Laporan Skripsi (Aldhy Erwin - 19101152630042)

ARTIFICIAL NEURAL NETWORK MULTILAYER PERCEPTRON UNTUK
PENENTUAN KASUS STUNTING PADA ANAK BERBASIS WEB
SKRIPSI
Diajukan Untuk Memenuhi Sebagian Persyaratan
Mencapai Gelar Sarjana Komputer
Program Studi : Teknik Informatika
Jenjang Pendidikan : Strata 1
Diajukan Oleh:
ALDHY ERWIN
19101152630042
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER
UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG
PADANG 2023
LEMBAR PERNYATAAN
Saya yang bertanda tangan dibawah ini :
Nama : Aldhy Erwin
No. BP : 19101152630042
Fakultas : Ilmu Komputer
Jurusan : Teknik Informatika
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
dengan kaidah penulisan ilmiah.
2. Jika dalam pembuatan skripsi secara keseluruhan ternyata terbukti dibuatkan
oleh orang lain, maka saya bersedia menerima saksi yang diberikan akademik,
berupa pembatalan skripsi dan mengulang penelitian serta mengajukan judul
baru.
Demikian surat ini saya buat dengan sungguh-sungguh tanpa adanya paksaan dari pihak
manapun.
Padang, Februari 2023
ALDHY ERWIN
19101152630042
ii
LEMBAR PENGESAHAN SKRIPSI
Yang dipersipakan dan disusun oleh
ALDHY ERWIN
19101152630042
Telah Memenuhi Persyaratan Untuk Dipertahankan Didepan Dewan Penguji
Pada Ujian Komprehensif
Padang, Januari 2023
Pembimbing I Pembimbing II
(Dr. Yuhandri, S.Kom., M.Kom,) (Musli Yanto, S.Kom., M.Kom,)
NIDN: 1015057301 NIDN : 1007078901
iii
LEMBAR PENGESAHAN PENGUJI SIDANG SKRIPSI

Yang dipersiapkan dan disusun oleh
ALDHY ERWIN
19101152630042
Skripsi ini ini telah dinyatakan LULUS oleh

Penguji Materi Pada Sidang Skripsi Program Studi Strata 1 Ilmu Komputer
Program Studi Sistem Informasi
Universitas Putra Indonesia “YPTK” Padang
Pada Hari/Tgl : Selasa/28 Februari 2023
TIM PENGUJI :
1. Eka Praja Wiyata Mandala, S.Kom, M.Kom ………………….

NIDN. 1014088502
2. Deby Erdriani, S.Si, M.Pd ………………….

NIDN. 1002068501
Padang, Maret 2023

Mengetahui
Dekan Fakultas Ilmu Komputer
Universitas Putra Indonesia YPTK Padang
(Dr. Yuhandri, S.Kom, M.Kom)

NIDN : 1015057301
iv
LEMBAR PENGESAHAN LULUS SIDANG SKRIPSI

Yang dipersiapkan dan disusun oleh
ALDHY ERWIN
19101152630042
Yang telah dipertahankan di depan Dewan Penguji
Pada tanggal 28 Februari 2023
Dan dinyatakan telah lulus
Memenuhi syarat
Pembimbing I Pembimbing II
(Dr. Yuhandri, S.Kom., M.Kom,) (Musli Yanto, S.Kom., M.Kom,)

NIDN: 1015057301 NIDN : 1007078901
Padang, Maret 2023

Dekan Fakultas Ilmu Komputer
Universitas Putra Indonesia YPTK Padang
(Dr. Yuhandri, S.Kom, M.Kom)

NIDN. 1015057301
v
ABSTRACT
Artificial intelligence is a field of computer science that is able to imitate and

apply intelligence found in humans to solve existing problems. Artificial intelligence
has been proven to be able to solve various problems from various fields, including
the health sector. Stunting (short children) is one of the health problems that arise
as a result of nutritional problems, where Indonesia is the country with the fifth
largest prevalence in the world at 36% of the total children in Indonesia. District
Health Kab. Lima Puluh Kota face difficulties when they have to analyze thousands
or even tens of thousands of children in a certain period using manual calculations
based on WHO calculations. This research will apply an Artificial Neural Network
using the Multilayer Perceptron method to be able to classify Stunting cases that
occur based on existing historical data. This method is implemented by building a
website using the PHP programming language and MySQL database. This study
shows that the Artificial Neural Network with the MLP method is able to classify
stunting cases in children that occur in Kab. Lima Puluh Kota.
Keywords: Artificial Neural Network, Stunting, Multilayer Perceptron, PHP,

MySQL
vi
ABSTRAK
Kecerdasan buatan atau Artificial Intelligence merupakan suatu bidang ilmu

komputer yang mampu menirukan dan menerapkan kecerdasan yang terdapat pada
manusia untuk memecahkan permasalahan yang ada. Kecerdasan buatan telah
terbukti dapat menyelesaikan berbagai permasalahan dari berbagai bidang, termasuk
bidang kesehatan. Stunting (anak pendek) merupakan salah satu permasalahan
kesehatan yang muncul akibat dari permasalahan gizi, dimana Indonesia merupakan
negara dengan prevalensi terbesar kelima di dunia sebesar 36% dari total anak di
Indonesia. Dinas Kesehatan Kab. Lima Puluh Kota menghadapi kesulitan saat harus
menganalisa ribuan atau bahkan puluhan ribu anak dalam satu periode tertentu
dengan menggunakan perhitungan manual yang didasarkan pada perhitungan WHO.
Penelitian ini akan menerapkan Jaringan Syaraf Tiruan dengan menggunakan
metode Multilayer Perceptron untuk dapat mengklasifikasikan kasus Stunting yang
terjadi berdasarkan data historical yang ada. Metode ini diimplementasikan dengan
membangun sebuah website menggunakan bahasa pemrograman PHP dan database
MySQL. Penelitian ini menunjukan bahwa Jaringan Syaraf Tiruan dengan metode
MLP mampu mengklasifikasikan kasus Stunting pada anak yang terjadi di Kab.
Lima Puluh Kota.
Kata Kunci : Jaringan Syaraf Tiruan, Stunting, Multilayer Perceptron, PHP,

MySQL
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,
sehingga penulis dapat menyelesaikan skripsi ini yang berjudul “ARTIFICIAL
NEURAL NETWORK MULTILAYER PERCEPTRON UNTUK
PENETUAN KASUS STUNTING PADA ANAK BERBASIS WEB“ Hasil
penelitian ini dapat disajikan dalam bentuk tulisan, dan diharapkan dapat membantu
pihak-pihak yang membutuhkan.
Penulisan skripsi ini bertujuan untuk memperoleh gelar Sarjana Komputer
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
Perguruan Tinggi Komputer (YPTK) Padang.
2. Bapak Prof. Dr. H. Sarjon Defit, S.Kom, M.sc. selaku Rektor Universitas
Putra Indonesia “YPTK” Padang.
3. Bapak Dr. Yuhandri, S.Kom, M.Kom. selaku Dekan Fakultas Ilmu
Komputer Universitas Putra Indonesia “YPTK” Padang dan selaku dosen
Pembimbing I yang telah begitu banyak memberikan pengetahuan dan arahan
serta meluangkan waktunya selama penyusunan skripsi ini.
4. Bapak Eka Praja Wiyata Mandala, S.Kom, M.Kom. selaku Ketua Program
Studi Teknik Informatika Universitas Putra Indonesia “YPTK” Padang.
viii
5. Bapak Musli Yanto, S.Kom, M.Kom, selaku
6. dosen Pembimbing II yang telah begitu banyak memberikan pengetahuan dan
arahan serta berkenan meluangkan waktunya dalam penyusunan skripsi ini.
7. Bapak dan Ibu Dosen serta Karyawan dan Karyawati Universitas Putra
Indonesia “YPTK” Padang.
8. Bapak dan Ibu Dinas Kesehatan Kab. Lima Puluh Kota yang sudah
membantu penulis dalam melakukan penelitian ini serta sudah bersedia
membimbing saya dan menjadi responden saya dalam melakukan penelitian
ini
Penulis menyadari bahwa masih banyak terdapat kesalahan dan kekurangan
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.
Padang, Februari 2023
Aldhy Erwin
ix
DAFTAR ISI
HALAMAN JUDUL...................................................................................................i
HALAMAN PERNYATAAN....................................................................................ii
LEMBAR PERSETUJUAN PEMBIMBING.........................................................iii
LEMBAR PENGESAHAN PENGUJI SIDANG SKRIPSI..................................iv
LEMBAR PENGESAHAN LULUS SIDANG SKRIPSI........................................v
ABSTRACT...............................................................................................................vi
ABSTRAK................................................................................................................vii
KATA PENGANTAR.............................................................................................viii
DAFTAR ISI...............................................................................................................x
DAFTAR GAMBAR...............................................................................................xvi
DAFTAR TABEL.....................................................................................................xx
BAB I PENDAHULUAN...........................................................................................1
1.1 Latar Belakang Masalah...................................................................................1
1.2 Perumusan Masalah........................................................................................10
1.3 Hipotesis.........................................................................................................11
1.4 Batasan Masalah.............................................................................................12
1.5 Tujuan Penelitian............................................................................................12
1.6 Manfaat Penelitian..........................................................................................13
1.7 Gambaran Umum Objek Penelitian................................................................13
1.7.1 Sekilas Tentang Dinas Kesehatan Kab. Lima Puluh Kota.......................14
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
1.7.3 Struktur Organisasi Dinas Kesehatan Kab. Lima Puluh Kota..................16
1.7.4 Tugas dan Tanggung Jawab.....................................................................16
1.7.4.1 Kepala Dinas....................................................................................17
1.7.4.2 Sekretaris..........................................................................................18
1.7.4.3 Bidang Kesehatan Masyarakat.........................................................18
1.7.4.4 Bidang Pencegahan dan Pengendalian Penyakit..............................19
1.7.4.5 Bidang Pelayanan Kesehatan...........................................................19
1.7.4.6 Bidang Sumber Daya Kesehatan......................................................20
BAB II LANDASAN TEORI...................................................................................21
2.1 Rekayasa Perangkat Lunak..............................................................................21
2.1.1 Definisi Rekayasa Perangkat Lunak........................................................21
2.1.2 Wilayah Cakupan Rekayasa Perangkat Lunak........................................22
2.1.3 Masalah Dalam Rekayasa Perangkat Lunak............................................25
2.1.4 Model Rekayasa Perangkat Lunak...........................................................27
2.1.4.1 Model Sekuensial Linier (Waterfall)................................................27
2.1.4.2 Model Prototipe................................................................................28
2.1.4.3 Model RAD......................................................................................30
2.1.4.4 Model Spiral.....................................................................................31
2.1.5 Software Development Life Cycle (SDLC)..............................................32
2.1.5.1 Definisi Software Development Life Cycle (SDLC)........................32
2.1.5.2 Tahapan Dalam Software Development Life Cycle (SDLC)............32
xi
2.2 Unified Modeling Language............................................................................34
2.2.1 Use Case Diagram...................................................................................34
2.2.2 Activity Diagram......................................................................................36
2.2.3 Class Diagram.........................................................................................37
2.2.4 Sequence Diagram...................................................................................39
2.3 Artificial Intelligence.......................................................................................41
2.3.1 Perkembangan Artificial Intelligence.......................................................42
2.4 Machine Learning............................................................................................43
2.5 Deep Learning.................................................................................................44
2.6 Artificial Neural Network................................................................................45
2.6.1 Komponen Artificial Neural Network......................................................46
2.6.1.1 Neuron..............................................................................................47
2.6.1.2 Bobot (Weight).................................................................................48
2.6.1.3 Fungsi Aktivasi................................................................................48
2.6.2 Arsitektur Artificial Intelligence..............................................................51
2.7 Metode Multilayer Perceptron........................................................................53
2.7.1 Proses Pelatihan Multilayer Perceptron..................................................54
2.7.2 Prinsip Kerja Multilayer Perceptron.......................................................54
2.7.3 Langkah-Langkah Metode Multilayer Perceptron..................................55
2.8 Normalisasi......................................................................................................56
2.9 Evaluasi Performa............................................................................................57
2.10 Stunting..........................................................................................................60
2.11 Konsep Website.............................................................................................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
2.13 Basis Data......................................................................................................63
2.14 MySQL..........................................................................................................63
2.15 XAMPP..........................................................................................................67
BAB III METODOLOGI PENELITIAN...............................................................68
3.1 Kerangka Penelitian.........................................................................................68
3.2 Tahapan Penelitian...........................................................................................69
3.2.1 Penelitian Pendahuluan............................................................................69
3.2.2 Pengumpulan Data...................................................................................70
3.2.3 Analisa.....................................................................................................73
3.2.4 Perancangan.............................................................................................74
3.2.5 Implementasi............................................................................................75
3.2.6 Pengujian..................................................................................................75
BAB IV ANALISA DAN PERANCANGAN.........................................................77
4.1 Tahapan Analisa dan Perancangan..................................................................77
4.2 Analisa Data.....................................................................................................78
4.3 Analisa Sistem.................................................................................................83
4.3.1 Analisa Sistem yang Sedang Berjalan.....................................................84
4.3.2 Analisa Sistem Baru.................................................................................85
xiii
4.3.3 Metode Multilayer Perceptron (MLP).....................................................86
4.3.3.1 Mengumpulkan Data Kasus Stunting...............................................87
4.3.3.2 Melakukan Normalisasi....................................................................90
4.3.3.3 Merancang Arsitektur Jaringan........................................................92
4.3.3.4 Menentukan Bobot dan Bias............................................................93
4.3.3.5 Penentuan Learning Rate.................................................................95
4.3.3.6 Melakukan Propagasi Maju..............................................................96
4.3.3.7 Melakukan Propagasi Mundur.........................................................98
4.3.3.8 Hasil Perhitungan...........................................................................106
4.4 Perancangan Sistem.......................................................................................107
4.4.1 UML (Unified Model Language)...........................................................107
4.4.1.1 Use Case Diagram.........................................................................107
4.4.1.2 Class Diagram................................................................................108
4.4.1.3 Activity Diagram............................................................................109
4.4.1.4 Sequence Diagram.........................................................................111
4.4.2 Desain Terinci........................................................................................117
4.4.2.1 Desain Output.................................................................................118
4.4.2.2 Desain Input...................................................................................125
4.4.3 Desain File.........................................................................................129
4.4.4 Rancangan Modul Program...............................................................133
4.4.4.1 Flow Chart.....................................................................................133
BAB V IMPLEMENTASI DAN PENGUJIAN...................................................136
5.1 Implementasi Sistem......................................................................................136
xiv
5.1.1 Implementasi pada Software MATLAB.....................................................137
5.1.2 Implementasi pada Excel............................................................................145
5.1.3 Perbandingan MSE (Mean Squared Error)...........................................147
5.2 Pengujian.......................................................................................................149
BAB IV PENUTUP................................................................................................163
6.1 Kesimpulan....................................................................................................163
6.2 Keterbatasan Sistem.......................................................................................164
6.3 Saran..............................................................................................................164
DAFTAR PUSTAKA
LAMPIRAN
xv
DAFTAR GAMBAR
Gambar 1.1 Struktur Organisasi Dinas Kesehatan Kab. Lima Puluh Kota................16
Gambar 2.1 Wilayah Operasional Rekayasa Perangkat Lunak..................................22
Gambar 2.2 Model Sekuensial Linier.........................................................................27
Gambar 2.3 Model Prototipe.......................................................................................29
Gambar 2.4 Model RAD.............................................................................................30
Gambar 2.5 Model Spiral............................................................................................31
Gambar 2.6 Tahapan SDLC........................................................................................33
Gambar 2.7 Map Cakupan Machine Learning............................................................44
Gambar 2.8 Ilustrasi Arsitektur pada Deep Learning.................................................45
Gambar 2.9 Hubungan Komponen Jaringan Syaraf Tiruan........................................47
Gambar 2.10 Artificial Neural Network Single Layer................................................52
Gambar 2.11 Artificial Neural Network Multi Layer.................................................52
Gambar 2.12 Arsitektur Multilayer Perceptron..........................................................53
Gambar 3.1 Kerangka Penelitian................................................................................68
Gambar 4.1 Tahapan Analisa dan Perancangan.........................................................77
Gambar 4.2 Hasil Pengukuran Anak Periode Agustus...............................................84
Gambar 4.3 Flowchart Multilayer Perceptron............................................................87
Gambar 4.4 Arsitektur Jaringan..................................................................................92
Gambar 4.5 Use Case Diagram.................................................................................108
Gambar 4.6 Class Diagram.......................................................................................109
Gambar 4.7 Activity Diagram Admin......................................................................110
Gambar 4.8 Activity Diagram Pengunjung Umum..................................................111
xvi
Gambar 4.9 Sequence Diagram Umum Melihat Home............................................112
Gambar 4.10 Sequence Diagram Admin Kelola Rekap Data Kecamatan................113
Gambar 4.11 Sequence Diagram Admin Kelola Profile...........................................113
Gambar 4.12 Sequence Diagram Admin Kelola Data Administrator.......................114
Gambar 4.13 Sequence Diagram Admin Kelola Kasus Stunting.............................115
Gambar 4.14 Sequence Diagram Admin Melihat Data Hasil Klasifikasi................115
Gambar 4.15 Sequence Diagram Admin Melihat Normalisasi................................116
Gambar 4.16 Sequence Diagram Admin Melihat Report.........................................117
Gambar 4.17 Desain Halaman Awal........................................................................118
Gambar 4,18 Desain Halaman Home Admin...........................................................119
Gambar 4.19 Desain Halaman Rekap Data Kecamatan...........................................120
Gambar 4.20 Desain Halaman Profil........................................................................121
Gambar 4.21 Desain Halaman Data Administrator..................................................122
Gambar 4.22 Desain Halaman Data Stunting...........................................................123
Gambar 4.23 Desain Halaman Klasifikasi................................................................124
Gambar 4.24 Desain Laporan Data Kasus Stunting.................................................125
Gambar 4.25 Desain Login Admin...........................................................................126
Gambar 4.26 Update Rekap Data.............................................................................127
Gambar 4.27 Update Data Profile.............................................................................127
Gambar 4.28 Tambah Data Administrator................................................................128
Gambar 4.29 Tambah Data Stunting........................................................................129
Gambar 4.30 Flowchart Admin................................................................................134
Gambar 4.31 Flowchart Umum................................................................................135
Gambar 5.1 Tampilan MATLAB.............................................................................137
xvii
Gambar 5.2 Tampilan Input Data Set.......................................................................138
Gambar 5.3 Tampilan Perintah nntool......................................................................139
Gambar 5.4 Tampilan Import...................................................................................140
Gambar 5.5 Tampilan Pembuatan Jaringan..............................................................141
Gambar 5.6 Tampilan Jaringan 3-6-1.......................................................................142
Gambar 5.9 Tampilan Training Parameter...............................................................145
Gambar 5.10 Tampilan Implementasi Excel............................................................146
Gambar 5.11 Tampilan Perhitungan MSE................................................................147
Gambar 5.12 Home Pengunjung Umum...................................................................150
Gambar 5.13 Form Login.........................................................................................150
Gambar 5.14 Halaman Dashboard Admin................................................................151
Gambar 5.15 Halaman Rekap Data..........................................................................152
Gambar 5.16 Update Rekap Data.............................................................................152
Gambar 5.17 Data Profile.........................................................................................153
Gambar 5.18 Ubah Data Profile................................................................................154
Gambar 5.19 Data Administrator..............................................................................155
Gambar 5.20 Tambah Data Administrator................................................................155
Gambar 5.21 Edit Data Administrator......................................................................156
Gambar 5.22 Stunting Status Data............................................................................157
Gambar 5.23 Tambah Data Stunting Status Data.....................................................157
Gambar 5.24 Edit Data Stunting...............................................................................158
Gambar 5.25 Stunting Normalisasi Status Data.......................................................159
xviii
Gambar 5.26 Klasifikasi...........................................................................................160
Gambar 5.27 Report..................................................................................................160
Gambar 5.28 Cetak...................................................................................................161
xix
DAFTAR TABEL
Tabel 2.1 Simbol pada Use Case Diagram.................................................................35
Tabel 2.2 Simbol pada Activity Diagram...................................................................36
Tabel 2.3 Simbol pada Class Diagram........................................................................38
Tabel 2.4 Simbol pada Sequence Diagram.................................................................39
Tabel 2.5 Confusion Matrix........................................................................................57
Tabel 2.6 Tipe Data pada MySQL..............................................................................64
Tabel 3.1 Waktu Penelitian.........................................................................................70
Tabel 3.2 Spesifikasi Perangkat Lunak dan Perangkat Keras.....................................73
Tabel 4.1 Klasifikasi Kasus Stunting..........................................................................78
Tabel 4.2 Sampel Data................................................................................................80
Tabel 4.3 Data Latih Penentuan Kasus Stunting........................................................88
Tabel 4.4 Data Normalisasi.........................................................................................90
Tabel 4.5 Rancangan Arsitektur Artificial Neural Network.......................................95
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
Tabel 4.8 Hasil Perhitungan Faktor Kesalahan Zj....................................................101
Tabel 4.9 Hasil Perhitungan Suku Perubahan Bobot Input ke Hidden.....................102
Tabel 4.10 Hasil Perhitungan Suku Perubahan Bias Input ke Hidden.....................103
Tabel 4.11 Hasil Perhitungan Perubahan Bobot Input ke Hidden............................104
Tabel 4.12 Hasil Perhitungan Perubahan Bias Input ke Hidden...............................105
Tabel 4.13 Hasil Perhitungan Perubahan Bobot Hidden ke Output.........................105
Tabel 4.14 Desain File Admin..................................................................................130
xx
Tabel 4.15 Desain File Profile..................................................................................131
Tabel 4.16 Desain File Rekap...................................................................................132
Tabel 4.17 Desain File Stunting................................................................................132
Tabel 5.1 Perbandingan Mean Square Error.............................................................148
xxi
BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah
Anak merupakan salah satu sumber daya manusia berpotensi yang dimiliki
oleh sebuah bangsa untuk melanjutkan kehendak bangsa tersebut. Berdasarkan
undang-undang No 35 Tahun 2014 Pasal 1 angka 1 yang merupakan perubahan
undang-undang No. 23 tahun 2002 tentang Perlindungan anak, dijelaskan bahwa,
anak merupakan seseorang belum berusia 18 (delapan belas) tahun dan tidak
(Pravitria, 2018)
terkecuali anak yang masih berada dalam kandungan . Selaras
dengan hal tersebut, Pasal 1 angka 1 Peraturan Menteri Pemberdayaan Perempuan
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
krusial, sehingga sangat penting untuk dilakukan pemantauan terhadap tumbuh
kembang, dimana hal ini adalah sesuatu yang penting dan menjadi bagian dari hak
seorang anak yang harus diberikan.
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
kembang anak merujuk kepada perkembangan anak yang berhubungan dengan
seluruh hal mengenai perkembangan anak, seperti tinggi, lebar, dan perkembangan
3
organ-organ lainnya. Perkembangan menitikberatkan pada perspektif perubahan
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
dengan satuan panjang dan berat. Sedangkan, perkembangan dapat didefinisikan
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
dengan satuan berat dan panjang, sedangkan perkembangan merujuk pada
bertambahnya susunan dan fungsi tubuh yang lebih kompleks, yang mana
pertumbuhan maupun perkembangan sama pentingnya.
Pertumbuhan dan perkembangan anak usia dini sangat dipengaruhi oleh
gizi/nutrisi. Gizi atau nutrisi adalah hal yang harus ada dan tercukupi karena
keberadaannya sangat dibutuhkan oleh tubuh terutama dalam proses tumbuh
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
pertumbuhan dan perkembangan anak. Melambat nya pertumbuhan fisik, kurang
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
mudah menyerang anak karena sistem kekebalan tubuhnya yang menurun.
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
standar penilaian antropometri penilaian status gizi anak, pengukuran yang
menghasilkan nilai ambang batas (Z-score) di bawah -2 SD sampai dengan -3 SD
akan dikategorikan sebagai stunting pendek dan yang penilaian di bawah -3 SD akan
dikategorikan sebagai stunting sangat pendek. Stunting merupakan masalah kesehatan
masyarakat yang dapat meningkatkan resiko kesakitan, kematian, serta hambatan

