 16 79 NORMAL 17 68 182 77 L 15 84 NORMAL 19 69 172 67 L 16 86 NORMAL 17 70 182 97 L 19 107 OTB 21 37 71 170 47 L 17 70 KTB 18 72 175 98 L 18 118 OTR 20 73 155 49 P 14 73 NORMAL 16 74 148 51 P 17 68 NORMAL 17 75 163 67 L 19 89 OTR 18 76 173 51 L 18 70 KTR 18 77 181 59 L 19 67 KTR 19 78 151 45 P 17 76 NORMAL 16 79 164 49 L 14 71 KTR 16 80 173 52 L 15 63 KTR 17 81 154 40 P 17 67 KTB 18 82 168 63 P 16 73 NORMAL 19 83 179 69 P 14 71 NORMAL 20 84 180 71 L 15 99 NORMAL 20 85 167 80 P 17 74 OTB 21 86 172 50 P 19 75 KTB 16 87 185 96 L 18 89 OTB 17 88 152 54 P 18 69 NORMAL 18 89 164 60 P 16 70 NORMAL 19 90 177 74 L 17 89 NORMAL 19 91 180 87 L 15 110 OTR 20 92 167 76 L 18 80 OTR 17 93 154 48 P 15 63 NORMAL 18 94 172 63 L 18 72 NORMAL 18 38 95 160 45 P 16 67 KTR 17 96 170 57 L 16 66 NORMAL 16 97 163 48 P 15 70 KTR 17 98 157 46 P 16 69 NORMAL 18 99 163 52 L 15 65 NORMAL 19 100 155 39 P 13 64 KTB 19 101 151 59 P 17 76 OTR 20 102 176 58 L 14 68 NORMAL 21 103 179 60 L 16 70 NORMAL 19 104 174 87 L 17 81 OTB 20 105 164 59 P 14 69 NORMAL 18 106 176 77 L 15 73 NORMAL 19 107 169 67 P 16 71 NORMAL 20 108 161 49 P 15 67 NORMAL 17 109 177 59 P 17 69 NORMAL 16 110 183 87 L 16 81 OTR 19 111 189 91 L 19 83 OTR 18 112 170 58 P 18 67 NORMAL 17 113 169 44 P 19 65 KTB 16 114 161 57 L 16 79 NORMAL 17 115 174 79 P 15 73 OTR 19 116 183 65 L 15 70 NORMAL 17 117 179 61 P 15 74 NORMAL 16 118 167 78 P 16 77 OTB 18 39 119 178 73 L 15 79 NORMAL 19 120 173 66 L 14 70 NORMAL 20 121 160 52 P 15 69 NORMAL 17 122 158 49 P 16 73 NORMAL 21 123 157 59 L 15 71 NORMAL 16 124 183 89 P 16 88 OTR 18 125 181 83 L 17 107 OTR 19 126 157 52 P 16 69 NORMAL 16 127 159 48 P 16 73 NORMAL 20 128 169 67 L 16 71 NORMAL 21 129 158 49 P 16 70 NORMAL 16 130 173 68 P 17 79 NORMAL 19 131 179 77 L 17 81 NORMAL 17 132 170 63 L 14 67 NORMAL 18 133 181 87 L 15 93 OTR 20 134 164 64 P 16 74 NORMAL 16 135 188 78 L 15 79 NORMAL 16 136 167 60 P 16 75 NORMAL 18 137 163 56 P 14 77 NORMAL 19 138 150 59 L 15 79 OTR 19 139 166 54 P 16 80 NORMAL 20 140 160 40 L 19 81 KTR 18 141 158 64 P 18 73 OTR 20 142 163 57 L 17 79 NORMAL 21 40 143 174 75 P 19 74 NORMAL 16 144 149 49 P 16 71 NORMAL 17 145 166 45 P 15 70 KTB 19 146 163 67 L 16 83 OTR 18 147 159 49 P 14 69 NORMAL 19 148 163 60 L 15 84 NORMAL 19 149 164 48 P 14 72 KTR 17 150 159 60 L 16 85 NORMAL 17 151 158 48 P 15 71 NORMAL 18 152 143 41 P 14 65 NORMAL 16 153 159 67 P 15 69 OTR 17 154 174 79 L 15 81 OTR 18 155 169 50 P 16 74 KTR 19 156 173 67 L 15 77 NORMAL 20 157 160 48 P 14 70 NORMAL 21 158 177 59 P 15 76 NORMAL 17 159 171 47 P 16 69 KTB 16 160 173 58 L 13 73 NORMAL 18 161 181 81 L 17 84 NORMAL 19 162 174 76 P 16 80 OTR 17 163 180 84 L 17 88 OTR 19 164 157 64 P 20 91 OTR 17 165 142 39 P 14 69 NORMAL 16 166 159 47 L 15 74 KTR 16 41 167 148 58 L 17 76 OTR 18 168 151 43 P 14 68 NORMAL 19 169 162 62 L 16 70 NORMAL 20 170 155 49 L 14 71 NORMAL 16 171 163 66 L 15 76 NORMAL 18 172 169 53 L 14 80 KTR 19 173 152 48 P 15 74 NORMAL 18 174 172 73 L 17 81 NORMAL 20 175 160 50 P 15 68 NORMAL 17 176 157 66 L 16 83 OTR 18 177 162 46 P 15 69 KTB 19 178 173 59 L 18 67 NORMAL 16 179 167 77 P 13 82 OTB 17 180 156 46 P 19 65 NORMAL 19 181 154 68 L 17 73 OTB 18 182 178 52 L 12 66 KTB 21 183 167 75 L 18 83 OTR 20 184 155 47 P 13 70 NORMAL 18 185 159 65 P 14 76 OTR 19 186 163 48 P 15 71 NORMAL 17 187 178 67 L 18 83 NORMAL 20 188 170 53 L 16 86 NORMAL 21 189 159 49 P 17 74 NORMAL 19 190 183 53 L 13 69 KTR 18 42 191 177 62 L 16 73 NORMAL 19 192 171 89 L 21 94 OTB 17 193 161 60 P 18 79 NORMAL 16 194 174 71 L 17 73 NORMAL 19 195 156 66 P 16 89 OTRN 20 196 159 47 P 19 63 KTR 18 197 184 62 L 14 82 NORMAL 16 198 149 53 P 15 67 OTB 21 199 166 88 P 16 73 OTR 17 200 178 86 L 14 92 KTR 19 201 177 57 L 13 88 KTB 18 202 173 48 L 12 69 NORMAL 20 203 155 56 P 16 67 NORMAL 19 204 151 43 P 15 65 NORMAL 18 205 172 58 L 17 76 NORMAL 20 206 179 74 L 16 74 NORMAL 16 207 163 53 P 16 73 NORMAL 18 208 176 60 L 15 80 NORMAL 17 209 173 63 L 17 86 NORMAL 19 210 181 79 L 18 91 NORMAL 20 211 156 69 P 18 87 OTB 18 212 147 46 P 14 78 NORMAL 19 213 155 44 L 16 73 NORMAL 17 214 144 56 P 19 79 OTR 17 43 215 157 45 P 15 69 KTR 16 216 168 66 L 16 73 NORMAL 16 217 156 48 L 15 70 NORMAL 19 218 164 67 L 17 76 NORMAL 20 219 168 57 P 18 83 NORMAL 18 220 157 45 P 14 84 KTR 17 221 179 76 L 15 73 NORMAL 21 222 164 52 P 17 86 NORMAL 20 223 155 61 P 16 81 OTR 18 224 168 48 P 20 84 KTR 19 225 177 56 L 18 68 NORMAL 20 226 165 74 L 14 66 OTR 17 227 158 43 P 19 65 KTR 21 228 156 67 L 13 72 OTB 16 229 176 58 P 15 71 NORMAL 17 230 164 71 L 14 83 OTR 18 231 157 46 P 16 86 NORMAL 19 232 169 69 L 17 76 NORMAL 19 234 146 48 P 14 68 NORMAL 16 235 157 63 P 16 74 OTR 18 236 169 59 L 18 78 NORMAL 20 237 184 78 P 15 87 NORMAL 17 238 151 47 P 14 81 NORMAL 19 239 168 57 L 16 77 NORMAL 21 44 240 167 71 P 14 72 OTR 17 241 160 62 L 15 75 NORMAL 17 242 151 67 P 16 69 OTB 16 243 167 76 P 16 65 OTB 19 244 161 78 L 17 70 OTB 20 245 159 62 P 17 73 NORMAL 18 246 183 80 L 18 83 NORMAL 17 247 177 66 L 16 81 NORMAL 19 248 180 81 L 15 85 OTR 20 249 148 72 P 14 70 OTB 20 250 171 86 P 14 84 OTB 21 251 183 93 P 18 89 OTB 17 252 169 74 L 16 76 OTR 18 253 174 83 L 17 87 OTB 19 254 176 89 L 17 95 OTB 19 255 166 78 P 18 75 OTB 20 256 174 74 L 17 87 NORMAL 18 257 153 49 P 14 68 NORMAL 17 258 178 62 P 15 71 NORMAL 19 259 163 71 P 13 68 KTR 20 260 177 86 L 14 65 KTR 16 261 169 62 P 14 71 KTB 21 262 154 75 P 15 74 NORMAL 17 263 