PROPOSAL SKRIPSI
oleh:
Nida Nurhasanah
1300749
1
BAB I
PENDAHULUAN
Dalam bab ini akan membahas latar belakang, rumusan masalah, tujuan sistem,
batasan sistem dan sistematika penulisan yang dilaksanakan didalm penelitian ini.
1.1 Latar Belakang
Perkembangan teknologi informasi dan komunikasi sangat berkembang
pesat baik dari sisi kemudahan dalam mengakses sebuah informasi maupun
kecepatan dalam mengakses informasi tersebut. Saat ini banyak sekali lembaga -
lembaga negara yang sudah memanfaatkan teknologi informasi dalam membantu
meminimalisir sumber daya yang minimum salah satunya dalam lembaga bidang
kesehatan.
Salah satu bidang yang sangat penting dalam kehidupan manusia adalah
bidang kesehatan. Telah banyak kajian dan telaah yang dilakukan dalam bidang
kesehatan, salah satunya adalah masalah gizi. Gizi adalah komponen kimia yang
terdapat dalam zat makanan yang sangat dibutuhkan oleh tubuh untuk
perkembangan dan pertumbuhan.
Status gizi adalah ukuran keberhasilan dalam pemenuhan nutrisi untuk anak
yang diindikasikan oleh berat badan dan tinggi badan anak. Status gizi juga
didefinisikan sebagai status kesehatan. Status gizi balita adalah suatu indikator yang
mencerminkan tingkat kesejahteraan suatu masyarakat (Irsyadi & Fatah, 2015).
Status gizi anak balita salah satunya dipengaruhi oleh faktor kondisi sosial
ekonomi, antara lain pendidikan ibu, pekerjaan ibu, jumlah anak, pengetahuan dan
pola asuh ibu serta kondisi ekonomi orang tua secara keseluruhan (Putri, Sulastri,
& Lestari, 2015)
Di dunia, gangguan gizi pada balita yang memiliki prevalensi tertinggi
terdapat di kawasan Asia Tenggara, Asia Selatan, Asia Timur dan Afrika. Di ketiga
kawasan tersebut gangguan gizi balita menjadi perhatian karena berada pada status
underweight, stunting dan wasting (WHS, 2007).
Menurut (Kementerian Kesehatan RI, 2016) Pada tahun 2014 pemantauan
status gizi (PSG) masih terbatas yakni 150 Kabupaten dan Kota di Indonesia dengan
jumlah sample 13.168 balita. Pada tahun 2015 PSG telah berhasil dilakukan di
seluruh Kabupaten dan Kota di Indonesia yakni 496.
2
3
Kelas atau status gizi yang dihasilkan berdasarkan standar Antropometri Keputusan
Menteri Kesehatan Republik Indonesia (Nomor:1995/MENKES/SK/XII/ 2010)
yaitu:
1. BB/U = Gizi Buruk, Gizi Kurang, Gizi Baik
2. BB/TB = Sangat Kurus, Kurus, Normal dan Gemuk.
Tingkat kesehatan bayi dan balita mencerminkan status kesehatan bayi
disuatu daerah. Penulis menerapkan algoritma Naïve Bayes ini karena algoritma
tersebut mudah dipahami dan dapat menerima masukan atau input-an dalam bentuk
apapun seperti numerik maupun nominal, dimana hasil perhitungan Naïve Bayes ini
merupakan angka numerik dan akan dicari nilai tertinggi dari keseluruhan kelas.
Oleh karena itu di dalam penelitian ini penulis mengharapkan dengan
adanya sistem klasifikasi ini dapat menentukan status gizi balita menggunaka n
Algoritma Naïve Bayes.
Sistem ini akan mengambil data posyandu di UPTD Puskemas Sariwangi
Kecamatan Sariwangi Kabupaten Tasikmalaya pada tahun 2016 yang terdiri dari 6
Desa dimana dari 6 desa tersebut terdapat 60 posko posyandu.