(Husada & Rahmadhita, 2020)
pada pertumbuhan baik motorik maupun mental .
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
Indonesia telah menetapkan 8 (delapan) aksi konvergensi yang kemudian harus
dilakukan oleh pemerintah yaitu Analisis Situasi, Rencana Kegiatan, Rembuk
stunting, Pembuatan Peraturan, Pembinaan Kader, Sistem Manajemen stunting,
Pengukuran dan Publikasi Data stunting, dan Review Kinerja Tahunan

(Yayuk Sri Rahayu, 2020)
. Stunting menjadi ancaman yang sangat menakutkan bagi seluruh
dunia, terutama negara-negara dengan prevalensi yang cukup tinggi. Tidak hanya
mengancam secara fisik, namun stunting mengancam keberlangsungan hidup
manusia yang akan datang, sehingga diperlukan tindakan-tindakan untuk
mempercepat pendekatan angka stunting di dunia.
Dinas Kesehatan Kab. Lima Puluh Kota merupakan unsur pelaksana otonomi
daerah pada bidang kesehatan di Kab. Lima Puluh Kota. Dinas Kesehatan
berkedudukan di bawah Bupati dan bertanggung jawab kepada Bupati melalui
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
melakukan pendataan secara berkala dan berkelanjutan untuk mengetahui status
stunting pada anak di Kab. Lima Puluh Kota. Kegiatan pendataan ini dapat
memberikan informasi berkaitan dengan kesehatan keluarga dan gizi masyarakat di
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
Kota, Dinas Kesehatan masih menggunakan cara konvensional dengan perhitungan
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
mempermudah dan memberikan efektifitas dalam menentukan status stunting pada
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
Artificial Neural Network.
Artificial Neural Network (ANN) atau Jaringan Syaraf Tiruan (JST)
merupakan sebuah sistem yang memproses informasi dengan sebuah karakteristik
menyerupai sistem saraf pada manusia yang mampu memecahkan permasalahan
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
dalam melakukan prediksi atau penentuan berdasarkan data yang ada

(H. Putra & Walmi, 2020)
. Artificial Neural Network dapat dianalogikan sebagaimana seorang
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
menyelesaikan berbagai permasalahan pada penelitian sebelumnya.
Penelitian sebelumnya yang membahas tentang penerapan Artificial Neural
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
melakukan identifikasi pada genre sebuah lagu

(Victorious Ermanto & Wahyuningsih, 2020)
. Artificial Neural Network dapat melakukan peramalan yang optimum dalam
meramalkan curah hujan di daerah Bandara Internasional Minangkabau dengan

(M. J. Ramadhan et al., 2022)
persentase hingga 72.27% . Model klasifikasi Jaringan
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
penelitian sebelumnya yang telah dipaparkan terlihat bahwa ANN dapat
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
digunakan dalam menyelesaikan berbagai permasalahan, salah satunya adalah
Multilayer Perceptron.
Multilayer Perceptron merupakan salah satu dari model Artificial Neural
Network, metode ini akan memperbaharui bobot (wight) menggunakan Teknik

(Sabilla et al., 2022a)
Backpropagation . Multilayer Perceptron atau kemudian dapat
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
Perceptron disebut juga dengan multilayer feedforward neural network adalah
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
membuktikan seberapa baiknya algoritma ini menyelesaikan permasalahan.
Penelitian sebelumnya yang membahas tentang penerapan metode Multilayer
Perceptron menunjukan bahwa metode ini secara ampuh dapat mengetahui gejala-
(Manihuruk & Syahrizal, 2020a)
gejala dari penyakit gastritis pada anjing . Penelitian
lainnya juga membuktikan bahwa Multilayer Perceptron sangat efisien dalam
mengetahui produktivitas buruh pabrik dan mampu mempercepat proses pada tahun-
10
tahun selanjutnya (Silitonga, 2020) . Penelitian lain juga disebutkan bahwa model
pengetahuan dengan MLP berbasis android untuk mendiagnosis penyakit kucing

(Fauzan, 2020)
berhasil dibangun secara baik . Penelitian yang membahas tentang
analisis sentimentasi menunjukan bahwa dengan metode MLP penelitian ini

(Munasatya et al., 2020)
mendapatkan akurasi sebesar 95,36% . Penggunaan metode
Multilayer Perceptron juga dapat menangani masalah mengenai klasifikasi topik

(Tika et al., 2019)
berbahasa Indonesia dengan akurasi tertinggi sebesar 77,44% .
Metode Multilayer Perceptron juga ampuh digunakan dalam menganalisa nilai
produksi barang dan juga dapat digunakan sebagai alat prediksi selanjutnya sampai
(Priyatna & Syahputra, 2021)
pada batas yang diinginkan . Dari berbagai penelitian
terdahulu, dapat diketahui bahwa Multilayer Perceptron mampu melakukan
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
pembahasan tersebut, maka diangkatlah judul penelitian ini, yaitu “ARTIFICIAL
NEURAL NETWORK MULTILAYER PERCEPTRON UNTUK PENENTUAN
KASUS STUNTING PADA ANAK BERBASIS WEB”.
1.2 Perumusan Masalah
Perumusan masalah merupakan pertanyaan-pertanyaan yang hendak dijawab
melalui penelitian yang dilakukan. Berdasarkan latar belakang masalah yang telah
11
diuraikan diatas, maka dapat disimpulkan bahwa permasalahan yang akan dibahas
pada penelitian adalah sebagai berikut:
1. Bagaimana merancang dan membangun model Jaringan Syaraf Tiruan dalam
penentuan kasus Stunting pada anak di Kab. Lima Puluh Kota?
2. Bagaimana Jaringan Syaraf Tiruan dengan metode Multilayer Perceptron
(MLP) mampu menentukan kasus Stunting pada anak di Kab. Lima Puluh
Kota?
3. Bagaimana Jaringan Syaraf Tiruan dengan metode Multilayer Perceptron
(MLP) dapat diimplementasikan pada sebuah sistem yang dibangun dengan
pemrograman berbasis web untuk mempermudah Dinas Kesehatan Kab. Lima
Puluh Kota dalam membuat keputusan untuk menekan angka kasus Stunting?
1.3 Hipotesis
Hipotesis merupakan dugaan sementara dimana nantinya akan dibuktikan
dengan hasil penelitian yang dilakukan. Berdasarkan permasalahan yang ada dapat
dikemukakan beberapa hipotesis sebagai berikut:
1. Model Jaringan Syaraf Tiruan diharapkan dapat dirancang dan dibangun
dalam penentuan kasus Stunting pada anak di Kab. Lima Puluh Kota.
2. Jaringan Syaraf Tiruan dengan metode Multilayer Perceptron (MLP)
diharapkan mampu menentukan kasus Stunting pada anak di Kab. Lima Puluh
Kota.
12
3. Jaringan Syaraf Tiruan dengan metode Multilayer Perceptron (MLP)
diharapkan dapat diimplementasikan pada sebuah sistem yang dibangun
dengan pemrograman berbasis web untuk mempermudah Dinas Kesehatan
Kab. Lima Puluh Kota dalam membuat keputusan untuk menekan angka
kasus Stunting.
1.4 Batasan Masalah
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.
2. Metode yang digunakan dalam membangun sistem ini adalah Multilayer
Perceptron Jaringan Syaraf Tiruan.
3. Sistem ini dibangun menggunakan Bahasa pemrograman PHP sebagai server-
side dan MySql sebagai database server
4. Keluaran sistem dapat menentukan kasus Stunting (sangat pendek, pendek,
dan normal) di Kab. Lima Puluh Kota.
1.5 Tujuan Penelitian

13
Tujuan penelitian merupakan hal-hal yang ingin dicapai atau diperoleh setelah
penelitian selesai dilakukan. Hal-hal yang ingin dicapai dan diperoleh melalui
penelitian ini adalah sebagai berikut:
1. Membantu Dinas Kesehatan Kab. Lima Puluh Kota mengetahui kasus
Stunting pada anak dengan menggunakan Artificial Neural Network
2. Membantu Dinas Kesehatan Kab. Lima Puluh Kota meningkatkan efektivitas
berdasarkan keluaran yang dijadikan informasi dalam penentuan kasus
Stunting.
3. Mempermudah Dinas Kesehatan Kab. Lima Puluh Kota dalam mengambil
keputusan untuk menekan angka kasus Stunting.
1.6 Manfaat Penelitian
Manfaat penelitian dapat didefinisikan sebagai potensi hasil dari sebuah
penelitian setelah tujuan dari penelitian itu tercapai. Berikut ini adalah beberapa
manfaat yang dapat diperoleh ketika tujuan dari penelitian telah tercapai:
1. Jaringan Syaraf Tiruan ini dapat mendorong percepatan penurunan kasus
Stunting di Kab. Lima Puluh Kota.
2. Jaringan Syaraf Tiruan menggunakan Multilayer Perceptron, Dinas Kesehatan
Kab. Lima Puluh Kota dapat mengetahui apakah seorang anak mengalami
Stunting atau tidak, mulai dari Stunting Sangat Pendek, Stunting Pendek,
hingga Normal.
14
3. Jaringan Syaraf Tiruan menggunakan Multilayer Perceptron akan
mempersingkat waktu yang dibutuhkan oleh Dinas Kesehatan Kab. Lima
Puluh Kota dalam penentuan kasus Stunting.
1.7 Gambaran Umum Objek Penelitian
Objek penelitian merupakan himpunan elemen yang dapat berupa orang,
organisasi atau barang yang akan diteliti yang secara umum akan memetakan atau
menggambarkan wilayah penelitian maupun sasaran penelitian secara komprehensif.
Berikut merupakan gambaran secara umum tentang objek pada penelitian ini.
1.7.1 Sekilas Tentang Dinas Kesehatan Kab. Lima Puluh Kota
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
kebutuhan masyarakatnya. Dalam tingkat pemerintahan daerah hal ini berada di
bawah tanggung jawab Dinas Kesehatan.
Dinas Kesehatan Kab. Lima Puluh Kota merupakan unsur pelaksana otonomi
daerah pada bidang Kesehatan di Kab. Lima Puluh Kota. Dinas Kesehatan
berkedudukan dibawah dan bertanggung jawab kepada Bupati melalui sekretaris
daerah. Dinas Kesehatan Kab. Lima Puluh Kota memiliki 4 bidang dimana setiap
bidang memiliki fokus masing-masing untuk dipertanggungjawabkan. Dinas

15
Kesehatan dalam melaksanakan tanggung jawabnya melakukan berbagai program
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
perusahaan maupun organisasi, sedangkan misi merupakan serangkaian hal yang
dapat dilakukan untuk mencapai visi. Berikut merupakan visi dan misi Dinas
Kesehatan Kab. Lima Puluh Kota.
1.7.2.1 Visi
Sebagai sebuah lembaga pemerintahan yang tanggung jawab untuk mengurus
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
kerangka adat basandi syarak, syarak basandi kitabullah”.
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:
1. Meningkatkan kualitas sumber daya manusia yang berbudaya dan berdaya
saing berlandaskan nilai-nilai keagamaan.

16
2. Meningkatkan pertumbuhan dan perkembangan ekonomi lintas sektoral yang
memiliki keunggulan di tingkat lokal dan regional.
3. Meningkatkan potensi nagari dalam pembangunan daerah.
4. Meningkatkan kualitas pelayanan public melalui reformasi birokrasi.
5. Meningkatkan pembangunan infrastruktur secara terpadu dan berkelanjutan.
1.7.3 Struktur Organisasi Dinas Kesehatan Kab. Lima Puluh Kota
Dengan adanya struktur organisasi diharapkan akan dapat diketahui dengan
jelas mengenai tugas, wewenang, dan tanggung jawab di Dinas Kesehatan Kab. Lima
Puluh Kota. Adapun struktur organisasi Dinas Kesehatan Kab. Lima Puluh Kota
dapat dilihat pada Gambar 1.1 sebagai berikut:

17
Sumber : Dinas Kesehatan Kab. Lima Puluh Kota
Gambar 1.1 Struktur Organisasi Dinas Kesehatan Kab. Lima Puluh Kota.
1.7.4 Tugas dan Tanggung Jawab
Tugas merupakan sesuatu yang harus dikerjakan oleh seseorang atau
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.
1.7.4.1 Kepala Dinas
Kepala Dinas merupakan jabatan tertinggi di Dinas Kesehatan Kab. Lima
Puluh Kota yang bertanggung jawab secara langsung kepada Bupati sebagai Kepala
Daerah melalui Sekretaris Daerah. Berikut merupakan tugas dan tanggung jawab
Kepala Dinas:
18
1. Menetapkan program kerja Dinas Kesehatan berdasarkan Rencana Strategis
Dinas Kesehatan sebagai pedoman pelaksanaan tugas.
2. Mengkoordinasikan pelaksanaan tugas di lingkungan Dinas Kesehatan sesuai
dengan program yang telah ditetapkan dan kebijakan pimpinan agar target
kinerja tercapai sesuai rencana.
3. Membina bawahan di lingkungan Dinas Kesehatan dengan cara mengadakan
rapat/pertemuan dan bimbingan secara berkala agar diperoleh kinerja yang
diharapkan.
1.7.4.2 Sekretaris
Tugas utama dari sekretaris adalah untuk membantu Kepala Dinas dalam
melaksanakan rumusan rencana program dan kegiatan, mengkoordinasikan,
monitoring, urusan administrasi umum dan kepegawaian. Berikut ini adalah tugas dan
tanggung jawab sekretaris:
1. Menyusun rencana operasional di lingkungan Sekretariat berdasarkan rencana
program Dinas Kesehatan serta petunjuk pimpinan sebagai pedoman
pelaksanaan tugas.
2. Mendistribusikan tugas kepada Kepala Sub Bagian di lingkungan Sekretariat
sesuai dengan tugas pokok dan tanggung jawab yang ditetapkan agar tugas
yang diberikan dapat dijalankan efektif dan efisien.
3. Memberi petunjuk pelaksanaan tugas kepada Kepala Sub Bagian di
lingkungan Sekretariat sesuai peraturan dan prosedur yang berlaku agar tidak
terjadi kesalahan dalam pelaksanaan tugas.