166 63 L 16 76 NORMAL 18 45 264 174 58 P 14 69 KTB 19 265 179 83 P 15 76 KTR 19 266 181 45 L 16 77 NORMAL 20 267 173 74 L 17 83 OTB 16 268 184 59 L 17 89 OTR 19 269 167 61 L 17 88 OTR 20 270 180 81 P 18 93 NORMAL 16 271 171 46 P 16 74 OTR 16 272 163 73 L 14 78 NORMAL 17 273 169 53 L 14 81 NORMAL 18 274 171 66 L 15 86 NORMAL 19 275 163 57 P 16 90 NORMAL 20 276 182 87 L 16 92 OTR 21 277 175 83 L 17 89 OTR 20 278 168 73 L 16 71 OTR 21 279 164 69 L 17 77 OTR 18 280 186 82 L 16 83 NORMAL 18 281 169 75 L 16 89 OTR 19 282 153 59 L 17 78 NORMAL 16 283 162 71 L 18 85 OTR 17 284 181 91 P 18 108 OTB 18 285 174 60 P 16 83 NORMAL 17 286 166 54 P 14 73 NORMAL 17 287 154 47 P 15 74 NORMAL 19 46 288 175 73 L 16 81 NORMAL 20 289 186 80 L 17 93 NORMAL 21 290 157 59 L 13 80 NORMAL 20 291 168 62 P 15 82 NORMAL 16 292 152 50 P 14 72 NORMAL 18 293 168 62 L 17 75 NORMAL 17 294 159 47 P 18 71 KTR 17 295 175 73 L 14 88 NORMAL 16 296 157 56 P 15 82 NORMAL 19 297 163 52 L 12 78 NORMAL 19 298 160 62 P 14 82 NORMAL 18 299 176 72 L 15 77 NORMAL 19 300 180 71 L 16 89 NORMAL 18 301 155 45 L 13 70 KTR 17 302 173 59 P 12 74 NORMAL 19 303 156 48 P 14 69 NORMAL 20 304 182 62 L 18 75 KTR 17 305 173 71 L 16 83 NORMAL 18 306 163 67 L 14 88 OTR 21 307 181 72 L 13 94 NORMAL 16 308 167 75 L 14 90 OTR 19 309 173 52 P 16 77 KTR 17 310 159 54 P 16 84 NORMAL 18 311 162 48 P 15 77 NORMAL 16 47 312 174 69 L 17 82 NORMAL 16 313 188 67 L 19 86 KTR 18 314 162 68 P 20 93 OTR 17 315 157 82 P 18 94 OTB 19 316 166 73 L 16 72 OTR 20 317 174 48 P 14 63 KTB 17 318 176 57 L 12 68 KTR 18 319 185 59 P 16 67 KTR 21 320 153 52 P 13 69 NORMAL 18 321 167 47 P 17 73 KTB 19 322 156 51 L 14 76 NORMAL 16 323 166 58 P 15 78 NORMAL 17 324 182 62 L 19 96 KTR 18 325 173 71 L 18 87 NORMAL 17 326 177 86 P 20 83 OTR 19 327 182 62 P 16 73 NORMAL 18 328 188 75 L 12 84 NORMAL 16 329 158 63 L 15 86 OTR 18 330 172 58 P 13 79 NORMAL 18 331 185 83 L 18 95 NORMAL 19 332 162 45 P 17 71 KTR 17 333 173 74 L 14 88 NORMAL 16 334 168 59 P 16 77 NORMAL 18 335 186 61 P 15 76 KTR 17 48 336 179 81 P 12 75 OTR 19 337 164 46 L 16 75 KTR 20 338 176 73 L 14 83 NORMAL 17 339 152 53 L 15 79 OTB 18 340 177 68 P 14 86 NORMAL 21 341 168 55 P 16 65 NORMAL 20 342 180 62 P 17 67 NORMAL 21 343 171 48 P 16 68 KTB 19 344 155 63 L 16 71 OTR 18 345 164 85 L 17 89 OTB 18 346 163 51 L 18 78 NORMAL 19 347 154 65 L 16 73 OTB 20 348 175 73 L 15 75 NORMAL 21 349 182 68 P 15 87 NORMAL 20 350 166 63 P 16 76 NORMAL 16 351 172 66 P 15 74 NORMAL 21 352 184 53 L 17 77 KTB 17 353 151 48 L 18 79 NORMAL 18 354 163 73 P 14 70 OTB 19 355 185 50 L 15 69 KTB 19 356 179 66 P 17 73 NORMAL 20 357 167 62 P 16 71 NORMAL 18 358 158 71 P 20 88 OTB 17 359 155 66 L 18 107 OTR 19 49 360 184 62 L 14 69 KTR 20 361 163 75 P 19 73 OTB 16 362 165 63 L 13 71 NORMAL 21 363 181 58 P 15 65 KTR 17 364 152 63 P 14 76 OTB 19 365 173 45 P 16 74 KTB 17 366 163 74 P 17 73 OTB 18 367 154 59 P 18 80 NORMAL 20 368 182 61 P 17 86 KTR 16 369 187 81 L 16 91 NORMAL 16 370 169 46 P 17 87 KTB 18 371 163 73 L 16 78 OTB 19 372 160 53 P 16 73 NORMAL 18 373 176 72 P 17 79 NORMAL 17 374 180 81 P 14 69 NORMAL 19 375 155 59 L 13 79 NORMAL 16 376 173 86 P 14 73 OTB 16 378 156 42 L 12 70 KTR 20 379 182 80 L 16 74 NORMAL 21 380 156 54 P 15 77 NORMAL 17 381 182 50 P 17 79 KTB 18 382 162 66 P 17 70 NORMAL 20 383 185 92 L 16 69 OTR 16 384 179 65 P 17 73 NORMAL 16 50 385 173 49 L 16 71 KTB 18 386 182 78 P 17 88 NORMAL 19 387 156 61 P 16 107 NORMAL 20 388 151 62 L 16 69 OTB 17 389 183 71 P 14 73 NORMAL 19 390 174 86 L 14 71 OTB 21 391 157 62 L 16 65 NORMAL 17 392 168 75 P 17 76 OTR 17 393 158 63 P 14 74 OTR 16 394 175 58 L 17 73 NORMAL 19 395 172 83 P 16 80 OTB 20 396 168 45 L 17 86 KTB 18 397 155 58 P 16 91 NORMAL 17 398 145 59 L 16 87 OTB 19 399 153 61 P 19 78 OTR 20 400 160 61 P 18 73 NORMAL 20 401 153 46 L 15 79 NORMAL 21 402 160 73 P 17 69 OTB 17 403 165 53 L 18 71 NORMAL 18 404 147 48 P 14 63 NORMAL 19 405 170 67 P 15 70 NORMAL 19 406 159 57 P 17 98 NORMAL 20 407 151 45 L 16 70 NORMAL 18 408 158 76 P 20 74 OTB 17 51 409 164 52 L 18 88 NORMAL 19 410 168 61 L 14 65 NORMAL 20 411 158 48 P 19 82 NORMAL 16 412 181 56 P 13 67 KTR 21 413 178 74 P 15 71 NORMAL 17 414 174 43 L 14 76 KTB 17 415 160 67 P 16 74 OTR 18 416 171 58 L 17 73 NORMAL 20 417 154 71 L 17 80 OTB 20 418 159 46 L 16 86 NORMAL 16 419 182 69 P 15 91 NORMAL 21 420 157 48 P 15 87 NORMAL 20 421 153 63 L 161 78 OTR 21 422 183 59 P 14 73 KTR 17 423 173 78 P 14 79 OTR 19 424 159 47 L 15 69 NORMAL 18 425 177 57 P 18 70 KTR 16 426 160 71 L 17 74 OTB 19 427 168 62 P 16 77 NORMAL 20 428 171 67 P 17 79 NORMAL 18 429 180 76 P 16 70 NORMAL 17 430 175 78 L 16 69 OTR 19 431 162 62 P 15 73 NORMAL 20 432 150 60 L 18 71 OTR 20 52 433 178 66 L 18 88 NORMAL 21 434 181 81 P 13 107 NORMAL 17 435 158 61 P 14 69 NORMAL 18 436 150 63 L 14 73 OTB 19 437 170 83 L 15 71 OTB 19 438 159 74 P 16 83 OTB 20 439 172 83 P 15 67 NORMAL 18 440 160 57 P 15 65 NORMAL 17 441 183 78 P 18 79 NORMAL 19 442 166 74 L 17 73 OTR 20 443 160 49 L 16 70 NORMAL 16 444 180 62 P 17 65 NORMAL 21 445 168 71 P 16 76 NORMAL 17 446 170 86 L 16 74 OTB 17 447 164 62 P 15 73 NORMAL 17 448 162 75 L 17 80 OTB 16 449 185 63 P 18 86 KTR 19 450 151 58 P 14 91 NORMAL 20 451 167 83 P 15 87 OTB 18 452 181 65 L 17 78 NORMAL 17 453 166 74 P 16 73 OTR 19 454 182 59 L 20 79 KTR 20 455 188 61 L 18 69 KTR 20 456 158 81 P 14 71 OTB 21 53 457 172 46 P 19 63 KTB 17 458 185 73 P 13 