Dalam bab ini akan membahas tentang kajian pustaka yang digunakan di dalam
penelitian ini, seperti tentang sistem, klasifikasi, naïve bayes, status gizi balita,
cross validation dan confusion matrix.
2.1 Status Gizi
2.1.1 Definisi Status Gizi
Masa balita merupakan tahap pertumbuhan yang sangat pesat, dimana
sangat membutuhkan kasih sayang dan perhatian dari orang tua. Selain itu balita
juga sangat membutuhkan zat gizi yang seimbang agar tumbuh kembang anak
tersebut tidak terhambat karena anak balita rentang dalam menderita kekurangan
gizi (Santoso & Ranti, 2004) .
Status gizi adalah kondisi tubuh yang berakibat dari konsumsi makanan dan
penggunaan zat-zat gizi yang dibedakan kedalam 4 kategori diantaranya status gizi
buruk, status gizi kurang, status gizi baik, status gizi lebih (Supariasa, Bakri, &
Fajar, 2002) .
2.1.2 Penilaian Status Gizi Balita
Di Indonesia cara yang paling umum dan sering digunakan untuk penilaia n
status gizi adalah dengan menggunakan antropometri, karena lebih praktis dan
mudah dilakukan. Untuk mengetahui status gizi seseorang dapat digunakan
berbagai cara, salah satunya yaitu dengan cara Z-Skor terhadap nilai median.
Z-Skor merupakan index antropometri yang di gunakan secara internasional untuk
penentuan status gizi dan pertumbuhan, yang diekspresikan sebagai satuan
standar deviasi (SD) populasi. Z-Skor digunakan untuk menghitung status gizi
secara antropometri pada berat badan terhadap umur (BB/U), tinggi badan
terhadap umur (TB/U), dan berat badan terhadap tinggi badan (BB/TB) (Fitri,
Setyawati, & Rahadi S, 2014) .
Menurut Supariasa, Bakri, & Fajar (2002) beberapa indeks antropometri
yang sering digunakan yaitu Berat Badan menurut Umur (BB/U), Tinggi Badan
menurut Umur (TB/U) dan Tinggi Badan menurut Berat Badan (TB/BB). Berikut
