See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/274256563

Pengelompokan Zat gizi Makanan Menggunakan Analisis Diskriminan

Conference Paper · May 2011

CITATIONS
READS
0
38,899

1 author:

Hanna Arini Parhusip

Universitas Kristen Satya Wacana
95 PUBLICATIONS 97 CITATIONS

Some of the authors of this publication are also working on these related projects:

Pusnas 2015/2016 View project

All content following this page was uploaded by Hanna Arini Parhusip on 31 March 2015.

The user has requested enhancement of the downloaded file.

Seminar Nasional Statistika Universitas Diponegoro, Semarang, 21 Mei

PENGELOMPOKAN ZAT GIZI MAKANAN

MENGGUNAKAN ANALISIS
DISKRIMINAN

H.A. Parhusip, Jantini T. Natangku

Center of Applied Science and Mathematics
Fakultas Sains dan Matematika
Universitas Kristen Satya Wacana,
Salatiga
http://www.uksw.edu

Abstrak

Paper ini menjelaskan tentang penggelompokkan jenis makanan berdasarkan zat gizi
yang terkandung di dalamnya. Pengelompokkan jenis makanan terbagi atas banyaknya zat gizi
mikro (karbohidrat dan kalsium) dan zat gizi makro (protein dan lemak).
Metode yang digunakan adalah metode Analisis Diskriminan. Data yang diambil dari
Daftar Komposisi Bahan Makanan (DKBM) Indonesia, yang meliputi dari 50 jenis makanan
dan 4 variabel jenis gizi yang dikandung. 4 jenis gizi tersebut adalah Protein, dan Lemak,
Karbohidrat, Kalsium.
Metode ini akan membagi 4 variabel menjadi 2 grup yaitu zat gizi mikro dan zat gizi
makro pada makanan. Hasil dari analisis data tersebut akan menunjukkan jenis makanan
tersebut termasuk jenis makanan yang mengandung banyak zat gizi mikro atau lebih banyak
mengandung zat gizi makro.

Kata Kunci: Zat gizi makro, zat gizi mikro, analisis diskriminan .

1. Pendahuluan
Zat gizi pada makanan dapat dibagi menjadi 2 bagian berdasarkan jumlah yang
terkandung didalamnya, yaitu zat gizi mikro merupakan zat gizi yang dibutuhkan
tubuh dalam jumlah kecil atau sedikit dan zat gizi makro merupakan zat gizi yang
dibutuhkan tubuh dalam jumlah besar(web 1) .
Pada identifikasi jenis makanan berdasarkan gizi yang dikandung ini, telah
didentifikasi masing – masing 2 jenis gizi yang merupakan zat gizi mikro dan
makro. Zat gizi mikro yang telah diidentifikasi yaitu karbohidrat dan kalsium,
sedangkan zat gizi makro yaitu protein dan lemak. Akan tetapi dapat dijumpai
bahwa jenis makanan yang didaftar tidak dikelompokkan dengan mudah
berdasarkan kedua jenis gizi tersebut. Terlebih lagi jika makanan bersifat lokal
maka identifikasi makanan tersebut sangat sulit dilakukan (Ireland, 2000). Demikian
pula berdasarkan Daftar Makanan Indonesia pada literatur, pengelompokkan masih
Seminar Nasional Statistika Universitas Diponegoro, Semarang, 21 Mei

berdasarkan jenis makanan yang tentunya masih dilakukan secara manual. Makalah
ini memberikan cara melakukan klasifikasi dengan analisa diskriminan.

Makalah ini menggunakan data yang bersumber dari Daftar Komposisi Bahan
Makanan (DKBM) Indonesia yang ditunjukkan pada Tabel 1.
Tabel 1.
Data Kandungan Gizi pada Jenis - jenis Makanan