19
1.7.4.3 Bidang Kesehatan Masyarakat
Bidang Kesehatan Masyarakat atau yang biasa dikenal dengan Kesmas adalah
bidang yang menyusun program dan bertanggung jawab atas setiap kegiatan yang
berhubungan dengan peningkatan kualitas dan mutu kesehatan masyarakat. Berikut
ini adalah tugas dan tanggung jawab Bidang Kesehatan Masyarakat:
1. Menyusun rencana operasional di lingkungan Bidang Kesehatan Masyarakat
berdasarkan rencana program Dinas Kesehatan serta petunjuk pimpinan
sebagai pedoman pelaksanaan tugas.
2. Mendistribusikan tugas kepada Kepala Seksi di lingkungan Bidang Kesehatan
Masyarakat sesuai dengan tugas pokok dan tanggung jawab yang ditetapkan
agar tugas yang diberikan dapat dijalankan efektif dan efisien.
3. Memberi petunjuk pelaksanaan tugas kepada Kepala Seksi di lingkungan
Bidang Kesehatan Masyarakat sesuai peraturan dan prosedur yang berlaku
agar tidak terjadi kesalahan dalam pelaksanaan tugas.
1.7.4.4 Bidang Pencegahan dan Pengendalian Penyakit
Secara umum Bidang Pencegahan dan Pengendalian Penyakit bertanggung
jawab untuk menyusun dan melaksanakan program yang berkaitan dengan
pencegahan dan pengendalian penyakit. Berikut ini adalah tugas dan tanggung jawab
Bidang Pencegahan dan Pengendalian Penyakit:

20
1. Menyusun rencana operasional di lingkungan Bidang Pencegahan dan
Pengendalian Penyakit Berdasarkan rencana program Dinas Kesehatan serta
petunjuk pimpinan sebagai pedoman pelaksanaan tugas.
2. Mendistribusikan tugas kepada Kepala Seksi di lingkungan Bidang
Pencegahan dan Pengendalian Penyakit Sesuai dengan tugas pokok dan
tanggung jawab yang ditetapkan agar tugas yang diberikan dapat dijalankan
efektif dan efisien.
Bidang Pencegahan dan Pengendalian Penyakit Sesuai peraturan dan prosedur
yang berlaku agar tidak terjadi kesalahan dalam pelaksanaan tugas.
1.7.4.5 Bidang Pelayanan Kesehatan
Bidang Pelayanan Kesehatan bertanggung jawab secara umum untuk
memberikan pelayanan kesehatan kepada masyarakat untuk meningkatkan kualitas
kesehatan di tengah masyarakat. Berikut adalah tugas dan tanggung jawab Bidang
Pelayanan Kesehatan:
1. Menyusun rencana operasional di lingkungan Bidang Pelayanan Kesehatan
2. Mendistribusikan tugas kepada Kepala Seksi di lingkungan Bidang Pelayanan
Kesehatan sesuai dengan tugas pokok dan tanggung jawab yang ditetapkan
agar tugas yang diberikan dapat dijalankan efektif dan efisien.

21
Bidang Pelayanan Kesehatan sesuai peraturan dan prosedur yang berlaku agar
tidak terjadi kesalahan dalam pelaksanaan tugas.
1.7.4.6 Bidang Sumber Daya Kesehatan
Bidang Sumber Daya Kesehatan bertanggung jawab secara umum untuk
menentukan persebaran sumber daya kesehatan yang tersedia. Berikut adalah tugas
dan tanggung jawab Bidang Sumber Daya Kesehatan:
1. Menyusun rencana operasional di lingkungan Bidang Sumber Daya Kesehatan
2. Mendistribusikan tugas kepada Kepala Seksi di lingkungan Bidang Sumber
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
II.1 Rekayasa Perangkat Lunak
Bagian pertama penulis akan membahas hal-hal yang berkaitan dengan
Rekayasa Perangkat Lunak. Sebagai sebuah disiplin managerial dan teknis yang
berkaitan dengan pembuatan serta pemeliharaan produk perangkat lunak, Rekayasa
Perangkat Lunak tentu penting dibahas dalam tulisan ini. Berikut ini adalah
(Ali, 2019)
penjabaran hal-hal yang berkaitan dengan Rekayasa Perangkat Lunak .
II.1.1 Definisi Rekayasa Perangkat Lunak
Secara sederhana Rekayasa Perangkat Lunak dapat diartikan sebagai suatu
proses yang dilakukan dalam upaya menghasilkan suatu software yang baik dan
berkualitas. Rekayasa Perangkat Lunak juga dapat didefinisikan sebagai suatu
disiplin ilmu yang membahas segala aspek produksi perangkat lunak, mulai dari
tahapan awal yaitu communication sampai dengan tahap maintenance setelah produk
telah sukses dibangun. Rekayasa Perangkat Lunak (RPL) merupakan serangkaian
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
II.1.2 Wilayah Cakupan Rekayasa Perangkat Lunak
Rekayasa Perangkat Lunak sebagai serangkaian proses tentu memiliki ruang
lingkup atau wilayah cakupan. Jika dilihat dari sudut pandang wilayah cakupannya,
Rekayasa Perangkat Lunak memiliki beberapa wilayah operasional. Wilayah
operasional Rekayasa Perangkat Lunak dapat dilihat pada Gambar 2.1 berikut
(Ali, 2019)
:
Sumber: Ali, 2019
Gambar 2.1 Wilayah Operasional Rekayasa Perangkat Lunak
1. Software Requirements
Fase ini merupakan fase yang paling pertama dalam RPL. Fase ini didominasi
oleh peran pengguna dalam menerjemahkan ide ataupun sudut pandangnya

23
pada sebuah dokumen persyaratan. Mendefinisikan serta mendokumentasikan
kebutuhan pengguna secara singkat dan tidak ambigu adalah langkah besar
pertama agar dapat diciptakan sebuah perangkat lunak yang baik.
2. Software Design
Umumnya proses ini meliputi proses penampilan arsitektur, komponen, dan
antar muka serta karakteristik lain dari sebuah perangkat lunak. Proses ini
merupakan salah satu fase dalam Rekayasa Perangkat Lunak, di mana terdapat
cetak biru yang dikembangkan untuk memberikan layanan sebagai dasar
untuk membangun sistem perangkat lunak. Software Design juga dapat
didefinisikan sebagai aktifitas mendefinisikan arsitektur, komponen,
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.
Dalam proses ini juga dilakukan pengembangan perangkat lunak termasuk
algoritma, pengkodean, dan pencarian kesalahan serta pengujian. Tahapan ini
menjadi sangat penting dalam penentuan apakah sebuah perangkat lunak akan
menjadi baik atau tidak.
4. Software Testing
Kegiatan ini pada umumnya meliputi pengujian pada kinerja perangkat lunak
secara keseluruhan. Pengujian perangkat lunak bertujuan untuk menentukan
kebenaran, kelengkapan, dan kualitas dari perangkat lunak yang dibangun.
Pengujian ini juga dapat diartikan sebagai proses melaksanakan atau

24
mengevaluasi sistem atau komponen sistem dengan cara manual ataupun
otomatis untuk memverifikasi bahwa hal itu telah memenuhi persyaratan
perangkat lunak yang dibangun.
5. Software Maintenance
Secara umum aktifitas pada tahapan ini mencakup upaya-upaya perawatan
ketika perangkat lunak telah beroperasi. Perangkat lunak memang tidak
pernah usang. Namun, perlu adanya peningkatan untuk memenuhi persyaratan
dan kebutuhan yang berubah secara dinamis.
6. Software Configuration Management
Proses ini adalah suatu disiplin yang secara teratur dan sistematis
mengendalikan perubahan yang terjadi selama proses pengembangan. SCM
juga dapat diartikan sebagai proses pengembangan karena umumnya model
pengembangan karena sebagian besar model pengembangan tidak dapat
mengakomodasi perubahan. Proses ini sangat krusial dalam proses Rekayasa
Perangkat Lunak.
7. Software Engineering Management
Proses selanjutnya adalah proses yang juga memiliki dampak yang besar
dalam Rekayasa Perangkat Lunak yaitu nya software engineering
management. Proses ini adalah segala proses yang berkaitan dengan
pengelolaan dan pengukuran Rekayasa Perangkat Lunak. Proses ini juga
termasuk perencanaan proyek perangkat lunak.

25
8. Software Engineering Tools and Methods
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
digunakan dalam pembangunan perangkat lunak
9. Software Quality
Jika sebelumnya terdapat proses maintenance yang menitik beratkan pada
pengembangan perangkat lunak berdasarkan kebutuhan yang berubah pada
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.
10. Software Engineering Process
Proses ini merupakan proses yang tidak kalah pentingnya dengan proses yang
sebelumnya telah diuraikan. Proses ini juga sangat mempengaruhi bagaimana
perangkat lunak yang akan dibangun. Proses ini berhubungan dengan
implementasi, definisi, pengukuran, pengelolaan, perubahan, dan perbaikan
proses Rekayasa Perangkat Lunak.
II.1.3 Masalah Dalam Rekayasa Perangkat Lunak
Rekayasa Perangkat Lunak merupakan pendekatan yang ter sistematis untuk
pengembangan, pemeliharaan, operasi, dan penghentian suatu perangkat lunak.

26
Bagian ini akan menjelaskan bahwa dalam Rekayasa Perangkat Lunak terdapat hal-
hal yang menjadi permasalahan. Adapun beberapa masalah dalam Rekayasa

(Ali, 2019)
Perangkat Lunak antara lain :
1. Masalah Ruang Lingkup (cakupan)
Masalah yang paling mendasar pada Rekayasa Perangkat Lunak adalah
masalah ruang lingkup. Pengembangan sistem yang sangat besar akan
membutuhkan metode yang jauh lebih kompleks dibandingkan sistem yang
berskala kecil. Jika melakukan pengembangan sistem yang besar maka perlu
untuk dikaji setidaknya 2 hal yaitu metode yang digunakan dan manajemen
proyek pembangunan yang juga harus lebih formal.
2. Biaya, Jadwal, dan Kualitas
Biaya pengembangan sebuah sistem adalah biasa sumber daya yang
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
akan digaji per orang perbulan.
3. Konsistensi
Meskipun sebuah proyek pengembangan telah memiliki kualitas yang baik
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
memperoleh dana sedikit namun belum tentu beberapa saat selanjutnya.

27
II.1.4 Model Rekayasa Perangkat Lunak
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)
.
II.1.4.1 Model Sekuensial Linier (Waterfall)
Model Waterfall atau yang sering disebut dengan model air terjun merupakan
model proses pertama yang dikenalkan. Model ini merupakan pendekatan SDLC
paling awal yang digunakan untuk pengembangan perangkat lunak. Dalam
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
Sumber: Ali, 2019
Gambar 2.2 Model Sekuensial Linier

Proses pertama yaitu proses analisis, dimana pada proses ini akan dilakukan
analisis terhadap kebutuhan dari perangkat yang akan dibangun. Berdasarkan hasil
analisis tersebut pengembang selanjutnya akan melakukan pemodelan atau desain
perangkat lunak. Selanjutnya untuk mengimplementasikan hasil pada proses desain,
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.
II.1.4.2 Model Prototipe
Prototipe merupakan versi sistem ataupun bagian dari sistem yang
dikembangkan dengan cepat untuk memeriksa kelayakan dari beberapa keputusan
desain yang diharapkan. Model ini dapat diterapkan ketika informasi detail yang
terkait dengan persyaratan masukan dan keluaran sistem tidak tersedia. Model ini
akan mengasumsikan bahwa semua persyaratan tidak diketahui pada awal
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
pengembangan, yang meningkatkan kemungkinan sistem yang dihasilkan sesuai
dengan keinginan klien. Adapun proses pada model ini dapat dilihat pada Gambar 2.3
(Ali, 2019)
berikut :
Sumber: Ali, 2019
Gambar 2.3 Model Prototipe
Tahapan awal yaitu nya “Listen to Costumer” merupakan tahapan dimana
komunikasi awal pengguna dengan pengembang yang kemudian dapat langsung
diterapkan sesuai keinginan pengguna. Kemudian, tahapan kedua yaitu “Build/revise
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
maka tahapan akan kembali pada tahapan awal.
II.1.4.3 Model RAD
RAD merupakan singkatan dari Rapid Application Development yang
merupakan sebuah model proses perkembangan perangkat lunak sekuensial linear.
RAD menekankan siklus perkembangan yang sangat pendek. Model ini merupakan
sebuah adaptasi “kecepatan tinggi” dari model waterfall. Perkembangan cepat
tersebut dapat diperoleh dengan menggunakan pendekatan konstruksi berbasis
komponen. Jika kebutuhan sistem sudah diketahui secara baik, maka dengan model
ini sangat memungkinkan dalam waktu 60 sampai dengan 90 menit untuk
menciptakan sistem fungsional yang utuh. Adapun proses dari RAD dapat dilihat
(Ali, 2019)
melalui Gambar 2.4 berikut :
Sumber: Ali, 2019
Gambar 2.4 Model RAD

31
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
ini akan tepat digunakan sesuai dengan kebutuhannya.
II.1.4.4 Model Spiral
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
untuk mengevaluasi dan menyelesaikan resiko dalam proyek perangkat lunak.
Berbagai aspek resiko dalam proyek perangkat lunak adalah penyimpangan proyek,
perubahan persyaratan, kehilangan personil, dan terobosan teknologi yang usang.

(Ali, 2019)
Adapun model proses spiral ini dapat dilihat pada Gambar 2.5 berikut :
Sumber: Ali, 2019
Gambar 2.5 Model Spiral

32
Model ini menjadi model yang realistis bagi perkembangan sistem dan
perangkat lunak skala besar. Karen perangkat lunak terus bekerja selama proses juga
terus bergerak. Model spiral memungkinkan pengembang menggunakan pendekatan

(Ali, 2019)
prototipe pada setiap keadaan di dalam evaluasi produk .
II.1.5 Software Development Life Cycle
Praktik dan metode untuk mengembangkan perangkat lunak terus berevolusi
dalam beberapa dekade sejak penemuan komputer. Metode-metode tersebut pun
beradaptasi dengan kondisi yang ada. Bagian ini akan menjelaskan apa yang
dimaksud dengan Software Development Life Cycle (SDLC) dan tahapan-tahapan

(Ali, 2019)
yang terjadi di dalamnya .
II.1.5.1 Definisi Software Development Life Cycle (SDLC)
SDLC merupakan tahapan-tahapan pekerjaan yang terdefinisi dan juga
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 .
II.1.5.2 Tahapan dalam Software Development Life Cycle (SDLC)
Bagian ini akan menjelaskan tahapan-tahapan yang terdapat dalam SDLC.
Sesuai dengan definisinya SDLC merupakan tahapan-tahapan yang terdefinisi dan

33
terstruktur. Ada berbagai tahapan yang terdapat dalam SDLC, seperti
communication, requirement gathering, feasibility study, system analysis, software
design, coding, testing, integration, implementation, operation and maintenance,
hingga tahapan terakhir yaitu disposition Adapun tahapan-tahapan dalam SDLC dapat
(Ali, 2019)
dilihat pada Gambar 2.6 berikut :
Sumber: Ali, 2019
Gambar 2.6 Tahapan SDLC
Tahapan SDLC dimulai dengan communication dimana pengguna
mengungkapkan keinginannya atas sebuah produk perangkat lunak. Selanjutnya
proses akan dilanjutkan dengan Requirement Gathering untuk mendapatkan data

34
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
seluruh kebutuhan pengguna. Tahapan selanjutnya merupakan tahap analisis sistem,
dimana pada tahapan ini pengembang akan menetapkan sebuah roadmap dari
perencanaan nya. Berdasarkan hasil dari analisis sistem tersebut kemudian
pengembang akan melakukan tahapan Software Design dengan menuangkan segala
pengetahuan tentang kebutuhan dan hasil analisis kedalam sebuah desain. Hasil dari
desain kemudian akan diwujudkan dengan melakukan pengkodean dan dilanjutkan
dengan proses percobaan. Setelah melalui proses percobaan perangkat lunak akan
diintegrasikan dengan entitas eksternal. Tahapan selanjutnya adalah tahapan
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 .
II.2 Unified Modeling Language
UML atau Unified Modeling Language merupakan sebuah bahasa yang
digunakan untuk memodelkan sebuah sistem yang akan dirancang dengan
menggunakan notasi-notasi pada bahasa ini. UML juga didefinisikan sebagai sebuah
bahasa pemodelan ter padu yang menyediakan notasi grafis untuk memodelkan
sistem komputer yang sedang dikembangkan dengan Rekayasa Perangkat Lunak.
UML tidak hanya sebuah metodologi, namun adalah sebuah gambaran menggunakan
35
notasi-notasi yang dapat menjelaskan bagaimana sebuah sistem akan di bangun

(Aliman, 2021)
II.2.1 Use Case Diagram
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
Tabel 2.1 Simbol pada Use Case Diagram
No
Simbol Nama Keterangan
.
Fungsionalitas yang disediakan
1 Use Case sistem sebagai unit-unit yang saling
bertukar pesan antar unit atau aktor.
Orang, proses, atau sistem lain yang
berinteraksi dengan sistem
2 Actor informasi yang akan dibuat di luar
sistem informasi yang akan dibuat
itu sendiri.
3 Asosiasi Komunikasi antara aktor dan
usecase yang berpartisipasi pada use

36
case atau usecase memiliki interaksi
dengan aktor.
Relasi usecase tambahan ke sebuah
usecase yang ditambahkan dapat

4 <<Ekstend>>
berdiri sendiri walau tanpa use case
tambahan itu.
Sumber : A.S. dan Shalahuddin 2018
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
tergambar batasan-batasan apa saja yang dimiliki oleh seorang aktor.
II.2.2 Activity Diagram
Activity Diagram adalah pemodelan yang mengilustrasikan sebuah sistem
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 .
Tabel 2.2 Simbol pada Activity Diagram
No
Gambar Nama Keterangan
.
37
Aktivitas yang dilakukan
sistem, aktifitas biasanya

1. Aktifitas
diawali dengan kata
kerja
Status awal aktivitas
sistem, sebuah diagram

2. Status Awal
aktivitas memiliki
sebuah status awal
Status akhir yang
dilakukan sistem, sebuah
3. Status Akhir diagram aktivitas
memiliki sebuah status
akhir
No
Nama
. Gambar Keterangan
Asosiasi penggabungan
Penggabungan dimana lebih dari satu

4.
Atau Join aktivitas digabungkan
menjadi satu
Asosiasi percabangan
Percabangan atau
5 dimana jika ada pilihan
decision
aktivitas lebih dari satu

38
Tabel diatas menjelaskan bahwa terdapat lima simbol pada Activity Diagram.
Simbol tersebut terdiri dari aktifitas, status awal, status akhir, penggabungan, dan
percabangan. Simbol-simbol tersebut yang nantinya akan digunakan untuk
menjelaskan bagaimana aktifitas dalam sebuah sistem akan bergerak atau dengan kata
lain diagram ini menjelaskan alur terstruktur dari use case.
II.2.3 Class Diagram
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 .
Tabel 2.3 Simbol pada Class Diagram
No. Simbol Deskripsi
1 Kelas Kelas pada struktur sistem.
2 antarmuka/interface Sama dengan konsep interface dalam
pemrograman berorientasi objek.
nama_interface
3 asosiasi/association Relasi antar kelas dengan makna
umum, dan juga disertai dengan