70 NORMAL 18 459 162 53 P 15 98 NORMAL 19 460 173 66 L 14 70 NORMAL 19 461 168 57 P 16 74 NORMAL 20 462 166 69 L 17 88 NORMAL 18 463 181 83 L 13 65 OTR 17 464 170 73 P 15 82 OTR 19 465 169 69 L 14 67 NORMAL 20 466 176 82 P 14 71 OTR 16 467 153 65 L 18 83 OTB 21 468 152 59 P 16 67 NORMAL 17 469 172 71 L 16 65 NORMAL 19 470 158 75 L 15 79 OTB 20 471 155 60 L 14 73 NORMAL 19 472 184 54 L 19 70 KTB 21 473 163 47 P 17 74 KTR 20 474 165 73 P 16 77 OTR 17 475 181 80 P 15 79 NORMAL 16 476 152 59 L 16 70 NORMAL 16 477 170 62 P 15 69 NORMAL 18 478 151 50 L 17 73 NORMAL 19 479 174 62 L 18 71 NORMAL 21 480 160 47 P 14 88 NORMAL 17 54 481 185 73 L 15 107 NORMAL 18 482 162 56 P 17 69 NORMAL 19 483 168 52 L 16 73 KTR 19 484 172 62 P 20 71 NORMAL 20 485 174 72 P 18 71 OTR 18 486 180 71 P 14 63 NORMAL 17 487 172 45 L 19 70 KTB 19 488 173 59 P 13 98 NORMAL 20 489 156 48 L 15 70 NORMAL 16 490 182 62 L 14 74 NORMAL 21 491 173 71 P 16 88 NORMAL 17 492 163 67 P 17 65 NORMAL 18 493 181 72 P 16 82 OTR 16 494 167 75 P 14 67 OTR 18 495 173 52 L 19 71 KTR 20 496 159 54 P 16 82 NORMAL 17 497 162 48 L 14 71 KTR 19 498 160 69 L 13 89 OTR 21 499 168 67 P 15 80 NORMAL 17 500 159 68 P 15 76 OTB 17 3.4 Pengolahan Data 55 Pengolahan data merupakan proses perhitungan, simulasi dan pengujian dari metode yang telah ada dan metode yang akan dilakukan penelitian. 3.4.1 Proses pengolahan data Berikut contoh proses pengolahan data : Data set Pengelompokan data variabel Diskrit Kontinu Menghitung nilai mean & standart deviasi persamaan 2 &3 menghitung probabilitas (jenis kelamin) persamaan 4 Menghitung nilai Likelihood pada setiap kelas persamaan 7 Melakukan inputan data baru sesuai variabel Menghitung dengan NBC menggunakan fungsi gauss persamaan 6 Perhitungan probabilitas dengan normalisasi likelihood dengan jumlah hasil=1 persamaan 8 Mencari Nilai Probabilitas Maksimal Uji akurasi dengan persaman 9 Gambar 3.1 Proses Skema Perhitungan Dari skema diatas dapat dijelaskan sebagai berikut : 56 a. Data set merupakan variabel-variabel yang ada diklinik azzahra untuk pengklasifikasian status gizi remaja. b. Setelah itu kemudian data set dikelompokan sesuai variabel sesuai kategori. c. Langkah selanjutnya menghitung mean dan standart deviasi.menggunakan rumus ke- 1 dan 2. Perhitungan mean dan standart deviasi hanya digunakan untuk kriteria kontinu (nilainya tidak tetap) yang termasuk variabel kontinu adalah tinggi badan, umur, berat badan, lingkar lengan atas lingkar perut, Selanjutnya kriteria kontinu dilakukan penghitungan menggunakan gauss menggunakan rumus ke-6. Sedangkan kriteria diskrit (tetap) yang termasuk variabel diskrit adalah jenis kelamin, dan perhitunganya menggunakan probabilitas menggunakan rumus ke-4. 3.4.2 Penginputan data baru pada pengklasifikasian status gizi di klinik Azzahra Pada klinik Azzahra terdapat 6 kriteria variabel untuk digunakan dalam pengklasifikasian : a. Umur b. Berat Badan c. Tinggi Badan d. Lingkar Pergelangan Tangan e. Jenis Kelamin f. Lingkar Perut Data Base Pengklasifikasian status gizi remaja Tinggi badan Berat Jenis Lingkar umur Lingkar tangan 57 Gambar 3.2 Skema Data Input Variabel Klasifikasi 3.4.3 Melakukan Perhitungan Klasifikasi Menggunakan NBC Data set Pengelompokan data variabel Kontinu Diskrit Menghitung nilai mean menghitung probabilitas = 𝑋1+𝑋2+𝑋3+⋯+𝑋𝑛 𝑛 standart deviasi Menghitung nilai Likelihood Menghitung dengan NBC menggunakan fungsi gauss Perhitungan probabilitas dengan normalisasi likelihood dengan jumlah hasil=1 Gambar 3.3 Skema Perhitungan dengan metode NBC 58 Pemilihan menggunakan metode Naïve Bayes Classification untuk membandingkan antara metode Naïve Bayes Classification dengan hasil dari pengklasifikasian status gizi remaja pada klinik azzahra. Kemudian akan dihitung tingkat keakurasian dengan menggunakan rumus “Kinerja” atau rumus ke- 9. 3.4.4 Hasil Dari Evaluasi Hasil dari evaluasi merupakan proses pengukuran hasil kinerja dengan menggunakan metode naïve bayes classification dalam melakukan penghitungan pengklasifikasian status gizi pada remaja dan akan dilakukan pengujian untuk mengetahui apakah menggunakan metode naïve bayes classification memiliki nilai akurasi yang baik atau tidak dan layak digunakan di klinik azzahra atau tidak. 3.5 Implementasi dan Rancangan Desain Dalam tahap ini, akan dilakukan perancangan pembuatan aplikasi, akan dimulai dari dari perancangan sistem, perancangan data base desain interface, dan evaluasi. 3.5.1 Rancangan Sistem Dalam perancangan sistem membutuhkan sesuatu untuk mendeskripsikan dalam perancangan sistem yaitu : 1. Use case diagram Use case diagram adalah untuk menggambarkan adanya hubungan antara actor dengan sistem yang dikembangkan. Actor yang dimaksut adalah sebagai pegawai yang ada di klinik azzahra terutama dibagian gizi. 2. Diagram activity Diagram activity adalah untuk menggambarkan aliran kejadian atau menunjukan aliran dari kerja sistem. 59 3. Diagram sequence Diagram sequence adalah suatu hubungan antara actor dengan objek untuk mengecek urutan aktivitas yang dilakukan oleh actor kepada objek untuk menjalankan use case. 3.5.2 Rancangan Database Dalam tahapan rancangan ini sistem basis data berfungsi untuk penyimpanan data pada sistem pengklasifikasian status gizi pada remaja di klinik azzahra. Dalam pengklasifikasian status gizi pada remaja mencari data-data terlebih dahulu untuk mendapatkan hasil yang lebih baik dan untuk menentukan pola data dan memahami. Dan dilanjutkan dengan membuat sistem basis data, didalam pembuatan sistem basis data disini menggunakan MySQL. 