SKRIPSI
Diajukan Oleh:
ALDHY ERWIN
19101152630042
PADANG 2023
LEMBAR PERNYATAAN
No. BP : 19101152630042
Menyatakan Bahwa :
1. Sesungguhnya skripsi yang saya susun ini merupakan hasil karya tulis saya
sendiri, adapun bagian-bagian tertentu dalam skripsi yang saya peroleh dari
hasil karya orang lain, telah saya tuliskan sumbernya dengan jelas, sesuai
oleh orang lain, maka saya bersedia menerima saksi yang diberikan akademik,
baru.
Demikian surat ini saya buat dengan sungguh-sungguh tanpa adanya paksaan dari pihak
manapun.
ALDHY ERWIN
19101152630042
ii
LEMBAR PENGESAHAN SKRIPSI
ALDHY ERWIN
19101152630042
Pembimbing I Pembimbing II
iii
LEMBAR PENGESAHAN PENGUJI SIDANG SKRIPSI
ALDHY ERWIN
19101152630042
TIM PENGUJI :
iv
LEMBAR PENGESAHAN LULUS SIDANG SKRIPSI
ALDHY ERWIN
19101152630042
Memenuhi syarat
Pembimbing I Pembimbing II
v
ABSTRACT
vi
ABSTRAK
vii
KATA PENGANTAR
Alhamdulillah puji dan syukur bagi Allah S.W.T, yang telah melimpahkan
rahmat dan karunia-Nya serta shalawat dan salam kepada Nabi Muhammad S.A.W,
penelitian ini dapat disajikan dalam bentuk tulisan, dan diharapkan dapat membantu
pada Fakultas Ilmu Komputer Universitas Putra Indonesia “YPTK” Padang. Dan
tentu tidak terlepas dari bantuan, dorongan dan bimbingan baik materil maupun
spritual dari berbagai pihak. Penulis mengucapkan rasa terima kasih kepada :
1. Ibu Dr. Zerni Melmusi, S.E, M.M, Ak, CA, selaku Ketua Yayasan
2. Bapak Prof. Dr. H. Sarjon Defit, S.Kom, M.sc. selaku Rektor Universitas
4. Bapak Eka Praja Wiyata Mandala, S.Kom, M.Kom. selaku Ketua Program
viii
5. Bapak Musli Yanto, S.Kom, M.Kom, selaku
7. Bapak dan Ibu Dosen serta Karyawan dan Karyawati Universitas Putra
8. Bapak dan Ibu Dinas Kesehatan Kab. Lima Puluh Kota yang sudah
ini
dalam penulisan skripsi ini, untuk itu penulis mengharapkan kritik dan saran yang
membangun demi perbaikan laporan skripsi ini untuk masa datang. Semoga skripsi
ini bermanfaat bagi kita semua dan mendapat berkah dari Allah SWT, Amin.
Aldhy Erwin
ix
DAFTAR ISI
HALAMAN JUDUL...................................................................................................i
HALAMAN PERNYATAAN....................................................................................ii
ABSTRACT...............................................................................................................vi
ABSTRAK................................................................................................................vii
KATA PENGANTAR.............................................................................................viii
DAFTAR ISI...............................................................................................................x
DAFTAR GAMBAR...............................................................................................xvi
DAFTAR TABEL.....................................................................................................xx
BAB I PENDAHULUAN...........................................................................................1
1.3 Hipotesis.........................................................................................................11
1.7.2 Visi dan Misi Dinas Kesehatan Kab. Lima Puluh Kota...........................14
x
1.7.2.1 Visi...................................................................................................15
1.7.2.2 Misi...................................................................................................15
1.7.4.2 Sekretaris..........................................................................................18
xi
2.2 Unified Modeling Language............................................................................34
2.6.1.1 Neuron..............................................................................................47
2.8 Normalisasi......................................................................................................56
2.10 Stunting..........................................................................................................60
xii
2.11.1 Definisi Website.....................................................................................61
2.11.2 HTML....................................................................................................62
2.11.3 CSS........................................................................................................62
2.11.4 PHP........................................................................................................62
2.12 MATLAB......................................................................................................63
2.14 MySQL..........................................................................................................63
2.15 XAMPP..........................................................................................................67
3.2.3 Analisa.....................................................................................................73
3.2.4 Perancangan.............................................................................................74
3.2.5 Implementasi............................................................................................75
3.2.6 Pengujian..................................................................................................75
xiii
4.3.3 Metode Multilayer Perceptron (MLP).....................................................86
xiv
5.1.1 Implementasi pada Software MATLAB.....................................................137
5.2 Pengujian.......................................................................................................149
BAB IV PENUTUP................................................................................................163
6.1 Kesimpulan....................................................................................................163
6.3 Saran..............................................................................................................164
DAFTAR PUSTAKA
LAMPIRAN
xv
DAFTAR GAMBAR
Gambar 1.1 Struktur Organisasi Dinas Kesehatan Kab. Lima Puluh Kota................16
xvi
Gambar 4.9 Sequence Diagram Umum Melihat Home............................................112
xvii
Gambar 5.2 Tampilan Input Data Set.......................................................................138
xviii
Gambar 5.26 Klasifikasi...........................................................................................160
xix
DAFTAR TABEL
Tabel 4.6 Hasil Perhitungan Output Neuron ke-J pada Hidden Layer.......................97
Tabel 4.7 Hasil Perhitungan Suku Perubahan Bobot pada Hidden ke Output..........100
xx
Tabel 4.15 Desain File Profile..................................................................................131
xxi
BAB I
PENDAHULUAN
Anak merupakan salah satu sumber daya manusia berpotensi yang dimiliki
anak merupakan seseorang belum berusia 18 (delapan belas) tahun dan tidak
(Pravitria, 2018)
terkecuali anak yang masih berada dalam kandungan . Selaras
dan Perlindungan Anak No. 4 tahun 2017 juga menyebutkan bahwa anak adalah
seseorang yang berusia di bawah 18 tahun, termasuk anak yang masih di dalam
(Ni et al., 2019)
kandungan . Anak dapat diartikan pula sebagai seseorang yang berada
pada masa perkembangan tertentu dan memiliki kesempatan untuk tumbuh menjadi
dewasa. Namun, bukan berarti anak adalah manusia dalam bentuk kecil ataupun
(Firmansyah, 2020)
manusia dewasa yang masih kurang dalam beberapa hal .
Sehingga, anak dapat diartikan sebagai generasi muda yang berada pada masa
pertumbuhan dan memiliki kesempatan menjadi manusia dewasa, yang belum berusia
18 (delapan belas) tahun, termasuk anak yang masih berada di dalam kandungan.
Anak adalah pemberian dari Tuhan Yang Maha Kuasa sehingga hak agar
seorang anak dapat tumbuh dan berkembang sesuai dengan ketentuan dan kadarnya
2
harus dilindungi. Pasal 24 angka 1 Konvensi Hak Anak menjelaskan bahwa setiap
anak diakui haknya untuk mendapatkan status kesehatan dengan standar paling tinggi
dan memperoleh sarana-sarana kesehatan. Salah satu dari sekian banyak hak anak
yang harus dilindungi dari seorang anak, hak kesehatan merupakan hak yang menjadi
prioritas, karena anak harus diberikan gizi yang seimbang dan perawatan kesehatan
yang baik agar kemudian anak bisa tumbuh dan berkembang sesuai dengan usianya
(Fadlyansyah, 2020)
. Pemantauan tumbuh kembang seorang anak harus dilakukan
sejak usia dini sebagai bentuk usaha untuk mendapatkan sumber daya manusia yang
berkualitas. Adapun usia dini yang dimaksud adalah 5 (lima) tahun pertama
kehidupan seorang anak yang kemudian dikenal sebagai masa keemasan atau Golden
(Oktaviani et al., 2021)
Age . Golden Age Period merupakan masa dimana otak
seorang anak berkembang sangat pesat. Periode emas adalah suatu periode yang
(Ditauli Lubis, 2020)
sangat penting dan vital dalam masa kehidupan manusia . Masa
keemasan pada 5 (lima) tahun pertama kehidupan seorang anak adalah sesuatu yang
kembang, dimana hal ini adalah sesuatu yang penting dan menjadi bagian dari hak
Tumbuh kembang anak yang berusia di bawah 5 (lima) tahun adalah sesuatu
yang penting, sehingga pada periode ini seorang anak harus mendapatkan asupan gizi
(Adyatama et al., 2020)
dan disertai dengan pola makan yang baik . Sebutan tumbuh
seluruh hal mengenai perkembangan anak, seperti tinggi, lebar, dan perkembangan
3
bentuk atau pematangan organ tubuh individu, termasuk pada transformasi sosial dan
(Julizal et al., 2019)
emosional yang diakibatkan oleh lingkungan . Tumbuh kembang
anak juga dapat diartikan sebagai 2 (dua) hal yaitu pertumbuhan dan perkembangan.
Pertumbuhan berkaitan erat dengan ukuran atau pada anak yang dapat dihitung
sebagai bertambahnya susunan dan fungsi tubuh yang jauh lebih kompleks dalam
kemampuan gerak kasar, bicara, gerak halus, dan bahasa, juga termasuk sosialisasi
(Mujiastuti et al., 2018)
dan kemandirian . Artinya, tumbuh kembang pada dasarnya
merujuk pada 2 (dua) hal yang berbeda yaitu nya pertumbuhan dan perkembangan.
Pertumbuhan berarti meningkatnya ukuran fisik dan struktur badan yang dapat diukur
bertambahnya susunan dan fungsi tubuh yang lebih kompleks, yang mana
gizi/nutrisi. Gizi atau nutrisi adalah hal yang harus ada dan tercukupi karena
kembang fisik, otak, dan sistem saraf, bahkan kecerdasan dan tingkat intelektualitas
(Mayar et al., 2021)
manusia . Sebenarnya ada banyak faktor yang mempengaruhi
tumbuh kembang seorang anak dan salah satu tersebut adalah nutrisi/gizi. Kebutuhan
gizi pada anak usia dini sangat vital terhadap pertumbuhan serta perkembangannya,
terutama perkembangan otaknya, hal tersebut sangat tergantung kepada asupan gizi
4
yang diperoleh (Rahmi, 2019) . Kebutuhan gizi sejak dini sangat penting,
terpenuhinya kebutuhan gizi yang seimbang dapat membuat anak tumbuh sehat dan
cerdas. Apabila kebutuhan asupan ini tidak terpenuhi, akan berdampak pada
cekatan, dan kurang cerdas serta daya imun tubuh yang rendah merupakan akibat dari
(Amirullah et al., 2020)
tidak terpenuhinya kebutuhan gizi seorang anak . Terdapat
hubungan antara tumbuh kembang anak dan kebutuhan serta asupan gizi, dimana
ketika seorang anak mendapatkan asupan gizi yang cukup dan terpenuhi, maka
tumbuh kembang nya akan berlangsung secara optimal. Ketika asupan gizi anak tidak
terpenuhi maka tumbuh kembang nya akan terganggu. Bahkan, kekurangan asupan
gizi atau nutrisi dapat mengakibatkan hal-hal negatif atau bahkan penyakit yang lebih
Stunting (anak pendek) adalah salah satu permasalahan yang muncul akibat
dari permasalahan gizi. Stunting merupakan status gizi yang didasarkan pada indeks
Panjang Badan (PB)/Umur (U) atau Tinggi Badan (TB)/Umur (U), dimana pada
akan dikategorikan sebagai stunting pendek dan yang penilaian di bawah -3 SD akan
Menurut data terbaru WHO pada 2014, tercatat sekitar 24,5% anak di dunia yang
5
mengalami stunting dan 80% nya tersebar di 14 negara dunia. Prevalensi stunting
terbesar terdapat di India sebesar 48% (61.723 anak menderita stunting) sedangkan
Indonesia menempati posisi kelima bersama dengan China sebesar 36% pada 2014
(7547 anak stunting). Stunting merupakan akibat dari masalah kurang gizi yang
berlangsung dalam kurun waktu yang lama sehingga membuat pertumbuhan pada
anak yaitu nya tinggi badan menjadi terhambat dan lebih rendah (kerdil) daripada
(Masitha Arsyati, 2019)
seharusnya . Dalam usaha pencegahan stunting pemerintah
dunia, terutama negara-negara dengan prevalensi yang cukup tinggi. Tidak hanya
Dinas Kesehatan Kab. Lima Puluh Kota merupakan unsur pelaksana otonomi
daerah pada bidang kesehatan di Kab. Lima Puluh Kota. Dinas Kesehatan
Sekretaris Daerah. Dinas Kesehatan memiliki tanggung jawab untuk mengurus segala
hal yang berkaitan dengan peningkatan kualitas kesehatan di daerah otonomi tertentu.
Salah satu seksi yang ada pada bagian di Dinas Kesehatan Kab. Lima Puluh Kota
6
adalah Seksi Kesehatan Keluarga dan Gizi Masyarakat yang bertanggung jawab
untuk menjaga serta meningkatkan kualitas mutu kesehatan keluarga dan gizi
masyarakat Kab. Lima Puluh Kota. Dalam pelaksanaan tanggung jawab tersebut,
salah satunya, Dinas Kesehatan melalui Seksi Kesehatan Keluarga dan Gizi telah
stunting pada anak di Kab. Lima Puluh Kota. Kegiatan pendataan ini dapat
setiap Kecamatan di Kab. Lima Puluh Kota. Dinas Kesehatan Kab. Lima Puluh Kota
dalam menentukan status stunting pada anak akan menggunakan data yang diperoleh,
kemudian membagi tinggi badan atau panjang badan dengan umur, kemudian hasil
pembagian tersebut akan dibandingkan dengan standar deviasi yang ada berdasarkan
paduan dari WHO. Meski telah memiliki sistem penyimpanan data yang
terkomputerisasi, namun dalam penentuan status stunting anak di Kab. Lima Puluh
manual. Hal ini membuat Dinas Kesehatan Kab. Lima Puluh Kota kesulitan dan
dirasa kurang efektif ketika harus menghitung dan menganalisa ribuan data anak di
Kab. Lima Puluh Kota. Hal ini juga menyebabkan lambatnya pengambilan keputusan
oleh Dinas Kesehatan Kab. Lima Puluh Kota dalam melakukan percepatan penurunan
angka stunting di Kab. Lima Puluh Kota. Sehingga, Dinas Kesehatan Kab. Lima
Puluh Kota dirasa membutuhkan suatu sistem ter komputasi yang dapat
anak di Kab. Lima Puluh Kota. Adapun salah satu sistem ter komputasi yang dapat
dibangun untuk mempermudah Dinas Kesehatan Kab. Lima Puluh Kota dalam
7
menentukan kasus stunting adalah sistem yang berbasis kecerdasan buatan yaitu
dengan melakukan training terhadap data dalam jumlah besar, ANN memiliki
kemampuan untuk men toleransi kesalahan sehingga dapat memperoleh prediksi yang
baik, dan Artificial Neural Network termasuk kedalam metode yang sangat baik
manusia belajar dengan diberikan sebuah contoh atau yang dapat dikenal dengan
(Prambudi & Febrianti, 2022)
supervised learning . Artificial Neural Network
mempunyai unit-unit pemrosesan yang disebut sebagai Neuron yang mana tersusun di
dalam beberapa lapisan tertentu dan saling berhubungan melalui asosiasi bobot
(Nugraha et al., 2021)
. Tiap-tiap neuron pada jaringan syaraf tiruan dapat
memperoleh signal input, untuk memproses mereka, dan mengirimkan signal output
(Arditanti et al., 2022)
. Artificial Neural Network telah diimplementasikan untuk
Network dalam menentukan status gizi pada balita menunjukan penggunaan model
klasifikasi jaringan syaraf tiruan membuat penentuan status gizi pada balita menjadi
(Hidayat, 2020)
lebih optimal dan lebih mudah . Penelitian tentang penggunaan
8
Artificial Neural Network pada analisa pengaruh gizi buruk terhadap perkembangan
balita menemukan bahwa ANN mampu melakukan analisa dengan baik berdasarkan
variabel input berupa usia, berat badan, tinggi badan, lingkar otot, lingkar kepala, dan
(Sovia & Yanto, 2018)
juga lingkar lengan . Penelitian lain, Artificial Neural
Network juga terbukti dapat digunakan untuk melakukan prediksi suatu kondisi yang
dimana kondisi tersebut sulit untuk dilakukan oleh manusia secara cepat, yaitu
Syaraf Tiruan dapat digunakan sebagai alat klasifikasi untuk memprediksi penyakit
(Purwono et al., 2022)
Hipertensi dengan ketepatan prediksi sebesar 85% . Jaringan
Syaraf Tiruan juga dapat meramalkan data berupa kenaikan dan penurunan harga
(Mahfuzh & Yuliantari, 2022)
saham dengan persentase 99.98% . Penerapan Artificial
Neural Network juga berhasil memprediksi Indeks Massa Tubuh Balita yang
(Simbolon et al., 2019)
mengalami peningkatan setiap tahunnya . Artificial Neural
Network atau Jaringan Syaraf Tiruan adalah sebuah sistem yang memproses
informasi yang mengadopsi proses pemrosesan otak manusia, dimana dari berbagai
menyelesaikan berbagai kasus yang berkaitan dengan prediksi, penemuan pola, dan
juga peramalan, mulai dari bidang kesehatan, cuaca, bahkan sampai dengan
penentuan genre musik. Ada beberapa model Artificial Neural Network yang dapat
9
Multilayer Perceptron.