39
multiplicity.
4 asosiasi berarah/ directed Relasi antar kelas bermakna umum,
association asosiasi biasanya disertai dengan
multiplicity.
5 Generalisasi Relasi antar kelas yang bermakna
generalisasi-spesialisasi (umum-khusus).
6 Kebergantungan/ Relasi antar kelas yang bermakna
dependency kebergantungan antar kelas.
7 agregasi/aggregation Relasi antar kelas dengan makna semua-
bagian (whole-part).
Class Diagram digambarkan dengan kelas-kelas yang memiliki atribut
masing-masing. Setiap kelas akan dihubungkan dengan garis asosiasi. Tujuh simbol
pada tabel diatas dapat digunakan untuk menggambarkan skema arsitektur dari sistem
yang dibangun.
II.2.4 Sequence Diagram
Sequence Diagram adalah diagram yang menggambarkan kelakuan objek
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
Tabel 2.4 Simbol pada Sequence Diagram
No. Gambar Keterangan
Aktor
Orang, proses atau sistem lain yang berinteraksi
dengan sistem informasi akan dibuat diluar
sistem informasi yang akan dibuat itu sendiri,

Nama aktor
1. jadi walaupun simbol dari aktor adalah gambar
orang, tapi aktor belum tentu merupakan orang;

atau
Nama aktor biasanya dinyatakan menggunakan kata benda di
awal frase nama aktor

tanpa waktu aktif
Garis hidup / lifeline

2. Menyatakan kehidupan suatu objek
Objek Menyatakan objek yang berinteraksi pesan

3. Nama objek : nama kelas
Waktu aktif Menyatakan objek dalam keadaan aktif dan
berinteraksi, semua yang terhubung dengan

4.
waktu aktif ini adalah sebuah tahapan yang
dilakukan di dalamnya
41
Menyatakan suatu objek membuat objek yang

Pesan tipe create
5. lain, arah panah mengarahkan pada objek yang
<<create>>
dibuat
Menyatakan suatu objek memanggil

Pesan tipe call
6. operasi/metode yang ada pada objek lain atau
1: nama_metode()
dirinya sendiri
Pesan tipe send Menyatakan bahwa suatu objek mengirimkan
7. 1: masukan data/masukan/informasi ke objek lainnya, arah
panah mengarahkan pada objek yang dikirim
Pesan tipe return Menyatakan bahwa suatu objek yang telah
1: keluaran menjalankan suatu operasi atau metode
8. menghasilkan suatu kembalian ke objek tertentu,
arah panah mengarahkan pada objek yang
menerima kembalian
Pesan tipe destroy Menyatakan suatu objek mengakhiri hidup objek
yang lain, arah panah mengarahkan pada objek

9.
yang diakhiri, sebaiknya jika ada create maka ada
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
ini juga menjelaskan pesan yang dikirimkan oleh objek.
II.3 Artificial Intelligence
Artificial Intelligence (AI) atau dalam Bahasa Indonesia yang berarti
kecerdasan buatan merupakan suatu cabang ilmu pengetahuan dan teknologi yang
mempelajari bagaimana komputer dapat melakukan sesuatu seperti yang dilakukan

(Aldo, 2019)
oleh manusia . Artificial Intelligence juga dapat didefinisikan sebagai
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
melakukan kegiatan sedemikian rupa seperti yang dilakukan oleh manusia

(Ayunda & Rusdianto, 2021)
.
Artificial Intelligence juga dapat diartikan sebagai kemampuan sebuah sistem
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 .
Artificial Intelligence merupakan bidang penelitian yang sangat dinamis dalam
berbagai topik riset Adapun perkembangan Artificial Intelligence diantaranya neural

(Habibie & Aldo, 2019a)
network, machine learning, dan object oriented programing
43
. Sehingga dapat ditarik kesimpulan bahwa Artificial Intelligence adalah
sebuah teknik yang membuat komputer menjadi mampu untuk berpikir dan dapat
memiliki kemampuan berperilaku, berpikir, dan mengambil keputusan layaknya
manusia.
II.3.1 Perkembangan Artificial Intelligence
Layaknya teknologi lain, artificial intelligence juga mengalami perkembangan
secara terus menerus. Artificial Intelligence dalam perjalanannya mengalami
perkembangan dari satu tingkat ke tingkatan yang lainnya. Tingkatan perkembangan
atau evolusi yang terjadi pada teknologi kecerdasan buatan dapat dibagi kedalam 3
(Sihombing et al., 2020)
poin perkembangan yaitu :
1. Artificial Narrow Intelligence
Artificial Narrow Intelligence atau yang dapat disebut ANI adalah AI lemah
yang dibangun demi menyelesaikan tugas-tugas yang sederhana dan
cenderung tidak terlalu rumit. Adapun contoh ANI ini adalah kecerdasan
buatan yang dapat dilihat pada permainan catur atau pada AI lemah
pengendara mobil.
2. Artificial General Intelligence
Artificial General Intelligence (AGI) merupakan AI kuat dimana teknologi ini
memiliki kecerdasan yang setara dengan kecerdasan yang dimiliki oleh
manusia. Perkembangan AI ini membuat mesin dapat belajar dan tampil

44
sesuai dengan tata cara yang manusia lakukan sehingga sulit bahkan tidak bisa
dibedakan dengan manusia.
3. Artificial Super intelligence
Artificial Super intelligence atau ASI yaitu sebuah kecerdasan buatan yang
super. Kecerdasan buatan ini dapat melebihi dan melampaui kemampuan
manusia. ASI bisa diartikan sebagai kecerdasan apapun yang melebihi kinerja
kognitif manusia.
II.4 Machine Learning
Machine Learning (ML) merupakan cabang dari Artificial Intelligence yang
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
Sumber : Soebroto A., 2019
Gambar 2.7 Map Cakupan Machine Learning
Gambar di atas merupakan cabang-cabang ilmu yang terdapat di dalam
Machine Learning. Unsupervised Learning dan Supervised Learning termasuk di
dalamnya. Gambar juga menjelaskan bahwa di cabang ilmu dari Machine Learning
juga masing memiliki cabangnya masing-masing.
II.5 Deep Learning
Deep Learning atau pembelajaran mendalam merupakan salah satu cabang
dari Machine Learning yang terdiri dari algoritma pemodelan abstraksi tingkat tinggi
pada data dengan menggunakan sekumpulan fungsi transformasi non-linear yang di
tata berlapis dan mendalam. Model Deep Learning pada dasarnya dibangun
berdasarkan Artificial Neural Network (Artificial Neural Network). Deep Learning
sangat baik untuk digunakan pada supervised learning, unsupervised learning, dan
reinforcement learning dalam berbagai aplikasi misalnya pengenalan citra,
klasifikasi, dan lainnya. Adapun arsitektur pada Deep Learning dapat dilihat pada
(Soebroto, 2019)
Gambar 2.8 berikut :
46
Sumber : Soebroto A., 2019
Gambar 2.8 Ilustrasi Arsitektur pada Deep Learning
Gambar menunjukan bagaimana arsitektur Deep Leraning. Arsitektur
menunjukan Deep Learning memiliki lapisan-lapisan yang mendalam. Deep
Learning juga memungkinkan pengolahan data dengan menggunakan beberapa
lapisan pengolahan data.
II.6 Artificial Neural Network
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
metode berbasis kecerdasan buatan, yang mampu mengidentifikasi pola, memproses
sinyal dan sistem prediksi dengan metode pembelajaran. Dalam jaringan saraf tiruan,
ada konsep bahwa semua pola informasi input dan output yang diumpankan ke
Artificial Neural Network diproses di neuron. Neuron ini dikelompokkan ke dalam
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.
2. Lapisan tersembunyi, unit - unit di dalam lapisan tersembunyi disebut unit –
unit tersembunyi.
3. Lapisan output, unit – unit di dalam lapisan output disebut unit - unit output.
Artificial Intelligence adalah sebuah konsep yang mensimulasikan cara kerja
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 .
II.6.1 Komponen Artificial Neural Network
Komponen Artificial Neural Network terdiri dari beberapa neuron dan
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
Sumber : Aprianto, 2018
Gambar 2.9 Hubungan Komponen Jaringan Syaraf Tiruan
Gambar diatas menunjukan bahwa informasi (input) akan dikirimkan ke
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
.
49
II.6.1.2 Bobot (Weight)
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
lapisan lainnya .
II.6.1.3 Fungsi Aktivasi
Mengaktifkan atau menonaktifkan transmisi sinyal dari neuron, neuron
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
bobotnya (Wij) dan menjumlahkannya. Ini disebut penambahan berbobot atau
Si. Fungsi Summation dapat dilihat pada rumus berikut:

N
Si=∑ W ij ⋅ x j (1)
j=i
50
Rumus diatas merupakan rumus yang digunakan untuk mencari bobot rata-
rata dari semua elemen masukan. Rumus diatas digunakan untuk fungsi
Summation. Setiap nilai masukan akan dikalikan dengan bobotnya dan
kemudian seluruhnya dijumlahkan.
2. Sum Square Error (SSE) dan Root Mean Square Error (RMSE)
Perhitungan error merupakan ukuran kemampuan belajar jaringan, sehingga
mudah dikenali berdasarkan pola baru. Error pada keluaran jaringan adalah
selisih antara keluaran aktual (current output) dengan keluaran yang
diinginkan (desired output). Selisih yang dihasilkan antara dua hasil biasanya
ditentukan dengan perhitungan menggunakan persamaan. Adapun rumus Sum
Square Error dapat dilihat pada rumus berikut:
SSE=Σ −p Σ− j (Tjp−Xjp) (2)
Rumus diatas merupakan rumus untuk menghitung SSE. Sum Square Error
menunjukan seberapa besar kemampuan jaringan untuk belajar. SSE akan
diperoleh dengan mengalikan total –p dan –j kemudian mengalikannya
dengan hasil pengurangan Tjp dan Xjp. Sedangkan Root Mean Square Error
dapat dilihat pada rumus dibawah ini:
RMESError=
√ Σ p Σ j (Tjp−Xjp )
npno (3)
51
Root Mean Square Error merupakan perhitungan yang akan menunjukan
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.
3. Fungsi Sigmoid Biner
Merupakan fungsi aktivasi yang memiliki rentangan antara 0 sampai dengan 1
sehingga keluarannya terdapat di dalam interval tersebut. Pada aplikasi
MATLAB fungsi aktivasi ini dikenal dengan logsig. Adapun fungsi sigmoid
biner dapat dilihat pada rumus berikut:
1 (4)
y=f ( x )= −x
1+ ⅇ
'
f ( x )=f ( x ) [1−f ( x ) ] (5)
Fungsi diatas merupakan fungsi aktivasi sigmoid binner. Fungsi tersebut
merupakan hasil perhitungan 1 dibagi dengan penjumlahan 1 dan konstata
berpangkat –x. Sedangkan turunan fungsinya adalah fungsi asal dikalikan
dengan pengurangan 1 dengan fungsi asal.
4. Fungsi Sigmoid Bipolar
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
MATLAB. Adapun fungsi sigmoid bipolar dapat dilihat rumus berikut:
−x
1−ⅇ (6)
y=f ( x )= −x
1+ ⅇ
a (7)
'
f ( x )=
2
[1+ f ( x ) ] [1−f ( x ) ]
Fungsi diatas merupakan fungsi aktivasi sigmoid bipolar. Fungsi tersebut
merupakan hasil pembagian anatar 1 dikurang dengan konstanta berpangkat –
x dan 1 ditambah konstanta berpangkat -x. Sedangkan turunan fungsinya
adalah a/2 dikalikan dengan penjumlahan 1 dan fungsi asal kemudian
dikalikan lagi dengan pengurangan 1 dengan fungsi asal.
II.6.2 Arsitektur Artificial Neural Network
Artificial Neural Network memiliki dua arsitektur yaitu jaringan single-layer
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
Single-Layer adalah seperti Gambar 2.10 berikut:

53
Sumber : Fitrianingsih Hasan & al Fatta, 2019
Gambar 2.1 Artificial Neural Network Single Layer
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
dipengaruhi oleh matrik bobot.
Jaringan multi-layer, di sisi lain, adalah jaringan dengan satu atau lebih
lapisan tersembunyi. Dalam proses pelatihan, jaringan multi-layer jauh lebih
kompleks. Adapun arsitektur Jaringan Syaraf Tiruan Multi-Layer dapat dilihat pada
Gambar 2.11 berikut :
Sumber : Fitrianingsih Hasan & al Fatta, 2019
Gambar 2.2 Artificial Neural Network Multi Layer

54
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
mempengaruhinya tidak hanya satu namun terdapat dua matriks bobot.
II.7 Metode Multilayer Perceptron
Multilayer Perceptron (MLP) adalah Artificial Neuron Network yang paling
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:
Sumber : Manihuruk & Syahrizal, 2020
Gambar 2.3 Arsitektur Multilayer Perceptron

55
Secara umum arsitektur metode perceptron banyak lapisan dapat digambarkan
sesuai gambar diatas. Selain lapisan masukan dan keluaran terdapat pula lapisan
tersembunyi diantara keduanya. Lapisan tersembunyi ini dapat berjumlah lebih dari 1
lapisan.
II.7.1 Proses pelatihan Multilayer Perceptron
Terdapat tiga langkah atau tiga proses yang harus dilakukan dalam pelatihan
Multilayer Perceptron. Proses penentuan nilai dari bobot-bobot yang berpasangan
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
bahkan bisa ditetapkan sebagai nol.
2. Runut maju (forward propagation)
3. Runut mundur (backward propagation)
II.7.2 Prinsip kerja Multilayer Perceptron
Terdapat beberapa prinsip kerja pada metode Multilayer Perceptron. Prinsip
kerja merupakan aturan, ketentuan, ataupun standar yang dijadikan sebagai sebuah
pedoman dalam melakukan sesuatu. Adapun, prinsip kerja metode Multilayer

(Riyanto, 2018b)
Perceptron adalah sebagai berikut :
1. Setiap neuron yang dimiliki jaringan memiliki fungsi aktivasi non linear dari
kelas.
2. Multilayer Perceptron terdiri dari satu atau lebih lapisan tersembunyi.

56
3. Sinyal menembus melalui jaringan dan masukan ke keluaran dengan arah arus
dari satu lapisan ke lapisan lainnya.
4. Jaringan memiliki keterkaitan yang tinggi (synaptic).
II.7.3 Langkah-langkah metode Multilayer Perceptron
Bagian ini akan menjelaskan tahapan-tahapan atau langkah-langkah yang
harus dilakukan pada metode Multilayer Perceptron. Langkah-langkah dapat
diartikan sebagai prosedur ataupun tahapan-tahapan yang harus dilalui dalam sebuah
proses. Adapun langkah-langkah yang terdapat pada metode Multilayer Perceptron

adalah sebagai berikut :
1. Berikan nilai awal bobot menggunakan bilangan yang kecil.
2. Hitung output aktual dari neuron pada hidden layer dan output layer
menggunakan fungsi aktifasi pada persamaan pada rumus dibawah ini:
Y j ( p)=sigmoid ¿
(8)
Rumus diatas menjelaskan bagaimana keluaran aktual pada lapisan
tersembunyi dan lapisan keluaran dapat diperoleh. Fungsi aktivasi sigmoid
akan dikalikan dengan penjumlahan seluruh masukan di input layer dikali
dengan bobot pada masing-masing masukan yang masuk pada lapisan
tersembunyi dan dijumlahkan dengan nilai bias. Melalui perhitungan diatas

57
maka akan diperoleh keluaran aktual pada lapisan tersembunyi dan lapisan
keluaran.
3. Hitung nilai aktivasi output layer
Adapun perhitungan output layer dapat dilakukan dengan menggunakan
rumus pada rumus berikut:
Y k ( p)=sigmoid ¿
(9)
Rumus diatas menjelaskan bagaimana nilai keluaran diperoleh. Dimana
dengan fungsi aktivasi sigmoid akan dikalikan dengan penjumlahan seluruh
masukan di input layer dikali dengan bobot pada masing-masing masukan
yang masuk pada lapisan tersembunyi dan dijumlahkan dengan nilai bias.
Melalui perhitungan diatas maka akan diperoleh nilai keluaran.
4. Lakukan pembuatan model menggunakan data latih dengan menggunakan
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
menghitung bobot baru pada hidden layer.
II.8 Normalisasi
Tahap normalisasi data memiliki tujuan untuk mempermudah proses pada
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
set dengan nilai terendah pada data set.
II.9 Evaluasi Performa
Melakukan evaluasi performa pada metode klasifikasi merupakan tahapan
yang penting dalam pembangunan sistem prediksi. Matrik tersebut dihitung dengan
menggunakan confusion matrix . Adapun Confusion Matrix
dapat dilihat pada Tabel 2.5 berikut:
Tabel 2.5 Confusion Matrix
Prediksi
Aktual
Positif Negatif
Positif True Positif False Negatif
Negatif False Negatif True Positif
Sumber : Sabilla, 2022
Evaluasi performa yang pertama adalah menghitung akurasi. Akurasi
menunjukan performa klasifikasi yang di identifikasikan sebagai perbandingan data

59
yang benar dengan keseluruhan data. Adapun rumus menghitung akurasi dapat dilihat
pada rumus berikut:
TP+TN
akurasi=
TP+ FP+ FN +TN (11)
Dengan menganalisa hasil pelatihan terhadap confusion matrix maka akan
diketahui berapa yang benar dan salah. Setelah mengetahui hal tersebut barulah
kemudian data tersebut dihitung akurasinya. Perhitungan akurasi dilakukan dengan
membandingkan penjumlahan antara true positif dan true negatif dengan
penjumlahan seluruh data.
Evaluasi performa yang kedua adalah menghitung presisi. Precision
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)
kemudian data tersebut dihitung precision nya. Perhitungan precision dilakukan
dengan membandingkan antara true positif dengan penjumlahan true positif dan false
positif.
60
Perhitungan evaluasi ketiga adalah recall. Recall adalah perbandingan data
positif yang diklasifikasikan secara benar dengan jumlah data positif. Adapun rumus
menghitung recall dapat dilihat pada rumus berikut:
TP
Recall=
TP+ FN (13)
kemudian data tersebut dihitung recall nya. Perhitungan recall dilakukan dengan
membandingkan penjumlahan antar true positif dengan penjumlahan true positif dan
false negatif.
Perhitungan evaluasi yang terakhir adalah F-measure. F-measure merupakan
hasil perhitungan dari perbandingan antara nilai precision dan recall. Adapun rumus
menghitung f-measure dapat dilihat pada rumus berikut:
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
kemudian dibandingkan dengan precision ditambah recall dan hasilnya akan
dikalikan dengan dua.

61
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)
.
II.11 Konsep Website
Website merupakan sebutan bagi sekelompok halaman web, yang umumnya
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,
HTML, CSS, dan PHP.
II.11.1 Definisi Website
Website adalah kumpulan halaman yang dimulai dengan halaman beranda

(Khozin Yuliana & Azizah, 2019)
yang berisi informasi, iklan, dan program aplikasi .
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
di setidaknya satu server web.