3.5.3 Desain Interface Didalam penelitian ini Desain Interface dibuat untuk dapat memodelkan menjadi sistem pengklasifikasian status gizi pada remaja diklinik azzahra. Sedangkan didalam desain interface menggunakan sistem informasi akan dirancang dengan mudah agar dapat dimengerti banyak orang dan pengguna. Desain interface menggunakan aplikasi Delphi 7 yang didalamnya terdapat macam tools untuk memperindah tampilan interface. 3.5.4 Implementasi Sistem Didalam penelitian ini Implementasi Sistem merupakan hasil dari semua desain kemudian diperjelas kedalam sebuah bahasa yang diketahui komputer. Dalam sistem ini diimplementasikan menggunakan bahasa pemrograman Delphi 7 karena bersifat opensource dan tools yang lumayan lengkap. 60 3.5.5 Uji Coba Kasus Pada tahap pengujian akan dilakukan pengecekan hasil dari peneliatian yang dilakukan apakah aplikasi yang dibuat dapat berjalan sesuai keinginan yaitu dengan cara akan membandingkan penghitungan klasifikasi status gizi pada remaja dengan metode yang manual dengan sistem yang dibuat sekarang. BAB IV HASIL DAN PEMBAHASAN 4.1.Implementasi interface Antar muka atau sering disebut interface merupakan komunikasi pengguna atau admin dengan suatu sistem. Interface atau anar muka dapat menerima informasi dari admin dan dapat memberikan informasi ke admin agar dapat membantu mengarahkan alur penelusuran masalah sampai ditemukan solusi yang tepat. Setelah dilakukan dilakukan evaluasi disini menemukaan kendala, maka akan di lakukan pembuatan sebuah program aplikasi antar muka, ini digunakan untuk menanggulangi kendala-kendala yang ada dan sering terjadi. Serta untuk memperbaiki sitem yang telah ada agar dapat lebih tepat, cepat, efektif dan efisien. 4.1.1 Tampilan Awal Login Implementasi tampilan awal ini ada form login untuk masuk dalam aplikasi Antopometri yaitu admin harus memasukan data login dan password, setelah admin memasukan data login dan password secara benar maka akan muncul Tampilan utama aplikasi. Gambar 4.1 Tampilan Awal Login 61 62 4.1.2 Tampilan Utama (setelah Login) Tampilan utama setelah admin memasukan data login dan password dengan benar maka akan muncul tampilan utama seperti dibawah ini. Didalam tampilan awal ini meliputi Input Pasien, Input Antropometri, Laporan Antropometri. Gambar 4.2 Tampilan Utama (setelah Login) 4.1.3 Tampilan Menu Data User Didalam tampilan menu data user terdapat data-data admin untuk masuk dalam sebuah sistem pengklasifikasian status gizi pada remaja. Gambar 4.3 Tampilan Menu Data User 63 4.1.4 Tampilan Form Pendataan Pasien Didalam form pendataan pasien ini dapat digunakan untuk memasukan data data pasien berupa Nomor identitas, Nama, Tempat lahir, Tanggal lahir, dan Alamat. Untuk menghindari jika ada data pasien yang sama dengan pasien lainnya. Gambar 4.4 Tampilan Form Pendataan Pasien 4.1.5 Tampilan Form Pendataan Antropometri Tampilan form pendataan antropometri ini digunakan untuk menginputkan atribut-atribut klasifikasi status gizi yang sudah ditentukan dan sesuai periodenya. dan sekaligus proses perhitungannya untuk menentukan status gizi pasien yang ada di klinik azzahra menggunakan metode Naïve Bayes Classification. Gambar 4.5 Tampilan form pendataan antropometri 64 4.1.6 Tampilan Form Perhitungan Naïve Bayess Setelah data-data diproses dan menghasilkan status gizi, disini dapat dilihat juga proses perhitungan menggunakan naïve bayess seperti contoh dibawah ini : Gambar 4.6 Tampilan Form Perhitungan Naïve Bayess 4.1.7 Form Laporan Antropometri Didalam form laporan antropometri bisa dilihat hasil-hasil dari proses penginputan data, perhitungan data dan menghasilkan status gizi yang ada dalam klinik Azzahra. 65 Gambar 4.7 Form Laporan Antropometri 4.2.Hasil Penelitian Data-data yang digunakan untuk melakukan peneliktian ini yaitu diperoleh dari klinik Azzahra, sedangkan atribut yang digunakan dalam pengklasifikasian status gizi Remaja usia 16-21 tahun meliputi : umur, tinggi badan, berat badan, lingkar pergelangan tangan, lingkar perut, jenis kelamin. Kemudian data-data tersebut diolah untuk mendapatkan informasi status gizi bagi Remaja usia 16-21 tahun dengan menyesuaikan keadaan antropometri masing-masing pasien menggunakan metode Naïve Bayes. 4.2.1 Pengelompokan Variabel Berdasarkan Klasifikasi Status Gizi Pada Remaja Langkah pertama untuk melakukan penelitian ini adalah mengelompokan kategori klasifikasi status gizi Remaja 16-21 tahun menjadi beberapa variabel yaitu data diskrit, data kontinu dan data tambahan.seperti berikut ini : a) Data Diskrit 66 Jenis Kelamin Status Gizi b) Data Kontinu Umur (th) Tinggi Badan (cm) Berat Badan (kg) Lingkar Perut (cm) Lingkar Pergelangan Tangan (cm) c) Data Tambahan Nama Nomer Identitas(kartu tanda penduduk / kartu tanda pelajar) Tanggal Lahir Alamat Tempat Lahir 4.2.2 Menghitung Nilai Mean dan Standart Deviasi Setelah proses pembagian data kontinu dan diskrit, disini data tambahan tidak dihitung karna data tambahan hanya untuk menangani jika data pasien ada yang sama maka digunakan data tambahan, selanjutnya akan melakukan perhitungan nilai mean dan standart deviasi dengan data kontinu yaitu menghitung nilai mean dan standart deviasi mulai dari Kurus Tingkat Berat, Kurus Tingkat Ringan, NORMAL, Obesitas Tingkat Ringan, Obesitas Tingkat Berat Setiap atribut itu meliputi Umur, Berat Badan, Tinggi Badan, Lingkar Perut, Lingkar Tangan sebagai berikut . 