Analisa Klasifikasi Status Gizi

dengan Metode Fuzzy C-Means

Menggunakan Aplikasi Berbasis Android
(Classification Analysis of Nutritional Status with the Fuzzy C-Means Method
Using Android Based Applications)

Sudirman, Nerfita Nikentari, ST., M.Cs dan Martaleli Bettiza, S.Si., M.Sc
Jurusan Informatika, Fakultas Teknik, Universitas Maritim Raja Ali Haji (UMRAH)
Jl. Politeknik Senggarang, Tanjungpinang 29115
E-mail: dear18man@gmail.com; private.niken@gmail.com; mbettiza@gmail.com

Abstrak

Puskesmas Kecamatan Belakang Padang merupakan salah satu lembaga pemerintahan yang berperan pada
bidang kesehatan yang terdapat di kota Batam. Dalam mengolah data dan menganalisa status gizi balita, pihak
Puskesmas Kecamatan Belakang Padang masih melakukan pengolahan data secara arsip dan analisa belum tentu
terhitung dengan baik. Akibatnya, waktu akan lebih banyak terbuang dan dari segi hasil perhitungan juga belum
tentu akurat. Maka, tentu diperlukan waktu tambahan guna mengoptimalkan data-data status gizi balita tersebut.
Dalam penelitian ini peneliti membangun aplikasi berbasis android untuk menyelesaikan masalah penentuan
klasifikasi dengan menggunakan dua perhitungan, yaitu berdasarkan Standar Kementerian RI Tahun 2010
tentang Standar Antropometri Penilaian Status Gizi Anak pada indeks Berat Badan per Tinggi Badan (BB/TB)
dan perhitungan metode algoritma fuzzy c-means. Variabel yang digunakan dalam menentukan status gizi balita
untuk kedua perhitungan tadi ialah tinggi badan, berat badan, dan jenis kelamin. Dari penelitian yang dilakukan
terhadap 114 data sampel, metode fuzzy c-means menghasilkan jumlah kesamaan hasil klasifikasi terhadap
perhitungan berdasarkan Standar Kementerian tadi sebanyak 26 hingga 32 data sampel. Dan persentase
kesamaan hasil klasifikasi yang dihasilkan oleh sistem berkisar 22,81 % hingga 28,07 %.

Kata kunci : Status gizi balita, android, metode algoritma fuzzy c-means, variabel, klasifikasi.

Abstract

The Belakang Padangs District Health Center is one of the government agencies that play a role in the health
field located in the city of Batam. In data processing and analyzing the nutritional status of toddlers, The
Belakang Padangs District Health Center still perform processing archival and analysis of data is not
necessarily counted properly. As a result, more time will be wasted and in terms of the calculation is not
necessarily accurate. So, of course it takes additional time to optimize data the nutritional status of toddlers. In
this study, the researcher build android-based application to resolve the problem of determining classification
using the two calculation, which is based on the Indonesian Ministry Standard 2010 about Standard
Anthropometric Assessment Nutritional Status of Toddlers in the index of Weight per Height and the calculation
method of fuzzy cmeans algorithms. The variables used in determining the nutritional status of toddlers for
both our calculations are height, weight, and gender. From the study from 114 samples of data, methods of
fuzzy c-means produces the quantity of similarity calculations based on the results of the classification of the
Standard Ministry had as many as 26 to 32 sample data. And percentage similarity classification results
produced by the system ranges from 22.81% to 28.07%.

Keywords : The nutritional status of toddlers, android, method of fuzzy c-means algorithm, variable,
classification.