63
II.11.2 HTML
HTML adalah bahasa markup standar untuk mengekspresikan konten di Web
dan didefinisikan hingga HTML 5.2. Dokumen HTML semakin penting dalam
lingkungan seluler. Dokumen HTML dengan kemampuan web responsif memberikan
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
mengembangkan program. Kode ditulis sebagai pemrograman terstruktur, sehingga
memungkinkan untuk mengimplementasikan kode tanpa dampak negatif yang
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
menghubungkan satu sama lain).
PHP (Hypertext Preprocessor) adalah bahasa pemrograman yang berjalan di
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
MATLAB merupakan bahasa pemrograman dengan fungsi dan fitur yang
berbeda dengan bahasa pemrograman lain seperti Delphi, Basic dan C++. MATLAB
juga dikenal sebagai perangkat lunak dengan bahasa pemrograman tingkat tinggi
untuk kebutuhan perhitungan teknis, visualisasi pemrograman dan dapat digunakan
untuk menyelesaikan masalah yang berkaitan dengan operasi matematika, elemen

(Simarmata et al., 2022)
matrik, optimasi, aproksimasi dan lain-lain .
II.13 Basis Data
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
dikembangkan dengan perancangan dan pemodelan secara formal. Adapun perangkat
lunak yang digunakan dalam mengelola basis data disebut dengan manajemen basis
(Fitri, 2022)
data .
II.14 MySQL
MySQL adalah perangkat lunak RDMS (Relational Database Management
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)
:
Tabel 2.6 Tipe Data pada MySQL
Tipe Data Deskripsi
TINYINT Ukuran 1 byte, bilangan bulat terkecil dengan jangkauan
untuk bilangan -128 sampai dengan 127 dan untuk yang
tidak berada pada rentang 0 sampai dengan 255
SMALLINT Ukuran 2 byte, dengan range -32768 sampai dengan 32676
dan yang tidak dalam rentang 0 sampai 65535
MEDIUMINT Ukuran 3 byte, merupakan bilangan bulat dengan range -
8388608 sampai dengan 8388607 dan tidak dalam rentang

66
0 sampai dengan 16777215
Tipe Data Deskripsi
INT Ukuran 4 byte, bilangan bulat dengan rentang -214783648
sampai dengan 214783647 dan tidak dalam rentang 0
sampai dengan 4294967295
INTEGER Ukuran 4 byte, hamper sama dengan INT
BIGINT Ukuran 8 byte, bilangan bulat dengan rentang
9223372036854775808 sampai dengan -
9223372036854775807 dan tidak dalam rentang 0 sampai
dengan 18446744073709551615
FLOAT(4) Ukuran 4 byte, merupakan bilangan pecahan
FLOAT(8) Ukuran 8 byte, merupakan bilangan pecahan
FLOAT Ukuran 4 byte, merupakan bilangan pecahan
DOUBLE Ukuran 8 byte, merupakan bilangan pecahan
DOUBLE Ukuran 8 byte, merupakan bilangan pecahan presisi ganda
PRECISION
REAL Ukuran 8 byte, merupakan bilangan pecahan
DECIMAL(M,D) Ukuran M byte (D+2, jika M<D), merupakan bilangan
pecahan
NUMERIN(M,D) Ukuran M byte (D+2, jika M<D), merupakan bilangan
pecahan
DATETIME Ukuran 8 byte, merupakan kombinasi tanggal dan jam

67
Tipe Data Deskripsi
DATE Ukuran 3 byte, merupakan tanggal
Tipe Data Deskripsi
TIMESTAMP Ukuran 4 byte, merupakan kombinasi tanggal dan jam
TIME Ukuran 3 byte, merupakan bentuk waktu
YEAR Ukuran 1 byte
CHAR Ukuran M byte dengan rentang 1<=M<=255, merupakan
tipe data string dengan panjang yang tetap
VARCHAR(M) Ukuran L+1 byte dengan rentang L<=M dan 1<=M<=255,
merupakan tipe data string dengan panjang yang bervariasi
TINYBLOB, Merupakan tipe TEXT atau BLOB dengan panjang
TINYTEXT maksimum 255 karakter
BLOB, TEXT Merupakan tipe TEXT atau BLOB dengan panjang
maksimum 65535 karakter
MEDIUMBLOB, Merupakan tipe TEXT atau BLOB dengan panjang
MEDIUMTEXT maksimum 16777215 karakter
LONGBLOB, Merupakan tipe TEXT atau BLOB dengan panjang
LONGTEXT maksimum 4294967295 karakter
ENUM Ukuran 1 byte atau 2 byte tergantung jumlah enumerasi
nya
SET 1, 2, 3, 4, atau 8 byte tergantung jumlah anggota himpunan
Sumber : Amin, 2022

68
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
setiap tipe pun bergantung kepada kebutuhan penggunanya.
II.15 XAMPP
Xampp merupakan sebuah perangkat lunak yang didalamnya terdapat server
MySQL dan didukung oleh Bahasa pemrograman PHP sebagai Bahasa pembangun
website. Dalam XAMPP terdapat pula web server apache yang dapat dijalankan di
berbagai sistem operasi. XAMPP merupakan sebuah software server apache
memberikan berbagai keuntungan bagi penggunanya, seperti mudah untuk
digunakan, tidak mengeluarkan biaya, dan didukung untuk di install di berbagai

(A. B. Putra, 2019)
sistem operasi .
BAB III
METODOLOGI PENELITIAN
3.1 Kerangka 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
sistematis. Langkah-langkah tersebut dapat dilihat pada Gambar 3.1 berikut:
Gambar 3.1 Kerangka Penelitian

69
Kerangka penelitian pada Gambar 3.1 telah mengilustrasikan tahapan-tahapan
yang penulis lakukan dalam penelitian ini. Tahapan-tahapan tersebut kemudian dibagi
menjadi sub tahapan untuk memudahkan penulis dalam melakukan penelitian. Bagian
selanjutnya akan menjelaskan secara terperinci tahapan-tahapan yang penulis lakukan
dalam penelitian ini.
3.2 Tahapan Penelitian
Tahapan penelitian dapat diartikan sebagai tingkatan-tingkatan atau level-
level dari langkah-langkah-langkah yang terdapat dalam sebuah aktivitas penelitian.
Tahapan tersebut kemudian dibagi menjadi beberapa sub tahapan sehingga
memudahkan penulis untuk melakukan penelitian ini secara terstruktur. Adapun
tahapan penelitian yang penulis lakukan dalam penelitian ini akan dijabarkan pada
bagian ini.
3.2.1 Penelitian Pendahuluan
Tahapan awal yang dilakukan dalam penelitian adalah terlebih dahulu
melakukan penganalisaan pada objek yang akan diolah. Mempelajari bagaimana
permasalahan yang terdapat pada objek yang telah ditentukan. Selanjutnya,
mempelajari bagaimana objek tersebut bisa melakukan pemecahan permasalahannya,
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
penelitian, penelitian lapangan, riset perpustakaan, dan penelitian laboratorium.

70
3.2.2 Pengumpulan Data
Penulis mendapatkan data-data dalam penelitian ini dari berbagai sumber,
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
penelitian ini adalah sebagai berikut:
1. Waktu Penelitian
Waktu penelitian merupakan waktu yang peneliti gunakan untuk melakukan
penelitian ini. Pelaksanaan penelitian dimulai pada bulan September 2022.
Adapun waktu penelitian yang telah dilakukan dapat dijelaskan pada Tabel
3.1 berikut:
Tabel 3.1 Waktu Penelitian
September Oktober November Desember Januari

Kegiatan
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Penelitian
Pendahuluan
Pengumpulan Data
Analisa
Perancangan
71
September Oktober November Desember Januari

Kegiatan
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Implementasi
Pengujian
Pembuatan Laporan
Penelitian ini dilakukan dalam kurun waktu empat bulan. Penelitian dimulai
pada bulan September dan ditargetkan akan berakhir pada bulan Desember
pada tahun 2022. Tabel 3.1 menunjukan bagaimana penulis memberikan
waktu untuk masing-masing tahapan penelitian
2. Tempat Penelitian
Tempat penelitian merupakan tempat dimana proses penelitian dilakukan
untuk dapat memecahkan permasalahan dalam penelitian. Penelitian ini
dilakukan di Dinas Kesehatan Kab. Lima Puluh Kota. Dinas Kesehatan Kab.
Lima Puluh Kota beralamatkan di Koto Baru, Kec. Payakumbuh Utara, Kota
Payakumbuh, Sumatera Barat.
3. Metode Penelitian
Metode penelitian dapat diartikan sebagai cara ilmiah untuk dapat
memperoleh data dengan tujuan dan kegunaan untuk kepentingan penelitian.
Dalam penelitian ini penulis menggunakan beberapa metode penelitian.
Adapun metode-metode yang penulis lakukan adalah sebagai berikut:

72
a. Penelitian Lapangan (Field Research)
Penelitian lapangan dilakukan untuk membuat sebuah website Penentuan
Kasus Stunting pada Anak di Kab. Lima Puluh Kota dengan menggunakan
metode Multilayer Perceptron. Penulis juga turun langsung mengambil data
yang diperlukan untuk menyelesaikan penelitian ini. Pengambilan data
dilakukan dengan memperoleh data yang tersimpan pada gudang data objek
dan juga melakukan wawancara dengan pihak yang bersangkutan.
b. Penelitian Perpustakaan (Library Research)
Penelitian yang dilakukan untuk mengumpulkan data sekunder. Pengumpulan
data sekunder dilakukan dengan membaca buku-buku, artikel jurnal, dan
literatur-literatur yang ada kaitannya dengan penelitian. Data sekunder
kemudian akan digunakan sebagai data yang dapat mendukung hasil dari
penelitian ini.
c. Penelitian Laboratorium (Laboratory Research)
Penelitian yang dilakukan dengan cara research laboratorium komputer guna
mempraktekkan langsung hasil dari analisa yang bertujuan untuk menguji
kebenaran sistem yang dirancang. Setiap perangkat keras dan perangkat lunak
yang digunakan dalam penelitian ini memiliki spesifikasi yang berbeda-beda.
Adapun spesifikasi dari perangkat keras (hardware) dan perangkat lunak
(software) yang digunakan dapat dilihat pada Tabel 3.2 berikut:
Tabel 3.2 Spesifikasi Perangkat Lunak dan Perangkat Keras
Perangkat Keras Perangkat Lunak

73
Laptop Asus VivoBook 14 Sistem Operasi Windows 10
Processor AMD Ryzen 3 3200U with

Microsoft Office 2019
Radeon Vega Mobile Gfx 2.60 GHz
Memory 4 GB Xampp Version 7.3.24
Printer Epson L3210 Visual Studio Code 1.66.2
Keyboard eksternal dan mouse

Google Chrome
eksternal
Dalam penelitian tentu penulis membutuhkan perangkat keras dan perangkat
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
berdasarkan kebutuhan penulis dalam melakukan penelitian.
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,
melakukan penganalisis an terhadap data yang diperoleh, serta langkah-langkah yang
dibutuhkan untuk perancangan yang diinginkan sampai pada analisis yang
diharapkan. Analisa data pada penelitian ini akan menggunakan software MATLAB
74
untuk melakukan pelatihan terhadap data yang telah diperoleh untuk kemudian
ditemukan hasil yang diharapkan dari proses analisis data tersebut.
3.2.4 Perancangan
Tahapan perancangan ini, peneliti menggunakan Unified Modelling Language
(UML) sebagai tools dalam menjelaskan alur analisa program, dimana UML yang
digunakan yaitu :
1. Use Case Diagram
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
diagram use case dan actor.
2. Class Diagram
Diagram kelas atau Class Diagram menggambarkan struktur sistem dari segi
pendefinisian kelas-kelas yang akan dibuat untuk membangun sistem. Kelas
memiliki atribut (variabel-variabel yang dimiliki suatu kelas) dan operasi atau
metode (fungsi yang dimiliki suatu kelas).
3. Activity Diagram
Activity Diagram menggambarkan dan memungkinkan siapapun yang
melakukan proses pemilihan suatu urutan, dalam hal ini diagram hanya
menyebutkan aturan-aturan rangkaian dasar yang harus diikuti. Activity
Diagram memberikan gambaran aktifitas apa saja yang akan dilakukan actor.
75
Activity Diagram juga dapat menggambarkan proses paralel yang mungkin
terjadi pada beberapa eksekusi.
4. Sequence Diagram
Sequence Diagram digunakan untuk menggambarkan kegiatan Use Case
dengan mendeskripsikan waktu hidup objek dan message yang dikirimkan dan
diterima antar objek.
3.2.5 Implementasi
Implementasi sistem merupakan tahap meletakkan sistem sehingga siap untuk
dioperasikan. Implementasi bertujuan untuk mengkonfirmasi modul-modul
perancangan, sehingga pengguna dapat memberi masukan kepada pengembangan
sistem yang dibangun. Perancangan aplikasi penentuan kasus Stunting pada anak
berbasis web dilakukan dengan menggunakan bahasa pemrograman PHP dan
MySQL, pada tahap ini.
3.2.6 Pengujian
Pengujian ini difokuskan pada fungsionalitas dari aplikasi penentuan kasus
Stunting pada anak berbasis web yang meliputi kesalahan fungsi, interface dan
database. Pengujian dilakukan secara langsung dengan menggunakan program Web
Browser Google Chrome dan program Web Server Xampp sehingga dapat
mengetahui apakah hasil yang diharapkan. Tahap uji coba ini dilakukan dengan
menggunakan server localhost yang merupakan server virtual untuk pengujian
program berbasis Web Programming dengan bahasa pemrograman PHP. Pengujian

76
pada penelitian ini juga akan menggunakan software MATLAB untuk melakukan
testing berdasarkan dari hasil data training pada tahapan analisa.

BAB IV
ANALISA DAN PERANCANGAN
4.1 Tahapan Analisa dan Perancangan
Tahapan analisa dan perancangan dilakukan untuk menganalisa sistem yang
bertujuan untuk memperoleh pengetahuan yang berkaitan dengan penentuan kasus
stunting dengan menggunakan metode Multilayer Perceptron. Sistem yang akan
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
digambarkan seperti Gambar 4.1 berikut:
Gambar 4.1 Tahapan Analisa dan Perancangan
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
akan dilanjutkan dengan melakukan analisa sistem menggunakan Multilayer
Perceptron yang kemudian hasilnya akan digunakan untuk melakukan perancangan.
4.2 Analisa Data
Analisa data dapat diartikan sebagai segala sesuatu yang didapat melalui
pengamatan maupun dari suatu pandangan. Peneliti melakukan wawancara langsung
dengan pihak Dinas Kesehatan Kab. Lima Puluh Kota pada penelitian ini.
Wawancara dilakukan untuk mendapatkan informasi seputar permasalahan yang
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:
Tabel 4.1 Klasifikasi Kasus Stunting
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
Keadaan atau kasus

pengukuran tinggi badan
2 Stunting Pendek
Z-score dibawah
-2
Keadaan atau kasus
3 Normal pengukuran tinggi badan
Z-score diatas -2.
Sumber : Masitha Arsyati, 2019
Tabel 4.1 menunjukan bahwa kasus stunting dapat di klasifikasi kan menjadi
3 klasifikasi yaitu stunting sangat pendek, stunting pendek, dan normal. Setiap
klasifikasi memiliki standar perhitungan yang berbeda. Berdasarkan hasil perhitungan
dari pengukuran tinggi badan dibandingkan dengan usia saat pengukuran, maka anak
dapat dikategorikan berada pada kasus yang mana.
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
Tabel 4.2 Sampel Data
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
Nama 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
Nama 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
45 Anak 45 L 16 80 Normal -0.39
46 Anak 46 P 23 80.6 Normal -1.58

Sangat
47 Anak 47 P 38 84.2 -3.18
Pendek
48 Anak 48 P 1 53.6 Normal -0.45
49 Anak 49 P 35 85.4 Pendek -2.53

50 Anak 50 L 43 100 Normal -0.18
51 Anak 51 L 47 92.1 Pendek -2.63
52 Anak 52 L 47 96.3 Normal -1.61
53 Anak 53 L 44 91.3 Pendek -2.46
Sangat
54 Anak 54 L 12 64.3 -4.91
Pendek
55 Anak 55 L 44 102 Normal 0.17
Sangat
56 Anak 56 P 38 85 -3.06
Pendek
83
Z-Skor
Tinggi
Nama Badan/Umu
r
r
57 Anak 57 P 58 99.4 Normal -1.95
Sangat
58 Anak 58 P 47 89.1 -3.06
Pendek
59 Anak 59 L 47 93.6 Pendek -2.29
60 Anak 60 P 35 88 Normal -1.79

Sumber : Dinas Kesehatan Kab. Lima Puluh Kota
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
digunakan untuk mengklasifikasikan kasus stunting pada anak.
4.3 Analisa Sistem
Tahapan analisa sistem merupakan tahapan yang sangat penting dalam
perancangan sebuah sistem yang bertujuan untuk mengetahui kelemahan-kelemahan
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
permasalahan-permasalahan yang ada, rancangan sistem dan langkah serta

84
pengembangan yang dibutuhkan untuk perancangan sistem juga dilakukan pada tahap
ini, sehingga nantinya ditemukan kesimpulan apakah sistem yang ada layak atau tidak
untuk digunakan.
4.3.1 Analisa Sistem yang Sedang Berjalan
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
Gambar 4.2 berikut:
Gambar 4.2 Hasil Pengukuran Anak Periode Agustus
Gambar 4.2 merupakan gambar yang menunjukan bagaimana sistem yang
digunakan oleh Dinas Kesehatan Kab. Lima Puluh Kota. Sistem yang digunakan
masih berbentuk sistem yang konvensional dengan menghitung manual hasil
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
kasus stunting pada anak di Kab. Lima Puluh Kota adalah:
1. Dinas Kesehatan sulit untuk menentukan dan menganalisa hasil pengukuran
stunting pada anak.
2. Sistem yang berjalan tidak cukup efektif dalam segi waktu sehingga
memperlambat kinerja Dinas Kesehatan Kab. Lima Puluh Kota.
4.3.2 Analisa Sistem Baru
Sistem baru diciptakan untuk mengatasi permasalahan yang terdapat pada
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
akan membangun sistem berbasis kecerdasan buatan dengan metode Multilayer
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
dibandingkan dengan sistem yang lama adalah sebagai berikut:
1. Waktu yang digunakan untuk menentukan kasus stunting pada anak lebih
singkat.
2. Hasil dari proses yang dihasilkan oleh sistem dapat dijadikan pertimbangan
untuk pengambilan keputusan.
3. Laporan yang dihasilkan mudah untuk dipahami dan menjadi acuan dalam
penentuan kasus stunting pada anak.