67 Tabel 4.1 Mean dan Standart Deviasi bagi Variabel Tinggi Badan Setiap Kategori Tinggi Badan NO KTR KTB NORMAL OTR OTB 1 140 178 145 155 160 2 155 159 153 170 151 3 165 154 160 168 4 158 181 153 153 5 176 147 151 6 174 159 174 7 154 154 171 8 150 171 154 9 174 171 182 10 157 179 11 161 173 12 165 13 164 14 168 15 158 16 178 17 160 18 159 19 148 20 149 21 178 22 162 23 177 24 184 25 151 MEAN 160.6666667 168 161.28 166.3636 155.5 11.13798 6.363961 STANDART DEVIASI 12.41974235 13.49073756 10.63218 68 Tabel 4.2 Mean dan Standart Deviasi bagi Variabel Berat Badan Setiap Kategori Berat Badan NO KTR KTB NORMAL OTR OTB 1 36 52 57 62 65 2 43 43 45 72 63 3 49 39 59 78 4 47 50 47 63 5 57 46 59 6 52 50 87 7 51 48 73 8 41 56 64 9 52 42 67 10 46 84 11 50 88 12 57 13 47 14 54 15 48 16 60 17 59 18 49 19 46 20 51 21 73 22 56 23 59 24 64 25 48 MEAN STANDART DEVIASI 47.55555556 46 52.68 72.45455 64 6.521332516 6.055300708 7.197916 10.48202 1.414214 69 Tabel 4.3 Mean dan Standart Deviasi bagi Variabel Lingkar Pergelangan Tangan Setiap Kategori Lingkar Pergelangan Tangan NO KTR KTB NORMAL OTR OTB 1 14 12 18 22 18 2 13 12 14 16 19 3 13 13 17 19 4 13 13 15 21 5 13 14 20 6 14 15 21 7 13 15 17 8 12 16 19 9 13 15 19 10 16 21 11 15 22 12 16 13 15 14 16 15 17 16 16 17 18 18 14 19 14 20 16 21 14 22 17 23 15 24 14 25 17 MEAN STANDART DEVIASI 13.11111111 12.5 15.56 19.72727 18.5 0.600925213 0.577350269 1.251086 1.954017 0.707107 70 Tabel 4.4 Mean dan Standart Deviasi bagi Variabel Lingkar Perut Setiap Kategori Lingkar Perut NO KTR KTB NORMAL OTR OTB 1 67 62 69 93 83 2 72 62 71 79 84 3 70 61 71 81 4 67 63 68 79 5 65 73 86 6 61 64 98 7 67 63 74 8 65 66 88 9 69 70 82 10 69 93 11 64 87 12 70 13 66 14 63 15 71 16 70 17 70 18 65 19 67 20 71 21 70 22 71 23 68 24 72 25 72 MEAN STANDART DEVIASI 67 62 68.56 85.45455 83.5 3.201562119 0.816496581 3.001111 7.257598 0.707107 71 Tabel 4.5 Mean dan Standart Deviasi bagi Variabel Umur Setiap Kategori Umur NO KTR KTB NORMAL OTR OTB 1 16 21 16 17 19 2 16 21 17 18 19 3 17 17 19 18 4 19 18 18 19 5 20 16 16 6 21 17 20 7 16 18 20 8 20 20 18 9 18 18 17 10 17 17 11 21 20 12 18 13 20 14 19 15 19 16 18 17 17 18 17 19 19 20 20 21 18 22 20 23 20 24 16 25 21 MEAN STANDART DEVIASI 18.11111111 19.25 18.36 18.18182 19 1.96497102 2.061552813 1.524248 1.401298 0 72 4.2.3 Penghitungan Probabilitas Kategori Status Gizi Pada Remaja Menghitung probabilitas status gizi menggunakan data diskret (jenis kelamin) dan probabilitas pada setiap kategori itu sendiri sebagai berikut : Ket : KTR : Kurus Tingkat Ringan KTB : Kurus Tingkat Berat Normal : Normal OTR : Obesitas Tingkat Ringat OTB : Obesitas Tingkat Berat Tabel 4.6 Perhitungan probabilitas kategori status gizi pada remaja menggunakan variabel diskret (jenis kelamin ) probabilitas jenis kelamin Jumlah Kategori Status Gizi Jenis Probabilitas Status Gizi Kelamin KTR KTB NORMAL OTR OTB KTR KTB NORMAL OTR OTB L 4 4 8 8 1 4/9 1 8/25 8/11 ½ P 5 0 17 3 1 5/9 0/4 17/25 3/11 ½ Jumlah 9 4 25 11 2 1 1 1 1 1 Tabel 4.7 probabilitas setiap kategori pada status gizi Probabilitas Kategori Pada Jenis Kelamin Jumlah Kategori Status Gizi Probabilitas Status Gizi KTR KTB NORMAL OTR OTB KTR KTB NORMAL OTR OTB Jumlah 9 4 25 11 2 9/50 4/50 25/50 11/50 2/50 4.2.4 Perhitungan prediksi menggunakan Naïve Bayes dengan Fungsi Densitas Gauss 73 Setelah menentukan nilai mean dan standar deviasi pada setiap atribut yang ber variabel kontinu, selanjutnya melakukan perhitungan dengan menggunakan metode naïve bayes dengan rumus densitas gauss : Ket : exp = 2,718282 Example : Untuk menghitung pengklasifikasian status gizi bagi remaja disini mengambil contoh data sebagai berikut “Dwi Ismianto” dengan atribut Tinggi Badan = 168 cm, Berat badan = 78 kg, lingkar tangan = 19 cm, Lingkar perut = 81 cm maka perhitunganya sebagai berikut A. Tinggi Badan = 168 Data (Tinggi Badan = 168 Status Gizi = Kurus Tingkat Ringan) (168160, 667 ) 2 1 2,718282 2 * 3,14 * 12,420 2 (12, 420 ) 2 ( 7 , 333) 2 1 2,7182822*(154, 2564) 6,28 * 12,420 53, 772889 1 2,718282 308,5128 2,506 * 12,420 1 2,7182820,1742 31,124 1 * 0,840 31,124 0,026 Data (Tinggi Badan = 168 Status Gizi = Kurus Tingkat Berat) 74 (168168) 2 2 1 2,7182822(13, 491) 2 * 3,14 * 13,491 ( 0)2 1 2,7182822*(182, 0070811) 6,28 * 13,491 0 1 2,718282364, 014162 2,506 * 13,491 1 2,7182820 33,808 1 *1 33,808 0,029 Data (Tinggi Badan = 168 Status Gizi = Nomal) (168161, 28) 2 1 2,718282 2 * 3,14 * 10,632 2 (10, 632 ) 2 ( 6 , 72 ) 2 1 2,7182822*(113,039424) 6,28 * 10,632 45,1584 1 2,718282226, 078848 2,506 * 10,632 1 2,7182820, 200 26,644 1 * 0,819 26,644 0,030 Data (Tinggi Badan = 168 Status Gizi = Obesitas Tingkat Ringan) 75 (168166, 364 ) 2 1 2,718282 2 * 3,14 * 11,138 1 2,7182822*(124, 055044) 6,28 * 11,138 2 (11,138) 2 (1, 636 ) 2 2 , 676496 1 2,718282248,110088 2,506 * 11,138 1 2,7182820, 011 27,911 1 * 0,989 27,911 0,035 Data (Tinggi Badan = 168 Status Gizi = Obesitas Tingkat Berat) (168155, 5 ) 2 2 1 2,718282 2( 6,364) 2 * 3,14 * 6,364 (12, 5 ) 2 1 2,7182822*( 40,500496) 6,28 * 6,364 156, 25 1 2,71828281,000992 2,506 * 6,364 1 2,71828211,929 15,948 1 * 0,145 15,948 9,1 103 Dari hasi perhitungan diatas diperoleh jika tinggi badan = 168 maka menghasilkan nilai : Kurus Tingkat Ringan = 0,026; Kurus Tingkat Berat = 0,029; Normal = 