1
I. PENDAHULUAN
Puskesmas Kecamatan Belakang Padang
merupakan salah satu lembaga pemerintahan yang
memiliki peran yang cukup besar dalam usaha
menjalankan tugas dan wewenang pemerintah
daerah Kota Batam pada bidang kesehatan. Salah
satu perannya dalam bidang kesehatan ialah
mengelola pendataan status gizi balita.
Sistem analisa status gizi balita yang dilakukan
oleh pihak Puskesmas Kecamatan Belakang
Padang masih diterapkan secara manual atau
analisa dilakukan masih menggunakan perhitungan
rumusan di atas kertas. Akibatnya, waktu akan
lebih banyak terbuang dan dari segi hasil
perhitungan juga belum tentu akurat. Maka, tentu
diperlukan waktu tambahan guna mengoptimalkan
data-data status gizi balita tersebut.
Aplikasi berbasis android merupakan solusi
yang dirasa mampu membantu menangani
permasalahan tersebut. Ditambah lagi dengan
perhitungan dengan metode fuzzy c-means dirasa
sangat mampu membantu menangani permasalahan
tersebut baik dari sisi perekaman data maupun
dalam hal analisa status gizi balita dan diharapkan
aplikasi yang dibangun dapat bekerja lebih baik
dengan menggunakan analisa perhitungan nilai-
nilai kriterianya.
Dari uraian latar belakang diatas, maka penulis
mengambil judul yaitu Analisa Klasifikasi Status
Gizi Dengan Metode Fuzzy C-Means
Menggunakan Aplikasi Berbasis Android.
II. METODE PENELITIAN
A. Metode Pengumpulan Data
Pengumpulan data-data yang dibutuhkan dilakukan
dengan cara melakukan observasi. Hal ini
dilakukan di Puskesmas Kecamatan Belakang
Padang secara langsung. Dalam hal ini diperlukan
sebuah laptop dan alat tulis untuk merekap data dan
memudahkan dalam pengambilan data.
B. Metode Pengembangan Sistem
Pada tahap pengembangan sistem terdiri dari
proses-proses yang terstruktur yaitu : analisis,
desain, kode, dan pengujian. Metode
pengembangan ini dikenal dengan model
Sekuensial Linier menurut Roger S. Pressman.
Untuk desain model sekuensial linier dapat dilihat
pada gambar berikut.
Gambar 1. Metode Pengembangan Sistem
Berikut penjelasan bagaimana metode
pengembangan sistem yang digunakan dalam
sistem ini, yaitu :
1. Analysis
Tahap ini menguraikan kebutuhan sistem
yang utuh menjadi komponen-komponen
sistem untuk mengetahui bagaimana sistem
dibangun dan untuk mengetahui kelemahan-
kelemahan sistem yang sudah ada sehingga
dapat dijadikan masukan dan pertimbangan
dalam penyusunan sistem yang baru. Pada
tahap ini, hal yang dilakukan adalah mencari
dan mempelajari referensi tentang status gizi
balita.
2. Design
Tahap ini merupakan tahap perancangan
sistem. Tahap design ini menggunakan
flowchart berfungsi untuk menyatakan aliran
algoritma atau proses sehingga memberi
solusi dalam penyelesaian masalah yang ada
di dalam proses atau algoritma tersebut.
Sementara Context Diagram dan DFD (Data
Flow Diagram) digunakan untuk membantu
menggambarkan diagram sistem yang akan
dibangun.
3. Code
Tahap ini adalah penerjemahan rancangan
dalam tahap desain ke dalam bahasa
pemrograman Java.
4. Test
Tahap ini merupakan uji coba terhadap
program yang dibangun. Sehingga analisis
hasil implementasi yang didapat dari sistem
disesuaikan dengan kebutuhan sistem
tersebut. Jika penerapan sistem sudah
berjalan dengan lancar, maka sistem dapat
diimplementasikan.
C. Perancangan Sistem
Alur sistem yang dibangun ini dapat dilihat pada
context diagram berikut.
Gambar. 2. Context Diagram
2
 Context diagram digunakan untuk
menggambarkan bagaimana sistem akan
dibangun. Aplikasi analisa status gizi ini
diperuntukkan untuk satu pengguna, yaitu
perawat.