disebut MLP adalah model jaringan perceptron yang mana pada arsitekturnya
digunakan kerangka multilayer, artinya model ini memiliki satu atau lebih lapisan
tambahan yang menghubungkan input dan output atau biasa dikenal dengan hidden
(Novandra et al., 2018)
layer . Multilayer Perceptron merupakan topologi yang paling
umum pada Artificial Neural Network, dimana pada topologi ini perceptron
dihubungkan oleh beberapa lapisan, lapisan tersebut terdiri dari lapisan input,
(Pintauli, 2020)
minimal satu lapisan tersembunyi, dan lapisan output . Multilayer
algoritma yang paling banyak digunakan dimana sekitar 95% aplikasi bisnis
menggunakan algoritma ini karena dapat menangani data yang mengandung noise
(Riyanto, 2018a)
. Berbagai penelitian terdahulu dari bidang yang berbeda-beda telah
Perceptron menunjukan bahwa metode ini secara ampuh dapat mengetahui gejala-
(Manihuruk & Syahrizal, 2020a)
gejala dari penyakit gastritis pada anjing . Penelitian
mengetahui produktivitas buruh pabrik dan mampu mempercepat proses pada tahun-
10
tahun selanjutnya (Silitonga, 2020) . Penelitian lain juga disebutkan bahwa model
produksi barang dan juga dapat digunakan sebagai alat prediksi selanjutnya sampai
(Priyatna & Syahputra, 2021)
pada batas yang diinginkan . Dari berbagai penelitian
klasifikasi secara ampuh pada kumpulan data untuk memprediksi kan, mendiagnosis,
dan menyelesaikan berbagai masalah dengan baik dan efisien, sehingga tepat
digunakan untuk penentuan kasus stunting pada anak di Kab. Lima Puluh Kota. Dari
melalui penelitian yang dilakukan. Berdasarkan latar belakang masalah yang telah
11
diuraikan diatas, maka dapat disimpulkan bahwa permasalahan yang akan dibahas
(MLP) mampu menentukan kasus Stunting pada anak di Kab. Lima Puluh
Kota?
Puluh Kota dalam membuat keputusan untuk menekan angka kasus Stunting?
1.3 Hipotesis
dengan hasil penelitian yang dilakukan. Berdasarkan permasalahan yang ada dapat
dalam penentuan kasus Stunting pada anak di Kab. Lima Puluh Kota.
diharapkan mampu menentukan kasus Stunting pada anak di Kab. Lima Puluh
Kota.
12
Kab. Lima Puluh Kota dalam membuat keputusan untuk menekan angka
kasus Stunting.
Batasan masalah adalah ruang lingkup masalah yang ingin dibatasi agar
penelitian ini tidak terlalu luas dan fokus pada masalah yang akan dibahas. Agar
penyusunan laporan penelitian ini menjadi sistematis dan mudah dimengerti, maka
akan diterapkan beberapa batasan masalah. Batasan tersebut adalah sebagai berikut:
1. Data yang digunakan dalam penelitian ini diperoleh dari Dinas Kesehatan
Kab. Lima Puluh Kota sebanyak 50 sampel kasus Stunting pada tahun 2022.
Tujuan penelitian merupakan hal-hal yang ingin dicapai atau diperoleh setelah
penelitian selesai dilakukan. Hal-hal yang ingin dicapai dan diperoleh melalui
Multilayer Perceptron.
Stunting.
penelitian setelah tujuan dari penelitian itu tercapai. Berikut ini adalah beberapa
manfaat yang dapat diperoleh ketika tujuan dari penelitian telah tercapai:
Kab. Lima Puluh Kota dapat mengetahui apakah seorang anak mengalami
Stunting atau tidak, mulai dari Stunting Sangat Pendek, Stunting Pendek,
hingga Normal.
14
organisasi atau barang yang akan diteliti yang secara umum akan memetakan atau
Berikut merupakan gambaran secara umum tentang objek pada penelitian ini.
Kesehatan keluarga dan gizi masyarakat adalah salah satu dari sekian banyak
hal yang menjadi fokus pemerintah baik di tingkat nasional maupun daerah pada
bidang kesehatan. Kesehatan keluarga dan gizi masyarakat sangat tergantung kepada
kebiasaan masyarakat dan juga program-program yang pemerintah hadir kan bagi
masyarakat. Setiap program yang dihadirkan oleh pemerintah tentu tergantung pada
Dinas Kesehatan Kab. Lima Puluh Kota merupakan unsur pelaksana otonomi
daerah pada bidang Kesehatan di Kab. Lima Puluh Kota. Dinas Kesehatan
daerah. Dinas Kesehatan Kab. Lima Puluh Kota memiliki 4 bidang dimana setiap
diantaranya seperti pendataan status Stunting pada anak demi menjaga kualitas masa
depan bangsa.
1.7.2 Visi dan Misi Dinas Kesehatan Kab. Lima Puluh Kota
Visi menjadi gambaran secara umum, target utama, serta cita-cita suatu
dapat dilakukan untuk mencapai visi. Berikut merupakan visi dan misi Dinas
1.7.2.1 Visi
segala hal yang berkaitan dengan peningkatan kualitas kesehatan di daerah Kab. Lima
Puluh Kota, Dinas Kesehatan Kab. Lima Puluh Kota memiliki visi yaitu
“Mewujudkan Lima Puluh Kota yang madani, beradab, dan berbudaya dalam
1.7.2.2 Misi
Visi sebagai tujuan utama sebuah lembaga ataupun organisasi harus diikuti
oleh misi sebagai langkah-langkah yang jelas dan menjadi acuan dalam setiap
keputusan yang diambil. Misi Dinas Kesehatan Kab. Lima Puluh Kota adalah sebagai
berikut:
jelas mengenai tugas, wewenang, dan tanggung jawab di Dinas Kesehatan Kab. Lima
Puluh Kota. Adapun struktur organisasi Dinas Kesehatan Kab. Lima Puluh Kota
Gambar 1.1 Struktur Organisasi Dinas Kesehatan Kab. Lima Puluh Kota.
sekelompok orang baik sebagai akibat dari jabatan yang dimiliki ataupun tugas yang
diberikan orang lain. Sedangkan, Tanggung jawab dapat diartikan sebagai satau atau
beberapa kegiatan yang bersifat mengikat dan wajib terkait jabatan yang dimiliki.
Berikut adalah uraian pekerjaan pada Dinas Kesehatan Kab. Lima Puluh Kota.
Puluh Kota yang bertanggung jawab secara langsung kepada Bupati sebagai Kepala
Daerah melalui Sekretaris Daerah. Berikut merupakan tugas dan tanggung jawab
Kepala Dinas:
18
dengan program yang telah ditetapkan dan kebijakan pimpinan agar target
diharapkan.
1.7.4.2 Sekretaris
Tugas utama dari sekretaris adalah untuk membantu Kepala Dinas dalam
monitoring, urusan administrasi umum dan kepegawaian. Berikut ini adalah tugas dan
pelaksanaan tugas.
sesuai dengan tugas pokok dan tanggung jawab yang ditetapkan agar tugas
lingkungan Sekretariat sesuai peraturan dan prosedur yang berlaku agar tidak
Bidang Kesehatan Masyarakat atau yang biasa dikenal dengan Kesmas adalah
bidang yang menyusun program dan bertanggung jawab atas setiap kegiatan yang
Masyarakat sesuai dengan tugas pokok dan tanggung jawab yang ditetapkan
pencegahan dan pengendalian penyakit. Berikut ini adalah tugas dan tanggung jawab
tanggung jawab yang ditetapkan agar tugas yang diberikan dapat dijalankan
kesehatan di tengah masyarakat. Berikut adalah tugas dan tanggung jawab Bidang
Pelayanan Kesehatan:
Kesehatan sesuai dengan tugas pokok dan tanggung jawab yang ditetapkan
Bidang Pelayanan Kesehatan sesuai peraturan dan prosedur yang berlaku agar
menentukan persebaran sumber daya kesehatan yang tersedia. Berikut adalah tugas
Daya Kesehatan sesuai dengan tugas pokok dan tanggung jawab yang
ditetapkan agar tugas yang diberikan dapat dijalankan efektif dan efisien.
bidang.
BAB II
LANDASAN TEORI
Rekayasa Perangkat Lunak. Sebagai sebuah disiplin managerial dan teknis yang
Perangkat Lunak tentu penting dibahas dalam tulisan ini. Berikut ini adalah
(Ali, 2019)
penjabaran hal-hal yang berkaitan dengan Rekayasa Perangkat Lunak .
proses yang dilakukan dalam upaya menghasilkan suatu software yang baik dan
disiplin ilmu yang membahas segala aspek produksi perangkat lunak, mulai dari
tahapan awal yaitu communication sampai dengan tahap maintenance setelah produk
proses yang amat panjang demi membangun atau menciptakan suatu perangkat lunak
yang baik dan berkualitas. Rekayasa Perangkat Lunak bukanlah cabang Ilmu
(Ali, 2019)
Komputer yang mempelajari tentang teknikal pengkodean .
22
lingkup atau wilayah cakupan. Jika dilihat dari sudut pandang wilayah cakupannya,
operasional Rekayasa Perangkat Lunak dapat dilihat pada Gambar 2.1 berikut
(Ali, 2019)
:
1. Software Requirements
Fase ini merupakan fase yang paling pertama dalam RPL. Fase ini didominasi
kebutuhan pengguna secara singkat dan tidak ambigu adalah langkah besar
2. Software Design
antar muka serta karakteristik lain dari sebuah perangkat lunak. Proses ini
merupakan salah satu fase dalam Rekayasa Perangkat Lunak, di mana terdapat
antarmuka, dan karakteristik lain dari suatu komponen dan hasil dari proses
tersebut.
3. Software Construction
Kegiatan ini meliputi aktifitas yang berhubungan dengan hal-hal yang detil.
menjadi sangat penting dalam penentuan apakah sebuah perangkat lunak akan
4. Software Testing
Kegiatan ini pada umumnya meliputi pengujian pada kinerja perangkat lunak
5. Software Maintenance
Proses ini adalah suatu disiplin yang secara teratur dan sistematis
Perangkat Lunak.
Proses selanjutnya adalah proses yang juga memiliki dampak yang besar
Bagian ini adalah bagian yang menitik beratkan pada kajian teoritis tentang
alat bantu RPL. Bagian ini juga membahas tentang metode dalam proses
Rekayasa Perangkat Lunak. Jadi berbeda dari bagian sebelumnya, pada bagian
ini lebih menitik beratkan pada peralatan dan metode apa saja yang akan
9. Software Quality
bagian ini berbeda. Bagian ini lebih menitik beratkan pada kualitas hidup
perangkat lunak. Selain itu bagian ini juga menitik beratkan pada daur hidup
perangkat lunak.
Proses ini merupakan proses yang tidak kalah pentingnya dengan proses yang
Bagian ini akan menjelaskan bahwa dalam Rekayasa Perangkat Lunak terdapat hal-
berskala kecil. Jika melakukan pengembangan sistem yang besar maka perlu
untuk dikaji setidaknya 2 hal yaitu metode yang digunakan dan manajemen
digunakan untuk sistem, yang dalam sudut pandang perangkat lunak, adalah
tenaga kerja, perangkat keras, perangkat lunak, dan sumber daya pendukung
lainnya. Tenaga kerja akan menjadi sangat dominan pada bagian ini karena
3. Konsistensi
dengan harga yang relatif rendah, namun di sisi lain sesuatu yang diharapkan
dari sebuah proyek adalah konsistensi. Hal ini akan semakin sulit didapatkan
dengan perubahan dari waktu ke waktu. Misal hari ini pengembangan bisa
Bagian ini akan membahas berbagai model proses yang berbeda pada
pengembangan perangkat lunak. Model proses untuk rekayasa perangkat lunak dipilih
berdasarkan sifat dari aplikasi dan proyek yang akan dibangun. Setiap model pada
dasarnya menunjukan karakteristik yang berbeda antara satu dan yang lainnya
(Ali, 2019)
.
Model Waterfall atau yang sering disebut dengan model air terjun merupakan
model proses pertama yang dikenalkan. Model ini merupakan pendekatan SDLC
pendekatan ini, seluruh proses pengembangan perangkat lunak dibagi menjadi fase-
fase yang terpisah dimana hasil satu fase akan menjadi masukan bagi fase
selanjutnya. Model Sekuensial Linier ini dapat digambarkan seperti Gambar 2.2
(Ali, 2019)
berikut :
28
analisis terhadap kebutuhan dari perangkat yang akan dibangun. Berdasarkan hasil
hasil desain akan dikodekan untuk membangun perangkat lunak yang diinginkan.