merupakan pengertian, kelebihan dan kekurangan dari indeks antropometri yang
sering digunakan yaitu menurut (Supariasa et al., 2002):
10
Tabel 2.1. Pengertian, Kelebihan dan Kekurangan dari Indeks Antropometri (Supariasa et al.,
2002)
2002)
Atau
𝑁𝑖𝑙𝑎𝑖 𝐼𝑛𝑑𝑖𝑣𝑖𝑑𝑢 𝑆𝑢𝑏𝑦𝑒𝑘−𝑁𝑖𝑙𝑎𝑖 𝑀𝑒𝑑𝑖𝑎𝑛 𝐵𝑎𝑘𝑢 𝑅𝑢𝑗𝑢𝑘𝑎𝑛
𝑍 − 𝑠𝑐𝑜𝑟𝑒 = (2)
(+1 𝑁𝑖𝑙𝑎𝑖 𝑆𝑖𝑚𝑝𝑎𝑛𝑔 𝐵𝑎𝑘𝑢 𝑅𝑢𝑗𝑢𝑘𝑎𝑛)−𝑀𝑒𝑑𝑖𝑎𝑛
Atau
𝑁𝑖𝑙𝑎𝑖 𝐼𝑛𝑑𝑖𝑣𝑖𝑑𝑢 𝑆𝑢𝑏𝑦𝑒𝑘−𝑁𝑖𝑙𝑎𝑖 𝑀𝑒𝑑𝑖𝑎𝑛 𝐵𝑎𝑘𝑢 𝑅𝑢𝑗𝑢𝑘𝑎𝑛
𝑍 − 𝑠𝑐𝑜𝑟𝑒 = (4)
𝑀𝑒𝑑𝑖𝑎𝑛−(−1 𝑁𝑖𝑙𝑎𝑖 𝑆𝑖𝑚𝑝𝑎𝑛𝑔 𝐵𝑎𝑘𝑢 𝑅𝑢𝑗𝑢𝑘𝑎𝑛)
6 − 6.4 0.4
𝑍 − 𝑠𝑐𝑜𝑟𝑒 = = = 𝟎, 𝟓𝟕
6.4 − 5.7 0,7
Jadi, Status gizi berdasarkan BB/U yaitu Gizi Baik karena berada pada
batas pengelompokan -2 s/d +2SD
b. Indeks TB/U
𝑁𝑖𝑙𝑎𝑖 𝐼𝑛𝑑𝑖𝑣𝑖𝑑𝑢 𝑆𝑢𝑏𝑦𝑒𝑘 − 𝑁𝑖𝑙𝑎𝑖 𝑀𝑒𝑑𝑖𝑎𝑛 𝐵𝑎𝑘𝑢 𝑅𝑢𝑗𝑢𝑘𝑎𝑛
𝑍 − 𝑠𝑐𝑜𝑟𝑒 =
𝑀𝑒𝑑𝑖𝑎𝑛 − −1 𝑁𝑖𝑙𝑎𝑖 𝑆𝑖𝑚𝑝𝑎𝑛𝑔 𝐵𝑎𝑘𝑢 𝑅𝑢𝑗𝑢𝑘𝑎𝑛
63 − 61.4 1.4
𝑍 − 𝑠𝑐𝑜𝑟𝑒 = = = 𝟎. 𝟔𝟕
63.5 − 61.4 2.1
Jadi, Status gizi berdasarkan TB/U yaitu Pendek karena berada pada
batas pengelompokan -2 s/d +2SD
c. Indeks BB/TB
𝑁𝑖𝑙𝑎𝑖 𝐼𝑛𝑑𝑖𝑣𝑖𝑑𝑢 𝑆𝑢𝑏𝑦𝑒𝑘 − 𝑁𝑖𝑙𝑎𝑖 𝑀𝑒𝑑𝑖𝑎𝑛 𝐵𝑎𝑘𝑢 𝑅𝑢𝑗𝑢𝑘𝑎𝑛
𝑍 − 𝑠𝑐𝑜𝑟𝑒 =
𝑀𝑒𝑑𝑖𝑎𝑛 − (−1 𝑁𝑖𝑙𝑎𝑖 𝑆𝑖𝑚𝑝𝑎𝑛𝑔 𝐵𝑎𝑘𝑢 𝑅𝑢𝑗𝑢𝑘𝑎𝑛)
6 − 6.8 0.8
𝑍 − 𝑠𝑐𝑜𝑟𝑒 = = = 1.3
6.8 − 6.2 0.6
Jadi, status gizi berdasarkan BB/TB yaitu Normal karena berada pada batas
pengelompokan -2 s/d +2SD
Menurut (Direktorat Bina Gizi, 2011) penting untuk mengkoreksi hasil
pengukuran apabila terdapat balita yang diukur tidak sesuai dengan kelompok
umur:
1. Jika seorang anak berumur kurang dari 2 tahun diukur tingginya
(berdiri) maka ditambah 0.7 cm untuk mengkoncersi menjadi panjang
badan.
2. Jika seorang anak berumur 2 tahun atau lebih dan diukur panjangnya
(terlentang) maka dikurangi 0.7 cm untuk mengkorvensi menjadi tinggi
badan.
2.2 Sistem
Sistem merupakan suatu kumpulan dari beberapa sub sistem yang saling
berhubungan satu dengan lainnya atau bekerja sama untuk mencapai tujuan
17
bersama dengan menerima input dan output dengan melalui proses yang terartur
(Miranti, 2016) .