0,030; Obesitas Tingkat Ringan = 0,035; Obesitas 3 Tingkat Berat = 9,1 10 . B. Berat Badan = 78 76 Data (Berat Badan = 78 Status Gizi = Kurus Tingkat Ringan) (78 47,5)2 2 1 2,718282 2(6,521) 2 * 3,14 * 6,521 (30,5)2 1 2,7182822*(42,523441) 6,28 * 6,521 953,265625 1 2,718282 93,379778 2,506 * 6,521 1 2,718282-10,938 16,342 1 * 1,7 105 16,342 1,1x 106 Data (Berat Badan = 78 Status Gizi = Kurus Tingkat Berat) (78-46)2 2 1 2,7182822(6,055) 2 * 3,14 * 6,055 (32) 2 1 2,7182822*(36,663025) 6,28 * 6,055 1,024 1 2,71828273,32605 2,506 * 6,055 1 2,718282-13,965 15,174 1 * 8,6 x 107 15,174 5,7 x 108 Data (Berat Badan = 78 Status Gizi = Normal) 77 ( 7852, 68) 2 2 1 2,718282 2(7,198) 2 * 3,14 * 7,198 (25,32)2 1 2,7182822*(51,811204) 6,28 * 7,198 641,1024 1 2,718282103,622408 2,506 * 7,198 1 2,7182826,187 18,038 1 * 2,0 10-3 18,038 1,1 x 104 Data (Berat Badan = 78 Status Gizi = Obesitas Tingkat Ringan) ( 7872 , 455) 2 2 1 2,718282 2(10,482) 2 * 3,14 * 10,482 (5,545)2 1 2,7182822*(109,872324) 6,28 * 10,482 30,747025 1 2,718282219,744648 2,506 * 10,482 1 2,7182820,140 26,268 1 * 0,869 26,268 0,033 Data (Berat Badan = 78 Status Gizi = Obesitas Tingkat Berat) 78 (78-64)2 2 1 2,7182822(1,414) 2 * 3,14 * 1,414 (14) 2 1 2,7182822*(1,999396) 6,28 * 1,414 196 1 2,7182823,998792 2,506 * 1,414 1 2,71828249, 015 3,543 1 * 5,1 1022 3,543 1,5 x 10-22 Dari hasil perhitungan diatas diperoleh jika berat badan = 78 maka menghasilkan nilai Kurus Tingkat Ringan = 1,1 x 10-6; Kurus Tingkat Berat = 5,7 x 10-8 ; Normal = 1,1 x 10-4; Obesitas Tingkat Ringan = 0,033 ; Obesitas Tingkat Berat = 1,5 x 10-22. C. Lingkar Pergelangan Tangan = 19 Data (LT = 19 Status Gizi = Kurus Tingkat Ringan) (19-13,1)2 2 1 2,7182822(0,601) 2 * 3,14 * 0,601 (5,889)2 1 2,7182822*(1,498176) 6,28 * 0,601 34,680321 1 2,7182820,722402 2,506 * 0,601 1 2,71828248, 006 1,506 1 * 1,4 1021 1,506 9,4 x 10-22 Data (LT = 19 Status Gizi = Kurus Tingkat Berat) 79 (19-12,5)2 2 1 2,7182822(0,577) 2 * 3,14 * 0,577 (6,52 1 2,7182822*(0,332929) 6,28 * 0,577 42,25 1 2,7182820,665858 2,506 * 0,577 1 2,71828263, 452 1,446 1 * 2,7 1028 1,446 1,9 x 10-28 Data (LT = 19 Status Gizi = Normal) (19-15,5)2 2 1 2,7182822(1,251) 2 * 3,14 *1,251 (3,5)2 1 2,7182822*(1,565001) 6,28 *1,251 12 , 25 1 2,7182823,130002 2,506 *1,251 1 2,7182823,914 3,135 1 * 0,020 3,135 6,3 10-3 Data (LT = 19 Status Gizi = Obesitas Tingkat Ringan) 80 (19-19,727)2 2 1 2,718282 2(1,954) 2 * 3,14 *1,954 (-0,727)2 1 2,7182822*(3,818116) 6,28 *1,954 0,528529 1 2,7182827,636232 2,506*1,954 1 2,718282-0,069 4,897 1 * 0,933 4,897 0,190 Data (LT = 19 Status Gizi = Obesitas Tingkat Berat) (19-18,5)2 2 1 2,7182822(0,707) 2 * 3,14 * 0,707 (0,5)2 1 2,7182822*(0,499849) 6,28 * 0,707 0,25 1 2,7182820,999698 2,506* 0,707 1 2,718282-0,250 1,772 1 * 0,779 1,772 0,439 Dari hasil perhitungan diatas diperoleh jika lingkar tangan = 19 maka menghasilkan nilai Kurus Tingkat Ringan = 9,4 x 10-22; Kurus Tingan Berat = 1,9 x 10-28; Normal = 7,6 x 10-3; Obesitas Tingkat Ringan = 0,190 ; Obesitas Tingkat Berat = 0,439. D. Lingkar Perut = 81 81 Data (LP = 81 Status Gizi = Kurus Tingkat Ringan) 1 2 * 3,14 * 3,202 (81-67) 2 2(3,202)2 2,718282 (14) 2 1 2,7182822*(10,252804) 6,28 * 3,202 196 1 2,71828220,505608 2,506* 3,202 1 2,718282-9,558 8,024 1 * 7,0 10-5 8,024 8,8 106 Data (LP = 81 Status Gizi = Kurus Tingkat Berat) 1 2 * 3,14 * 0,816 (81-62) 2 2(0,816)2 2,718282 (19) 2 1 2,7182822*(0,665856) 6,28 * 0,816 361 1 2,7182821,331712 2,506* 0,816 1 2,718282-271,0796 2,044 1 x 1,8 x 10-28 2,044 9,1 x 10 -119 Data (LP = 81 Status Gizi = Normal) 82 1 2 * 3,14 * 3,001 (81-68,56)2 2 2,718282 2(3,001) (12,44)2 1 2,7182822*(9,006001) 6,28 * 3,001 154,7536 1 2,71828218,012002 2,506* 3,001 1 2,718282-8,591 7,520 1 x 1,8 x 10-4 7,520 2,5 x 10-5 Data (LP = 81 Status Gizi = Obesitas Tingkat Ringan) (81-85,454)2 2 1 2,718282 2(7,257) 2 * 3,14 * 7,257 (-4,4542 1 2,7182822*(52,664049) 6,28 * 7,257 19,83816 1 2,718282105,328098 2,506 * 7,257 1 2,718282-0,188 18,186 1 x 0,828 18,186 0,045 Data (LP = 81 Status Gizi = Obesitas Tingkat Berat) 83 (81-83,52 2 1 2,7182822(0,707) 2 * 3,14 * 0,707 (-2,5)2 1 2,7182822*(0,499849) 6,28 * 0,707 6,25 1 2,7182820,999698 2,506 * 0,707 1 2,718282-6,251 1,771 1 * 1,928 1,771 1,1 10-3 Dari hasil perhitungan diatas diperoleh jika lingkar perut = 81 maka menghasilkan nilai, Kurus Tingkat Ringan = 8,8 x 10-6; Kurus Tingkat Berat = 9,1 x 10-119; Normal = 2,5 x 10-5; Obesitas Tingkat Ringan = 0,045; Obesitas Tingkat Berat = 1,0 x 10-3. E. UMUR = 18 Data (Umur = 18 Status Gizi = Kurus Tingkat Ringan) (1818,1) 2 2 1 2,7182822 (1,964) 2 * 3,14 * 1,964 ( 0 ,1) 2 2 1 2,7182822 (3,857296) 6,28 * 1,964 0 , 01 1 2,7182827 , 714592 2,506 * 1,964 3 1 2,7182821, 210 4,921 1 * 0,011 4,921 0,202 Data (Umur = 18 Status Gizi = Kurus Tingkat Berat) 84 (18-19,25)2 2 1 2,718282 2(2,061) 2 * 3,14 * 2,061 (-1,25)2 1 2,7182822*(4,247721) 6,28 * 2,061 1,5625 1 2,7182828,495442 2,506 * 2,061 0 ,183 1 2,718282 5,164 1 * 0,832 5,164 0,160 Data (Umur = 18 Status Gizi = Normal) (1818, 36 ) 2 2 1 2,718282 2(1,524) 2 * 3,14 * 1,524 (-0,36)2 1 2,7182822*(2,322576) 6,28 * 1,524 0,1296 1 2,7182824,645152 2,506 * 1,524 1 2,7182820, 027 3,819 1 * 0,97336 3,819 0,254 Data (Usia = 18 Status Gizi = Obesitas Tingkat Ringan) 85 (1818,182 ) 2 1 2,718282 2 * 3,14 * 1,401 2(1,401)2 (-0,182)2 1 2,7182822*(1,962801) 6,28 * 1,401 0 , 033124 1 2,7182823,925602 2,506 * 1,401 -3 1 2,718282-8,410 3,510 1 * 0,991 3,510 0,282 Data (Umur = 18 Status Gizi = Obesitas Tingkat Berat) (1819 ) 2 1 2,718282 2 * 3,14 * 0 1 2,718282 6,28 * 0 2(0) 2 (-1,666)2 2*(0) 1 1 2,7182820 2,506 * 0 1 2,7182820 0 1 *0 0 0 Dari hasil perhitungan diatas diperoleh jika umur = 18 maka menghasilkan nilai Kurus Tingkat Ringan = 0,202 ; Kurus Tingkat Berat = 0,160 ; Normal = 0,254 ; Obesitas Tingkat Ringan = 0,282 ; Obesitas Tingkat Berat = 0. 