Proses terakhir pada model ini adalah testing, dimana proses ini akan menguji
apakah sistem yang dibangun sudah sesuai dengan apa yang diharapkan.
desain yang diharapkan. Model ini dapat diterapkan ketika informasi detail yang
terkait dengan persyaratan masukan dan keluaran sistem tidak tersedia. Model ini
pengembangan sistem. Model ini merupakan bentuk model sistem yang utuh menjadi
sebuah hasil desain. Model ini berguna ketika pengembang tidak yakin dengan
29
persyaratan atau algoritma, efisiensi, waktu respon, dan hal sebagainya dalam
pengembangan sebuah sistem. Dalam prototipe, klien akan terlibat dalam proses
dengan keinginan klien. Adapun proses pada model ini dapat dilihat pada Gambar 2.3
(Ali, 2019)
berikut :
Mock-up” merupakan tahapan pembuatan model setengah jadi dari sistem yang akan
dibangun. Tahapan akan di lanjutkan kepada tahapan “Costumers Test Drives Mock-
30
up” merupakan proses diana pengguna akan melakukan pengujian terhadap sistem
yang dibangun. Jika ada hal-hal yang belum tercapai sesuai keinginan pengguna
RAD menekankan siklus perkembangan yang sangat pendek. Model ini merupakan
komponen. Jika kebutuhan sistem sudah diketahui secara baik, maka dengan model
menciptakan sistem fungsional yang utuh. Adapun proses dari RAD dapat dilihat
(Ali, 2019)
melalui Gambar 2.4 berikut :
Model ini menjadi jauh lebih efektif karena memberikan model secara
langsung kepada pengguna. Pengguna dapat melihat dengan cepat meninjau prototipe
dan perubahan dapat lebih mudah dilakukan oleh pengembang. Namun tentu model
Model ini merupakan model proses perangkat lunak yang evolusioner yang
merangkai sifat iteratif dari prototipe dengan kontrol dan aspek sistematis dari model
sekuensial linear. Tujuan dari model ini adalah menekankan kepada manajemen
Berbagai aspek resiko dalam proyek perangkat lunak adalah penyimpangan proyek,
Model ini menjadi model yang realistis bagi perkembangan sistem dan
perangkat lunak skala besar. Karen perangkat lunak terus bekerja selama proses juga
beradaptasi dengan kondisi yang ada. Bagian ini akan menjelaskan apa yang
terstruktur dengan baik yang dilakukan oleh analis sistem dan programer dalam
membangun sebuah perangkat. SDLC juga dapat diartikan sebagai urutan langkah-
langkah yang digunakan pada sebuah metode pengembangan perangkat lunak. SDLC
yang digunakan dan diproses secara tepat dapat memungkinkan tingkat kontrol dan
(Ali, 2019)
dokumentasi manajemen yang tinggi .
hingga tahapan terakhir yaitu disposition Adapun tahapan-tahapan dalam SDLC dapat
(Ali, 2019)
dilihat pada Gambar 2.6 berikut :
yang menunjukan sistem seperti apa yang akan dibangun. Setelah mengumpulkan
data kebutuhan proses pun dilanjutkan dengan Feasibility Study, dimana pada tahap
ini tim akan menganalisa jika sebuah perangkat lunak dapat didesain untuk memenuhi
dimana pada tahapan ini pengembang akan menetapkan sebuah roadmap dari
pengetahuan tentang kebutuhan dan hasil analisis kedalam sebuah desain. Hasil dari
dengan proses percobaan. Setelah melalui proses percobaan perangkat lunak akan
implementasi yang berarti perangkat lunak yang telah dibangun akan dipasang pada
mesin pengguna. Proses terakhir adalah proses Operation and Maintenance yaitu nya
(Ali, 2019)
proses perawatan perangkat lunak .
menggunakan notasi-notasi pada bahasa ini. UML juga didefinisikan sebagai sebuah
bahasa pemodelan ter padu yang menyediakan notasi grafis untuk memodelkan
UML tidak hanya sebuah metodologi, namun adalah sebuah gambaran menggunakan
35
Use case adalah langkah yang paling pertama dalam memodelkan sebuah
sistem. Use case adalah pemodelan untuk kebutuhan fungsional sistem. Diagram ini
digambarkan sebagai sebuah kunci dari suatu skenario yang dilakukan oleh aktor dan
diringkas dalam batasan sistem. Use case dan actor dihubungkan dengan sebuah
(Aliman, 2021).
notasi garis
No
Simbol Nama Keterangan
.
itu sendiri.
dengan aktor.
tambahan itu.
Tabel diatas menjelaskan bahwa terdapat empat simbol pada Use Case
Diagram. Simbol tersebut terdiri dari use case, aktor, asosiasi, dan ekstend. Simbol-
simbol tersebut yang nantinya akan digunakan untuk menjelaskan apa saja yang bisa
aktor lakukan pada sistema yang akan dibangun. Dari use case nantinya juga akan
kerja dari sebuah objek atau pun sistem. Diagram ini digambarkan dengan sebuah
alur secara terstruktur dari use case yang sedang diproses dari titik awal hingga di
(Aliman, 2021)
titik akhir .
No
Gambar Nama Keterangan
.
37
kerja
akhir
No
Nama
. Gambar Keterangan
Asosiasi penggabungan
menjadi satu
Asosiasi percabangan
Percabangan atau
5 dimana jika ada pilihan
decision
aktivitas lebih dari satu
Tabel diatas menjelaskan bahwa terdapat lima simbol pada Activity Diagram.
Simbol tersebut terdiri dari aktifitas, status awal, status akhir, penggabungan, dan
menjelaskan bagaimana aktifitas dalam sebuah sistem akan bergerak atau dengan kata
Class Diagram adalah pemodelan pada UML yang berfungsi untuk membuat
sebuah logika model dari sistem yang akan dibangun. Class Diagram akan
menunjukan bagaimana skema dari arsitektur sistem yang dirancang. Diagram ini
digambarkan dengan class yang berisi atribut dan metode dimana setiap class
(Aliman, 2021)
dihubungkan dengan garis asosiasi .
nama_interface
multiplicity.
multiplicity.
generalisasi-spesialisasi (umum-khusus).
bagian (whole-part).
masing-masing. Setiap kelas akan dihubungkan dengan garis asosiasi. Tujuh simbol
pada tabel diatas dapat digunakan untuk menggambarkan skema arsitektur dari sistem
yang dibangun.
yang terdapat pada use case dengan mendeskripsikan waktu dari objek dan pesan
yang dikirimkan nya. Oleh karena nya untuk menggambarkan Sequence Diagram
penting untuk diketahui actor apa saja yang terdapat di dalam use case diagram
(Affandi & Syahputra, 2018)
.
40
Aktor
Orang, proses atau sistem lain yang berinteraksi
dilakukan di dalamnya
41
menerima kembalian
destroy
Sembilan simbol yang terdapat dalam tabel diatas dapat digunakan untuk
menjelaskan objek yang ada pada Use Case Diagram. Sequence Diagram akan
42
menjelaskan secara detail berapa waktu yang dikirim objek pada use case. Diagram
kecerdasan buatan merupakan suatu cabang ilmu pengetahuan dan teknologi yang
cabang ilmu komputer yang lebih banyak menggunakan bentuk dan simbol-simbol
dari pada angka dan memproses data yang tersedia berdasarkan pada sejumlah aturan
dengan kata lain AI mencoba memahami pola dan perilaku suatu entitas
(Devianto & Dwiasnati, 2020)
. Dengan teknologi berbasis kecerdasan buatan, komputer dapat
untuk dapat menafsirkan data eksternal dengan tepat, untuk mempelajari data
tersebut, dan menggunakan hasil pembelajaran tersebut untuk mencapai tujuan dan
(Siahaan et al., 2020)
tugas tertentu dengan adaptasi yang fleksibel . Kecerdasan ini
dibentuk dan dimasukan ke dalam komputer (mesin) agar nantinya dapat melakukan
(D. F. Ramadhan et al., 2020)
pekerjaan seperti yang dilakukan oleh manusia .
sebuah teknik yang membuat komputer menjadi mampu untuk berpikir dan dapat
manusia.
atau evolusi yang terjadi pada teknologi kecerdasan buatan dapat dibagi kedalam 3
(Sihombing et al., 2020)
poin perkembangan yaitu :
Artificial Narrow Intelligence atau yang dapat disebut ANI adalah AI lemah
cenderung tidak terlalu rumit. Adapun contoh ANI ini adalah kecerdasan
buatan yang dapat dilihat pada permainan catur atau pada AI lemah
pengendara mobil.
sesuai dengan tata cara yang manusia lakukan sehingga sulit bahkan tidak bisa
Artificial Super intelligence atau ASI yaitu sebuah kecerdasan buatan yang
manusia. ASI bisa diartikan sebagai kecerdasan apapun yang melebihi kinerja
kognitif manusia.
memiliki fokus belajar dari data yakni pengembangan sistem yang mampu belajar
mandiri tanpa harus berulang kali di program oleh manusia. Machine Learning
membutuhkan data valid yang kemudian akan dijadikan sebagai bahan untuk belajar
(proses pelatihan) sebelum pada akhirnya akan digunakan sebagai penguji (testing)
untuk menentukan hasil keluaran yang optimal. Adapun Map cakupan Machine
(Soebroto, 2019)
Learning dapat dilihat pada Gambar 2.7 berikut :
45
dalamnya. Gambar juga menjelaskan bahwa di cabang ilmu dari Machine Learning
dari Machine Learning yang terdiri dari algoritma pemodelan abstraksi tingkat tinggi
tata berlapis dan mendalam. Model Deep Learning pada dasarnya dibangun
sangat baik untuk digunakan pada supervised learning, unsupervised learning, dan
klasifikasi, dan lainnya. Adapun arsitektur pada Deep Learning dapat dilihat pada
(Soebroto, 2019)
Gambar 2.8 berikut :
46
Artificial Neural Network atau dalam Bahasa Indonesia yang berarti Artificial
Neural Network merupakan sistem ter komputasi untuk memproses informasi yang
mempunyai karakter hamper sama dengan jaringan syaraf biologi di saat menangkap
(Pamungkas et al., 2022)
informasi .Artificial Neural Network merupakan salah satu
sinyal dan sistem prediksi dengan metode pembelajaran. Dalam jaringan saraf tiruan,
ada konsep bahwa semua pola informasi input dan output yang diumpankan ke
lapisan yang disebut lapisan saraf. Lapisan-lapisan yang membentuk Artificial Neural
(Habibie & Aldo, 2019b)
Network dapat dibagi menjadi 3, yaitu :
47
1. Lapisan Input, unit-unit di dalam lapisan input disebut unit-unit input. Unit-
unit input tersebut menerima pola inputan data dari luar yang menggambarkan
suatu permasalahan.
unit tersembunyi.
3. Lapisan output, unit – unit di dalam lapisan output disebut unit - unit output.
jaringan saraf di otak manusia dan dapat dilatih untuk mempelajari apa saja.
Kelebihan metode Artificial Neural Network adalah dapat mengkonstruksi fungsi non
linier dan hanya membutuhkan data input dan output tanpa mengetahui secara
(Muddin et al., 2019)
eksplisit proses dalam jaringan .
terdapat hubungan antar neuron tersebut. Hubungan antara satu neuron dengan
neuron lainnya disebut bobot. Adapun hubungan antar komponen Artificial Neural
(Aprianto et al., 2018)
Network tersebut dapat dilihat pada Gambar 2.9 berikut :
48
neuron dengan bobot masuk tertentu. Input ini akan diproses oleh fungsi transfer
yang akan menjumlahkan nilai semua bobot yang masuk. Hasil penjumlahan ini
kemudian akan dibandingkan dengan nilai ambang yang diberikan oleh fungsi
aktivasi masing-masing neuron. Jika input melebihi nilai ambang tertentu, neuron
diaktifkan, tetapi jika sebaliknya, neuron tidak diaktifkan. Jika neuron diaktifkan,
maka neuron mengirimkan output melalui bobot outputnya ke semua neuron yang
terkait dengannya.
II.6.1.1 Neuron
Neuron adalah prosesor terkecil dalam jaringan neuron buatan yang saling
berhubungan. Neuron ini mengubah informasi yang diterima melalui koneksi yang
terbentuk dengan neuron lain. Dalam Jaringan Syaraf Tiruan, neuron-neuron akan
dikumpulkan pada satu lapisan yang kemudian akan disebut dengan neuron layer
(Aprianto et al., 2018)
.
49
Elemen kunci dari Artificial Neural Network adalah bobot. Bobot mewakili
kekuatan relatif atau nilai matematis dari data input, atau jumlah koneksi yang
memindahkan data dari satu lapisan ke lapisan lainnya. Fakta bahwa bobot adalah
suatu nilai menunjukkan tingkat konektivitas antara neuron dari satu lapisan ke
(Aprianto et al., 2018)
lapisan lainnya .
membutuhkan sinyal aktivasi. Sinyal aktivasi jaringan syaraf ditentukan oleh fungsi
aktivasi. Fungsi aktivasi digunakan untuk menentukan keluaran suatu neuron. Ini
mewakili hubungan antara derajat aktivasi internal linier atau non-linier (fungsi
(Lubis, 2018)
penjumlahan). Fungsi aktivasi jaringan saraf tiruan antara lain &
(Pamungkas et al., 2022)
:
1. Fungsi Summation
Fungsi yang digunakan untuk mencari bobot rata-rata semua elemen masukan.
Bentuk paling sederhana adalah mengalikan setiap nilai input (Xj) dengan
Rumus diatas merupakan rumus yang digunakan untuk mencari bobot rata-
rata dari semua elemen masukan. Rumus diatas digunakan untuk fungsi
2. Sum Square Error (SSE) dan Root Mean Square Error (RMSE)
mudah dikenali berdasarkan pola baru. Error pada keluaran jaringan adalah
diinginkan (desired output). Selisih yang dihasilkan antara dua hasil biasanya
Rumus diatas merupakan rumus untuk menghitung SSE. Sum Square Error
dengan hasil pengurangan Tjp dan Xjp. Sedangkan Root Mean Square Error
RMESError=
√ Σ p Σ j (Tjp−Xjp )
npno (3)
51
besarnya hasil prediksi. RMSE dapat diartikan juga sebagai simpangan rata-
rata. RSME diperoleh dari penarikan akar jumlah p dan j yang dikalikan
dengan hasil pengurangan Tjp dengan Xjp dan terakhir dibagi dengan npno.
MATLAB fungsi aktivasi ini dikenal dengan logsig. Adapun fungsi sigmoid
1 (4)
y=f ( x )= −x
1+ ⅇ
'
f ( x )=f ( x ) [1−f ( x ) ] (5)
Fungsi aktivasi ini sebenarnya hampir serupa dengan fungsi aktivasi sigmoid
biner namun keluaran dari fungsi aktivasi ini memiliki nilai dengan rentangan
52
antara -1 sampai dengan 1. Fungsi aktivasi ini juga dikenal dengan tansig di
−x
1−ⅇ (6)
y=f ( x )= −x
1+ ⅇ
a (7)
'
f ( x )=
2
[1+ f ( x ) ] [1−f ( x ) ]
dan multi-layer. Jaringan lapisan tunggal memiliki lapisan bobot koneksi yang terdiri
dari unit input yang menerima sinyal eksternal dan unit output yang dapat membaca
respons dari Artificial Neural Network. Adapun arsitektur Jaringan Syaraf Tiruan
Dari gambar diatas dapat dilihat bahwa ANN single layer hanya memiliki
lapisan masukan dan lapisan keluaran. Nilai masukan akan diolah pada lapisan
tersebut. Terlihat pula dari gambar diatas bahwa perhitungan dan pengolahan data
Jaringan multi-layer, di sisi lain, adalah jaringan dengan satu atau lebih
kompleks. Adapun arsitektur Jaringan Syaraf Tiruan Multi-Layer dapat dilihat pada
Berbeda dengan ANN singel layer, pada multilayer terlihat bahwa ada lapisan
lain selain lapisan keluaran dan masukan. Lapisan lain tersebut adalah lapisan
tersembunyi atau hidden layer. Selain itu terlihat juga bahwa matriks bobot yang
banyak dan umum untuk digunakan dalam bidang Pendidikan dan pembangunan
aplikasi. Arsitektur dari MLP yang sederhana memudahkan metode ini untuk
(Manihuruk & Syahrizal, 2020b)
dipelajari . MLP terdiri dari 3 lapisan dimana yang
pertama adalah lapisan masukan, kedua adalah lapisan tersembunyi, dan lapisan
terakhir adalah lapisan keluaran. MLP memiliki setidaknya satu lapisan tersembunyi
(Sabilla et al., 2022b)
yang kemudian bisa ditambahkan jika hal tersebut dibutuhkan .