86
4.3.3 Metode Multilayer Perceptron (MLP)
Perhitungan dalam tahapan analisa sistem menggunakan metode Multilayer
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
berdasarkan aturan metode Multilayer Perceptron (MLP):
1. Mengumpulkan data kasus stunting
2. Melakukan normalisasi data kasus stunting
3. Merancang Arsitektur Jaringan
4. Menentukan bobot dan bias awal
5. Menentukan learning rate
6. Melakukan proses propagasi maju
7. Melakukan propagasi mundur
8. Hasil perhitungan
Algoritma proses Multilayer Perceptron memiliki tahapan seperti yang telah
dipaparkan pada poin di atas. Berdasarkan algoritma proses Multilayer Perceptron
diatas maka dapat digambarkan melalui flowchart. Flowchart dalam proses Jaringan
Syaraf Tiruan penentuan kasus stunting pada anak dengan metode Multilayer
Perceptron dapat dilihat pada Gambar 4.3 berikut:

87
Gambar 4.3 Flowchart Multilayer Perceptron
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
dengan di normalisasi terlebih dahulu. Untuk mendapatkan hasil maka dilakukan
perhitungan dengan menggunakan metode Multilayer Perceptron.
4.3.3.1 Mengumpulkan Data Kasus Stunting
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
Tabel 4.3 berikut:
Tabel 4.3 Data Latih Penentuan Kasus Stunting
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
Z-score merupakan hasil perhitungan antara tinggi badan saat ukur
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
klasifikasi seorang anak pada kasus stunting.
4.3.3.2 Melakukan Normalisasi

90
Data yang telah dihimpun dan didapatkan X dan Y, selanjutnya akan di
normalisasi. Normalisasi dilakukan untuk menghindari perhitungan komputasi yang
terlalu besar. Normalisasi dilakukan dengan rumus berikut:
0.8(x−min)
x'= + 0.1
max−min
Keterangan :
- x’ adalah hasil normalisasi data
- x adalah data asal
- min merupakan nilai minimum dari satu variabel
- max merupakan nilai maximum dari satu variabel
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
normalisasi dapat dilihat pada Tabel 4.4 berikut:
Tabel 4.4 Data Normalisasi
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
11 0.1 0.324561 0.548262 0.9

12 0.1 0.535088 0.638241 0.560606
13 0.9 0.240351 0.360123 0.408687
14 0.9 0.801754 0.9 0.727071
15 0.9 0.787719 0.769121 0.439394
16 0.9 0.338596 0.417382 0.269697
17 0.9 0.605263 0.580982 0.222828
18 0.9 0.422807 0.564622 0.49596
19 0.9 0.563158 0.580982 0.287475
20 0.1 0.380702 0.482822 0.442626
21 0.1 0.184211 0.270143 0.575152
22 0.9 0.857895 0.747853 0.308485
23 0.1 0.268421 0.376483 0.491111
24 0.9 0.15614 0.171984 0.1
25 0.1 0.549123 0.433742 0.21798
26 0.9 0.464912 0.482822 0.154949
27 0.9 0.240351 0.401022 0.58
28 0.1 0.661404 0.703681 0.486263
29 0.9 0.591228 0.639877 0.408687
30 0.9 0.310526 0.44683 0.457172
31 0.9 0.240351 0.379755 0.491111
32 0.9 0.240351 0.329039 0.329495
33 0.9 0.310526 0.531902 0.76101
34 0.1 0.619298 0.600613 0.310101
35 0.1 0.1 0.1 0.751313
36 0.1 0.577193 0.620245 0.415152
37 0.9 0.745614 0.729857 0.39899
NO X1 X2 X3 Y
38 0.9 0.703509 0.89182 0.851515
39 0.1 0.9 0.849284 0.508889
92
40 0.1 0.577193 0.662781 0.534747
Jenis kelamin akan dimisalkan sebagai 0 dan 1, sehingga ketika dilakukan
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
mendapatkan nilai min dan max, misalnya (0.8*((0-1)/(0-1)))+0.1 = 0.577193. Nilai
0.1 diperoleh dari nilai terendah pada variabel X1 dan nilai tertinggi akan
memperoleh nilai 0.9.
4.3.3.3 Merancang Arsitektur Jaringan
Arsitektur Jaringan Syaraf Tiruan memiliki berbagai lapisan pemrosesan.
Jaringan Syaraf Tiruan dengan menggunakan metode Multilayer Perceptron
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:
Gambar 4.4 Arsitektur Jaringan
Gambar 4.4 menunjukan arsitektur jaringan yang akan digunakan dalam
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.
4.3.3.4 Menentukan Bobot dan Bias
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.
1. Bobot Input ke Hidden Layer
Pelatihan pada penelitian ini menggunakan arsitektur jaringan dengan
konfigurasi 3-3-1. Konfigurasi ini berarti terdapat 3 masukan, 3 lapisan
tersembunyi, dan 1 keluaran.. Konfigurasi jaringan tersebut membentuk bobot
masukan ke lapisan tersembunyi sebagai berikut:
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
=
2. Bobot Hidden Layer ke Output Layer
Pelatihan menggunakan jaringan dengan konfigurasi 3-3-1. Pelatihan ini
memiliki 3 masukan, 3 lapisan tersembunyi, dan 1 lapisan keluaran.

94
Konfigurasi jaringan tersebut membentuk bobot lapisan tersembunyi ke
lapisan keluaran sebagai berikut:
v1= -1.3733
v2= 2.9231
v3= -4.5749
3. Bias Input ke Hidden Layer
Setiap neuron pada arsitektur jaringan yang digunakan akan memiliki 1 bias.
Jaringan pelatihan pertama memiliki 3 neuron pada lapisan tersembunyi,
maka akan ada 3 bias dari masukan ke lapisan tersembunyi. Bias dari
masukan ke lapisan tersembunyi adalah sebagai berikut:
b1= -6.7574
b2= -8.5046
b3= -1.4801
4. Bias Hidden Layer ke Output Layer
Lapisan tersembunyi yang memiliki 3 neuron akan menghasilkan 1 keluaran.
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
proses selanjutnya. Bobot dan bias maksimal akan ditemukan dengan
melakukan proses trial and error.

95
4.3.3.5 Penentuan Learning Rate
Learning rate merupakan salah satu parameter pelatihan untuk menghitung
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:
Tabel 4.5 Rancangan Arsitektur Artificial Neural Network
Parameter Jumlah Deskripsi

Jenis Kelamin, Usia,
Input 3
dan Tinggi Badan
Hidden Layer Trial and error 2 sampai dengan end
Output Layer 1 Z-score

Epoch Trial and error 100 sampai dengan end
Learning Rate Trial and error 0.01 sampai dengan 0.9
Fungsi Aktivasi 1 Sigmoid biner
Target Error 0 -
Rancangan arsitektur Artificial Neural Network di atas digunakan selama
proses pelatihan. Proses pelatihan dilakukan sehingga mendapatkan hasil yang
maksimal. Proses pelatihan dilakukan dengan menggunakan beberapa arsitektur
dengan lapisan tersembunyi yang berbeda dan parameter yang juga berbeda.
96
4.3.3.6 Melakukan Propagasi Maju
Multilayer Perceptron secara umum dapat dibagi menjadi dua bagian. Bagian
pertama disebut sebagai tahapan propagasi maju. Bagian kedua disebut sebagai
tahapan propagasi mundur. Berikut merupakan tahapan propagasi maju pada
1. Menghitung Output Neuron ke-j pada Hidden Layer (Zj)
Perhitungan pertama pada tahap propagasi maju adalah menghitung nilai
neuron keluaran yang perdapat pada lapisan tersembunyi. Perhitungan akan
dilakukan sebanyak neuron yang terdapat pada hidden layer. Menghitung nilai
pada hidden layer dapat dilakukan dengan menggunakan rumus berikut:

n
z j =∅ h (∑ w ij x i+ b j)
i=1
z j merupakan neuron ke-je yang terdapat pada lapisan tersembunyi. Nilai z j
diperoleh dengan menjumlahkan hasil perkalian setiap bobot dari masukan ke
lapisan tersembunyi. Hasil perkalian kemudian dijumlahkan dengan bias
untuk menghitung z j . Penjumlahan tersebut kemudian juga dikalikan dengan
fungsi aktivasi yang digunakan, pada penelitian ini digunakan fungsi aktivasi
sigmoid. Setelah dilakukan perhitungan dengan menggunakan rumus diatas
maka di dapatkan nilai pada setiap neuron pada hidden layer. Nilai pada
hidden layer dapat dilihat pada Tabel 4.6 berikut:
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
dipaparkan sebelumnya. Misalnya, Z1 =. 1/(1 + EXP (-((9.6469 * 0.1) +
(3.7961 * 0.577193) + (-4.7468 * 0.680777) + (-6.7574)))) = 0.000217206.
Perhitungan tersebut dilakukan untuk baris data set selanjutnya.
2. Menghitung Output Neuron ke-k pada Output Layer (Yk)
Perhitungan dilanjutkan dengan melakukan operasi perhitungan neuron
keluaran ke-k pada lapisan keluaran. Perhitungan ini juga dilakukan sejumlah
neuron yang terdapat pada output layer dimana pada penelitian ini terdapat 1
neuron. Perhitungan dilakukan dengan rumus berikut:

n
y k = ∅ o ( ∑ v jk z j +b k )
j=1
Rumus diatas menjelaskan bahwa hasil perhitungan pada lapisan tersembunyi
kemudian akan dikalikan dengan setiap bobot dari lapisan tersembunyi ke
lapisan keluaran dan terakhir akan dijumlahkan dengan bias dari lapisan
tersembunyi ke lapisan keluaran. Hasil perhitungan ini juga dikalikan dengan
fungsi aktivasi yang dilambangkan dengan ∅ o . Setelah dilakukan perhitungan
dengan menggunakan rumus diatas maka di dapatkan nilai yk. Hasil diperoleh
melalui perhitungan berikut:

98
Yk = 1/(1 + EXP (-((1.002773126 * -1.3733) + (1.109110972 * 2.9231) +
(1.048823611 * -4.5749) + 1.5126))) = 0.944356683.
3. Menghitung Loss Error
Single Layer Perceptron mengenal adanya Delta Rule untuk melakukan
evaluasi pada error, pada Multilayer Perceptron akan digunakan
Backpropagation. Penelitian ini akan menggunakan squared error sebagai
loss function. Squared error dapat dihitung dengan rumus berikut:
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
masukan pada data set tersebut, sedangkan yk merupakan nilai neuron
keluaran pada lapisan keluaran. Perhitungan loss error adalah sebagai berikut:
E = 0.586465-0.944356683 = -0.357892037.
4.3.3.7 Melakukan Propagasi Mundur
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
adalah kebalikannya. Berikut merupakan tahapan propagasi mundur pada Multilayer
Perceptron.
99
1. Menghitung Faktor Kesalahan Yk
Perhitungan pertama yang dilakukan pada tahapan propagasi mundur adalah
menghitung nilai atau faktor kesalahan pada Yk. Perhitungan ini nantinya
akan digunakan untuk menghitung seberapa besar perubahan bobot yang
terjadi dari lapisan tersembunyi ke lapisan keluaran. Berikut ini merupakan
rumus untuk menghitung faktor kesalahan Yk:
δ ( y) =( T −Yk )∗Yk (1−Yk)
Mendapatkan nilai dari faktor kesalahan Yk dilakukan dengan mengurangkan
antara target pada data set dengan Yk kemudian dikalikan dengan Yk. Hasil
perkalian tersebut dikalikan dengan hasil pengurangan 1 dan Yk. Adapun
proses perhitungan faktor kesalahan Yk adalah sebagai berikut:
δ (k) =¿ (0.586464646-0.944356683)* 0.944356683 (1-0.944356683) =
-0.018806202
2. Menghitung Suku Perubahan Bobot pada Hidden ke Output
Perhitungan ini nantinya akan digunakan untuk merubah nilai bobot dari
lapisan tersembunyi kepada lapisan keluaran. Perhitungan ini dilakukan untuk
mengetahui berapakah besar perubahan yang terjadi dari bobot awal kepada
bobot baru. Adapun rumusnya adalah sebagai berikut:
∆ v 1=α∗δ (k )∗Zi
∆ v 1=0.01∗−0.018806202∗¿ 0.000217206 = -4.08481E-08
Perhitungan dilakukan untuk setiap neuron yang terdapat pada lapisan
tersembunyi. Penelitian ini memiliki 3 lapisan tersembunyi sehingga

100
perhitungan dilakukan sebanyak 3 kali. Adapun hasil perhitungan adalah
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
neuron yang berbeda. Hasil perhitungan akan dapat berubah menyesuaikan
neuron yang terdapat pada arsitektur yang dibangun.
3. Menghitung Suku Perubahan Bias Hidden ke Output
Perhitungan selanjutnya adalah menentukan besar perubahan bias dari lapisan
tersembunyi menuju lapisan keluaran. Perhitungan ini dilakukan dengan
menggunakan nilai dari learning rate yang digunakan. Adapun rumus
perubahan bobot lapisan tersembunyi ke lapisan keluaran adalah sebagai
berikut:
∆ b=α∗δ (k)
Perhitungan dilakukan untuk menemukan besaran perubahan bias dari lapisan
tersembunyi ke lapisan keluaran. Perhitungan akan dilakukan untuk setiap
nilai bobot asal. Perhitungan dilakukan seperti, ∆ b=¿ 0.01* -0.018806202= -
0.000188062.
101
4. Menghitung Faktor Kesalahan Zj
Perhitungan dilakukan sebanyak neuron yang tersedia pada data. Perhitungan
ini dilakukan untuk mengetahui seberapa besar faktor kesalahan dari Zj.
Adapun rumus dari perhitungan ini adalah sebagai berikut:
∂ netj=δ (k)∗vj
Contoh perhitungan untuk baris pertama, ∂ netj=−0.018806202∗−1.3733 =
0.025826558. Nilai yang diperoleh dengan rumus diatas akan digunakan pada
perhitungan selanjutnya untuk menemukan nilai ∂ j . Perhitungan juga akan
dilakukan sebanyak neuron. Adapun rumusnya adalah sebagai berikut:
∂ j=∂ netj∗zj∗( 1−zj )
Contoh perhitungan untuk baris pertama,
∂ j=−1.3733∗0.000217206∗(1−0.000217206 ) = 5.60845E-06. Adapun hasil
keseluruh dari perhitungan ini adalah sebagai berikut:
Tabel 4.8 Hasil Perhitungan Faktor Kesalahan Zj
∂1 5.60845E-06
∂2 -0.013664777
∂3 0.004488948
Perhitungan menghasilkan tiga hasil. Tiga hasil yang berbeda didapatkan dari
5. Menghitung Suku Perubahan Bobot Input ke Hidden

102
Perhitungan ini dilakukan untuk menghitung seberapa besar perubahan bobot
yang terjadi pada bobot dari lapisan masukan ke lapisan tersembunyi.
Perhitungan ini nantinya juga akan digunakan untuk menghitung bobot baru.
Perhitungan ini dapat dirumuskan sebagai berikut:
∆ wij=α∗∂ j∗xij
Misalnya, ∆ wij=0.01∗5.60845E-06∗0.1 = 5.60845E-09. Perhitungan ini
dilakukan untuk setiap bobot dari lapisan masukan ke lapisan tersembunyi.
Perhitungan dilakukan sehingga semua suku perubahan bobot didapatkan
untuk setiap neuron. Hasil perhitungan adalah sebagai berikut:
Tabel 4.9 Hasil Perhitungan Suku Perubahan Bobot Input ke Hidden
∆ 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
Perhitungan menghasilkan 3 hasil. Tiga hasil yang berbeda didapatkan dari
6. Menghitung Suku Perubahan Bias Input ke Hidden

103
Perhitungan dilakukan dengan rumus yang sama dengan perhitungan suku
perubahan bias dari lapisan tersembunyi ke lapisan keluaran. Perbedaan
perhitungan terdapat pada pengali learning rate. Adapun hasil perhitungan
adalah sebagai berikut:
Tabel 4.10 Hasil Perhitungan Suku Perubahan Bias Input ke Hidden
∆ b1 0.000258266
∆ b2 -0.000549724
∆ b3 0.000860365
7. Menghitung Perubahan Bobot Input ke Hidden
Perhitungan ini dilakukan untuk menghitung perubahan bobot dari lapisan
masukan ke lapisan tersembunyi. Perhitungan ini akan menunjukan hasil
bobot terbaru pada lapisan masukan ke lapisan tersembunyi. Adapun rumus
yang digunakan adalah sebagai berikut:
Wij(baru) = Wij(lama) + ∆ wij
Contoh perhitungan untuk W11(baru), W11(baru) = 9.6469 + 5.60845E-09 =
9.646900006. Hasil perhitungan menunjukan bahwa nilai bobot W11 saat ini
adalah 9.646900006. Nilai bobot tersebut yang kemudian akan digunakan
pada epoch selanjutnya. Adapun hasil perhitungan untuk setiap neuron adalah
sebagai berikut:
104
Tabel 4.11 Hasil Perhitungan Perubahan Bobot Input ke Hidden
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
8. Menghitung Perubahan Bias Input ke Hidden
Perhitungan ini dilakukan untuk menghitung perubahan bias dari lapisan
masukan ke lapisan tersembunyi. Perhitungan ini akan menunjukan hasil bias
terbaru pada lapisan masukan ke lapisan tersembunyi. Adapun rumus yang
digunakan adalah sebagai berikut:
Bi(baru) = Bi(lama) + ∆ bi
Contoh perhitungan untuk B1(baru), B1(baru) = -8.5046 + -0.000549724 =
-6.757141734. Hasil perhitungan menunjukan bahwa nilai bias B1 saat ini
adalah -6.757141734. Nilai bias tersebut yang kemudian akan digunakan pada
105
epoch selanjutnya. Adapun hasil perhitungan untuk setiap neuron adalah
sebagai berikut:
Tabel 4.12 Hasil Perhitungan Perubahan Bias Input ke Hidden
B1 (baru) -6.757141734
B 2(baru) -8.505149724
B 3(baru) -1.479239635
9. Menghitung Perubahan Bobot Hidden ke Output
Perhitungan ini dilakukan untuk menghitung perubahan bobot dari lapisan
tersembunyi ke lapisan keluaran. Perhitungan ini akan menunjukan hasil
bobot terbaru pada lapisan tersembunyi ke lapisan keluaran. Adapun rumus
yang digunakan adalah sebagai berikut:
Vi(baru) = Vi(lama) + ∆ vi
Contoh perhitungan untuk V1(baru), V1(baru) = -1.3733 + -4.08481E-08 = -
1.373300041. Hasil perhitungan menunjukan bahwa nilai bobot V1 saat ini
adalah 1.373300041. Nilai bobot tersebut yang kemudian akan digunakan
pada epoch selanjutnya. Adapun hasil perhitungan untuk setiap neuron adalah
sebagai berikut:
Tabel 4.13 Hasil Perhitungan Perubahan Bobot Hidden ke Output
v 1(baru ) -1.373300041
v 2(baru) 2.92299887
v 3(baru) -4.574910386
10. Menghitung Perubahan Bias Hidden ke Output

106
Perhitungan ini dilakukan untuk menghitung perubahan bias dari lapisan
tersembunyi ke lapisan keluaran. Perhitungan ini akan menunjukan hasil bias
terbaru pada lapisan tersembunyi ke lapisan keluaran. Adapun rumus yang
digunakan adalah sebagai berikut:
B(baru) = B(lama) + ∆ b
Contoh perhitungannya adalah B(baru) = 1.5126 + -0.000188062 =
1.512411938. Hasil perhitungan menunjukan bahwa nilai bias B saat ini
adalah 1.512411938.
4.3.3.8 Hasil Perhitungan
Perhitungan yang telah dilakukan sebelumnya, merupakan perhitungan untuk
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
yang lebih banyak.
Perhitungan dilakukan melalui proses trial and error. Perhitungan juga
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
0.000694739. Pelatihan ini berhenti dengan mencapai epoach maksimal yang
ditentukan sebesar 100000 sebelum mendapatkan hasil yang sama dengan goal.
Peneliti selanjutnya melakukan pelatihan dengan parameter yang sama pada
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.
4.4 Perancangan sistem
Perancangan sistem memiliki tujuan yang berguna memberikan gambaran
yang jelas dan rancang bangun yang lengkap dan terperinci sehingga memenuhi
kebutuhan pengguna sistem. Rancangan sistem memiliki beberapa desain yaitu
output, input, file (database). Rancangan dari desain ini dijadikan sebagai acuan
dalam merancang suatu sistem baru sehingga memperoleh hasil yang maksimal.
4.4.1 UML (Unified Modelling Language)
Aplikasi penetuan kasus stunting pada anak ini dirancang menggunakan alat
bantu berupa UML. Perancangannya digambarkan dalam bentuk diagram-diagram.
Berikut ini merupakan perancangan dengan alat bantu UML.
4.4.1.1 Use Case Diagram
Use case diagram medefinisikan sebuah interaksi antara satu atau lebih aktor.
Use case Diagram menggambarkan bagaimana seseorang menggunakan serta
memanfaatkan sistem. Berikut dapat dilihat pada Gambar 4.5 Use case diagram dari
rancangan sistem penentuan kasus stunting pada anak.