4.2.5 Menghitung Nilai Likelihood 86 Selanjutnya akan dilakukan perhitungan menggunakan metode Naïve Bayes. Dalam penggunaan metode ini sebelum mengetahui hasil akhirnya, dengan menggunakan rumus likelihood adalah sebagai berikut : P(XCi) = P(xiCi) x P (x2Ci) x … x P (x2Ci) Kurus Tingkat Ringan = (0.026) * (1.1 * 10-6) * (9.4 * 1022 ) * (8.8 * 10-6) * (0.202) * (0.444) * (0.18) = 3,9 * 10-36 Kurus Tingkat Berat = (0.029) * (5.7 * 10-8) * (1.9 * 1028 ) * (9.1 * 10-119) * (0.160) * (1) * (0.08) = 3,6 * 10-157 Normal = (0.030) * (1.1 * 10-4) * (6.3 * 103 ) * (2.5 * 10-5) * (0,254) * (0,32 ) * (0,5) = 2.2 * 10-14 Obesitas Tingkat Ringan = (0.035) * (0.033) * (0.190) * (0.045) * (0.282) * (0.727) * (0.22) = 4.5 * 10-7 Obesitas Tingkat Berat = (9.1 * 10-3) * (1.5 * 10-22) * (0.439) * (1.0 * 10-3) * (0) * (0.5) * (0.04) =0 4.2.6 Normalisasi Nilai Probabilitas 87 Berdasarkan perhitungan likelihood diatas maka dapat diperoleh nilai probabilitas akhir adalah : Probabilitas KTR = 3.9 *1036 3.9 *1036 ) (3.6 *10157 ) (2.2 *1014 ) (4.5 *107 ) (0) = 8.6 * 10-30 Probabilitas KTB = 3.6 * 10157 3.9 *1036 ) (3.6 *10157 ) (2.2 *1014 ) (4.5 * 107 ) (0) = 8.1 *10-151 Probabilitas Normal 2.2 *1014 3.9 *1036 ) (3.6 *10157 ) (2.2 *1014 ) (4.5 *107 ) (0) = 4.8 * 10-8 Probabilitas OTR = 4.5 *107 3.9 *1036 ) (3.6 *10157 ) (2.2 *1014 ) (4.5 *107 ) (0) = 0,9999 Probabilitas OTB 0 3.9 *1036 ) (3.6 *10157 ) (2.2 *1014 ) (4.5 *107 ) (0) =0 4.2.7 Mencari Nilai Probabilitas yang Maksimum Agar dapat diklasifikasikan status gizi tersebut termasuk dalam kategori Kurus Tingkat Ringan, Kurus Tingkat Berat, NORMAL, Obesitas Tingkat Ringan, maupun Obesitas Tingkat Berat yaitu dengan cara menentukn nilai akhir dari probabilitas yang mendekati angka 1 ataupun. Hasil dari perhitungan yang dilakukan diperoleh nilai akhir dari setiap probabilitas Kurus Tingkat Ringan = 8.6 * 10-30 Kurus Tingkat Berat = 8.1*10-151 NORMAL = 4.8 * 108 Obesitas Tingan Ringan = 0.9999 Obesitas Tingkat Berat = 0 jadi dari hasil perhitungan probabilitas yang mendekati nilai akhir 1 adalah kategori OB1 / Obesitas Tingkat Ringan Sehingga dapat dikategorikan status gizi yang dimiliki “Dwi Ismianto” dengan 88 atribut Tinggi Badan = 168 cm, Berat badan = 78 kg, lingkar tangan = 19 cm, Lingkar perut = 81 cm, merupakan kategori status gizi kelas OB 1 / Obesitas Tingkat Ringan. 4.3.Pengujian Sistem Setelah dilakukan pengimplemantasian sistem selanjutnya akan dilakukan pengujian sistem dari hasil perhitungan dari data yang telah ada menggunakan metode naïve bayes dengan dibandingkan datadari hasil sistem yang telah di buat apakah sesuai atau tidak. Pengujian sistem menggunakan metode naïve bayes classification dengan menggunakan single decision threshold : Kinerja : (TP TN ) (TP TN FP FN ) (9) Hasil dari pengujian sistem menggunakan 50 data sebagai berikut : Tabel 4.8 Hasil Pengujian data real dan data NBC Data ke- Hasil Kesimpulan Data Real Data NBC Sesuai 1 OTR OTR YA 2 KTR KTR YA 3 KTR KTR YA 4 OTR NORMAL TIDAK 5 NORMAL NORMAL YA 6 NORMAL NORMAL YA 7 NORMAL NORMAL YA 89 8 OTR OTB TIDAK 9 KTR KTR YA 10 NORMAL NORMAL YA 11 NORMAL OTR TIDAK 12 NORMAL NORMAL YA 13 OTB OTB YA 14 NORMAL KTR TIDAK 15 KTB KTB YA 16 OTR OTR YA 17 NORMAL NORMAL YA 18 OTR OTR YA 19 KTB KTB YA 20 NORMAL NORMAL YA 21 KTB NORMAL TIDAK 22 NORMAL NORMAL YA 23 NORMAL NORMAL YA 24 KTB KTB YA 25 OTR OTR YA 90 26 KTR KTR YA 27 KTR KTR YA 28 NORMAL NORMAL YA 29 KTR NORMAL TIDAK 30 NORMAL NORMAL YA 31 NORMAL NORMAL YA 32 KTB KTB YA 33 NORMAL NORMAL YA 34 OTB OTR TIDAK 35 NORMAL NORMAL YA 36 NORMAL OTR TIDAK 37 OTR OTR YA 38 NORMAL NORMAL YA 39 OTR OTR YA 40 NORMAL NORMAL YA 41 NORMAL NORMAL YA 42 OTR OTR YA 43 OTB OTR TIDAK 44 NORMAL KTR TIDAK 45 KTR KTR YA 91 46 KTR KTR YA 47 NORMAL NORMAL YA 48 NORMAL NORMAL YA 49 NORMAL NORMAL YA 50 NORMAL NORMAL YA Model Keputusan + - + - TP FN FP TN A. TP (True Positive) Apabila kenyataan dan sistem menghasilkan hasil yang positif, jika : 1. Kenyataan “KTR” maka sistem memutuskan “KTR”. 2. Kenyataan “KTB” maka sistem memutuskan “KTB”. 3. Kenyataan “Normal” maka sistem memutuskan “Normal”. 4. Kenyataan “OTR” maka sistem memutuskan “OTR”. 5. Kenyataan “OTB” maka sistem memutuskan “OTB”. B. TN (True Negative) Apabila kenyataan dan sistem menghasilkan hasil yang negatif, jika : 1. Kenyataan tidak “KTR” maka sistem memutuskan tidak “KTR”. 2. Kenyataan tidak “KTB” maka sistem memutuskan tidak “KTB”. 92 3. Kenyataan tidak “Normal” maka sistem memutuskan tidak “Normal”. 4. Kenyataan tidak “OTR” maka sistem memutuskan tidak “OTR”. 5. Kenyataan tidak “OTB” maka sistem memutuskan tidak “OTB”. C. FP (False Positive) Apabila kenyataan negatif, tetapi sistem memutuskan positif : 1. Kenyataan tidak “KTR” tetapi sistem memutuskan “KTR”. 2. Kenyataan tidak “KTB” tetapi sistem memutuskan “KTB”. 3. Kenyataan tidak “Normal” tetapi sistem memutuskan “Normal”. 4. Kenyataan tidak “OTR” tetapi sistem memutuskan “OTR”. 