Adapun arsitektur MLP dapat diilustrasikan dengan Gambar 2.12 dibawah ini:
sesuai gambar diatas. Selain lapisan masukan dan keluaran terdapat pula lapisan
tersembunyi diantara keduanya. Lapisan tersembunyi ini dapat berjumlah lebih dari 1
lapisan.
Terdapat tiga langkah atau tiga proses yang harus dilakukan dalam pelatihan
dengan tiap-tiap neuron di setiap lapisan dinamakan dengan proses pelatihan atau
(Silitonga, 2020b)
training. Ada pun proses pelatihan tersebut adalah sebagai berikut :
1. Melakukan inisialisasi bobot awal dengan satu nilai yang cukup kecil atau
kerja merupakan aturan, ketentuan, ataupun standar yang dijadikan sebagai sebuah
1. Setiap neuron yang dimiliki jaringan memiliki fungsi aktivasi non linear dari
kelas.
3. Sinyal menembus melalui jaringan dan masukan ke keluaran dengan arah arus
diartikan sebagai prosedur ataupun tahapan-tahapan yang harus dilalui dalam sebuah
2. Hitung output aktual dari neuron pada hidden layer dan output layer
Y j ( p)=sigmoid ¿
(8)
maka akan diperoleh keluaran aktual pada lapisan tersembunyi dan lapisan
keluaran.
Y k ( p)=sigmoid ¿
(9)
yang masuk pada lapisan tersembunyi dan dijumlahkan dengan nilai bias.
algoritma backpropagation.
5. Perbaharui nilai bobot mulai dari output layer berlanjut ke layer di depannya
yaitu hidden layer. Nilai bobot baru pada output layer digunakan untuk
II.8 Normalisasi
jaringan. Normalisasi dilakukan dengan tujuan agar output hasil pelatihan sesuai
58
dengan fungsi aktivasi yang digunakan. Adapun rumus yang digunakan untuk me
normalisasi data dengan metode ini dapat dilihat pada rumus berikut
(Mukhtar et al., 2021)
:
0 , 8 ( x−a )
X '= +0 , 1
( b−a ) (10)
Rumus diatas merupakan proses normalisasi data. Data lama atau data asal
akan dikurangi dengan data paling rendah dari seluruh set data. Kemudian hasil
pengurangan tersebut akan dibagi dengan hasil pengurangan nilai tertinggi pada data
yang penting dalam pembangunan sistem prediksi. Matrik tersebut dihitung dengan
(Sabilla et al., 2022b)
menggunakan confusion matrix . Adapun Confusion Matrix
Prediksi
Aktual
Positif Negatif
Positif True Positif False Negatif
Negatif False Negatif True Positif
Sumber : Sabilla, 2022
yang benar dengan keseluruhan data. Adapun rumus menghitung akurasi dapat dilihat
TP+TN
akurasi=
TP+ FP+ FN +TN (11)
diketahui berapa yang benar dan salah. Setelah mengetahui hal tersebut barulah
merupakan perbandingan antara jumlah data positif yang benar dengan seluruh data
yang diprediksi positif. Adapun rumus menghitung precision dapat dilihat pada
rumus berikut:
TP
Precision=
TP+ FP (12)
diketahui berapa yang benar dan salah. Setelah mengetahui hal tersebut barulah
dengan membandingkan antara true positif dengan penjumlahan true positif dan false
positif.
60
positif yang diklasifikasikan secara benar dengan jumlah data positif. Adapun rumus
TP
Recall=
TP+ FN (13)
diketahui berapa yang benar dan salah. Setelah mengetahui hal tersebut barulah
kemudian data tersebut dihitung recall nya. Perhitungan recall dilakukan dengan
membandingkan penjumlahan antar true positif dengan penjumlahan true positif dan
false negatif.
hasil perhitungan dari perbandingan antara nilai precision dan recall. Adapun rumus
precision. recall
F 1=2⋅
precision+recall (14)
diketahui berapa yang benar dan salah. Pada proses ini sebelumnya perlu diketahui
berapa precision dan recall dari data. Precision akan dikalikan dengan recall
II.10 Stunting
Stunting merupakan suatu kondisi kekurangan gizi yang terjadi pada saat
periode kritis dari tumbuh dan kembang janin. Stunting didefinisikan sebagai kondisi
anak usia 0-59 bulan yang mana tinggi badan anak tersebut dibandingkan umur
berada di bawah minus 2 Standar Deviasi (<-2SD) dari standar rata-rata yang telah
(Ramdhani et al., 2021)
ditetapkan WHO . Sedangkan menurut Keputusan Menteri
Kesehatan Republik Indonesia tahun 2010, seorang balita dikatakan stunting apabila
nilai ambang batasnya adalah -3SD sampai dengan kurang dari -2SD dan
(Daracantika et al., 2021)
dikategorikan sangat pendek jika kurang dari -3SD .
Stunting juga bisa didefinisikan sebagai kondisi gagal tumbuh pada anak yang
berusia dibawah lima tahun sebagai akibat dari kekurangan gizi kronis sehingga anak
tumbuh sangat pendek untuk ukuran pada usianya. Kekurangan gizi kronis ini terjadi
semenjak anak berada dalam kandungan dan pada masa awal setelah bayi dilahirkan
sedangkan ciri-cirinya akan jelas terlihat Ketika anak telah menginjak usia 2 tahun.
Stunting dapat dikategorikan secara umum menjadi 2 yaitu stunting pendek dan
stunting sangat pendek dengan perhitungan yang didasarkan pada tinggi dan usia
yang kemudian di bandingan dengan standar yang telah ditetapkan oleh WHO
(Tupriliany Danefi, 2020)
.
adalah bagian dari sebuah nama domain di World Wide Web di Internet. Sebuah
62
halaman web merupakan sebuah dokumen yang ditulis dalam format HTML (Hyper
(Supangat et al., 2020)
Text Markup Language), yang bisa diakses melalui HTTP .
Sub bab ini akan memaparkan sekilas tentang konsep website seperti definisi website,
WWW atau world wide web atau web saja merupakan sebuah sistem yang saling
terkait dalam sebuah dokumen yang berformat hypertext yang berisi beragam
informasi, baik tulisan, gambar, suara, video, dan informasi multimedia lainnya dan
dapat diakses melalui sebuah perangkat yang disebut web browser. Dalam
penerjemahan dokumen dalam bentuk hypertext ke dalam bentuk dokumen yang bisa
dipahami, maka web browser melalui web client akan membaca halaman web yang
tersimpan di sebuah web server melalui protocol yang biasa disebut HTTP atau
(Siregar & Sari, 2018)
Hypertext Transfer Protocol .
Dari definisi ini, kita dapat menyimpulkan bahwa Website adalah situs yang
saling berhubungan, biasanya pada server yang sama, dan berisi kumpulan informasi
yang disediakan oleh individu, kelompok, atau organisasi. Situs web biasanya terletak
II.11.2 HTML
dan didefinisikan hingga HTML 5.2. Dokumen HTML semakin penting dalam
pengalaman pengguna yang lebih baik dalam format yang sesuai untuk lingkungan
(Hwang & Kim, 2021)
PC seluler dan umum .
II.11.3 CSS
Cascading Style Sheets (CSS) adalah standar inti W3C yang mengatur
presentasi dokumen Web yang ditulis dalam Hypertext Markup Language (HTML),
Extensible HTML (XHTML), dan setiap Extensible Markup Language (XML) untuk
(Ndia et al., 2019)
menciptakan dokumen yang estetis dan ramah pengguna .
II.11.4 PHP
PHP diimplementasikan dan digunakan dalam proyek ini untuk menulis dan
signifikan pada program. Program ini berbasis web karena bahasa scripting yang
digunakan dalam penelitian ini adalah PHP. Selain itu, web juga dianggap user
friendly karena dapat diakses dimana saja melalui internet (jaringan komersial yang
web server dan bertindak sebagai pengolah data di server. Data yang dikirimkan oleh
klien pengguna diproses dan disimpan di database server web dan dapat ditampilkan
64
kembali saat diakses. Dalam menjalankan kode program PHP, file harus diupload ke
server. Upload adalah proses mentransfer data atau file dari komputer klien ke server
(Mubarak, 2019)
web .
II.12 MATLAB
berbeda dengan bahasa pemrograman lain seperti Delphi, Basic dan C++. MATLAB
juga dikenal sebagai perangkat lunak dengan bahasa pemrograman tingkat tinggi
Basis data atau yang bisa juga disebut dengan pangkalan data merupakan
sekumpulan data yang terorganisir, yang biasanya disimpan dan diakses secara
elektronik. Saat basis data berubah semakin kompleks, maka basis data pun
lunak yang digunakan dalam mengelola basis data disebut dengan manajemen basis
(Fitri, 2022)
data .
II.14 MySQL
System) yang dapat mengelola database dengan sangat cepat, dapat menampung data
65
dalam jumlah yang sangat besar, dapat diakses oleh banyak pengguna, dan dapat
(Rahmasari, 2019)
melakukan proses sinkron atau konkuren .
MySQL adalah perangkat lunak untuk sistem manajemen basis data, karena
bersifat open source dan memiliki kemampuan untuk menampung volume yang
sangat besar. MySQL memberikan hasil yang optimal dalam hal kecepatan dan
keandalan pengelolaan data, sifat open source MySQL berarti MySQL berkembang
pesat dan digunakan oleh banyak pengguna yang tidak ingin menghabiskan banyak
uang untuk database sistem, jika mereka menggunakan sistem database komersial
(Guzmaliza, 2019)
. MySQL memiliki berbagai tipe data yaitu nya sebagai berikut
(Amin, 2022)
:
dengan 18446744073709551615
PRECISION
pecahan
pecahan
nya
Dari tabel di atas diketahui bahwa dalam MySQL terdapat banyak jenis atau
tipe data. Setiap tipe data memiliki ukuran dan bentuk yang berbeda. Penggunaan dari
II.15 XAMPP
MySQL dan didukung oleh Bahasa pemrograman PHP sebagai Bahasa pembangun
website. Dalam XAMPP terdapat pula web server apache yang dapat dijalankan di
METODOLOGI PENELITIAN
Kerangka penelitian atau kerangka kerja memiliki tujuan agar mendapat hasil
seperti yang diharapkan dan mudah untuk menyelesaikan permasalahan serta mudah
dipahami. Langkah-langkah yang akan dibuat pada penelitian ini disusun secara
yang penulis lakukan dalam penelitian ini. Tahapan-tahapan tersebut kemudian dibagi
menjadi sub tahapan untuk memudahkan penulis dalam melakukan penelitian. Bagian
tahapan penelitian yang penulis lakukan dalam penelitian ini akan dijabarkan pada
bagian ini.
faktor sekeliling, dan dampak yang diberikan oleh objek penelitian. Penelitian
pendahuluan memberikan bukti dan pembenaran bahwa masalah yang akan diteliti
benar-benar terdapat pada objek yang akan diteliti. Oleh sebab itu, maka dibutuhkan
waktu untuk proses pengambilan data, proses penelitian, tempat penelitian, metode
seperti penelitian terdahulu yang penulis dapatkan dari artikel-artikel jurnal yang
tersedia. Data penelitian ini juga diperoleh melalui wawancara secara terperinci. Data
yang digunakan pada penelitian ini juga bersumber dari data set yang dimiliki oleh
objek penelitian. Terdapat beberapa hal yang berkaitan dalam melakukan penelitian.
Adapun hal-hal yang berkaitan dalam melakukan pengumpulan data pada metodologi
1. Waktu Penelitian
Adapun waktu penelitian yang telah dilakukan dapat dijelaskan pada Tabel
3.1 berikut:
Penelitian
Pendahuluan
Pengumpulan Data
Analisa
Perancangan
71
Implementasi
Pengujian
Pembuatan Laporan
Penelitian ini dilakukan dalam kurun waktu empat bulan. Penelitian dimulai
pada bulan September dan ditargetkan akan berakhir pada bulan Desember
2. Tempat Penelitian
dilakukan di Dinas Kesehatan Kab. Lima Puluh Kota. Dinas Kesehatan Kab.
Lima Puluh Kota beralamatkan di Koto Baru, Kec. Payakumbuh Utara, Kota
3. Metode Penelitian
Kasus Stunting pada Anak di Kab. Lima Puluh Kota dengan menggunakan
dilakukan dengan memperoleh data yang tersimpan pada gudang data objek
kemudian akan digunakan sebagai data yang dapat mendukung hasil dari
penelitian ini.
kebenaran sistem yang dirancang. Setiap perangkat keras dan perangkat lunak
lunak untuk menunjang proses penelitian yang penulis lakukan. Tabel 3.2 merupakan
rincian dari perangkat keras dan perangkat lunak yang penulis gunakan selama proses
penelitian. Perangkat keras dan perangkat lunak diatas penulis pilih untuk digunakan
3.2.3 Analisa
Tahap analisa merupakan salah satu tahapan yang penting dalam penelitian
ini, karena pada tahap inilah nantinya dilakukan identifikasi terhadap masalah yang
ada dalam menentukan kasus Stunting pada anak di Kab. Lima Puluh Kota,
diharapkan. Analisa data pada penelitian ini akan menggunakan software MATLAB
74
untuk melakukan pelatihan terhadap data yang telah diperoleh untuk kemudian
3.2.4 Perancangan
(UML) sebagai tools dalam menjelaskan alur analisa program, dimana UML yang
digunakan yaitu :
Use Case Diagram mendeskripsikan sebuah interaksi antara satu atau lebih
actor. Use Case Diagram digunakan untuk mengetahui fungsi apa saja yang
ada didalam sebuah aplikasi berbasis web. Use Case Diagram terdiri atas
2. Class Diagram
Diagram kelas atau Class Diagram menggambarkan struktur sistem dari segi
memiliki atribut (variabel-variabel yang dimiliki suatu kelas) dan operasi atau
3. Activity Diagram
melakukan proses pemilihan suatu urutan, dalam hal ini diagram hanya
Diagram memberikan gambaran aktifitas apa saja yang akan dilakukan actor.
75
4. Sequence Diagram
dengan mendeskripsikan waktu hidup objek dan message yang dikirimkan dan
3.2.5 Implementasi
sistem yang dibangun. Perancangan aplikasi penentuan kasus Stunting pada anak
3.2.6 Pengujian
Stunting pada anak berbasis web yang meliputi kesalahan fungsi, interface dan
Browser Google Chrome dan program Web Server Xampp sehingga dapat
mengetahui apakah hasil yang diharapkan. Tahap uji coba ini dilakukan dengan
pada penelitian ini juga akan menggunakan software MATLAB untuk melakukan
dibangun merupakan sistem berbasis web yang akan mengklasifikasikan seorang anak
kedalam beberapa kategori. Proses awal yang dilakukan adalah dengan menetapkan
data kasus stunting dan variabel yang mempengaruhi hasil pengukuran pada anak.