108
Gambar 4.5 Use Case Diagram
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.
Aktor umum hanya dapat melihat informasi-informasi umum seputar sistem.
4.4.1.2 Class Diagram
Class diagram merupakan sebuah spesifikasi yang jika diibaratkan pada
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 Class Diagram
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.
4.4.1.3 Activity Diagram
Activity diagram adalah diagram yang akan menggambarkan aktivitas-
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
1. Activity Diagram Admin
Diagram ini akan menjelaskan segala aktivitas yang bisa dilkukan oleh admin
dengan memilih sistem yang tersedia pasa sistem. Admin digambarkan dapat
melakukan beberapa aktivitas pada sistem yang dirancang. Gambar 4.7
dibawah ini adalah activity diagram admin.
Gambar 4.7 Activity Diagram Admin
Gambar 4.7 menunjukan aktivitas apa saja yang dapat dilakukan oleh admin
pada sistem yang dibangun. Admin dapat melakukan manajerial terhadap data
yang dibutuhkan sistem. Admin juga dapat melakukan pencetakan laporan
terhadap hasil analisa sistem.

111
2. Activity Diagram Pengunjung Umum
Diagram ini akan menjelaskan segala aktifitas yang mungkin dan bisa terjadi
oleh pelanggan umum. Pengunjung umum digambarkan dapat melakukan
beberapa aktivitas pada sistem yang dirancang. Adapun activity diagram
umum dapat dijelaskan oleh Gambar 4.8.
Gambar 4.8 Activity Diagram Pengunjung Umum
Pengunjung umum tidak memiliki akses terhadap pengolahan data seperti
admin. Pengunjung umum hanya dapat melihat beberapa informasi seputar
sistem. Informasi akan tersedia pada satu halaman home tanpa perlu
berpindah ke halaman yang lain.
4.4.1.4 Sequence Diagram
Sequence Diagram bisa digunakan untuk menggambarkan skenario atau
rangkaian langkah-langkah yang dilakukan sebagai respons dari sebuah event.
Penggambaran dengan diagram ini dilakukan pada setiap skenario yang mungkin
112
dapat terjadi pada sistem yang dibangun, Berikut adalah rancangan sistem penentuan
kasus stunting pada anak dengan menggunakan sequence diagram.
1. Sequence Diagram Umum Melihat Home
Pengguna umum dapat melihat home dimana didalamnya tersedia kontent
seputar Dinas Kesehatan Kab. Lima Puluh Kota. Profil Dinas Kesehatan, info
stunting, dan info anak adalah informasi yang dapat dilihat oleh pengunjung
umum. Adapun sequence diagramnya adalah seperti Gambar 4.9 berikut :
Gambar 4.9 Sequence Diagram Umum Melihat Home
Terlihat pada gambar yang disajikan bahwa satu-satunya aksi yang dapat
dilakukan oleh pengunjung umum hanya melihat informasi yang disediakan.
Pengunjung umum tidak perlu melakukan validasi data terhadap basis data.
Pengunjung umum cukup hanya masuk kedalam sistem untuk dapat melihat
informasi yang tersedia.
2. Sequence Diagram Admin Kelola Rekap Data Kecamatan
Admin dapat mengupdate data value yang telah diset diawal kepada value
data yang sebenarnya pada rekap data kasus stunting di setiap kecamatan.
113
Admin terlebih dahulu akan melakukan validasi untuk melakukan edit
terhadap data. Skenario dapat digambarkan seperti Gambar 4.10 berikut:
Gambar 4.10 Sequence Diagram Admin Kelola Rekap Data Kecamatan
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.
Aktor selain admin tidak dapat melakukan kegiatan yang sama.
3. Sequence Diagram Admin Kelola Profile
Admin dapat mengupdate dan mengubah data profile. Data pada profile
nantinya akan ditampilkan di halaman depan web. Sequence diagram admin
kelola profile menjelaskan bagaimana skenario ini berlangsung. Skenario
dapat dilihat pada Gambar 4.11 berikut :

114
Gambar 4.11 Sequence Diagram Admin Kelola Profile
Profile yang muncul pada halaman pengunjung umum diolah oleh admin.
Admin dapat menambahkan informasi baru. Admin juga dapat merubah
informasi yang sudah ada atau bahkan menghapusnya.
4. Sequence Diagram Admin Kelola Data Administrator
Admin dapat menambah, mengubah, dan menghapus data administrator.
Kegiatan ini dapat dilakukan admin dengan melakukan login terlebih dahulu.
Proses admin mengelola data administrator di jelaskan dengan sequence
diagram kelola admin. Skenario dapat dilihat pada Gambar 4.12 berikut:
Gambar 4.12 Sequence Diagram Admin Kelola Data Administrator

115
Informasi admin diolah oleh admin itu sendiri. Admin dapat menambahkan
informasi baru. Admin juga dapat merubah informasi yang sudah ada atau
bahkan menghapusnya.
5. Sequence Digram Admin Kelola Data Kasus Stunting
Admin dapat menambah, mengubah, dan menghapus data kasus stunting.
Kegiatan ini dapat dilakukan admin dengan melakukan login terlebih dahulu.
Hal ini dapat dilihat pada Gambar 4.13 berikut:
Gambar 4.13 Sequence Diagram Admin Kelola Data Kasus Stunting
Data kasus stunting dapat ditambahkan kapan saja oleh admin. Sebelum
melakukan manajerial data stunting admin terlebih dahulu harus melakukan
validasi sebagai admin. Admin dapat melakukan kegiatan ini dengan bantuan
query yang terdapat pada sistem yang dibangun,
6. Sequence Diagram Admin Melihat Data Hasil Klasifikasi
Admin dapat melihat hasil perhitungan Multilayer Perceptron yang dilakukan
sistem. Kegiatan ini dapat dilakukan admin dengan melakukan login terlebih
dahulu. Hal dapat dilihat pada Gambar 4.14 berikut:

116
Gambar 4.14 Sequence Diagram Admin Melihat Data Klasifikasi
Admin dapat melihat halaman klasifikasi data. Admin dapat melihat hasil
keseluruhan dengan sebelumnya melihat hasil normalisasi dan proses
klasifikasi. Skenario untuk melakukan normalisasi dan hasil perhitungan akan
dijelaskan pada bagian berbeda.
7. Sequence Diagram Admin Melihat Normalisasi
Diagram selanjutnya merupakan gambaran dari skenario yang terjadi saat
admin melihat hasil normalisasi. Hasil normalisasi dapat dilihat langsung oleh
admin setelah menekan tombol normalisasi. Berikut merupakan gambaran
dari skenario yang akan terjadi.
Gambar 4.15 Sequence Diagram Admin Melihat Normalisasi

117
Normalisasi akan berisi data asal yang telah dihitung sedemikian rupa. Admin
dapat melihat hasil dari proses normalisasi pada halaman klasifikasi. Untuk
dapat melakukan skenario ini admin akan memulainya dengan masuk ke
sistem dan melakukan validasi.
8. Sequence Diagram Admin Melihat Report
Admin dapat melihat laporan. Kegiatan ini dapat dilakukan admin dengan
melakukan login terlebih dahulu. Hal ini dapat dilihat pada Gambar 4.16
berikut:
Gambar 4.16 Sequence Diagram Admin Melihat Report
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
dengan masuk ke sistem dan melakukan validasi.
4.4.2 Desain Terinci

118
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
(database). Berikut ini merupakan desain terinci dalam pembangunan sistem
penentuan kasus stunting pada anak.
4.4.2.1 Desain Output
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
perancangan sistem berupa tampilan website dan laporan sebagai berikut:
1. Desain Halaman Awal
Halaman ini merupakan halaman yang paling pertama muncul saat sistem
dibuka. Halaman ini bisa dilihat oleh admin dan pengunjung umum. Adapun
desain halaman utama sistem adalah sebagai berikut.

119
Gambar 4.17 Desain Halaman Awal
Halaman ini akan memuat beberapa informasi yang dapat diakses oleh
pengunjung umum. Terdapat informasi seputar sistem, anak, dan stunting.
Profil Dinas Kesehatan Kab. Lima Puluh Kota juga akan ditampilkan pada
bagian ini.
2. Desain Tampilan Halaman Home Admin
Tampilan ini merupakan halaman pertama yang dapat dilihat oleh admin
setelah melakukan login. Tampilan akan berisi data jumlah kasus stunting di
setiap Kecamatan. Adapun bentuk rancangan pada Gambar 4.18 berikut:

120
Gambar 4.18 Desain Halaman Home Admin
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.
3. Desain Halaman Rekap Data Stunting
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
rancang pada Gambar 4.19 berikut:

121
Gambar 4.19 Desain Halaman Rekap Data Kecamatan
Tampilan ini merupakan desain halaman dimana admin dapat merubah data
rekap. Dengan menggunakan aksi perbaharui, admin dapat memperbaharui
jumlah dari masing-masing kasus. Halaman ini akan menampilkan nama
kecamatan dan jumlah kasus.
4. Desain Halaman Profil
Tampilan ini merupakan tampilan yang berisi informasi seputar sistem.
Informasi pada halaman ini dapat dirubah dengan menekan tombol perbaharui
profil. Informasi pada halaman ini juga akan ditampilkan pada halaman awal.
Adapun bentuk rancangan pada Gambar 4.20 berikut:

122
Gambar 4.20 Desain Halaman Profil
Halaman ini merupakan halaman untuk memperbaharui data profile Dinas
Kesehatan Kab. Lima Puluh Kota. Data pada tampilan ini yang kemudian
akan ditampilkan kepada pengunjung umum. Admin dapat merubah setiap
informasi yang ada di sini.
5. Desain Halaman Data Administrator
Halaman ini menampilkan data administrator. Bagian ini akan memiliki
tombol untuk melakukan perubahan pada data administrator. Adapun bentuk
rancangan pada Gambar 4.21 berikut:

123
Gambar 4.21 Desain Halaman Data Administrator
Desain tampilan ini merupakan desain tampilan untuk data admin. Data admin
dapat diperbaharui atau ditambahkan. Data akan terdiri dari nama hingga
nama pengguna dan kata sandi.
6. Desain Halaman Data Stunting
Halaman ini menampilkan data stunting yang telah dimasukan kedalam
sistem. Bagian ini juga dilengkapi dengan aksi edit dan hapus untuk
memudahkan admin dalam mengelola data. Adapun desain halaman data
stunting dapat dilihat pada Gambar 4.22 berikut:

124
Gambar 4.22 Desain Halaman Data Stunting
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,
ditambah, atau bahkan dihapus oleh admin.
7. Desain Halaman Klasifikasi
Halaman ini menampilkan data hasil klasifikasi berdasarkan metode MLP.
Bagian ini tidak dilengkapi dengan aksi edit dan hapus. Adapun desain
halaman data stunting dapat dilihat pada Gambar 4.23 berikut:

125
Gambar 4.23 Desain Halaman Klasifikasi
Halaman ini akan berisi data hasil klasifikasi dengan metode Multilayer
Perceptron kasus stunting di Kab. Lima Puluh Kota. Data pada halaman ini
tidak dapat dirubah, ditambah, atau bahkan dihapus oleh admin.

126
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:
Gambar 4.24 Desain Laporan Data Kasus Stunting
Desain ini merupakan hasil akhir dari sistem. Tampilan pada riwayat akan
dapat di filter berdasarkan tanggal pengukuran. Laporan akan dicetak
berdasarkan filter yang telah ditetapkan.
4.4.2.2 Desain Input
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:
1. Desain login admin
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
rancangan desain login admin adalah seperti Gambar 4.25.
Gambar 4.25 Desain Login Admin
Tampilan diatas merupakan tampilan input login. Tampilan diatas digunakan
untuk meng input nama pengguna dan kata sandi. Tampilan akan berubah
kepada home ketika validasi berakhir.
2. Update rekap data
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
perlu mengupdate dengan value aktual. Gambar 4.26 berikut merupakan
desain update rekap data.
Gambar 4.26 Update Rekap Data
Tampilan diatas merupakan input untuk melakukan pembaruan pada rekap
data. Sistem akan membuat nilai awal menjadi null, kemudian diperbaharui
melalui tampilan ini. Hasil pembaruan ini kemudian dapat di simpan menjadi
data yang baru
3. Update data profile
Halaman update data profile merupakan halaman dimana admin bisa
memasukkan data berupa profile dari dinas kesehatan kab lima puluh kota.
Gambar 4.27 berikut merupakan desain update data profile.
Gambar 4.27 Update Data Profile

129
Tampilan diatas merupakan input untuk melakukan pembaruan pada data
profile. Seluruh data dapat diperbaharui melalui tampilan ini. Hasil
pembaruan ini kemudian dapat di simpan menjadi data yang baru.
4. Tambah Data Administrator
Halaman tambah data administrator ini adalah halaman dimana admin
nantinya dapat menambahkan admin baru. Admin yang telah di tambahkan
pun mendapatkan hak akses admin seperti mengakses data dan melihat hasil
keluaran proses data tersebut. Gambar 4.28 merupakan desain tampilan
halaman tambah data administrator.
Gambar 4.28 Tambah Data Administrator
Tampilan diatas merupakan input untuk melakukan pembaruan pada data
administrator. Seluruh data dapat diperbaharui melalui tampilan ini. Hasil
pembaruan ini kemudian dapat di simpan menjadi data yang baru.

130
5. Tambah Data Stunting
Halaman tambah data kasus stunting merupakan halaman untuk admin
menambahkan data kasus stunting per-anak. Desain dari halaman tambah
data kasus stunting dapat dilihat pada Gambar 4.29 sebagai berikut:
Gambar 4.29 Tambah Data Stunting
Desain tampilan diatas merupakan desain tampilan untuk menambahkan data
stunting. Tampilan ini akan berbentuk form yang berisi nama hingga berat
badan. Data akan ditambahkan per set data.
4.4.3 Desain File
File-file tersebut terdiri dari beberapa record, record terdiri dari beberapa
field, setiap record nantinya akan menampung data-data untuk mendapatkan suatu
informasi. Bentuk dari desain file dapat dilihat seperti berikut:

131
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
dapat dilihat pada Tabel 4.14.
Tabel 4.14 Desain File Admin
No Name Type Description
1 admin_id int(11) auto_increment
2 admin_nama varchar(255) Nama Lengkap
3 admin_email varchar(255) Email
4 admin_username varchar(255) Username
5 admin_password Varchar(255) Password
Password
6 admin_password_md5 Text
Enkripsi
7 admin_foto Text Foto
Tabel diatas akan menghimpun dan menyimpan data yang berkaitan dengan
admin. Terdapat setidaknya tujuh data yang akan di simpan pada file ini.
Kunci utama dari file ini adalah admin_id.
2. File Profile
File profile merupakan struktur file tempat merekam data-data 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
desain file admin dapat dilihat pada Tabel 4.15.
Tabel 4.15 Desain File Profile
1 profile_id int(11) auto_increment
2 profile_about Text About
3 profile_tlp varchar(255) Telfon
4 profile_web varchar(255) Alamat Web
5 profile_maps Text Maps
6 profile_alamat Text Alamat
Jaringan Syaraf
7 profile_jst Text
Tiruan
8 profile_statusstunting Text Status Stunting
9 profile_anak Text Anak
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.
Adapun desain file admin dapat dilihat pada Tabel 4.16.
Tabel 4.16 Desain File Rekap
1 rekap_id int(11) auto_increment
2 rekap_kecamatan int(11) Kecamatan
3 rekap_buruk int(11) Gizi Buruk
4 rekap_normal int(11) Gizi Normal
5 rekap_lebih int(11) Gizi Lebih
rekap kasus stunting. Terdapat setidaknya lima data yang akan di simpan pada
file ini. Kunci utama dari file ini adalah rekap_id.
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
admin dapat dilihat pada Tabel 4.17.
Tabel 4.17 Desain File Kasus Stunting
1 stunting_id int(11) auto_increment
2 stunting _nama varchar(255) Nama Lengkap

134
3 stunting _jeniskelamin varchar(255) Jenis Kelamin
4 stunting _usia int(11) Usia
5 stunting _alamat Varchar(255) Alamat
6 stunting _tinggi float Tinggi Badan
7 stunting _zs float Z-Score
8 stunting _kasus Varchar(255) Kasus Stunting
Tanggal
9 stunting_tanggalukur Date
Pengukuran
data stunting. Terdapat setidaknya delapan data yang akan di simpan pada file
ini. Kunci utama dari file ini adalah stunting_id.
4.4.4 Rancangan Modul Program
Rancangan modul program merupakan pengembangan jalan keluar dari
identifikasi masalah dan menghasilkan serangkaian instruksi yang membangun
sebuah program untuk menghasilkan keluaran.
4.4.4.1 Flow Chart
Flowchart atau bagan (chart) akan menunjukkan aliran (flow) di dalam
program secara logika. Logika program ini dibuat untuk memudahkan pengguna
sistem agar lebih mudah dalam memaham alur dari sub-sub form sistem. Adapun
logika program dapat dilihat pada gambar flowchart berikut ini :

135
1. Flowchart Admin
Flowchart admin akan menjelaskan aliran didalam pemrograman secara
logika. Flowchart ini akan menjelaskan logika pemrograman yang terjadi pada
sisi admin. Adapun flowchart admin dapat dilihat pada Gambar 4.30 berikut:
Gambar 4.30 Flowchart Admin
Gambar 3.30 menunjukan bagaimana logika pemrograman pada sisi admin
berjalan. Admin harus melakukan verifikasi dengan login terlebih dahulu.
Login berhasil akan membuat admin memiliki akses pada setiap bagian yang
bisa diakses oleh aktor admin.

136
2. Flowchart Umum
Flowchart umum akan menjelaskan aliran didalam pemrograman secara
logika. Flowchart ini akan menjelaskan logika pemrograman yang terjadi pada
sisi pengunjung umum. Adapun flowchart umum dapat dilihat pada Gambar
4.31 berikut:
Gambar 4.31 Flowchart Umum
Gambar 4.31 menunjukan bagaimana aktor umum dijelaskan dalam logika
pemrograman. Aktor umum hanya dapat mengakses halaman home. Halaman
home nantinya akan bersisi beberapa informasi yang dapat diakses tanpa
verifikasi apapun oleh pengunjung umum.