Menurut (Setiawan, 2009) Klasifikasi sistem dari berbagai sudut pandang
diklasifikasi ke dalam beberapa bagian, diantaranya:
1. Sistem Abstrak dan Sistem Fisik
Sistem abstrak yaitu sistem yang berupa ide yang secara fisik tidak
tampak, sedangkan sistem fisik yaitu sistem yang ada tampak secara fisik
2. Sistem Alamiah dan Sistem Buatan Manusia
Sistem alamiah adalah sistem yang secara alami di proses oleh alam,
sedangkan sistem buatan adalah sistem yang dirancang oleh manusia.
3. Sistem Tertentu dan Sistem Tak Tentu
Sistem tertentu adalah sistem yang kondisi masa depannya dapat
diprediksi, sedangkan sistem tak tentu adalah sistem yang kondisi masa
depannya tidak dapat diprediksi karena ada unsur probabilitas.
4. Sistem Tertutup dan Sistem Terbuka
Sistem tertutup adalah sistem yang tidak ada hubungannya atau tidak
dipengaruhi oleh lingkungan luar, sedangkan sistem terbuka adalah yang
ada hubungannya atau dipengaruhi oleh lingkungan luar.
2.3 Klasifikasi
Klasifikasi adalah suatu fungsionalitas data mining yang akan
menghasilkan model untuk memprediksi kelas atau kategori dari objek-objek di
dalam basis data. Klasifikasi merupakan proses yang terdiri dari dua tahap, yaitu
tahap pembelajaran dan tahap pengklasifikasian (Amri, 2013).
Pada klasifikasi biasanya diberikan sekumpulan kategori atau label dan
beberapa data yang dijadikan sebagai data latih yang akan digunakan untuk
membangun sebuah model. Kemudian model tersebut akan diuji dengan data set
yang akan ditebak katagori atau label pada setiap datanya (Rahmawati, 2016).
Menurut (Darmawan, 2012) menyatakan bahwa pendekatan umum yang
digunakan dalam masalah klasifikasi adalah pertama, training data berisi
record yang mempunyai label class yang telah diketahui. Training data
digunakan untuk membangun model klasifikasi yang kemudian diaplikas ika n
18
ke testing data yang berisi record-record dengan label class yang tidak
diketahui.
Definisi lain memaparkan bahwa klasifikasi merupakan metode
pembelajaran yang dijadikan acuan untuk mengekstak model untuk
menggambarkan atau memprediksi kelas dimasa depan (Soni, Ansari, Sharma, &
Soni, 2011).
Keterangan :
𝐵 : Data dengan kelas yang belum diketahui
𝐴 : Hipotesis data merupakan suatu kelas sfesifik
𝑃(𝐴|𝐵 ) : Probabilitas hipotesis A berdasarkan kondisi B
𝑃(𝐴 ∩ 𝐵) : Probabilitas hipotesis A dengan syarat kondisi B
𝑃(𝐵) : Probabilitas B
Adapun alur dari metode Naïve Bayes sebagai berikut:
𝑛 = jumlah sample
Dimana:
𝜎 = standar deviasi
𝑛 = jumlah sample
(𝑥−𝜇)2
1 −
𝑓(𝑥) = 𝑒 2𝜎2 (8)
√2𝜋 .𝜎
Dimana:
𝑓 = peluang
𝑥 = nilai sample
𝜋 = 3,14
𝑒 = 2,718282
𝜎 = standar deviasi
Selanjutnya setelah diketahui nilai likelihood semua kelas yaitu
menormalisasi nilai probabilitas setiap kelas dengan cara mengalikan semua
hasil variable. Setelah dilakukan pengaliankemudian dicari nilai tertinggi
sebagai keputusan atau nilai akhir.