Data kasus stunting pada akan di normalisasi untuk membuat data menjadi dalam satu
rentan nilai. Proses terakhir adalah proses perhitungan dengan menggunakan metode
Multilayer. Keluaran dari proses analisa data dan analisa sistem akan dijadikan
sebagai acuan dalam tahap perancangan. Tahapan analisa dan perancangan dapat
Tahapan analisa dimulai dengan menganalisa data yang telah dihimpun dari
sumber, dalam hal ini adalah Dinas Kesehatan Kab. Lima Puluh Kota. Data yang
diolah dan dianalisa berupa data hasil pengukuran tinggi badan, usia, jenis kelamin,
dan status
78
stunting anak di Kab. Lima Puluh Kota pada periode pengukuran terakhir. Proses
Analisa data dapat diartikan sebagai segala sesuatu yang didapat melalui
dengan pihak Dinas Kesehatan Kab. Lima Puluh Kota pada penelitian ini.
dihadapi Dinas Kesehatan Kab. Lima Puluh Kota sebagai objek. Selain melakukan
wawancara langsung, peneliti juga mendapatkan sumber data dari Dinas Kesehatan
Kab. Lima Puluh Kota berupa data set hasil pengukuran stunting pada anak di periode
pengukuran terakhir. Data pendukung juga peneliti peroleh melalui berbagai artikel
yang berhubungan dengan kasus stunting pada anak. Kasus stunting pada anak dapat
diklasifikasikan atas 3 klasifikasi, klasifikasi tersebut dapat dilihat pada Tabel 4.1
berikut:
No Kasus Keterangan
Keadaan atau kasus
stunting dimana hasil
pengukuran tinggi badan
1 Stunting Sangat Pendek
dibagi usia menghasilkan
Z-score dibawah
-3
No Kasus Keterangan
79
Tabel 4.1 menunjukan bahwa kasus stunting dapat di klasifikasi kan menjadi
3 klasifikasi yaitu stunting sangat pendek, stunting pendek, dan normal. Setiap
dari pengukuran tinggi badan dibandingkan dengan usia saat pengukuran, maka anak
Pengukuran terhadap anak pada periode terakhir oleh Dinas Kesehatan Kab.
Lima Puluh Kota menghasilkan kumpulan set data yang menunjukan klasifikasi anak
di Kab. Lima Puluh Kota berdasarkan status stunting nya. Peneliti mengambil
sebanyak 60 data set dari data yang tersedia, dimana data ini akan digunakan sebagai
data sampel pada penelitian ini. Sebanyak 40 data set akan digunakan pada proses
pelatihan data, sedangkan 20 data set lainnya akun peneliti gunakan pada proses uji
data. Sampel data penelitian dapat dilihat pada Tabel 4.2 berikut:
80
Z-Skor
Tinggi
N J Usia Saat Tingg Tinggi
Nama Badan/Umu
o K Ukur (Bulan) i Badan/Umu
r
r
1 Anak 1 P 35 89.1 Normal -1.47
2 Anak 2 L 45 94 Normal -1.98
3 Anak 3 L 58 102 Normal -1.6
4 Anak 4 L 30 84.5 Pendek -2.25
Sangat
5 Anak 5 L 49 88.8 -3.57
Pendek
Sangat
6 Anak 6 L 30 81.2 -3.23
Pendek
Sangat
7 Anak 7 L 54 92.2 -3.29
Pendek
Sangat
8 Anak 8 L 20 76 -3.01
Pendek
9 Anak 9 P 48 92.8 Pendek -2.36
10 Anak 10 P 47 99 Normal -0.79
11 Anak 11 P 17 81 Normal 0.47
12 Anak 12 P 32 86.5 Normal -1.63
13 Anak 13 L 11 69.5 Pendek -2.57
14 Anak 14 L 51 103 Normal -0.6
15 Anak 15 L 50 94.5 Pendek -2.38
Sangat
16 Anak 16 L 18 73 -3.43
Pendek
Sangat
17 Anak 17 L 37 83 -3.72
Pendek
18 Anak 18 L 24 82 Pendek -2.03
81
Z-Skor
Tinggi
N J Usia Saat Tingg Tinggi
Nama Badan/Umu
o K Ukur (Bulan) i Badan/Umu
r
r
Sangat
19 Anak 19 L 48 88.4 -3.57
Pendek
Sangat
20 Anak 20 L 54 93.7 -3.02
Pendek
Sangat
21 Anak 21 L 34 83 -3.32
Pendek
Sangat
22 Anak 22 L 32 82 -3.38
Pendek
23 Anak 23 P 21 77 Pendek -2.36
24 Anak 24 P 7 64 Normal -1.54
Sangat
25 Anak 25 L 55 93.2 -3.19
Pendek
26 Anak 26 P 31 98 Normal 1.75
27 Anak 27 P 13 70.5 Pendek -2.06
Sangat
28 Anak 28 L 5 58 -4.48
Pendek
29 Anak 29 P 55 97.6 Pendek -2.03
Sangat
30 Anak 30 P 33 74 -3.75
Pendek
Sangat
31 Anak 31 L 27 77 -4.14
Pendek
32 Anak 32 L 11 72 Normal -1.51
33 Anak 33 P 41 90.5 Pendek -2.09
34 Anak 34 L 36 86.6 Pendek -2.57
35 Anak 35 L 16 75 Pendek -2.1
36 Anak 36 P 31 84.4 Pendek -2.08
82
Z-Skor
Tinggi
N J Usia Saat Tingg Tinggi
Nama Badan/Umu
o K Ukur (Bulan) i Badan/Umu
r
r
37 Anak 37 P 58 98.9 Pendek -2.04
38 Anak 38 L 57 102 Normal -1.48
39 Anak 39 L 32 89 Normal -1.4
40 Anak 40 L 44 91.6 Pendek -2.39
41 Anak 41 L 16 74.8 Pendek -2.27
42 Anak 42 L 11 70.7 Pendek -2.06
Sangat
43 Anak 43 L 11 67.6 -3.06
Pendek
Sangat
44 Anak 44 L 11 65.5 -3.99
Pendek
Sangat
56 Anak 56 P 38 85 -3.06
Pendek
83
Z-Skor
Tinggi
N J Usia Saat Tingg Tinggi
Nama Badan/Umu
o K Ukur (Bulan) i Badan/Umu
r
r
Sangat
58 Anak 58 P 47 89.1 -3.06
Pendek
Tabel 4.2 memaparkan sampel yang diambil dari data set yang telah diperoleh
dari Dinas Kesehatan Kab. Lima Puluh Kota. Terdapat setidaknya 3 (tiga) variabel
yang akan mempengaruhi keluaran dari pengukuran. Variabel yang terdapat pada
penentuan kasus stunting pada anak adalah jenis kelamin, tinggi badan, dan usia.
Keluaran atau hasil dari perhitungan berupa Z-score perhitungan yang kemudian
yang terjadi pada sistem yang sedang berjalan. Tahapan analisa sistem juga penting
untuk menilai apakah sistem yang digunakan saat ini masih efektif dan efisien dalam
segi penggunaan waktu dan tenaga, sehingga pada tahap ini nantinya akan dilakukan
evaluasi seberapa jauh kinerja sistem yang sedang berjalan. Identifikasi terhadap
pengembangan yang dibutuhkan untuk perancangan sistem juga dilakukan pada tahap
ini, sehingga nantinya ditemukan kesimpulan apakah sistem yang ada layak atau tidak
untuk digunakan.
Analisa sistem baru perlu dilakukan agar mendapatkan gambaran kearah mana
sistem yang baru akan dibuat ataupun dikembangkan berdasarkan perbaikan dari
kekurangan serta kelemahan yang terdapat pada sistem yang sedang berjalan. Data
hasil pengukuran balita di Kab. Lima Puluh Kota periode terakhir dapat dilihat pada
digunakan oleh Dinas Kesehatan Kab. Lima Puluh Kota. Sistem yang digunakan
pengukuran. Data yang telah dihitung dan dianalisa kemudian akan disimpan dalam
bentuk softcopy sebagai history dan laporan oleh pihak Dinas Kesehatan. Analisa
85
permasalahan yang ditemukan dalam sistem yang sedang berjalan untuk menentukan
2. Sistem yang berjalan tidak cukup efektif dalam segi waktu sehingga
sistem yang sedang berjalan. Sistem baru dibangun berdasarkan pada sistem lama
yang sedang berjalan dan data yang didapat pada proses analisa data. Berdasarkan
permasalahan yang terdapat pada sistem yang sedang berjalan, maka penelitian ini
Perceptron mengenai penentuan status stunting pada anak yang dapat mempermudah
Dinas Kesehatan Kab. Lima Puluh Kota dalam melakukan percepatan penurunan
kasus stunting di Kab. Lima Puluh Kota. Kelebihan yang didapat dari sistem baru
1. Waktu yang digunakan untuk menentukan kasus stunting pada anak lebih
singkat.
2. Hasil dari proses yang dihasilkan oleh sistem dapat dijadikan pertimbangan
3. Laporan yang dihasilkan mudah untuk dipahami dan menjadi acuan dalam
Perceptron. Tahapan prosesnya akan dimulai dari sekumpulan data-fakta berupa data
set yang berasal dari hasil pengukuran tinggi badan dibandingkan dengan usia anak.
Berikut ini merupakan algoritma proses dalam penentuan kasus stunting pada anak
8. Hasil perhitungan
diatas maka dapat digambarkan melalui flowchart. Flowchart dalam proses Jaringan
Syaraf Tiruan penentuan kasus stunting pada anak dengan metode Multilayer
Diagram alir pada Gambar 4.3 menunjukan bahwa proses akan dimulai
dengan sekelompok fakta-fakta berupa data set. Data set akan dihitung setiap set nya
Data kasus stunting pada tahapan ini akan diambil sebanyak 40 dari total 60
data sampel yang telah diperoleh, sebagai data latih. Data yang sebelumnya berupa
data mentah pada tahapan analisa data akan berubah menjadi data dalam bentuk
masukan dan target. Masukan akan dimisalkan sebagai X dan target akan dimisalkan
88
dengan Y. Berdasarkan proses analisa data ditemukan bahwa terdapat tiga X yang
akan menentukan Y pada data kasus stunting. Data kasus stunting dapat dilihat pada
Z-Skor Tinggi
N JK Usia Saat Ukur Tinggi
Nama Badan/Umur
o (X1) (Bulan) (X2) (X3)
(Y)
1 Anak 1 P 35 89.1 -1.47
2 Anak 2 L 45 94 -1.98
3 Anak 3 L 58 102 -1.6
4 Anak 4 L 30 84.5 -2.25
5 Anak 5 L 49 88.8 -3.57
6 Anak 6 L 30 81.2 -3.23
7 Anak 7 L 54 92.2 -3.29
8 Anak 8 L 20 76 -3.01
9 Anak 9 P 48 92.8 -2.36
10 Anak 10 P 47 99 -0.79
11 Anak 11 P 17 81 0.47
12 Anak 12 P 32 86.5 -1.63
13 Anak 13 L 11 69.5 -2.57
14 Anak 14 L 51 103 -0.6
15 Anak 15 L 50 94.5 -2.38
16 Anak 16 L 18 73 -3.43
17 Anak 17 L 37 83 -3.72
18 Anak 18 L 24 82 -2.03
19 Anak 19 L 48 88.4 -3.57
20 Anak 20 L 54 93.7 -3.02
N Nama JK Usia Saat Ukur Tinggi Z-Skor Tinggi
o (X1) (Bulan) (X2) (X3) Badan/Umur
89
(Y)
21 Anak 21 L 34 83 -3.32
22 Anak 22 L 32 82 -3.38
23 Anak 23 P 21 77 -2.36
24 Anak 24 P 7 64 -1.54
25 Anak 25 L 55 93.2 -3.19
26 Anak 26 P 31 98 1.75
27 Anak 27 P 13 70.5 -2.06
28 Anak 28 L 5 58 -4.48
29 Anak 29 P 55 97.6 -2.03
30 Anak 30 P 33 74 -3.75
31 Anak 31 L 27 77 -4.14
32 Anak 32 L 11 72 -1.51
33 Anak 33 P 41 90.5 -2.09
34 Anak 34 L 36 86.6 -2.57
35 Anak 35 L 16 75 -2.1
36 Anak 36 P 31 84.4 -2.08
37 Anak 37 P 58 98.9 -2.04
38 Anak 38 L 57 102 -1.48
39 Anak 39 L 32 89 -1.4
40 Anak 40 L 44 91.6 -2.39
dibandingkan dengan usia saat ukur. Jenis kelamin juga akan mempengaruhi hasil
perhitungan dan hasil dari Z-score. Z-score nantinya akan menjadi tolak ukur untuk
0.8(x−min)
x'= + 0.1
max−min
Keterangan :
Setelah melalui proses normalisasi, maka data akan berubah menjadi data
yang lebih kecil. Data akan berada dalam rentang nila 0.1 sampai dengan 0.9. Hasil
NO X1 X2 X3 Y
1 0.1 0.577193 0.680777 0.586465
2 0.9 0.717544 0.760941 0.50404
3 0.9 0.9 0.89182 0.565455
4 0.9 0.507018 0.605521 0.460404
5 0.9 0.773684 0.675869 0.247071
6 0.9 0.507018 0.551534 0.30202
7 0.9 0.84386 0.731493 0.292323
8 0.9 0.366667 0.466462 0.337576
9 0.1 0.759649 0.741309 0.442626
NO X1 X2 X3 Y
10 0.1 0.745614 0.84274 0.696364
91
normalisasi dengan rumus yang digunakan, maka terlihat pada tabel bahwa nilainya
adalah 0.1 dan 0.9. Setiap variabel dibandingkan dengan variabel itu sendiri untuk
0.1 diperoleh dari nilai terendah pada variabel X1 dan nilai tertinggi akan
setidaknya terdiri dari 3 lapisan. Lapisan akan terdiri dari lapisan input, hidden, dan
output. Lapisan tersembunyi atau hidden layer bisa berjumlah satu lapisan atau lebih.
Peneliti, pada penelitian ini akan menggunakan arsitektur Jaringan seperti Gambar
4.4 berikut:
penelitian ini. Penelitian ini akan menggunakan arsitektur jaringan 3-3-1. Jaringan
93
memiliki 3 masukan yang nantinya akan disebut sebagai x1, x2, dan x3, 3 lapisan
tersembunyi dan 1 target lapisan keluaran berupa kasus stunting yang kemudian akan
disebut sebagai y.
Bobot dan bias di inisialisasi kan atau di tentukan terlebih dahulu sebelum
memasuki proses perhitungan. Bobot dan bias terbaik yang ditemukan nantinya akan
digunakan sebagai bobot dan bias awal pada proses selanjutnya. Berikut ini
merupakan bobot dan bias yang peneliti tetapkan dalam penelitian ini.
w31
w11 = 9.6469 w21 = -2.1565 -2.0521
=
w32
w12 = 3.7961 w22 = 6.9397 6.2733
=
w33
w13 = -4.7468 w23 = 6.113 -6.4825
=
v1= -1.3733
v2= 2.9231
v3= -4.5749
Setiap neuron pada arsitektur jaringan yang digunakan akan memiliki 1 bias.
maka akan ada 3 bias dari masukan ke lapisan tersembunyi. Bias dari
b1= -6.7574
b2= -8.5046
b3= -1.4801
Proses dari Hidden Layer ke Output Layer memiliki 1 bias yang akan
digunakan dalam proses ini. Bias Hidden Layer ke Output Layer adalah -
1.5126.