Gambar 2 : Halaman Data Sampel

Proses penginputan parameter fuzzy c-means akan

ditampilkan seperti gambar berikut :

Gambar 3 : Halaman Penghitungan Fuzzy

Gambar. 3. Flowchart Algoritma Fuzzy C-Means
Selanjutnya saat proses perhitungan fuzzy c-means
selesai, maka output akan ditampilkan seperti
Proses fuzzy c-means dimulai dengan memasukkan
gambar berikut :
data sampel ke sistem untuk dibentuk menjadi
matriks. Kemudian perawat memasukkan nilai
parameter fuzzy c-means. Setelah itu sistem mulai
melakukan penghitungan yang dimulai dari
membentuk matriks partisi awal secara acak. Setelah
itu menghitung pusat cluster. Lalu dilanjutkan
dengan menghitung fungsi obyektif dan
memperbarui matriks partisi. Di akhir metode,
langkah selanjutnya, sistem akan memeriksa kondisi
berhenti antara lain | Pt-Pt-1 | < error atau t > iterasi
maksimum. Jika syarat berhenti belum terpenuhi,
maka iterasi bertambah 1 dan proses diulang kembali
ke tahap perhitungan pusat cluster. Dan jika syarat
terpenuhi, maka proses selesai.

III. PEMBAHASAN
Gambar 4 : Halaman Hasil Akhir
Pada halaman data sampel sistem penganalisa
status gizi terdapat daftar data sampel dan beberapa 1. Perhitungan fuzzy c-means
menu pendukung. Berikut adalah tampilan halaman
data sampel dalam sistem ini: Berikut adalah data-data yang digunakan sebagai
bahan analisa sistem.

3
Tabel 1 : Pendataan Gizi Balita

1.1 Pembentukan Matriks Data Sampel

Langkah awal ialah membentuk matriks data

sampel X ij, dengan i=1, 2, 3, , 114 dan j=1, 2, 3.

4
1.2 Penentuan Parameter fuzzy c-means 1.6 Perhitungan Perubahan Matriks Partisi

Adapun nilai parameter yang dideklarasikan pada Dengan persamaan (6), diperoleh matriks partisi
pembahasan ini ialah sebagai berikut : yang baru pada iterasi ke-1 sebagai berikut:
Jumlah cluster atau pengelompokan yang
diharapkan (c) = 4.
Batas iterasi / perulangan maksimum
(maxIter) = 100.
Nilai pembobot (w) = [1.25, 1.3, 1.35, 1.4,
1.45, 1.5, 1.55, 1.65, 1.7, 1.75, 1.8, 1.85, 1.9,
1.95, dan 2].
Batas galat terkecil (error) = 0.01.
Nilai fungsi obyektif awal (P0) = 0.
Dan nilai iterasi awal (t) = 1.

1.3 Penentuan Matriks Partisi Acak Awal

1.7 Pengecekan Kondisi Berhenti
Keanggotaan matriks partisi awal yang digunakan
Pada langkah terakhir ini, adapun hasil syarat yang
dalam pembahasan ini ialah sebagai berikut :
didapat adalah sebagai berikut :
dengan i=1, 2, 3, , 114 dan k=1,2,3,4.
Iterasi saat ini (t) = 1
Iterasi maksimum (MaxIter) = 100
Fungsi obyektif awal (Pt-1) = 0
Fungsi obyektif akhir (Pt) = 285.7850665
Nilai mutlak dari selisih fungsi obyektif (Pt -
Pt-1) = 285.7850665
Error terkecil yang diharapkan (Error) = 0.01

Dengan hasil t < MaxIter dan Error < (Pt - Pt-

1),maka proses kembali diulangi pada langkah
perhitungan pusat cluster.