Kandungan
No Nama Makanan
Protein Lemak Karbohidrat Kalsium
1 Bandeng Presto 17.10 20.30 11.30 1422.00
2 Cumi - cumi Goreng 40.60 10.10 0.00 62.00
3 Empek Tangiri 7.20 1.20 33.40 164.00
4 Gurame Asam Manis 12.70 10.10 12.70 283.00
5 Ikan Mas Goreng 18.10 0.00 0.00 20.00
6 Mujair Goreng 46.90 23.90 0.00 346.00
7 Botok Lamtoro 11.70 9.70 13.00 771.00
8 Buncis Rebus 2.20 0.20 6.40 107.00
9 Keredok 2.20 3.30 114.10 174.00
10 Gado - gado 6.10 3.20 21.00 301.00
11 Ketoprak 7.90 7.70 13.00 153.00
12 Pecel 11.14 12.53 31.72 267.00
13 Sayur Asem 0.70 0.60 5.00 40.00
14 Sayur Daging Sapi 21.70 0.00 0.00 21.30
15 Sayur Lodeh 1.90 0.00 0.00 35.40
16 Soup 1.40 0.00 0.00 20.80
17 Sayur Tahu Toge 3.40 0.00 0.00 47.90
18 Sayur Tempe 9.30 0.00 0.00 98.70
19 Semur Jengkol 1.80 2.40 12.10 0.02
20 Semur Telur 5.00 0.00 0.00 60.80
21 Soto Banjar 4.70 6.70 5.10 147.00
22 Soto Betawi 2.50 8.80 11.50 222.00
23 Soto Kudus 2.60 2.30 1.80 237.00
24 Soto Pekalongan 3.00 6.80 5.10 322.00
25 Toge Goreng 3.20 2.10 14.00 168.00
26 Tumis Bayam 2.00 0.00 0.00 191.90
27 Tumis Kangkung 2.50 0.00 0.00 69.60
28 Cerelac 9.00 15.50 68.90 443.33
29 Sosis daging 14.50 42.30 2.30 28.00
30 Kelepon 3.70 3.70 41.80 232.00
31 Kue Bika Ambon 2.10 1.20 44.40 45.00
32 Bawal Goreng 19.00 1.70 0.00 20.00
33 Cumi - cumi 16.10 0.70 0.00 32.00
 Seminar Nasional Statistika Universitas Diponegoro, Semarang, 21 Mei

34 Kue Wijen 18.20 38.40 36.80 251.00

35 Udang Goreng 21.00 0.20 0.10 136.00
36 Kepiting Asam Manis 13.80 3.80 14.10 210.00
37 Lapis Legit 6.60 15.70 55.50 16.00
38 Ledre Pisang 4.80 5.10 84.90 59.00
39 Mendhut 3.11 1.19 16.35 16.00
40 Pisang Goreng 1.40 3.80 23.10 7.20
41 Gambas Oyong 0.80 0.20 4.10 19.00
42 Tumis Kacang Panjang 2.70 0.30 7.80 49.00
43 Satru Ponorogo 13.90 2.10 76.40 116.00
44 Taoge Kacang Kedele 9.00 2.60 6.40 50.00
45 Widaran 1.30 10.70 80.70 49.00
46 Wingko Babat 3.20 15.10 51.40 47.00
47 Yangko 3.00 1.10 58.10 184.00
48 Donat 9.40 10.40 56.50 0.00
49 Enting Gepuk 13.30 29.20 52.00 76.00
50 Bakpau 12.20 2.60 42.60 21.00

Makalah ini disusun sebagai berikut. Pada Bab II ditunjukkan analisa diskriman
sebagai metode yang digunakan dalam melakukan pengelompokkan. Prosedur yang
dilakukan dijelaskan secara bertahap pada Bab III. Selanjutnya sebagai hasil analisis
ditunjukkan pada Bab IV. Adapun kesimpulan dinyatakan pada bagian akhir makalah
ini.

2. Analisis Diskriminan
Pada dasarnya analisa diskriminan dipergunakan untuk mengetahui peubah-peubah
penciri yang membedakan kelompok individu yang ada, selain itu juga dapat
dipergunakan sebagai kriteria pengelompoka n yang dilakukan berdasarkan perhitungan
statistik terhadap kelompok yang terlebih dahulu diketahui secara jelas
pengelompokannya. Apabila dua atau lebih grup ( n1, n2 ,..., nm ) telah diukur dalam

beberapa peubah
X1, X 2 ,..., maka dapat dibangun fungsi linear tertentu, dimana
Xm
fungsi itu merupakan fungsi pembeda terbaik bagi kelompok – kelompok grup yang
diteliti.