Bobot dan bias akan terus berubah sehingga akhirnya akan ditemukan bobot
dan bias maksimal. Bobot dan bias maksimal kemudian akan digunakan pada
nilai koreksi bobot pada proses training. Nilai learning rate akan digunakan beberapa
melalui proses trial and error sehingga ditemukan learning rate yang berpengaruh
secara baik pada proses pelatihan. Peneliti melakukan percobaan dengan learning
rate 0.001, 0.1, 0.5, dan 0.9. Proses pelatihan nantinya akan menunjukan learning
rate mana yang memberikan pengaruh secara positif pada proses pelatihan.
Kebutuhan dalam proses pelatihan dalam penelitian ini juga dapat dijelaskan dengan
rancangan arsitektur Artificial Neural Network (ANN) pada Tabel 4.5 berikut:
dengan lapisan tersembunyi yang berbeda dan parameter yang juga berbeda.
96
Multilayer Perceptron secara umum dapat dibagi menjadi dua bagian. Bagian
pertama disebut sebagai tahapan propagasi maju. Bagian kedua disebut sebagai
Multilayer Perceptron.
dilakukan sebanyak neuron yang terdapat pada hidden layer. Menghitung nilai
fungsi aktivasi yang digunakan, pada penelitian ini digunakan fungsi aktivasi
maka di dapatkan nilai pada setiap neuron pada hidden layer. Nilai pada
Tabel 4.6 Hasil Perhitungan Output Neuron ke-J pada Hidden Layer
Z1 0.000217206
97
Z2 0.537746818
Z3 0.055224699
Hasil yang terdapat pada tabel diatas dilakukan dengan rumus yang telah
keluaran ke-k pada lapisan keluaran. Perhitungan ini juga dilakukan sejumlah
neuron yang terdapat pada output layer dimana pada penelitian ini terdapat 1
lapisan keluaran dan terakhir akan dijumlahkan dengan bias dari lapisan
dengan menggunakan rumus diatas maka di dapatkan nilai yk. Hasil diperoleh
E=t k − y k
Perhitungan error dapat dilakukan dengan mengurangkan target data set (Tk)
dengan hasil keluaran Yk. Tk merupakan target dari sebuah data set dengan
keluaran pada lapisan keluaran. Perhitungan loss error adalah sebagai berikut:
E = 0.586465-0.944356683 = -0.357892037.
Multilayer Perceptron secara umum dapat dibagi menjadi dua bagian. Bagian
pertama disebut sebagai tahapan propagasi maju. Bagian kedua disebut sebagai
tahapan propagasi mundur. Bagian propagasi maju akan mengolah data mulai dari
masukan hingga keluaran, sedangkan pada propagasi mundur hal yang akan terjadi
Perceptron.
99
menghitung nilai atau faktor kesalahan pada Yk. Perhitungan ini nantinya
antara target pada data set dengan Yk kemudian dikalikan dengan Yk. Hasil
-0.018806202
Perhitungan ini nantinya akan digunakan untuk merubah nilai bobot dari
mengetahui berapakah besar perubahan yang terjadi dari bobot awal kepada
∆ v 1=α∗δ (k )∗Zi
sebagai berikut:
Tabel 4.7 Hasil Perhitungan Suku Perubahan Bobot pada Hidden ke Output
∆ v1 -4.08481E-08
∆ v2 -0.00010113
∆ v3 -1.03857E-05
Perhitungan menghasilkan tiga hasil. Tiga hasil yang berbeda didapatkan dari
berikut:
∆ b=α∗δ (k)
0.000188062.
101
ini dilakukan untuk mengetahui seberapa besar faktor kesalahan dari Zj.
∂ netj=δ (k)∗vj
0.025826558. Nilai yang diperoleh dengan rumus diatas akan digunakan pada
∂1 5.60845E-06
∂2 -0.013664777
∂3 0.004488948
Perhitungan menghasilkan tiga hasil. Tiga hasil yang berbeda didapatkan dari
Perhitungan ini nantinya juga akan digunakan untuk menghitung bobot baru.
∆ wij=α∗∂ j∗xij
∆ w11 5.60845E-09
∆ w12 -1.36648E-05
∆ w13 4.48895E-06
∆ w21 3.23716E-08
∆ w22 -7.88721E-05
∆ w23 2.59099E-05
∆ w31 3.81811E-08
∆ w32 -9.30267E-05
∆ w33 3.05597E-05
∆ b1 0.000258266
∆ b2 -0.000549724
∆ b3 0.000860365
9.646900006. Hasil perhitungan menunjukan bahwa nilai bobot W11 saat ini
pada epoch selanjutnya. Adapun hasil perhitungan untuk setiap neuron adalah
sebagai berikut:
104
w 11(baru) 9.646900006
w 12(baru) 3.796086335
w 13 (baru) -4.746795511
w 21 (baru) -2.156499968
w 22 (baru) 6.939621128
w 23 (baru) 6.11302591
w 31(baru) -2.052099962
w 32(baru) 6.273206973
w 33 (baru) -6.48246944
Bi(baru) = Bi(lama) + ∆ bi
adalah -6.757141734. Nilai bias tersebut yang kemudian akan digunakan pada
105
sebagai berikut:
B1 (baru) -6.757141734
B 2(baru) -8.505149724
B 3(baru) -1.479239635
Vi(baru) = Vi(lama) + ∆ vi
pada epoch selanjutnya. Adapun hasil perhitungan untuk setiap neuron adalah
sebagai berikut:
v 1(baru ) -1.373300041
v 2(baru) 2.92299887
v 3(baru) -4.574910386
B(baru) = B(lama) + ∆ b
adalah 1.512411938.
satu kali iterasi pada satu model yang telah dirancang yaitu nya 3-3-1. Berdasarkan
bobot dan bias baru yang dihasilkan oleh iterasi pertama ditemukan bahwa bobot dan
bias ini masih belum maksimal. Bobot dan bias terbaik dapat ditemukan dengan
melakukan pelatihan pada iterasi selanjutnya. Penemuan bobot dan bias akan jauh
lebih baik jika dilakukan pelatihan dengan berbagai model yang berbeda dan iterasi
dilakukan dengan menggunakan MATLAB untuk mendapatkan hasil yang presisi dan
maksimal. Penulis melakukan pelatihan dengan arsitektur yang telah dirancang pada
tahap sebelumnya. Model jaringan pertama ini dilatih sebanyak 100000 kali dengan
learning rate 0.9. Hasil dari perhitungan ini menghasilkan performance MSE sebesar
107
ditentukan sebesar 100000 sebelum mendapatkan hasil yang sama dengan goal.
model yang berbeda. Masing-masing model nantinya akan menunjukan hasil yang
berbeda dan model dengan hasil maksimal lah yang akan diambil sebagai model yang
akan digunakan pada proses testing beserta dengan bobot dan biasnya.
yang jelas dan rancang bangun yang lengkap dan terperinci sehingga memenuhi
output, input, file (database). Rancangan dari desain ini dijadikan sebagai acuan
dalam merancang suatu sistem baru sehingga memperoleh hasil yang maksimal.
Aplikasi penetuan kasus stunting pada anak ini dirancang menggunakan alat
Use case diagram medefinisikan sebuah interaksi antara satu atau lebih aktor.
memanfaatkan sistem. Berikut dapat dilihat pada Gambar 4.5 Use case diagram dari
Gambar 4.5 menunjukan bahwa pada sistem yang dirancang akan terdapat dua
aktor, yaitu admin dan umum. Admin merupakan aktor yang memiliki peranan untuk
menjalankan sistem secara utuh dan melakukan pengolahan data di dalam sistem.
sebuah instansi akan menghasilkan sebuah objek dan merupakan inti dari
pengembangan dan desain berorientasi objek. Adapun class diagram dari rancangan
sistem penentuan kasus stunting pada anak dapat dilihat pada Gambar 4.6 berikut:
109
Gambar 4.6 menjelaskan hubungan antar kelas yang terdapat pada sistem
yang tengah dirancang. Admin berhubungan secara langsung dengan setiap kelas
yang terdapat pada sistem. Kelas lain akan berhubungan secara tidak langsung
melalui kelas admin atau dengan kata lain tidak terhubung secara langsung satu sama
lain.
aktivitas dari sesitem yang sedang dirancang. Diagram ini menggambarkan berbagai
alur aktivitas sistem yang tengah dirancang dan proses yang sedang berjalan. Berikut
ini merupakan penjelasan dari setiap activity diagram yang terdapat pada sistem yang
tengah dirancang.
110
Diagram ini akan menjelaskan segala aktivitas yang bisa dilkukan oleh admin
dengan memilih sistem yang tersedia pasa sistem. Admin digambarkan dapat
Gambar 4.7 menunjukan aktivitas apa saja yang dapat dilakukan oleh admin
pada sistem yang dibangun. Admin dapat melakukan manajerial terhadap data
Diagram ini akan menjelaskan segala aktifitas yang mungkin dan bisa terjadi
sistem. Informasi akan tersedia pada satu halaman home tanpa perlu
Penggambaran dengan diagram ini dilakukan pada setiap skenario yang mungkin
112
dapat terjadi pada sistem yang dibangun, Berikut adalah rancangan sistem penentuan
seputar Dinas Kesehatan Kab. Lima Puluh Kota. Profil Dinas Kesehatan, info
stunting, dan info anak adalah informasi yang dapat dilihat oleh pengunjung
Terlihat pada gambar yang disajikan bahwa satu-satunya aksi yang dapat
Pengunjung umum tidak perlu melakukan validasi data terhadap basis data.
Pengunjung umum cukup hanya masuk kedalam sistem untuk dapat melihat
Admin dapat mengupdate data value yang telah diset diawal kepada value
data yang sebenarnya pada rekap data kasus stunting di setiap kecamatan.
113
Data rekap yang sedari awal telah di set menjadi null adakan dapat dirubah
oleh admin sesuai dengan total sebenarnya. Perubahan data dapat dilakukan
dengan melakukan validasi nama pengguna dan kata sandi terlebih dahulu.
Admin dapat mengupdate dan mengubah data profile. Data pada profile
Profile yang muncul pada halaman pengunjung umum diolah oleh admin.
Kegiatan ini dapat dilakukan admin dengan melakukan login terlebih dahulu.
diagram kelola admin. Skenario dapat dilihat pada Gambar 4.12 berikut:
Informasi admin diolah oleh admin itu sendiri. Admin dapat menambahkan
informasi baru. Admin juga dapat merubah informasi yang sudah ada atau
bahkan menghapusnya.
Kegiatan ini dapat dilakukan admin dengan melakukan login terlebih dahulu.
Data kasus stunting dapat ditambahkan kapan saja oleh admin. Sebelum
validasi sebagai admin. Admin dapat melakukan kegiatan ini dengan bantuan
sistem. Kegiatan ini dapat dilakukan admin dengan melakukan login terlebih
Admin dapat melihat halaman klasifikasi data. Admin dapat melihat hasil
admin melihat hasil normalisasi. Hasil normalisasi dapat dilihat langsung oleh
Normalisasi akan berisi data asal yang telah dihitung sedemikian rupa. Admin
dapat melihat hasil dari proses normalisasi pada halaman klasifikasi. Untuk
Admin dapat melihat laporan. Kegiatan ini dapat dilakukan admin dengan
melakukan login terlebih dahulu. Hal ini dapat dilihat pada Gambar 4.16
berikut:
Proses akan berisi laporan akhir dari hasil analisis sistem yang dapat dicetak.
Admin dapat melihat laporan hasil dari proses perhitungan MLP pada
halaman laporan. Agar dapat melakukan skenario ini admin akan memulainya
Menjelaskan suatu sistem diperlukan pula desain sistem secara terinci yang
mana bertujuan untuk menggambarkan secara terinci sistem yang telah dirancang.
Desain sistem terinci ini menggambarkan desain output, desain input, dan desain file
Keluaran (output) merupakan hasil dari proses yang dapat di sajikan dalam
bentuk sebuah laporan atau merupakan tampilan yang dapat dilihat oleh pengguna
untuk melihat tampilan feed back oleh sistem kepada pengguna. Desain output
berguna untuk menetapkan output-output apa saja yang diperlukan dan bagaimana
bentuk output yang diinginkan. Desain output dalam perancangan aplikasi ini adalah
berupa laporan hasil penentuan kasus stunting pada anak di Kab. Lima Puluh Kota
dan tampilan sistem yang dapat dilihat oleh pengguna. Adapun desain output dalam
Halaman ini merupakan halaman yang paling pertama muncul saat sistem
dibuka. Halaman ini bisa dilihat oleh admin dan pengunjung umum. Adapun
Halaman ini akan memuat beberapa informasi yang dapat diakses oleh
Profil Dinas Kesehatan Kab. Lima Puluh Kota juga akan ditampilkan pada
bagian ini.
Tampilan ini merupakan halaman pertama yang dapat dilihat oleh admin
setelah melakukan login. Tampilan akan berisi data jumlah kasus stunting di
Halaman ini merupakan halaman yang pertama muncul setelah admin login.
Halaman ini akan berisi rekap data kasus dari setiap kecamatan di Kab. Lima
Puluh Kota. Halaman ini akan memberikan informasi untuk total pada setiap
kasus.
Tampilan ini merupakan tampilan ketika admin masuk pada bagian rekap.
Tampilan ini merupakan data asal yang terdapat pada tampilan awal. Bagian
ini memiliki tombol untuk melakukan update terhadap data. Adapun bentuk
Tampilan ini merupakan desain halaman dimana admin dapat merubah data
Informasi pada halaman ini dapat dirubah dengan menekan tombol perbaharui
profil. Informasi pada halaman ini juga akan ditampilkan pada halaman awal.
Kesehatan Kab. Lima Puluh Kota. Data pada tampilan ini yang kemudian
Desain tampilan ini merupakan desain tampilan untuk data admin. Data admin
dapat diperbaharui atau ditambahkan. Data akan terdiri dari nama hingga
sistem. Bagian ini juga dilengkapi dengan aksi edit dan hapus untuk
Halaman ini akan berisi data kasus stunting di Kab. Lima Puluh Kota. Data
akan di inputkan melalui halaman ini. Data pada halaman ini dapat dirubah,
Bagian ini tidak dilengkapi dengan aksi edit dan hapus. Adapun desain
Halaman ini akan berisi data hasil klasifikasi dengan metode Multilayer
Perceptron kasus stunting di Kab. Lima Puluh Kota. Data pada halaman ini
8. Desain Laporan
Keluaran juga dapat berupa laporan yang merupakan hasil proses sistem
terhadap data yang di masukan. Laporan akan berupa biodata diri anak dan
hasil analisa berupa kasus stunting. Desain laporan pada Gambar 4.24 berikut:
Desain ini merupakan hasil akhir dari sistem. Tampilan pada riwayat akan
Desain input merupakan suatu alat pemasukkan data yang dibutuhkan dalam
proses memasukkan data yang di sajikan dalam bentuk form. Desain input juga
127
menjadi user interface. Adapun rancangan desain input aplikasi Perceptron penetapan
kasus stunting anak kab lima puluh kota adalah sebagai berikut:
Halaman login admin merupakan halaman dimana admin bisa masuk kedalam
sistem agar bisa mengakses sistem. Saat login, admin harus mengisi password
dan username yang hanya diketahui oleh admin sendiri. Adapun bentuk
untuk meng input nama pengguna dan kata sandi. Tampilan akan berubah
Halaman ini merupakan halaman dimana admin bisa memasukkan data berupa
rekap setiap jenis kasus stunting di setiap kecamatan di kab lima puluh kota
yang awalnya sistem telah di-set memiliki value 0 sehingga admin hanya
128
data. Sistem akan membuat nilai awal menjadi null, kemudian diperbaharui
melalui tampilan ini. Hasil pembaruan ini kemudian dapat di simpan menjadi
memasukkan data berupa profile dari dinas kesehatan kab lima puluh kota.
pun mendapatkan hak akses admin seperti mengakses data dan melihat hasil
data kasus stunting dapat dilihat pada Gambar 4.29 sebagai berikut:
stunting. Tampilan ini akan berbentuk form yang berisi nama hingga berat
File-file tersebut terdiri dari beberapa record, record terdiri dari beberapa
field, setiap record nantinya akan menampung data-data untuk mendapatkan suatu
1. File Admin
File admin merupakan struktur file tempat merekam data-data admin. File ini
merupakan salah satu file yang terdapat pada basis data dengan nama db_mlp.