1.4 Perhitungan Pusat cluster 1.8 Pencapaian Hasil Akhir

Dengan persamaan (4), maka didapatkan hasil
perhitungan pusat cluster pada t=1 sebagai berikut,
dengan k=1,2,3,4 dan j=1,2,3 :
Dari keseluruhan perulangan proses di atas,
diperoleh hasil sebagai berikut :
Iterasi berhenti (t) = 29
Fungsi obyektif awal (Pt-1) = 174.1318423
Fungsi obyektif akhir (Pt) = 174.1318423
Nilai mutlak dari selisih fungsi obyektif (Pt -
Pt-1) = 0.008327569
Pusat cluster (Vkj) :

1.5 Perhitungan Fungsi Obyektif

Dengan persamaan (5), maka nilai Pt pada iterasi

ke-1:

= ([ ( ( , ) ( , )) ]( ) ) Matriks partisi ( ) terbaru :

= 1.204949743 + 0.307255033 +
2.213555955+ . . . + 3.868924166

= 285.7850665.

5
 Tabel 4 : Klasifikasi Data pada Keempat cluster

Hasil lengkap derajat keanggotaan tiap data

pada setiap cluster dapat dilihat pada tabel berikut :

Tabel 2 : Keanggotaan Data pada Keempat cluster

2.2 Validasi Kesamaan

Hasil penentuan kesamaan data antara perhitungan

status gizi secara Standar Kementerian dan secara
penalaran fuzzy c-means dapat dilihat pada tabel
berikut.

Tabel 5 : Validasi Data SK dan FCM

No FCM SK Validasi
1 Kurus Normal tidak sama
2. Validasi Kesamaan Hasil Klasifikasi 2 Kurus Normal tidak sama
3 Normal Normal SAMA
2.1 Penentuan Klasifikasi 4 Wasted Normal tidak sama
5 Gemuk Gemuk SAMA
Berdasarkan tabel ambang batas status gizi 6 Gemuk Normal tidak sama
menggunakan standar deviasi, maka klasifikasi dari 7 Kurus Normal tidak sama
cluster dapat dilihat pada tabel berikut. 8 Wasted Normal tidak sama
9 Gemuk Normal tidak sama
Tabel 3 : Penentuan Klasifikasi 10 Gemuk Gemuk SAMA
11 Normal Normal SAMA
12 Normal Normal SAMA
13 Normal Normal SAMA
14 Kurus Normal tidak sama
15 Kurus Normal tidak sama
16 Kurus Normal tidak sama
17 Kurus Normal tidak sama
18 Wasted Normal tidak sama
19 Wasted Normal tidak sama
20 Wasted Normal tidak sama
Berdasarkan tabel 2 dan 3, maka dapat 21 Kurus Normal tidak sama
diperoleh hasil lengkap seperti di dalam tabel 22 Kurus Normal tidak sama
berikut: 23 Gemuk Gemuk SAMA
24 Gemuk Normal tidak sama
25 Normal Normal SAMA
26 Kurus Normal tidak sama
27 Normal Gemuk tidak sama
28 Kurus Normal tidak sama
29 Wasted Normal tidak sama
30 Wasted Normal tidak sama
31 Wasted Normal tidak sama
32 Wasted Normal tidak sama
33 Wasted Normal tidak sama
34 Wasted Normal tidak sama