2. Tahap kedua menghitung jumlah kasus yang sama dengan kelas yang
sama
Tabel 2.6. Probabilitas Setiap Outlook untuk Setiap Kategori pada Play
Tabel 2.8 Probabilitas Setiap Humidity untuk Setiap Kategori pada Play
Tabel 2.9. Probabilitas Setiap Windy untuk Setiap Kategori pada Play
Keterangan :
KTB = Kurus Tingkat Berat
KTR = Kurus Tingkar Ringan
N = Normal
OTR = Obesitas Tingkat Ringan
OTB = Obesitas Tingkat Berat
LPT = Lingkar Pergelangan Tangan
LP = Lingkar Perut
A. Pengelompokkan Variabel
Data Numerik :
1. Usia (tahun)
2. Tinggi Badan (cm)
3. Berat Badan (kg)
4. Lingkar Pergelangan Tangan (cm)
5. Lingkar Perut (cm)
Data Nominal :
1. Status Gizi
2. Jenis Kelamin
B. Menghitung nilai Mean dan Standar Deviasi
Tabel 2.11. Mean dan Standar Deviasi Variabel Usia pada Setiap Kategori
n 2 4 22 9 3
Varian 0.000 1.583 5.110 5.611 10.333
SD 0.000 1.258 2.261 2.369 3.215
26
Tabel 2.12. Mean dan Standar Deviasi Variabel TB pada Setiap Kategori
n 2 4 22 9 3
Varian 8.000 9.667 51.465 81.111 41.333
SD 2.828 3.109 7.174 9.006 6.429
27
Tabel 2.13. Mean dan Standar Deviasi Variabel BB pada Setiap Kategori
n 2 4 22 9 3
Varian 4.500 2.000 36.141 64.194 914.333
SD 2.121 1.414 6.012 8.012 30.238
28
Tabel 2.14. Mean dan Standar Deviasi Variabel LPT pada Setiap Kategori
n 2 4 22 9 3
Varian 1.125 0.396 1.617 2.549 6.333
SD 1.061 0.629 1.272 1.596 2.517
29
Tabel 2.15. Mean dan Standar Deviasi Variabel LP pada Setiap Kategori
n 2 4 22 9 3
Varian 0.500 6.917 22.278 21.861 364.333
SD 0.707 2.630 4.720 4.676 19.088
30
31
Probabilitas kemunculan setiap nilai untuk atribut Jenis Kelamin pada setiap
kategori Status Gizi:
Tabel 2.17. Probabilitas Setiap JK untuk Setiap Kategori pada Status Gizi
1
= 𝑥 0.0917
3.152548
= 2.9 𝑥 10−2
c. Usia = 22 | Status Gizi = N
1 (22−21.591) 2
−
= 2.718282 2 𝑥 2.2612
√2 𝑥 3.14 𝑥 2.261
= 1.7 𝑥 10−1
d. Usia = 22 | Status Gizi = OTR
1 (22−20.889) 2
−
= 2.718282 2 𝑥 2.3692
√2 𝑥 3.14 𝑥 2.369
= 1.5 𝑥 10 −1
e. Usia = 22 | Status Gizi = OTB
1 (22−21.333) 2
−
= 2.718282 2 𝑥 3.2152
√2 𝑥 3.14 𝑥 3.215
= 1.2 𝑥 10−1
2. Tinggi Badan
a. Tinggi Badan = 170 | Status Gizi = KTB
1 (170−170) 2
−
= 2.718282 2 𝑥 2.8282
√2 𝑥 3.14 𝑥 2.828
1
= 𝑥 2.718282 −0
2.506 𝑥 2.828
1
= 𝑥1
7.087
= 0.141
b. Tinggi Badan = 170 | Status Gizi = KTR
1 (170−166.5) 2
−
= 2.718282 2 𝑥 3.1092
√2 𝑥 3.14 𝑥 3.109
1
= 2.718282−0,634
2.506 𝑥 3.109
1
= 𝑥 0.530
7.791