5. Kenyataan tidak “OTB” tetapi sistem memutuskan “OTB”. D. FN (False Negative) Apabila kenyataan positif tetapi sistem memutuskan negatif : 1. Kenyataan “KTR” tetapi sistem memutuskan tidak “KTR”. 2. Kenyataan “KTB” tetapi sistem memutuskan tidak “KTB”. 3. Kenyataan “Normal” tetapi sistem memutuskan tidak “Normal”. 4. Kenyataan “OTR” tetapi sistem memutuskan tidak “OTR”. 5. Kenyataan “OTB” tetapi sistem memutuskan tidak “OTB”. Tabel 4.9 hasil perrbandingan data real dan data sistem D A T A R E A L Data Hasil Naïve Bayes KTB NORMAL OTR Status Gizi KTR OTB KTR 7 0 1 0 0 KTB 0 4 1 0 0 NORMAL 2 0 21 2 0 OTR 0 0 1 7 1 OTB 0 0 0 2 1 93 Untuk menentukan kinerja sistem dapat dinilai dengan cara menghitung nilai TP, TN, FP, dan FN dengan melihat tabel 4.9 seperti berikut : TP = KTR + KTB + NORMAL + OTR + OTB = HASIL =( 7 + 4 + 21 + 7 + 1) = 40 TN = KTR + KTB + NORMAL + OTR + OTB = HASIL =(4+21+7+1) + (7+21+7+1) + (7+4+7+1) + (7+4+21+1) + (7+4+21+7) = 160 FP = KTR + KTB + NORMAL + OTR + OTB = HASIL =(0+2+0+0) + (0+0+0+0) + (1+1+1+0) + (0+0+2+2) + (0+0+0+1) = 10 FN = KTR + KTB + NORMAL + OTR + OTB = HASIL =(0+1+0+0) + (0+1+0+0) + (2+0+2+0) + (0+0+1+1) + (0+0+0+2)= 10 𝐓𝐏+𝐓𝐍 Kinerja Sistem : 𝐓𝐏+𝐓𝐍+𝐅𝐏+𝐅𝐍 ∶ ∗ 𝟏𝟎𝟎% 𝟒𝟎 + 𝟏𝟔𝟎 ∗ 𝟏𝟎𝟎% 𝟒𝟎 + 𝟐𝟖𝟔 + 𝟏𝟎 + 𝟏𝟎 : 90,91% Dari hasil pengujian sistem status gizi pada remaja di klinik Azzahra yang telah dilakukan dengan 50 sample data mendapatkan akurasi sebesar 90,91 %, dengan adanya nilai akurasi tersebut dapat dinyatakan sistem status gizi merupakan sistem yang cukup baik untuk menentukan status gizi pada remaja. 4.4.Pembahasan Hasil dari pengolahan sistem menggunakan metode naïve bayes yaitu dengan mendapatkan hasil sebuah informasi tentang pengklasifikasian status gizi untuk remaja. Disini untuk menentukan status gizi yang lebih baik lagi yaitu menggunakan data data antropometri yang ada yaitu berupa 94 : tinggi badan, berat badan, lingkar pergelangan tangan, lingkar perut, jenis kelamin, dan umur yang digunakan untuk inputan perhitungan utama pada sistem. Dalam sistem ini yang menggunakan metode naïve bayes dalam perhitunganya agar mendapatkan hasil dari perhitungan status gizi yang lebih akurat dan spesifik pada status gizi remaja. Hasil dari menggunkan metode naïve bayes ini yaitu hasil dari perhitunganya dikatakan benar jika nilainya 1 atau mendekati nilai 1 berdasarkan inputan tinggi badan, berat badan, umur, lingkar pergelangan tangan, lingkar perut dan jenis kelamin. Dan hasil dari perhitungan metode naïve bayes meliputi : Kurus Tingkat Ringan, Kurus Tingkat Berat Normal, Obesitas Tingkat Ringan, dan Obesitas Tingkat Berat dengan menggunakan semua atribut yang telat diinputkan, bukan hanya menggunakan perhitungan IMT (Indeks Massa Tubuh) saja. Jika pengklasifikasian hanya menggunakan parameter IMT saja yaitu menggunakan aspek tinggi badan dan berat badan maka informasi yang diperoleh hanya status gizi yang nilai dan spesifikasinya mendekati suatu ukuran yang dilihat dalam penggunaanya tidak cukup untuk memutuskan penentuan status gizi bagi remaja dikira kurang akurat. Dari hasil pengujian yang dilakukan dengan menggunakan proses perhitungan dan proses pengukuran kinerja sistem menggunakan naïve bayes memiliki tingkat akurasi 90,91 % yang melebihi dari 50% yang dianggap cukup baik. dari data data yang diujikan mendapatkan hasil dalam sebuah aplikasi desktop berupa hasil dari pengklasifikasian status gizi pada remaja berupa : Kurus Tingkat Ringan, Kurus Tingkat Berat, NORMAL, Obesitas Tingkat Ringan, Obesitas Tingkat Berat. Itu bisa menjadikan pedoman bagi klinik azzahra untuk menentukan status gizi pada remaja. Disini 500 data dan diambil 50 data sampel yang diuji, data didapatkan sesuai pada waktu melakukan survey. BAB V KESIMPULAN DAN SARAN 5.1.Kesimpulan Kesimpulan yang dapat diambil dari pembahasan atas hasil penelitian tugas akhir ini yaitu sebagai berikut : 1. Pada sistem pengklasifikasian status gizi pada remaja berbasis aplikasi desktop diimplementasikan menggunakan metode Naïve Bayes Classification yang memiliki kategori Kurus Tingkat Ringan, Kurus Tingkat Berat, NORMAL, Obesitas Tingkat Ringan, Obesitas Tingkat Berat pada klinik Azzahra dapat memudahkan pegawai klinik untuk menentukan status gizi yang lebih baik. Dengan begitu sistem ini dapat menjadi bahan Analisis pihak klinik azzahra untuk membandingkan antara perhitungan IMT dan perhitungan menggunakan metode NBC. 2. Berdasarkan pengujian yang dilakukan pada pengimplementasian status gizi untuk remaja diklinik Azzahra dengan menggunakan metode Naïve Bayes Classification mendapat nilai akurasi 90,91 % dengan hasil yang baik. 5.2.Saran Dalam penelitian ini masih memiliki beberapa kekurangan dan kelemahan yang dapat dikembangkan dalam penelitian selanjutnya. Saran bagi penelitian selanjutnya yaitu sebagai berikut : 1. Sistem aplikasi disini hanya menggunakan 50 data sampel diharapkan untuk penelitian selanjutnya menggunakan sampel yang lebih banyak agar hasil akurasi juga lebih baik. 2. Agar pengembangan dalam penelitian selanjutnya,sebaiknya menambahkan beberapa data uji coba dengan menambahkan beberapa variabel untuk menghasilkan yang lebih baik dengan berbagai veriasi inputan. 95 96 3. Dalam penggunaan metode Naïve Bayes Classification untuk pengembangan kinerjanya sebaiknya dapat dilakukan pengujian dengan berbagai contoh kasus lain atau menggunakan data selain data diskrit beserta obyek lain agar sistem kerjanya juga akan lebih baik.