Analisis diskriminan adalah teknik statistika untuk mengelompokkan grup - grup

ke dalam kelompok-kelompok yang saling bebas berdasarkan sekelompok variabel
bebas. Proses klasifikasi grup – grup tersebut merupakan salah satu analisis statistika
Seminar Nasional Statistika Universitas Diponegoro, Semarang, 21 Mei

yang diperlukan, jika ada beberapa kelompok grup kemudian ingin diketahui apakah
kelompok-kelompok tersebut memang berbeda secara statistika. Kelompok-kelompok
ini terjadi karena ada pengaruh satu atau lebih variabel lain yang merupakan variabel
independen. Kombinasi linier dari variabel- variabel ini akan membentuk suatu fungsi
diskriminan. Apabila dimensi data sangat besar, maka analisis diskriminan daapat
dilakukan dengan melakukan pengelompokan data terlebih dahulu (clustering) (
Thomas dan Dean,-).
Pada makalah ini data akan dipisahkan menjadi 2 grup dan misalkan ruang sampel
adalah suatu populasi P. Sebutlah grup
 1 sebagai zat gizi makro dan  sebagai grup
2

zat gizi mikro dengan ketentuan bahwa kalsium dan karbohidrat termasuk kelompok zat
gizi mikro sedangkan protein dan lemak termasuk kelompok zat gizi makro. Sedangkan
data pada Tabel 1 terdiri dari 4 sampel, protein, lemak karbohidrat dan kalsium.
Pada makalah ini akan ditekankan pada pengklasifikasian data multivariat dalam 2
kelompok grup dengan nilai kovariansi sama yaitu ∑1 = ∑2 = ∑. Sebutlah
f1 (x)
menyatakan fungsi densitas untuk
1 f 2 (x)  2 . Fungsi densitas masing-
masing adalah dan untuk
i= 1, 2 . (1)

Misalkan data di setiap sampel dalam variabel

(2)

Sedangkan nilai rata-rata dan kovariansi untuk masing – masing sampel

dan yaitu berturut-turut

. (3a)

Pada pengelompokkan masing- masing individu data, dapat terjadi salah

penempatan (misclassification) yang dapat berpengaruh terhadap biaya yang digunakan.
Biaya suatu anggota grup salah ditempatkan sebagai anggota grup sebutlah c(1|
2).
Seminar Nasional Statistika Universitas Diponegoro, Semarang, 21 Mei

Sebutlah pula c(2|1) merupakan biaya suatu anggota grup salah ditempatkan sebagai
anggota grup . Kita perlu mempunyai sifat rata-rata sebagai harapan biaya salah
terklasifikasi (expected cost misclassification (ECM)) yang sekecil mungkin. Yang
dimaksud biaya disini dapat juga berupa energi atau usaha yang digunakan dalam
pengelompokan. Dalam aplikasi seringkali sangat sulit untuk terukur.

Karena batas antar grup dapat bias (tidak tegas), maka kita perlu melakukan
klasifikasi dengan mempunyai probabilitas prior tiap grup terlebih dahulu. Sebutlah
dan berturut-turut menyatakan probailitas prior grup ke-1 dan grup ke-2. Jika domain
grup adalah R1 dan domain grup adalah R2 maka berlaku (Johnson dan
Wichern,2007, hal.500)

f1(x)  c(1| 2)  f1 (x)  c(1| 2)  p2

p2
R1 : f (x)    dan R :   . (3b)
2
2  c(2 | 1)  f2 (x)  c(2 | 1)  p1
p1

Seber menjelaskan formulasi (3b) secara lebih detail [4] yang diperoleh dengan
memperhatikan total nilai harapan ECM yang diminimalkan.

Salah satu kejadi khusus dengan ECM yaitu untuk c(1|2) = c(2|1) atau rasio
keduanya sama dengan 1 yang artinya biaya untuk salah penempatan pada grup 1 dan
grup 2 sama. Maka dapat diperoleh persamaan (3b) menjadi

f1 (x) p2 p2
R :  ; R : f1 (x) . (3c)

f 2(x) p f (x) p
1 2
1 2 1

Karena diasumsikan kedua grup tersebut mempunyai matriks kovariansi grup ∑

yang sama, maka matriks kovariansi sampel S1 dan S2 berasal dari 1 kelompok grup,
maka dapat diperoleh kovariansi kelompok tersebut melalui persamaan berikut :

(4)

Dengan mensubtitusi nilai untuk , untuk dari persamaan (3a) pada

persamaan (4) maka dapat diperoleh aturan klasifikasi. Suatu sampel
x0 dalam grup
 1 jika dipenuhi
 Seminar Nasional Statistika Universitas Diponegoro, Semarang, 21 Mei

(5)

Diasumsikan bahwa nilai = 1, diperoleh nilai .