File ini disimpan dengan nama tabel tb_admin. Adapun desain file admin
Password
6 admin_password_md5 Text
Enkripsi
Tabel diatas akan menghimpun dan menyimpan data yang berkaitan dengan
admin. Terdapat setidaknya tujuh data yang akan di simpan pada file ini.
2. File Profile
perusahaan. File ini merupakan salah satu file yang terdapat pada basis data
132
dengan nama db_mlp. File ini disimpan dengan nama tabel tb_profile. Adapun
Jaringan Syaraf
7 profile_jst Text
Tiruan
Tabel diatas akan menghimpun dan menyimpan data yang berkaitan dengan
profil Dinas Kesehatan Kab. Lima Puluh Kota. Terdapat setidaknya sembilan
data yang akan di simpan pada file ini. Kunci utama dari file ini adalah
profile_id.
3. File Rekap
File rekap merupakan struktur file tempat merekam data-data rekap kasus di
setiap kecamatan. File ini merupakan salah satu file yang terdapat pada basis
133
data dengan nama db_mlp. File ini disimpan dengan nama tabel tb_rekap.
Tabel diatas akan menghimpun dan menyimpan data yang berkaitan dengan
rekap kasus stunting. Terdapat setidaknya lima data yang akan di simpan pada
4. File Stunting
File stunting merupakan struktur file tempat merekam data-data stunting. File
ini merupakan salah satu file yang terdapat pada basis data dengan nama
db_mlp. File ini disimpan dengan nama tabel tb_stunting. Adapun desain file
Tanggal
9 stunting_tanggalukur Date
Pengukuran
Tabel diatas akan menghimpun dan menyimpan data yang berkaitan dengan
data stunting. Terdapat setidaknya delapan data yang akan di simpan pada file
program secara logika. Logika program ini dibuat untuk memudahkan pengguna
sistem agar lebih mudah dalam memaham alur dari sub-sub form sistem. Adapun
1. Flowchart Admin
logika. Flowchart ini akan menjelaskan logika pemrograman yang terjadi pada
sisi admin. Adapun flowchart admin dapat dilihat pada Gambar 4.30 berikut:
Login berhasil akan membuat admin memiliki akses pada setiap bagian yang
2. Flowchart Umum
logika. Flowchart ini akan menjelaskan logika pemrograman yang terjadi pada
sisi pengunjung umum. Adapun flowchart umum dapat dilihat pada Gambar
4.31 berikut:
home nantinya akan bersisi beberapa informasi yang dapat diakses tanpa
memudahkan pihak yang membutuhkan. Sistem penentuan kasus stunting pada anak
berbasis web menjadi bentuk implementasi Jaringan Syaraf Tiruan pada penelitian
ini. Multilayer Perceptron digunakan sebagai metode Jaringan Syaraf Tiruan yang
kemudian di implementasi kan pada sebuah sistem berbasis web yang dapat
ditemukan pada penelitian ini. Penelitian ini menguji berbagai model Jaringan Syaraf
nilai Mean Squared Error atau MSE paling rendah dari seluruh model yang diujikan.
Hasil analisa data menunjukan model terbaik dari seluruh model yang diujikan adalah
model ke lima dari total model yang diujikan, adapun proses implementasi Jaringan
Syaraf Tiruan dengan metode MLP hingga menemukan model terbaik adalah sebagai
berikut.
137
MLP pada data yang telah di himpun, menggunakan MATLAB versi tujuh (7).
Aplikasi MATLAB yang digunakan pada penelitian ini adalah aplikasi versi
Adapun tampilan MATLAB versi 7 ketika baru dibuka adalah sebagai berikut:
Secara umum akan terdapat 3 sekat. Sekat terbesar adalah Command Window
dimana kita dapat menuliskan perintah yang akan digunakan. Sekat kedua
Saat aplikasi terbuka, pertama, kita masukan data set yang akan di
Klik kanan pada bagian workspace dan pilih new. Ganti nama workspace
sesuai dengan kebutuhan. Klik dua kali pada workspace yang telah dibuat dan
Akan muncul sebuah jendela baru dimana kita bisa membangun jaringan yang
diinginkan. Melakukan pelatihan ini juga bisa dilakukan dengan full script.
import dan akan muncul jendela import or load. Pilih variabel yang akan di
masukan dan pastikan variabel ini akan dimasukan sesuai jenis yang
seharusnya.
140
Jika akan me masukan training sebagai masukan, makan pada bagan Import
As, pilih inputs. Hal ini juga berlaku untuk model jaringan. Pembuatan model
jaringan dilakukan dengan klik import pada jaringan dan tentukan arsitektur
Tampilan ini me mungkin kan kita untuk merubah nama, tipe an berbagai
lapisan yang akan di gunakan den memilih fungsi transfer, dimana pada
tersembunyi, dan 1 keluaran. Bagian ini dapat diatur ketika klik tombol
berikut:
Model jaringan diatas memiliki tiga masukan, enam lapisan tersembunyi, dan
satu keluaran. Jaringan ini nantinya akan dilatih dengan parameter yang sama
dengan jaringan yang lain. Learning rate yang sama dan bobot bias yang
sama.
tersembunyi, dan 1 keluaran. Bagian ini dapat diatur ketika klik tombol
143
berikut:
Model jaringan diatas memiliki tiga masukan, tujuh lapisan tersembunyi, dan
satu keluaran. Jaringan ini nantinya akan dilatih dengan parameter yang sama
dengan jaringan yang lain. Learning rate yang sama dan bobot bias yang
sama.
tersembunyi, dan 1 keluaran. Bagian ini dapat diatur ketika klik tombol
berikut:
144
dan satu keluaran. Jaringan ini nantinya akan dilatih dengan parameter yang
sama dengan jaringan yang lain. Learning rate yang sama dan bobot bias yang
sama.
Setiap model akan dilatih sebanyak 100000 (seratus ribu) kali. Pelatihan
dilakukan dengan learning rate 0.9. Setiap model dilatih dengan target nol
Seluruh model yang telah dilatih akan memiliki keluaran. Setiap model juga
akan menghasilkan nilai error. Seluruh hasil dan error dapat di eksport dan
seluruh jaringan yang di latih. Penentuan nilai MSE akan dilakukan dengan excel,
untuk mengetahui nilai nya sudah sesuai atau masih ada kesalahan. Berikut
Nilai aktual merupakan nilai hasil normalisasi dari data asli. Keluaran
merupakan nilai yang didapatkan dari pelatihan MATLAB. Error merupakan selisih
antara data asli dan hasil pelatihan, sedangkan kuadrat error merupakan hasil kuadran
dari nilai error. Perhitungan nilai MSE dilakukan dengan menjumlahkan seluruh
kuadrat error dan membaginya dengan banyak nya data set, dalam penelitian ini
sebanyak 40 data set. Berikut merupakan tampilan hasil perhitungan nilai MSE pada
dipengaruhi oleh banyaknya lapisan tersembunyi pada jaringan. Nilai MSE terendah
Setelah seluruh jaringan telah di implementasi kan pada MATLAB dan excel,
didapatkan lah nilai MSE. Nilai MSE akan dibandingkan sehingga kemudian
didapatkan jaringan terbaik yang akan di implementasi kan pada sistem yang
1 3-3-1 0.000694739 6
2 3-4-1 0.000619075 5
3 3-5-1 0.000450786 4
4 3-6-1 0.000125704 2
5 3-7-1 0.000107648 1
6 3-8-1 0.000187461 3
Tabel 5.1 menunjukan bahwa dalam penelitian ini diujikan sebanyak 6 model
dengan arsitektur yang berbeda-beda. Pengujian dimulai dari model pertama dengan
arsitektur jaringan 3-3-1 yang berarti jaringan ini memiliki tiga masukan, tiga neuron
pada lapisan tersembunyi, dan satu keluaran. Model terakhir yang diujikan adalah
Perhitungan MSE dilakukan pada setiap model yang diujikan dan ditemukan
bahwa nilai MSE terendah dapat dicapai oleh model ke 5 dengan nilai MSE
0.000107648. Nilai MSE ini ditemukan setelah melakukan pelatihan pada data
sebanyak 100.000 kali perulangan pada arsitektur tersebut. Setiap arsitektur diuji
dengan parameter yang sama yaitu bobot bias yang sama, target error 0, learning
rate 0.9, dan dilatih sebanyak 100.000 kali perulangan. Sehingga seluruh model dapat
dibandingkan satu sama lain dan ditemukan model terbaik yang akan
7-1 adalah model dengan arsitektur terbaik, maka model ini kemudian
model terbaik dalam bentuk sebuah aplikasi berbasis web. Aplikasi ini nantinya akan
mampu mengklasifikasikan seorang anak termasuk kasus stunting atau tidak, dengan
5.2 Pengujian
kecerdasan buatan siap untuk dioperasikan dan untuk mengetahui hubungan antar
komponen sistem. Langkah pertama yang harus dilakukan adalah dengan membuka
hasil pengujian sistem penentuan kasus stunting pada anak berbasis web adalah
sebagai berikut:
Tampilan ini merupakan tampilan awal yang akan dilihat oleh setiap aktor
dalam sistem. Tampilan ini akan memuat informasi yang bersifat umum,
seperti informasi seputar stunting, anak, dan informasi Dinas Kesehatan Kab.
Lima Puluh Kota. Adapun tampilan home pengunjung adalah sebagai berikut:
150
Tampilan ini diatas dapat dilihat oleh siapapun tanpa perlu melakukan login
Admin dapat mengolah setiap data yang terdapat pada sistem setelah
dan kata sandi pada form login. Adapun tampilan form login adalah sebagai
berikut:
Pengguna akan bisa masuk jika nama pengguna dan kata sandi yang di submit
cocok dengan apa yang ada pada database. Pengguna akan memiliki akses
penuh terhadap sistem jika berhasil masuk. Pengguna akan digunakan untuk
Tampilan ini merupakan tampilan yang akan dilihat oleh admin setelah masuk
dengan nama pengguna dan kata sandi yang tepat. Halaman ini aka berisi
rekap data kasus stunting dari setiap kecamatan. Adapun tampilan halaman
Rekap data akan berisi berapa jumlah anak yang termasuk klasifikasi sangat
pendek, pendek, dan normal. Data akan muncul ketika kursor didekatkan atau
diarahkan pada nama kecamatan yang tersedia. Admin memiliki beberapa tab
Halaman ini memungkinkan admin untuk merubah data yang sudah tersedia.
Admin dapat menekan tombol Perbaharui Data. Data terbaru akan tersimpan
terbaru. Admin dapat me masukan anak sangat pendek, pendek, dan normal
Admin dapat mengakses halaman ini setelah menekan tombol perbaharui data
menekan cancel.
Halaman ini merupakan sumber data yang ditampilkan pada tampilan home
data profile Dinas Kesehatan Kab. Lima Puluh Kota sesuai dengan kebutuhan.
Tampilan ini berisi informasi seputar profile perusahaan dalam hal ini adalah
Dinas Kesehatan Kab. Lima Puluh Kota. Admin dapat melakukan perubahan
pada data yang terdapat pada tampilan ini. Pembaruan data dapat dilakukan
Halaman ini akan muncul ketika admin menekan tombol perbaharui profile
halaman ini. Adapun tampilan halaman rubah data profile adalah sebagai
berikut:
Data lama akan muncul sebagai acuan bagi admin untuk bagian yang akan di
Tampilan ini menampilkan data yang berkaitan dengan admin yang akan
email, password, dan informasi lainnya. Data yang ditampilkan pada halaman
Data administrator dapat ditambahkan atau dengan kata lain admin dapat lebih
dari satu orang. Tampilan diatas merupakan tampilan dimana pengguna dapat
admin yang baru, admin akan otomatis kembali pada halaman data
administrator.
edit pada halaman data administrator. Admin akan kembali ke halaman data
Tampilan ini akan menampilkan data status stunting yang telah di masukan
oleh admin. Tampilan ini terdiri dari beberapa data yang berkaitan dengan
Tampilan diatas merupakan tampilan dari halaman data Stunting status data.
Tampilan ini menampilkan data kasus stunting yang terjadi Kab. Lima Puluh
Kota. Terdapat beberapa aksi yang dapat dilakukan oleh admin melalui
Tampilan ini merupakan tampilan yang akan muncul ketika admin akan
menambahkan data set baru. Tampilan ini akan muncul dengan klik tombol
tambah data pada tampilan stunting status data. Tampilan dapat dilihat sebagai
berikut:
158
Admin dapat menambahkan data kasus Stunting pada halaman tambah data
Stunting. Halaman ini dapat diakses oleh admin setelah klik tombol tambah
data pada halaman sebelumnya. Admin akan diarahkan pada halaman status
penambahan data.
Tampilan ini adalah tampilan yang akan muncul saat tombol edit pada
Perubahan dapat dilakukan dengan klik tombol edit pada halaman data kasus
Stunting. Data asal akan ditampilkan pada bagian edit sebagai acuan bagi
Tampilan ini akan menampilkan data hasil normalisasi dari data stunting yang
telah di inputkan. Tampilan ini hanya akan berisi angka dari data yang telah di
menunjukan variabel apa saja yang digunakan dan di normalisasi kan oleh
tombol kembali.
Halaman ini akan menampilkan bobot dan bias yang digunakan palda
Halaman ini tidak memiliki aksi apapun, dengan kata lain hanya menampilkan
proses dan hasil perhitungan dari setiap set data. Halaman ini menunjukan set
data yang dipilih berdasarkan index yang diambil dari database. Admin dapat
Tampilan ini menunjukan hasil analisa dalam bentuk tulisan atau kata.
sebagai berikut:
162
Halaman ini memiliki aksi cetak untuk dapat memberikan keluaran dari
sistem. Tampilan pada halaman ini merupakan hasil perhitungan angka yang
Tampilan ini merupakan tampilan yang akan muncul ketika tombol cetak
diklik. Tampilan ini merupakan keluaran akhir dari sistem yang dibangun.
Halaman ini merupakan halaman yang akan muncul ketika admin klik tombol
dicetak sebagai keluaran fisik dari sistem yang telah dibangun pada penelitian
ini. Laporan juga bisa disimpan dalam bentuk file dan tidak langsung di print
out.
BAB VI
PENUTUP
6.1 Kesimpulan
Berdasarkan hasil penelitian yang telah dilakukan dan dari hipotesis yang
ditentukan sebelumnya, serta didukung oleh landasan teori dan analisa masalah, maka
memodelkan proses penentuan kasus Stunting pada anak di Kab. Lima Puluh
Kota. Hasil tersebut telah diuji menggunakan 6 model Jaringan Syaraf Tiruan.