6
No FCM SK Validasi No FCM SK Validasi
35 Wasted Normal tidak sama 98 Gemuk Normal tidak sama
36 Gemuk Normal tidak sama 99 Normal Normal SAMA
37 Wasted Normal tidak sama 100 Kurus Normal tidak sama
38 Wasted Normal tidak sama 101 Gemuk Wasted tidak sama
39 Wasted Normal tidak sama 102 Normal Wasted tidak sama
40 Kurus Normal tidak sama 103 Normal Normal SAMA
41 Gemuk Normal tidak sama 104 Normal Normal SAMA
42 Wasted Normal tidak sama 105 Gemuk Normal tidak sama
43 Kurus Normal tidak sama 106 Normal Normal SAMA
44 Normal Normal SAMA 107 Kurus Normal tidak sama
45 Kurus Normal tidak sama 108 Gemuk Normal tidak sama
46 Wasted Normal tidak sama 109 Gemuk Normal tidak sama
47 Kurus Normal tidak sama 110 Normal Normal SAMA
48 Gemuk Normal tidak sama 111 Gemuk Normal tidak sama
49 Gemuk Gemuk SAMA 112 Gemuk Normal tidak sama
50 Wasted Normal tidak sama 113 Gemuk Normal tidak sama
51 Kurus Normal tidak sama 114 Gemuk Normal tidak sama
52 Kurus Wasted tidak sama
53 Normal Normal SAMA Maka, perhitungan persentase kesamaan data
54 Kurus Normal tidak sama untuk pembobot (w) = 2 adalah sebagai berikut.
55 Kurus Normal tidak sama
56 Normal Kurus tidak sama
57 Gemuk Normal tidak sama
58 Gemuk Gemuk SAMA
59 Gemuk Normal tidak sama
60 Kurus Kurus SAMA
61 Normal Gemuk tidak sama
62 Normal Normal SAMA Dari keseluruhan nilai untuk setiap pembobot,
63 Normal Normal SAMA maka dapat dilihat persentase kesamaan pada tabel
64 Gemuk Normal tidak sama berikut.
65 Kurus Normal tidak sama
66 Wasted Normal tidak sama Tabel 6 : Persentase Kesamaan
67 Normal Normal SAMA Persentase Kesamaan
68 Wasted Normal tidak sama No Pembobot (w) (%)
69 Gemuk Normal tidak sama
70 Gemuk Gemuk SAMA
1 1.25 28.07
71 Gemuk Normal tidak sama 2 1.3 28.07
72 Kurus Normal tidak sama 3 1.35 27.19
73 Wasted Normal tidak sama
74 Wasted Normal tidak sama 4 1.4 27.19
75 Kurus Normal tidak sama 5 1.45 27.19
76 Gemuk Kurus tidak sama
77 Normal Normal SAMA 6 1.5 27.19
78 Wasted Normal tidak sama 7 1.55 25.44
79 Kurus Normal tidak sama
80 Wasted Normal tidak sama
8 1.6 25.44
81 Wasted Normal tidak sama 9 1.65 25.44
82 Kurus Normal tidak sama 25.44
10 1.7
83 Kurus Normal tidak sama
84 Wasted Normal tidak sama 11 1.75 24.56
85 Wasted Normal tidak sama 12 1.8 23.68
86 Wasted Normal tidak sama
87 Kurus Normal tidak sama 13 1.85 22.81
88 Kurus Normal tidak sama 14 1.9 22.81
89 Gemuk Normal tidak sama
90 Kurus Normal tidak sama
15 1.95 22.81
91 Kurus Normal tidak sama 16 2.0 22.81
92 Normal Kurus tidak sama
93 Normal Normal SAMA
94 Normal Normal SAMA
95 Kurus Normal tidak sama
96 Gemuk Normal tidak sama
97 Normal Normal SAMA