= 0.068
c. Tinggi Badan = 170 | Status Gizi = N
1 (170−158.318) 2
−
= 2.718282 2 𝑥 7.1742
√2 𝑥 3.14 𝑥 7.174
= 0.015
33
=0
b. Lingkar Perut = 100 | Status Gizi = KTR
1 (100−65.25) 2
−
= 2.718282 2 𝑥 2.6302
√2 𝑥 3.14 𝑥 2.630
1
= 2.718282−87.291
2.506 𝑥 2.630
1
= 𝑥 1.23026 𝑒 − 38
6.590
= 1.9 𝑥 10−39
c. Lingkar Perut = 100 | Status Gizi = N
1 (100−69.295) 2
−
= 2.718282 2 𝑥 4.7202
√2 𝑥 3.14 𝑥 4.720
= 5.5 𝑥 10−11
d. Lingkar Perut = 100 | Status Gizi = OTR
1 (100−81.11) 2
−
= 2.718282 2 𝑥 4.6762
√2 𝑥 3.14 𝑥 4.676
= 2.4 𝑥 10−5
e. Lingkar Perut = 100 | Status Gizi = OTB
1 (100−91.333) 2
−
= 2.718282 2 𝑥 19.0882
√2 𝑥 3.14 𝑥 19.088
= 1.9 𝑥 10−2
E. Mengitung Nilai Likelihood
Selanjutnya yaitu melakukan perhitungan rumus likelihood dengan
berdasarkan metode Naïve Bayes:
Likelihood KTB = 0 ∗ 0.141 ∗ 1.3 𝑥 10−55 ∗ 3.4 𝑥 10−3 ∗ 0 ∗ 0.05
∗1
=0
Likelihood KTR = 0.1 ∗ 0.75 ∗ 2.9 𝑥 10−2 ∗ 0.068 ∗ 1.7 𝑥 10−112
∗ 1.8 𝑥 10−5 ∗ 1.9 𝑥 10−39
= 8.6 𝑥 10−160
Likelihood N = 0.55 ∗ 0.409 ∗ 1.7 𝑥 10−1 ∗ 0.015 ∗ 2.8 𝑥 10−7
∗ 2.4 𝑥 10−2 ∗ 5.5 𝑥 10−11
= 2.1 𝑥 10−22
Likelihood OTR = 0.556 ∗ 0.225 ∗ 1.5 𝑥 10−1 ∗ 0.030 ∗ 1.1 𝑥 10−2
∗ 2.4 𝑥 10−5 ∗ 2.5 𝑥 10−1
36
= 3.7 𝑥 10−11
Likelihood OTB = 0.075 ∗ 0.667 ∗ 1.3 𝑥 10−1 ∗ 0.053 ∗ 1.2 𝑥10−2
∗ 1.5 𝑥 10−1 ∗ 1.9 𝑥 10−2
= 1.2 𝑥 10−8
2.5 Diskritisasi
Diskritisasi merupakan perubahan data kontinu menjadi data kategori
(Gorunescu, 2011). Pendiskritan atribut merupakan teknik untuk mengubah sebuah
fungsi atau nilai kontinu kedalam bentuk diskrit (Wirawan & Eksistyanto, 2015).
Diskritisasi atribut kontinyu merupakan salah satu langkah pengolahan data penting
dari ekstraksi pengetahuan (Mirqotussa’adah, Muslim, Sugiharti, Prasetiyo, &
Alimah, 2017).
Menurut (Rahmawati, 2016) terdapat dua cara untuk melakukan diskritisas i
atribut yaitu :
1. Scanning
Penelusuran (scanning) seluruh dataset untuk semua nilai kontinu yang
muncul, kemudian menggunakan nilai tersebut sebagai dominan dari atribut
nominal. Teknik ini membuat domain nilai menjadi himpunan tertutup dari nilai
yang mungkin muncul, sehingga dataset menjadi ‘sparse’.
2. Binning
Mendefinisikan kumpulan kelas nominal untuk setiap atribut, kemudian
menetapkan setiap nilai atribut ke dalam salah satu kelas. Misalnya, jika domain
atribut numerik mempunyai nilai dari 0 sampai dengan 100, domain tersebut
dapat dibagi menjadi empat bin (0…24, 25…49, 50,,,74, 75…100).