Karena nilai sehingga persamaan (5) menjadi

. (6)

Jika persamaan (6) terpenuhi, maka

x0 (sampel) masuk dalam grup  1

sedangkan jika tidak terpenuhi

maka x0 (sampel) masuk dalam grup  2 . Pada literatur

tidak ditunjukkan bagaimana

x0 diambil. Pada makalah ini x0 merupakan vektor yang

tiap komponennya merupakan rata-rata dari komponen dalam grup yang sama.
Contoh 1: Untuk data Bandeng presto pada Tabel 1, maka
2].
Jadi setiap jenis makanan pada Tabel 1 perlu ditentukan x0 yang disubstitusikan
vektor pada persamaan (6).
Formulasi yang telah disebutkan mensyaratkan bahwa data haruslah
berdistribusi normal. O leh karena itu data perlu diuji dan hal ini ditunjukkan pada
Teorema 1 (Parhusip.dkk, 2010)

Teorema 1. Jika X= [ X1,...,X p ] berdistribusi N p (, dengan  > 0 maka

)

1. x  ' 1x  terdistribusi X 2 ( , dengan X 2 ( ) menyatakan chi-square

 )
p p
distribusi dengan derajat kebebasan sebesar p.
2. N p (, ) menyatakan distribusi untuk probabilitas (1-  )

ellipsoida x : (x  )'  1(x  )  X p 2 ( ) dengan X 2 ( )

p
menyatakan batas atas
prosentase ke 100x dari distribusi X 2 .p
Oleh karena itu sebagai uji normalitas berdasarkan data sampel yaitu :

x   ' S 1x     Xp2 ( ) (7)

dengan X 2 ( ) menyatakan distribusi chi-squre. Jika persamaan (7) tersebut tidak

p

dipenuhi maka data dianggap tidak berdistribusi normal. Kita akan menyatakan
banyaknya data berdistribusi normal dalam prosentase. Jika sebagian besar data
Seminar Nasional Statistika Universitas Diponegoro, Semarang, 21 Mei

memenuhi persamaan (7) maka kita dapat menyimpulkan data secara keseluruhan
berdistribusi normal.

Perlu diperhatikan bahwa formula yang digunakan bebas dimensi. Sehingga

setiap data yang digunakan dalam analisa haruslah bebas dimensi. Kita dapat melakukan
hal itu dengan membagi setiap data tiap kolom dengan maksimum tiap kolom.

3. Metode Penelitian
1. Data yang digunakan
Data yang digunakan pada kasus ini di ambil dari data Daftar Komposisi
Bahan Makanan (DKBM) Indonesia (Tabel 1). Data dipilih sebanyak 50
jenis makanan dan 4 variabel yang masing – masing mewakili jenis zat gizi
yang ada.
2. Data dinyatakan tanpa dimensi dengan membagi tiap kolom dengan maksimum
tiap kolom.
3. Data perlu diuji apakah berdistribusi normal. Jika berdistribusi normal maka
analisa diskriminan dapat dilakukan.
4. Data yang berdistribusi normal tersebut kemudian dipisahkan menjadi 2
kelompok grup yaitu makro (protein dan lemak) dan mikro (karbohidrat dan
kalsium).
Analisa dengan prosedur tersebut dilakukan dengan menggunakan bantuan program
MATLAB 6.5.
4. Hasil dan Pembahasan
Agar analisis diskriminan dapat dilakukan, maka normalitas data terlebih dahulu
diuji. Hal itu dilakukan menggunakan bantuan program Matlab 6.5. Kita menggunakan
  0.05 dan derajat kebebasan p=4 berdasarkan X 2 ( ) X 2 ( ) = 9.49
p p
Tabel diperoleh

yang digunakan sebagai batas pada persamaan (7). Hasil uji kenormalan tersebut dapat
terlihat dalam Gambar 1 dengan garis putus-putus menyatakan nilai batas
X 2 ( ) =
p

9.49. Diatas garis batas, maka data tidak berdistribusi normal. Akan tetapi hanya
sebagian kecil data yang tidak berdistribusi normal (6%). Oleh karena itu dapat
disimpulkan data secara keseluruhan berdistribusi normal.
Seminar Nasional Statistika Universitas Diponegoro, Semarang, 21 Mei

Gambar 1. Uji normalitas data (Data di atas garis horizontal merupakan data yang tidak berdistribusi
normal)

Selanjutnya dengan menggunakan persamaan (3-6) kita dapat melakukan analisa

diskriminan. Untuk menggunakan persamaan (6) maka matriks kovariansi gabungan
haruslah punya invers (tidak singular). Diperoleh bahwa