7
 IV. KESIMPULAN DAN SARAN [2] Deritana, Nini, Martha Kombong, dan G.
A. Kesimpulan Yuristianti A., 2000, Gizi untuk
Kesimpulan yang dapat diambil dari penelitian di Pertumbuhan dan Perkembangan Prioritas
Puskesmas Kecamatan Belakang Padang adalah
sebagai berikut. dan Intervensi yang Dilakukan oleh
Jayawijaya WATCH Project. Jayawijaya
1. Aplikasi android mampu mengolah data
balita beserta menentukan klasifikasi untuk Women and Their Childrens Health Project.
perhitungan menurut Standar Kementerian 1 : 7-8.
RI Tahun 2010 dan untuk perhitungan
metode fuzzy c-means. [3] Hermaduanti, Ninki dan Sri Kusumadewi
2. Dari penelitian yang dilakukan terhadap (2008) . Sistem Pendukung Keputusan
114 data sampel, metode fuzzy c-means
menghasilkan jumlah kesamaan hasil Berbasis SMS untuk Menentukan Status Gizi
klasifikasi terhadap perhitungan Menggunakan Metode K-Nearest
berdasarkan Standar Kementerian tadi
sebanyak 26 hingga 32 data sampel. Dan Neighbour.
persentase kesamaan hasil klasifikasi yang [4] Hendrawan, Deny Sidarta. (2012). Aplikasi
dihasilkan oleh sistem berkisar 22,81 %
hingga 28,07 %. Belajar Menulis Untuk Anak Prasekolah
Berbasis Android.
B. Saran [5] Khoiruddin, Arwan Ahmad (2007).
Beberapa saran yang perlu disampaikan dalam Menentukan Nilai Akhir Kuliah Dengan
penelitian ini, dengan harapan akan menjadi saran
yang bermanfaat, yaitu : Fuzzy C-Means.
1. Klasifikasi status gizi untuk orang dewasa [6] Klir, George J; Yuan, Bo. (1995). Fuzzy Sets
masih sangat mungkin untuk ditinjau
menggunakan metode fuzzy c-means dengan and Fuzzy Logic, Theory and Application.
menggunakan variabel yang lebih variatif. Prentice Hall International, Inc.
2. Diharapkan untuk penelitian kedepannya
dapat diterapkan menggunakan metode [7] Kusumadewi, S., & Purnomo, H. (2010).
klasifikasi lain seperti Nave Bayesian, Aplikasi Logika Fuzzy untuk Pendukung
Decision Tree, fuzzy subtractive clustering, Keputusan. Yogyakarta: Graha Ilmu
dan fuzzy Equivalence Relation.
3. Penerapan metode fuzzy c-means ini juga [8] Luthfi, Emha Taufiq (2012). Modul Kuliah
diharapkan dapat diterapkan pada studi Program Aplikasi Mobile. Diperoleh 14
kasus yang berbeda dengan menggunakan
Januari 2013, dari
pengembangan platform yang lain pula
seperti IOS dan Blackberry OS. elearning.amikom.ac.id/index.php/download
/materi/100302125-ST088-
14/2012/03/20120326_MODUL%20ANDR
OID%201%20&%202%20&%203%20&%2
UCAPAN TERIMA KASIH 04%20&%205.pdf
Penulis mengucapkan terima kasih kepada Allah
Subhanahu Wa Taala, kedua orang tua dan [9] Martino, Fernando Di dan Salvatore Sessa.
pembimbing yang telah banyak membantu serta (2009). Implementation of the Extended
kepada segala pihak, yang baik secara langsung Fuzzy C-Means Algorithm in Geographic
membantu maupun tidak langsung. Information Systems.

DAFTAR PUSTAKA [10] Menkes, RI, 2011, Standar Antropometri

[1] Cox, Earl, 2005, Fuzzy Modelling and Penilaian Status Gizi Anak, Jakarta
Genetic Algorithms for Data Mining and [11] Puskesmas, Belakang Padang, 2010, Profil
Exploration, Elsevier Inc, United Stated of Puskesmas Belakang Padang Semester II
America. 2010: Batam.

8
[12] Rismawan, T., Ardhitya Wiedha Irawan,
Wahyu Prabowo dan Sri Kusumadewi
(2008) . Sistem Pendukung Keputusan
Berbasis Pocket PC Sebagai Penentu Status
Gizi Menggunakan Metode KNN (K-Nearest
Neighbour).
[13] Roger S.Pressman, Ph.D., 2001. Software
Engineering A Practitioners Approach.
New York : McGraw- Hill.
[14] Safaat, Nazarudin, 2012, Pemrograman
Aplikasi Mobile Smartphone dan Tablet PC
Berbasis Android, Informatika: Bandung.
[15] Teknologiz. (2012). Sejarah Android, jenis
dan versi Android Operating System (OS).
Diperoleh 14 Januari 2013, dari
http://www.teknologiz.com/2012/11/sejarah-
android-jenis-dan-versi-android.html