Actual Positive TP FN
Actual Negative FP TN
39
Menurut (Goyal & Mehta, 2012) confusion matrix merupakan infor mas i
tentang klasifikasi actual dan hasil klasifikasi prediksi yang dilakukan oleh sistem.
Akurasi, presentasi jumlah benar dari seluruh data. Untuk menghitung
akurasi adalah sebagai berikut:
𝑇𝑃+𝑇𝑁
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = (5)
𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁
2.7 WEKA
Untuk menunjang kegiatan penelitian, di dalam bab ini penulis akan menjelaska n
desain penelitian, serta alat dan bahan penelitian.
42
43
Pada penelitian ini terdapat desain penelitian atau beberapa tahapan yang penulis
lakukan dalam menyelesaikan penelitiannya:
1. Mengidentifikasi masalah
Tindakan yang dilakukan untuk mencari inti permasalahan yang ada.
2. Rumusan solusi
Mencari beberapa penelitian sebelumnya untuk dijadikan sebagai acuan
dalam menyelesaikan permasalah yang sudah diidentifikasi.
3. Penetapan tujuan
Menetapkan tujuan yang ingin dicapai dalam penelitian.
4. Analisa Kebutuhan
Di dalam penelitian dalam proses pengumpulan datanya dengan:
1. Studi literatur
Mencari referensi teori-teori yang dibutuhkan sesuai dengan
permasalahan yang ditemukan. Referensi-referensi yang dibutuhka n
berisikan tentang:
a. Data Mining
b. Klasifikasi
c. Algoritma Naïve Bayes
d. Metode Antropometri
e. Status Gizi Balita
Referensi tersebut bisa didapatkan dari beberapa artikel, jurnal,
laporan penelitian dan buku.
2. Observasi data
Melakukan pengamatan dan permintaan data posyandu yang
dibutuhkan ke Puskesmas Sariwangi Kabupaten Tasikmalaya.
5. Data Penelitian
Proses seleksi data merupakan proses pemilihan data yang akan dipakai dan
dibutuhkan di dalam penelitian. Data yang digunakan di dalam penelitian ini
diambil secara acak.
6. Pengembangan Perangkat Lunak
1. Mengimplementasikan metode perangkat lunak Waterfall
44
Alabi, A., Ijadunola, M. Y., Alabi, O., Onayade, A., & Aluko, O. (2016).
Assessment of Childhood Nutritional Status: Findings from a Health and
Demographic Surveillance System. International Journal of Clinical
Nutrition, 4(1), 7–11.
Borkar, M. A. R., & Deshmukh, P. R. (2015). Naïve Bayes Classifier for Prediction
of Swine Flu Disease. International Journal of Advance Research in Computer
Science and Software Engineering, 5(4), 120–123.
Dimitoglou, G., Adams, J. A., & Jim, C. M. (2012). Comparison of the C4. 5 and
A Naive Bayes Classifier for the Prediction of Lung Cancer Survivability.
Journal of Computing, 4(8), 1–9.
47
48
Fitri, F., Setyawati, O., & Rahadi S, D. (2014). Aplikasi Jaringan Syaraf Tiruan
Untuk Penentuan Status Gizi Balita Dan Rekomendasi Menu Makanan Yang
Dibutuhkan. Jurnal EECCIS, 7(2), 119–124.
Garner, S. R. (1995). Weka: The Waikato Environment For Knowledge Analys is.
In Proceedings of the New Zealand computer science research students
conference (pp. 57–64).
Gorunescu, F. (2011). Data Mining: Concepts, Models and Techniques (Vol. 12).
Berlin: Springer Science & Business Media.
Goyal, A., & Mehta, R. (2012). Performance Comparison of Naïve Bayes and J48
Classification Algorithms. International Jurnal of Applied Engineering
Research, 7(11).