Tiruan (JST) mampu menentukan kasus Stunting pada anak di Kab. Lima
Puluh Kota. Hasil pengujian menunjukan penerapan MLP pada JST mampu
Dinas Kesehatan Kab. Lima Puluh Kota dalam membuat keputusan untuk
164
melihat angka kasus Stunting serta dapat menekan laju angka kasus Stunting
penentuan kasus Stunting pada anak. Sistem yang dibangun telah memenuhi hal-hal
yang diharapkan sedari awal penelitian ini dimulai, namun terdapat beberapa
keterbatasan yang dimiliki oleh sistem ini. Adapun keterbatasan yang terdapat pada
sistem diantaranya:
1. Sistem hanya dapat melakukan klasifikasi penentuan kasus Stunting dan tidak
2. Sistem ini bersifat internal dan tidak untuk dipublikasikan secara luas untuk
3. Sistem yang dibangun hanya untuk menentukan kasus Stunting dan tidak
6.3 Saran
dengan metode Multilayer Perceptron berbasis web ini tentu dapat diperbaiki dan
maksimal.
2. Aplikasi yang dibangun dapat dikembangkan pada cakupan yang lebih luas
baik cakupan daerah seperti di tingkat provinsi dan nasional, maupun cakupan
dibangun.
DAFTAR PUSTAKA
Adyatama, A., Irawan, B., & Setianingsih, C. (2020). Rancang Bangun Aplikasi Terkait
Pola Makan Terhadap Tumbuh Kembang Balita Menggunakan Algoritma Genetika
Dan Sistem Pakar Forward Chaining Berbasis Android. EProceedings of
Engineering, 7(1), 1684.
https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/
view/11714
Affandi, E., & Syahputra, T. (2018). J-SISKO TECH Jurnal Teknologi Sistem Informasi
dan Sistem Komputer TGD Pemodelan Uml Manajeman Sistem Inventory. 1(2), 14–
25.
Aldo, D. (2019). Sistem Pakar Diagnosa Penyakit Limfoma dengan Metode Certainty
Factor. SATIN-Sains Dan Teknologi Informasi , 5(1). http://jurnal.stmik-amik-
riau.ac.id
Ali, E. (2019). Buku Ajar Rekayasa Perangkat Lunak. CV. MFA Publishing.
https://www.academia.edu/42744804/Buku_Ajar_Rekayasa_Perangkat_Lunak
Amirullah, A., Try Andreas Putra, A., & Daud Al Kahar, A. (2020). Deskripsi Status Gizi
Anak Usia 3 Sampai 5 Tahun Pada Masa Covid-19. Jurnal Pendidikan Anak Usia
Dini. https://murhum.ppjpaud.org/index.php/murhum/article/view/3/15
Aprianto, Y., Nurhasanah, N., & Sanubary, I. (2018). Prediksi Kadar Particulate Matter
(PM10) untuk Pemantauan Kualitas Udara Menggunakan Jaringan Syaraf Tiruan
Studi Kasus Kota Pontianak. POSITRON, 8(1), 15.
https://doi.org/10.26418/positron.v8i1.25470
Arditanti, W., Handojo, A., & Octavia, T. (2022). Penerapan Artificial Neural Network
dan Rule Based Classifier untuk Mengklasifikasikan Pendonor Darah Potensial pada
Sistem Broadcast Pendonor. Jurnal Infra, 10(2), 130–136.
https://publication.petra.ac.id/index.php/teknik-informatika/article/view/12647
Ayunda, R., & Rusdianto, R. (2021). Perlindungan Data Nasabah Terkait Pemanfaatan
Artificial Intelligence dalam Aktifitas Perbankan di Indonesia. Jurnal Komunikasi
Hukum (JKH), 7(2), 663–677. https://doi.org/10.23887/JKH.V7I2.37995
Daracantika, A., Ainin, A., & Besral, B. (2021). Pengaruh Negatif Stunting terhadap
Perkembangan Kognitif Anak. Jurnal Biostatistik, Kependudukan, Dan Informatika
Kesehatan, 1(2), 124–134. https://doi.org/10.51181/BIKFOKES.V1I2.4647
Devianto, Y., & Dwiasnati, S. (2020). Kerangka Kerja Sistem Kecerdasan Buatan dalam
Meningkatkan Kompetensi Sumber Daya Manusia Indonesia. Jurnal Telekomunikasi
Dan Komputer, 10(1), 19. https://doi.org/10.22441/incomtech.v10i1.7460
Habibie, D. R., & Aldo, D. (2019a). Sistem Pakar Untuk Identifikasi Jenis Jerawat Dengan
Metode Certainity Factor. JOINTECS (Journal of Information Technology and
Computer Science), 4(3), 79. https://doi.org/10.31328/jointecs.v4i3.1055
Habibie, D. R., & Aldo, D. (2019b). Sistem Pakar Untuk Identifikasi Jenis Jerawat Dengan
Metode Certainity Factor. JOINTECS (Journal of Information Technology and
Computer Science), 4(3), 79. https://doi.org/10.31328/jointecs.v4i3.1055
Husada, S., & Rahmadhita, K. (2020). Permasalahan Stunting dan Pencegahannya. Jurnal
Ilmiah Kesehatan Sandi Husada, 9(1), 225–229.
https://doi.org/10.35816/JISKH.V11I1.253
Hwang, H.-C., & Kim, W.-J. (2021). Design of Document-HTML Generation Technique
for Authorized Electronic Document Communication. Journal of Society of Korea
Industrial and Systems Engineering, 44(1), 51–59.
https://doi.org/10.11627/jkise.2021.44.1.051
Julizal, J., Lukman, L., & Sunoto, I. (2019). Rancang Bangun Aplikasi Sistem Monitoring
Pertumbuhan Anak sebagai Alat Deteksi Pertumbuhan. STRING (Satuan Tulisan
Riset Dan Inovasi Teknologi), 4(1), 18–24.
https://journal.lppmunindra.ac.id/index.php/STRING/article/view/3728
Mahfuzh, M. F., & Yuliantari, R. V. (2022). Analisis Penerapan Artificial Neural Network
Algoritma Propagasi Balik untuk Meramalkan Harga Saham pada Bursa Efek
Indonesia. Journal of Applied Electrical Engineering, 6(1), 1–3.
https://doi.org/10.30871/JAEE.V6I1.3814
Manihuruk, S., & Syahrizal, M. (2020a). Implementasi Diagnosa Penyakit Gastritis Pada
Anjing Dengan Menggunakan Jaringan Saraf Tiruan Multi Layer Perceptron (Studi
Kasus: Sasmita Pet Shop & Clinic). JURIKOM (Jurnal Riset Komputer), 7(2), 341–
346. https://doi.org/10.30865/JURIKOM.V7I2.2124
Manihuruk, S., & Syahrizal, M. (2020b). Implementasi Diagnosa Penyakit Gastritis Pada
Anjing Dengan Menggunakan Jaringan Saraf Tiruan Multi Layer Perceptron (Studi
Kasus: Sasmita Pet Shop & Clinic). JURIKOM (Jurnal Riset Komputer), 7(2), 341–
346. https://doi.org/10.30865/JURIKOM.V7I2.2124
Mayar, F., Astuti2, Y., Anak, P., Dini, U., Pendidikanuniversitas, I., & Padang, N. (2021).
Peran Gizi Terhadap Pertumbuhan dan Perkembangan Anak Usia Dini. Jurnal
Pendidikan Tambusai, 5(3), 9695–9704. https://doi.org/10.31004/JPTAM.V5I3.2545
Mujiastuti, R., Abdussani, A., & Adharani, Y. (2018). SISTEM PAKAR UNTUK
TUMBUH KEMBANG ANAK MENGGUNAKAN METODE FORWARD CHAINING
(Vol. 17).
Mukhtar, H., Muhammad, R., Reny Medikawati, T., & Yoze Rizki. (2021). Peramalan
Kedatangan Wisatawan Mancanegara Ke Indonesia Menurut Kebangsaan
Perbulannya Menggunakan Metode Multilayer Perceptron. Jurnal CoSciTech
(Computer Science and Information Technology), 2(2), 113–119.
https://doi.org/10.37859/coscitech.v2i2.3324
Munasatya, N., Munasatya, N., & Novianto, S. (2020). Natural Language Processing
untuk Sentimen Analisis Presiden Jokowi Menggunakan Multi Layer Perceptron.
Techno.Com, 19(3), 237–244. https://doi.org/10.33633/tc.v19i3.3630
Ndia, J. G., Muketha, G. M., & Omieno, K. K. (2019). Complexity metrics for sassy
cascading style sheets. Baltic Journal of Modern Computing, 7(4), 454–474.
https://doi.org/10.22364/bjmc.2019.7.4.01
Ni, N., Muryatini, S. H., Perlindungan…, M. H., Komang, M. H. I., Buana, S., & Kom, S.
(2019). PERLINDUNGAN HUKUM TERHADAP ANAK PENYANDANG
DISABILITAS YANG DITELANTARKAN OLEH ORANG TUANYA. Jurnal
Advokasi, 9(1). https://e-journal.unmas.ac.id/index.php/advokasi/article/view/319
Nugraha, A., Suparman, Y., & Pravitasari, A. A. (2021). Penerapan Artificial Neural
Network Backpropagation untuk Meramalkan Nilai Ekspor Indonesia. E-Prosiding
Seminar Nasional Statistika | Departemen Statistika FMIPA Universitas
Padjadjaran, 10, 37–37. https://doi.org/10.1234/PNS.V10I.102
Oktaviani, E., Feri, J., Soewito Prodi Keperawatan Lubuklinggau, B., Kemenkes
Palembang, P., & Author, C. (2021). Deteksi Dini Tumbuh Kembang dan Edukasi
pada Ibu tentang Status Gizi Anak pada Periode Golden Age. Journal of Community
Engagement in Health, 4(2), 319–324. https://doi.org/10.30994/JCEH.V4I2.146
Pamungkas, I., Sumadi, S., & Alam, S. (2022). Studi Komparasi Fungsi Aktivasi Sigmoid
Biner, Sigmoid Bipolar dan Linear pada Jaringan Saraf Tiruan dalam Menentukan
Warna RGB Menggunakan Matlab. Jurnal Serambi Engineering, 7(4).
https://ojs.serambimekkah.ac.id/jse/article/view/4776
Purwono, P., Dewi, P., Wibisono, S. K., Putra Dewa, B., Informatika, P., Harapan Bangsa,
U., Keperawatan, P., & Bangsa, H. (2022). MODEL PREDIKSI OTOMATIS JENIS
PENYAKIT HIPERTENSI DENGAN PEMANFAATAN ALGORITMA MACHINE
LEARNING ARTIFICIAL NEURAL NETWORK. Insect (Informatics and
Security): Jurnal Teknik Informatika, 7(2), 82–90.
https://doi.org/10.33506/INSECT.V7I2.1828
Putra, H., & Walmi, N. U. (2020). Penerapan Prediksi Produksi Padi Menggunakan
Artificial Neural Network Algoritma Backpropagation. Jurnal Nasional Teknologi
Dan Sistem Informasi. https://doi.org/10.25077/TEKNOSI.v6i2.2020.100-107
Rahmi. (2019). Peran Nutrisi Bagi Tumbuh dan Kembang Anak Usia Dini. Bunayya :
Jurnal Pendidikan Anak, 5(1). https://doi.org/10.22373/BUNAYYA.V5I1.6380
Ramdhani, A., Handayani, H., Setiawan, A., Studi, P. S., Keperawatan, I., & Ilmu
Kesehatan, F. (2021). HUBUNGAN PENGETAHUAN IBU DENGAN KEJADIAN
STUNTING. PROSIDING SEMINAR NASIONAL LPPM UMP, 0(0), 28–35.
http://semnaslppm.ump.ac.id/index.php/semnaslppm/article/view/122
Rekapitulasi Pengiriman Barang Berbasis Web Khozin Yuliana, P., & Azizah, N. (2019).
Perancangan Rekapitulasi Pengiriman Barang Berbasis Web. JURNAL SISFOTEK
GLOBAL, 9(1), 2088–1762. https://doi.org/10.38101/SISFOTEK.V9I1.223
Siahaan, M., Harsana Jasa, C., Anderson, K., Rosiana, M. V., Lim, S., & Yudianto, W.
(2020). Penerapan Artificial Intelligence (AI) Terhadap Seorang Penyandang
Disabilitas Tunanetra. Journal of Information System and Technology, 1(2), 186–193.
https://doi.org/10.37253/JOINT.V1I2.4322
Simarmata, S. M., Sinaga, B., & Syahputra, H. (2022). Analisis Kemampuan Pemahaman
Konsep Matematika Siswa Dalam Penerapan Model Discovery Learning Berbantuan
Matlab. Jurnal Cendekia : Jurnal Pendidikan Matematika, 6(1), 692–701.
https://doi.org/10.31004/cendekia.v6i1.1227
Simbolon, D. A., Hartama, D., & Anggraini, F. (2019). Penerapan Jaringan Saraf Tiruan
Dalam Memprediksi Gizi Balita Pada Puskesmas Siantar Utara Kota
Pematangsiantar. Brahmana : Jurnal Penerapan Kecerdasan Buatan, 1(1), 48–54.
https://doi.org/10.30645/BRAHMANA.V1I1.7.G7
Siregar, H. F., & Sari, N. (2018). Rancang Bangun Aplikasi Simpan Pinjam Uang
Mahasiswa Fakultas Teknik Universitas Asahan Berbasis Web. JURNAL
TEKNOLOGI INFORMASI, 2(1), 53. https://doi.org/10.36294/jurti.v2i1.409
Soebroto, A. A. (2019). Buku Ajar AI, Machine Learning & Deep Learning.
https://www.researchgate.net/publication/348003841
Sovia, R., & Yanto, M. (2018). Jaringan Syaraf Tiruan Analisa Pengaruh Gizi Buruk
Terhadap Perkembangan Balita dengan Algoritma Perceptron | Jurnal Ilmiah Media
Sisfo. Jurnal Ilmiah Media Sisfo.
http://ejournal.stikom-db.ac.id/index.php/mediasisfo/article/view/359
Supangat, R. N., Afandi, M. I., & Pratama, A. (2020). Perancangan Sistem Informasi
Klinik Berbasis Web (Studi Kasus: Klinik dr. Andre Sidoarjo). Jurnal Informatika
Dan Sistem Informasi, 1(1), 127–136. https://doi.org/10.33005/JIFOSI.V1I1.30
Tika, G., Adiwijaya, A., & Cahyani, N. D. W. (2019). Klasifikasi Topik Berita Berbahasa
Indonesia Menggunakan Multilayer Perceptron. EProceedings of Engineering, 6(1).
https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/
view/8503
Tupriliany Danefi, SST. , M. K. (2020). LITERATURE REVIEW ANEMIA DAN
KURANG ENERGI KRONIK (KEK) PADA IBU HAMIL SEBAGAI SALAH
SATU FAKTOR PENYEBAB STUNTING PADA BAYI BALITA. JURNAL
SEMINAR NASIONAL, 2(01), 54–62.
http://ejurnal.stikesrespati-tsm.ac.id/index.php/semnas/article/view/255
Yayuk Sri Rahayu, A. (2020). Tantangan Pencegahan Stunting pada Era Adaptasi Baru
“New Normal” melalui Pemberdayaan Masyarakat di Kabupaten Pandeglang. Jurnal
Kebijakan Kesehatan Indonesia : JKKI, 9(3), 136–146.
https://journal.ugm.ac.id/jkki/article/view/57781
Lampiran 1. Kartu Bimbingan Skripsi Pembimbing I