. Dapat diselidiki bahwa matriks ini punya invers

(determinan tidak nol) sehingga persamaan (6) dapat digunakan. Dengan membuat
pemrograman MATLAB, kita dapat menseleksi bahwa daftar makanan yang makro
pada Tabel 1 adalah makanan pada daftar No berikut
[1; 3; 4; 7; 9; 10; 12; 22; 24; 25; 28; 30; 31; 36; 37; 38;
40 43; 45; 46; 47; 48; 49; 50].
Hasil pengelompokkan ini dapat didaftar pada Excel untuk mendapatkan tampilan
visual yang lebih mudah dibaca yang ditunjukkan pada Gambar 2. Untuk histogram
yang cukup kecil (dekat di 0) dapat dikatakan bahwa jenis makanan tersebut tidak dapa t
berbeda secara signifikan dalam salah satu kelompok.
Seminar Nasional Statistika Universitas Diponegoro, Semarang, 21 Mei

Gambar 2. Hasil klasifikasi data Tabel1 dalam kelompok makro (Protein dan lemak) yang berada
di atas 0 dan kelompok gizi mikro (berada di bawah 0). Nilai pada garis vertikal adalah nilai yang
diperoleh pada ruas kiri persamaan (6)

Kita dapat menggunakan Gambar 2 sebagai referensi. Misalkan bandeng presto

lebih dikenal oleh awam yang memuat kandungan protein dan lemak dibandingkan
karbohidrat dan kalsiumnya. Sedangkan cumi-cumi goreng lebih memuat karbohidrat
dan klasiumnya dibandingkan protein dan lemaknya, dan seterusnya. Hasil ini perlu
diteliti lebih lanjut dengan para ahli ilmu pangan.

Pengelompokan yang hanya memuat 2 grup tentu masih dapat dikembangkan

untuk lebih dari 2 grup. Selain itu, pada Gambar 2 dapat dipilih hasil pengelompokan
yang signifikan (tanpa diuji lebih lanjut) untuk masing- masing kelompok. Hal ini
ditunjukkan pada Tabel 2.

Tabel 2.
Daftar hasil pengelompokan jenis makanan yang digolongkan menjadi 2 grup

Daftar makanan dengan zat Daftar makanan dengan zat

makro lebih banyak (protein mikro lebih banyak (karbohidrat
dan lemak) dan kalsium)

Badeng presto, Botok Lamtoro, Cumi, ikan mas goreng, mujahir

karedok, Cerelak, ledre pisang, goreng, sayur daging sapi, soup,
Satru ponorogo, widaran, semur telur, sayur lodeh.
wingko babat, yangko, donat,
bakpao
 Seminar Nasional Statistika Universitas Diponegoro, Semarang, 21 Mei

5. Kesimpulan

Makalah ini berisi tentang pengelompokan jenis makanan berdasarkan zat gizi yang
dikandungnya. Dengan menggunakan daftar makanan yang diberikan oleh data yang
digunakan, daftar tersebut dapat dikelompokkan dalam 2 grup. Terdapat 50 jenis
makanan dengan berbagai variasi dikelompokkan dalam 2 macam zat gizi yaitu makro
(Protein dan Lemak) dan zat mikro (karbohidrat dan kalsium).

Daftar Pustaka

[1] Johnson,R.A and Wichern, D.W., Applied Multivariate Statistical Analysis, 6th ed.
Prentice Hall, 2007. ISBN 0-13-187715-1.
[2] Ireland, J.D and Moller, A. ,Review of International Food Classification and
Description, Journal of Food Composition and Analysis, 2000, 13, 529-538.
[3] Parhusip, H. A., Evi, K., dan Dyah K., Uji Normalitas dan Fungsi Linear Kepadatan
Penduduk Salatiga tahun 2008, Prosiding Seminar Nasional dan Pendidikan Sains
FSM ISSN: 2087-0922, Vol.1 No.1 Juni 2010, hal. 643-654.
[4] Seber, G.A. F, Multivariate Observations, Wiley Series in Probability and
Mathematical Statistics, 1984.
[5] Thomas , B. M. and Dean, N., Variable Selection and Updating In Model-Based
Discriminant Analysis for High-Dimensional Data,-

Pustaka Internet
Web 1: http://dahlanforum.wordpress.com/2009/04/24/zat-zat-gizi-yang-dibutuhkan-
tubuh/.

View publication stats