Irsyadi, A., & Fatah, Y. (2015). Klasifikasi Status Gizi Balita Jenis Kelamin Laki-
laki Menggunakan Jaringan Syaraf Tiruan. Khazanah Informatika: Jurnal
Ilmu Komputer Dan Informatika, 1(1), 16–22.
Mardiana, T., & Nyoto, R. D. (2015). Kluster Bag of Word Menggunakan Weka.
Jurnal Edukasi Dan Penelitian Informatika (JEPIN), 1(1), 1–5.
Medhekar, D. S., Bote, M. P., & Deshmukh, S. D. (2013). Heart Disease Prediction
System Using Naive Bayes. International Journal Of Enhanced Research In
Science Technology And Engineering, 2(3), 1–5.
Mirqotussa’adah, Muslim, M. A., Sugiharti, E., Prasetiyo, B., & Alimah, S. (2017).
Penerapan Dizcretization dan Teknik Bagging Untuk Meningkatkan Akurasi
Klasifikasi Berbasis Ensemble pada Algoritma C4. 5 dalam Mendiagnosa
Diabetes. Lontar Komputer: Jurnal Ilmiah Teknologi Informasi, 08(02), 135–
143.
Monica, E., Sudrajat, D., & Suarna, N. (2016). Sistem Pendukung Keputusan
Penentuan Status Kesehatan Bayi Baru Lahir Berdasarkan Pemeriksaan
Antropometri Dengan Metode Weighted Product. Jurnal Online ICT STMIK
IKMI ICT, 14(2), 61–73.
Poetra, D. A. (2016). Sistem Prediksi Spam Account pada Media Sosial Twitter
50
Pramitarini, Y., Ketut E P, I., & Hery Purnomo, M. (2013). Analisa Rekam Medis
Untuk Menentukan Status Gizi Anak Balita Menggunakan Naive Bayes
Classifier. In Prosiding Seminar Nasional Manajemen Teknologi XVII (Vol.
2).
Putri, R. F., Sulastri, D., & Lestari, Y. (2015). Faktor-Faktor yang Berhubunga n
dengan Status Gizi Anak Balita di Wilayah Kerja Puskesmas Nanggalo
Padang. Jurnal Kesehatan Andalas, 4(1).
Rahmadini, N., Sudiarti, T., & Utari, D. M. (2013). Status Gizi Balita berdasarkan
Composite Index of Anthropometric Failure. Kesmas: National Public Health
Journal, 7(12), 538–544.
Santoso, S., & Ranti, A. L. (2004). Kesehatan dan gizi. Jakarta: Rineka Cipta.
Sharma, N., Bajpai, A., & Litoriya, R. (2012). Comparison The Various Clustering
Algorithms Of WEKA Tools Comparison. International Journal of Emerging
Technology and Advanced Engineering, 2(5), 73–80.
Sharma, T. C., & Jain, M. (2013). WEKA Approach For Comparative Study Of
Classification Algorithm. International Journal of Advanced Research in
Computer and Communication Engineering, 2(4), 1925–1931.
51
Soni, J., Ansari, U., Sharma, D., & Soni, S. (2011). Predictive Data Mining for
Medical Diagnosis : An Overview of Heart Disease Prediction. International
Journal of Computer Applications, 17(8), 43–48.
Supariasa, I. D. N., Bakri, B., & Fajar, I. (2002). Penilaian status gizi. EGC. Jakarta.
Ting, S. L., Ip, W. H., & Tsang, A. H. C. (2011). Is Naive Bayes A Good Classifier
For Document Classification. International Journal of Software Engineering
and Its Applications, 5(3), 37–46.
WHS. (2007). Part 1 Ten Statistical Highlights in Global Public Health (pp. 9–20).
Wirawan, I. N. T., & Eksistyanto, I. (2015). Penerapan Naive Bayes Pada Intrusion
Detection System Dengan Diskritisasi Variabel. Jurnal Ilmiah Teknologi
Informasi, 13(2), 182–189.