BAB V
IMPLEMENTASI DAN PENGUJIAN
5.1 Implementasi Sistem
Penelitian ini berusaha membuktikan bagaimana kecerdasan buatan dapat
diimplementasikan untuk menentukan kasus stunting pada anak, sehingga
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
mengklasifikasikan seorang anak mengidap stunting atau tidak.
Sistem ini dirancang dan diimplementasikan dengan model terbaik yang
ditemukan pada penelitian ini. Penelitian ini menguji berbagai model Jaringan Syaraf
Tiruan Multilayer Perceptron untuk mendapatkan model terbaik didasarkan pada
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
5.1.1 Implementasi pada Software MATLAB
Tahapan implementasi pertama pada penelitian ini merupakan implementasi
pada MATLAB. Penelitian ini akan mengimplementasikan Jaringan Syaraf Tiruan
MLP pada data yang telah di himpun, menggunakan MATLAB versi tujuh (7).
Adapun proses implementasi pada MATLAB adalah sebagai berikut:
1. Buka Aplikasi MATLAB
Aplikasi MATLAB yang digunakan pada penelitian ini adalah aplikasi versi
7. Penggunaan aplikasi MATLAB versi lain pun tidak menjadi permasalahan.
Adapun tampilan MATLAB versi 7 ketika baru dibuka adalah sebagai berikut:
Gambar 5.1 Tampilan MATLAB
Secara umum akan terdapat 3 sekat. Sekat terbesar adalah Command Window
dimana kita dapat menuliskan perintah yang akan digunakan. Sekat kedua
adalah Workspace merupakan sekat dimana akan ditampilkan data-data yang

138
sedang diolah. Bagian terakhir merupakan Command History merupakan
tempat ditampilkannya segala perintah yang pernah digunakan.
2. Masukan Data Set pada Workspace
Saat aplikasi terbuka, pertama, kita masukan data set yang akan di
implementasi kan. Data di masukan pada bagian workspace. Adapun
tampilan proses nya adalah sebagai berikut:
Gambar 5.2 Tampilan Input Data Set
Klik kanan pada bagian workspace dan pilih new. Ganti nama workspace
sesuai dengan kebutuhan. Klik dua kali pada workspace yang telah dibuat dan
masukan data yang akan diolah pada bagian Array Editor.
3. Buka nntool pada Command Window
Setelah Array Editor terbuka makan Command Window akan pindah ke
bagian bawah. Masukan perintah nntool pada bagian tersebut. Adapun
tampilannya adalah sebagai berikut:

139
Gambar 5.3 Tampilan Perintah nntool
Akan muncul sebuah jendela baru dimana kita bisa membangun jaringan yang
diinginkan. Melakukan pelatihan ini juga bisa dilakukan dengan full script.
Penelitian ini menggunakan GUI untuk memudahkan proses pengerjaan.
4. Masukan Input, Target, dan Network
Akan muncul jendela pertama yaitu jendela Network/Data Manager. Klik
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
Gambar 5.4 Tampilan Import
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
seperti apa yang akan dibuat.
5. Membuat Model Jaringan
Pembuatan model jaringan dilakukan dengan mengklik New Network pada
bagian Data Manager. Bagian ini digunakan untuk melakukan pengaturan
pada jaringan yang dibangun. Adapun tampilannya adalah sebagai berikut:

141
Gambar 5.5 Tampilan Pembuatan Jaringan
Tampilan ini me mungkin kan kita untuk merubah nama, tipe an berbagai
variabel lainnya. Penelitian ini menggunakan masukan dari data yang
disediakan, fungsi training TRAINGD, fungsi adaptasi pembelajaran
LEARNGD, dan fungsi performa MSE. Pengguna dapat mengubah jumlah
lapisan yang akan di gunakan den memilih fungsi transfer, dimana pada
penelitian ini menggunakan fungsi transfer atau aktivasi adalah LOGSIG.
Adapun beberapa jaringan yang dibangun adalah sebagai berikut:

142
a. Model Jaringan 3-6-1
Model jaringan ini berarti jaringan memiliki 3 masukan, 6 lapisan
tersembunyi, dan 1 keluaran. Bagian ini dapat diatur ketika klik tombol
import pada jaringan di data manager. Adapun tampilannya adalah sebagai
berikut:
Gambar 5.6 Tampilan Jaringan 3-6-1
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.
b. Model Jaringan 3-7-1
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.
c. Model Jaringan 3-8-1
berikut:
144
Model jaringan diatas memiliki tiga masukan, delapan 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.
6. Melakukan Pelatihan Data
Pelatihan dilakukan pada setiap model yang telah dibangun. Pelatihan
dilakukan dengan parameter pelatihan yang sama. Adapun parameter tersebut

145
Gambar 5.9 Tampilan Training Parameter
Setiap model akan dilatih sebanyak 100000 (seratus ribu) kali. Pelatihan
dilakukan dengan learning rate 0.9. Setiap model dilatih dengan target nol
dan maksimal kesalahan 100000 (seratus ribu).
Seluruh model yang telah dilatih akan memiliki keluaran. Setiap model juga
akan menghasilkan nilai error. Seluruh hasil dan error dapat di eksport dan
akan masuk ke workspace.
5.1.2 Implementasi pada Excel
Pemilihan terbaik dilakukan dengan melihat performance terendah dari
seluruh jaringan yang di latih. Penentuan nilai MSE akan dilakukan dengan excel,
untuk mengetahui nilai nya sudah sesuai atau masih ada kesalahan. Berikut
merupakan tampilan implementasi data pada excel:

146
Gambar 5.10 Tampilan Implementasi Excel
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
jaringan yang telah dilatih:

147
Gambar 5.11 Tampilan Perhitungan MSE
Setiap jaringan akan memiliki nilai MSE yang berbeda. Perbedaan
dipengaruhi oleh banyaknya lapisan tersembunyi pada jaringan. Nilai MSE terendah
merupakan jaringan dengan hasil terbaik.
5.1.3 Perbandingan MSE (Mean Squared Error)
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
dibangun. Perbandingan dapat dilihat pada Tabel 5.1 berikut:

148
Tabel 5. 1 Perbandingan Mean Square Error
MODEL POLA MSE URUTAN
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
model keenam dengan arsitektur 3-8-1.
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
diimplementasikan pada sistem yang dirancang.

149
Berdasarkan hasil analisa data yang menunjukan bahwa arsitektur jaringan 3-
7-1 adalah model dengan arsitektur terbaik, maka model ini kemudian
diimplementasikan pada sistem yang dirancang. Penelitian ini mengimplementasikan
model terbaik dalam bentuk sebuah aplikasi berbasis web. Aplikasi ini nantinya akan
mampu mengklasifikasikan seorang anak termasuk kasus stunting atau tidak, dengan
mengimplementasikan perhitungan Jaringan Syaraf Tiruan Multilayer Perceptron.
5.2 Pengujian
Tahapan pengujian sistem merupakan tahap untuk mengetahui sistem berbasis
kecerdasan buatan siap untuk dioperasikan dan untuk mengetahui hubungan antar
komponen sistem. Langkah pertama yang harus dilakukan adalah dengan membuka
Google Chrome, kemudian masukan alamat link ini http://localhost/Skripsi-
AldhyErwin19101152630042/Codes/MultilayerPerceptron/ pada pencarian. Adapun
hasil pengujian sistem penentuan kasus stunting pada anak berbasis web adalah
sebagai berikut:
1. Tampilan Home Pengunjung Umum
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
Gambar 5.12 Home Pengunjung Umum
Tampilan ini diatas dapat dilihat oleh siapapun tanpa perlu melakukan login
terlebih dahulu. Tampilan ini akan langsung muncul ketika pengguna
mengakses tautan yang telah diberikan sebelumnya. Terdapat tombol Login
pada tampilan ini yang berguna untuk admin mengelola sistem.
2. Tampilan Form Login
Admin dapat mengolah setiap data yang terdapat pada sistem setelah
melakukan login. Login dapat dilakukan dengan me masukan nama pengguna
dan kata sandi pada form login. Adapun tampilan form login adalah sebagai
berikut:
Gambar 5.13 Form Login

151
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
mengulangi proses jika proses dinyatakan gagal.
3. Tampilan Halaman Dashboard Admin
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
dashboard admin adalah sebagai berikut:
Gambar 5.14 Halaman Dashboard Admin
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
menu untuk berpindah halaman dalam mempermudah pekerjaannya.
4. Tampilan Halaman Rekap Data
Tampilan ini merupakan sumber data yang ditampilkan pada halaman
dashboard admin. Halaman ini merupakan halaman dimana admin bisa me

152
masukan rekap data di setiap kecamatan. Adapun tampilan halaman rekap
data adalah sebagai berikut:
Gambar 5.15 Halaman Rekap Data
Halaman ini memungkinkan admin untuk merubah data yang sudah tersedia.
Admin dapat menekan tombol Perbaharui Data. Data terbaru akan tersimpan
dan akan di tampilan pada bagian halaman awal.
5. Tampilan Halaman Update Rekap Data
Halaman ini merupakan halaman dimana admin me masukan data yang
terbaru. Admin dapat me masukan anak sangat pendek, pendek, dan normal
dalam jumlah masing-masing pada halaman ini. Adapun tampilan halaman
update rekap data adalah sebagai berikut:
Gambar 5.16 Update Rekap Data

153
Admin dapat mengakses halaman ini setelah menekan tombol perbaharui data
pada halaman sebelumnya. Admin dapat menekan tombol simpan perubahan
ketika data terbaru telah dimasukan. Admin akan kembali ke halaman
sebelumnya ketika data di simpan maupun pembaruan dibatalkan dengan
menekan cancel.
6. Tampilan Halaman Data Profile
Halaman ini merupakan sumber data yang ditampilkan pada tampilan home
pengunjung umum. Halaman ini memungkinkan admin untuk memperbaharui
data profile Dinas Kesehatan Kab. Lima Puluh Kota sesuai dengan kebutuhan.
Adapun tampilan halaman data profile adalah sebagai berikut:
Gambar 5.17 Data Profile
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
dengan menekan tombol perbaharui profile.

154
7. Tampilan Halaman Update Data Profile
Halaman ini akan muncul ketika admin menekan tombol perbaharui profile
pada halaman sebelumnya. Admin dapat memperbaharui data profile pada
halaman ini. Adapun tampilan halaman rubah data profile adalah sebagai
berikut:
Gambar 5.18 Ubah Data Profile
Data lama akan muncul sebagai acuan bagi admin untuk bagian yang akan di
rubah. Perubahan akan tersimpan dan di perbaharui ketika admin menekan
tombol simpan pembaruan. Admin akan kembali pada halaman sebelumnya
jika telah menyimpan data atau membatalkan perubahan.
8. Tampilan Halaman Administrator Data
Tampilan ini menampilkan data yang berkaitan dengan admin yang akan
menjalankan aplikasi yang dibangun. Tampilan akan muncul saat admin
menekan tulisan Administrator pada menu bar. Adapun tampilan halaman
administrator data dapat dilihat pada gambar dibawah ini:

155
Gambar 5.19 Data Administrator
Tampilan halaman diatas merupakan tampilan dari halaman data admin.
Tampilan ini menampilkan beberapa informasi seputar admin seperti nama,
email, password, dan informasi lainnya. Data yang ditampilkan pada halaman
ini dapat diperbaharui sesuai kebutuhan admin.
9. Tampilan Halaman Tambah Data Administrator
Data administrator dapat ditambah sesuai kebutuhan. Tombol tambah data
akan mengarahkan admin pada tampilan tambah data administrator. Tampilan
tambah data administrator adalah sebagai berikut:
Gambar 5.20 Tambah Data Administrator

156
Data administrator dapat ditambahkan atau dengan kata lain admin dapat lebih
dari satu orang. Tampilan diatas merupakan tampilan dimana pengguna dapat
menambahkan data baru dari seorang admin. Setelah menambahkan data
admin yang baru, admin akan otomatis kembali pada halaman data
administrator.
10. Tampilan Halaman Edit Data Administrator
Data administrator yang sudah dimasukan juga bisa diperbaharui.
Pembaharuan data dapat dilakukan dengan klik tombol edit. Tampilan
pembaruan data administrator dapat dilihat sebagai berikut:
Gambar 5.21 Edit Data Administrator
Halaman diatas merupakan halaman dimana admin dapat memperbaharui data
administrator. Halaman diatas dapat muncul ketika admin menekan tombol
edit pada halaman data administrator. Admin akan kembali ke halaman data
administrator setelah admin menyimpan atau membatalkan perubahan.
11. Tampilan Halaman Stunting Status Data

157
Tampilan ini akan menampilkan data status stunting yang telah di masukan
oleh admin. Tampilan ini terdiri dari beberapa data yang berkaitan dengan
analisa status stunting. Tampilan dapat dilihat sebagai berikut:
Gambar 5.22 Stunting Status Data
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
halaman ini seperti normalisasi data, klasifikasi, edit, dan hapus.
12. Tampilan Halaman Tambah Data Stunting Status Data
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
Gambar 5.23 Tambah Data Stunting Status Data
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
stunting data setelah admin menekan tombol simpan atau membatalkan
penambahan data.
13. Tampilan Halaman Edit Data Stunting
Tampilan ini adalah tampilan yang akan muncul saat tombol edit pada
tampilan stunting data di klik. Tampilan ini merupakan tampilan yang
memungkinkan admin untuk merubah data stunting yang sudah dimasukan
sebelumnya. Tampilan dapat dilihat pada gambar berikut:

159
Gambar 5.24 Edit Data Stunting
Kesalahan dalam me masukan data kasus dapat diperbaiki dan diubah.
Perubahan dapat dilakukan dengan klik tombol edit pada halaman data kasus
Stunting. Data asal akan ditampilkan pada bagian edit sebagai acuan bagi
admin dalam merubah data.
14. Tampilan Halaman Stunting Normalisasi Status Data
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
stabilisasi melalui proses normalisasi, tanpa aksi apapun didalamnya.
Tampilan dapat dilihat pada gambar berikut:

160
Gambar 5.25 Stunting Normalisasi Status Data
Halaman normalisasi menampilkan data yang merupakan hasil perhitungan
normalisasi dari data yang telah di masukan sebelumnya. Tampilan ini
menunjukan variabel apa saja yang digunakan dan di normalisasi kan oleh
sistem. Admin dapat kembali ke halaman sebelumnya dengan menekan
tombol kembali.
15. Tampilan Halaman Klasifikasi
Halaman ini akan menampilkan bobot dan bias yang digunakan palda
perhitungan menggunakan MLP. Halaman ini juga akan menunjukan langkah-
langkah perhitungan dengan metode MLP. Adapun tampilan halaman
klasifikasi adalah sebagai berikut:

161
Gambar 5.26 Klasifikasi
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
kembali pada halaman sebelumnya dengan menekan tombol kembali.
16. Tampilan Halaman Report
Tampilan ini menunjukan hasil analisa dalam bentuk tulisan atau kata.
Halaman klasifikasi menunjukan hasil analisa dalam angka, sehingga untuk
mudah dipahami oleh pengguna, maka halaman ini dibangun dengan
menggunakan kata bukan tulisan. Adapun tampilan halaman report adalah
sebagai berikut:
162
Gambar 5.27 Report
Halaman ini memiliki aksi cetak untuk dapat memberikan keluaran dari
sistem. Tampilan pada halaman ini merupakan hasil perhitungan angka yang
dikembalikan dalam bentuk kata dengan melalui proses denormalisasi. Admin
dapat kembali pada halaman sebelumnya dengan menggunakan menu bar.
17. Tampilan Halaman Cetak Laporan
Tampilan ini merupakan tampilan yang akan muncul ketika tombol cetak
diklik. Tampilan ini merupakan keluaran akhir dari sistem yang dibangun.
Tampilan dapat dilihat pada gambar berikut:

163
Gambar 5.28 Cetak
Halaman ini merupakan halaman yang akan muncul ketika admin klik tombol
cetak. Tampilan akan berupa pre-view laporan sebelum kemudian laporan
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
dapat diambil kesimpulan sebagai berikut:
1. Model Jaringan Syaraf Tiruan yang dirancang dan dibangun mampu
memodelkan proses penentuan kasus Stunting pada anak di Kab. Lima Puluh
Kota. Hasil tersebut telah diuji menggunakan 6 model Jaringan Syaraf Tiruan.
Hasil pengujian tersebut menghasilkan model terbaik dengan arsitektur 3-7-1
dalam penentuan kasus Stunting.
2. Penerapan dengan metode Multilayer Perceptron (MLP) pada Jaringan Syaraf
Tiruan (JST) mampu menentukan kasus Stunting pada anak di Kab. Lima
Puluh Kota. Hasil pengujian menunjukan penerapan MLP pada JST mampu
mengklasifikasikan 39 kasus dari 40 kasus dengan tepat.
3. Jaringan Syaraf Tiruan dengan metode Multilayer Perceptron (MLP) yang
diimplementasikan pada sebuah sistem yang dibangun dengan pemrograman
berbasis web mampu menghasilkan sebuah sistem yang dapat mempermudah
Dinas Kesehatan Kab. Lima Puluh Kota dalam membuat keputusan untuk
164
melihat angka kasus Stunting serta dapat menekan laju angka kasus Stunting
yang terjadi pada periode berikutnya.
6.2 Keterbatasan Sistem
Jaringan Syaraf Tiruan dengan metode Multilayer Perceptron telah berhasil
diimplementasikan kedalam sebuah sistem berbasis kecerdasan buatan dalam
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
untuk status gizi lainnya.
2. Sistem ini bersifat internal dan tidak untuk dipublikasikan secara luas untuk
pengguna yang lebih banyak.
3. Sistem yang dibangun hanya untuk menentukan kasus Stunting dan tidak
memberikan solusi untuk penyelesaian kasus Stunting yang terjadi.
6.3 Saran
Kekurangan yang terdapat pada penelitian untuk menentukan kasus Stunting
dengan metode Multilayer Perceptron berbasis web ini tentu dapat diperbaiki dan
disempurnakan. Adapun saran yang dapat diberikan untuk penelitian selanjutnya

165
1. Penentuan kasus Stunting dengan menggunakan Jaringan Syaraf Tiruan,
selanjutnya diharapkan dapat menggunakan metode yang berbeda atau
mengkombinasikan beberapa metode untuk mendapatkan hasil yang lebih
maksimal.
2. Aplikasi yang dibangun dapat dikembangkan pada cakupan yang lebih luas
baik cakupan daerah seperti di tingkat provinsi dan nasional, maupun cakupan
pengguna, agar masyarakat umum juga bisa menggunakan aplikasi yang
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
Aliman, W. (2021). Perancangan Perangkat Lunak untuk Menggambar Diagram Berbasis

Android. Syntax Literate ; Jurnal Ilmiah Indonesia, 6(6), 3091–3098.
https://doi.org/10.36418/SYNTAX-LITERATE.V6I6.1404
Amin, M. (2022). Bahasa Query Menggunakan MySQL. https://books.google.co.id/books?

hl=id&lr=&id=FnZ_EAAAQBAJ&oi=fnd&pg=PR7&dq=tipe+data+di+mysql&ots=
Tv_6BMZWpn&sig=zQRS1lZY39TRJFagpTk76ilf3pk&redir_esc=y#v=onepage&q
=tipe%20data%20di%20mysql&f=false
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
Ditauli Lubis, A. (2020). PEMBERDAYAAN KADER KESEHATAN MELALUI

PENYULUHAN DAN PELATIHAN “GOLDEN AGE PERIOD FOR GOLDEN
GENERATION SEBAGAI UPAYA PENINGKATAN KUALITAS BANGSA”
PADA KADER KESEHATAN DI WILAYAH PUSKESMAS PANGKALAN
LADA PANGKALAN BUN. Jurnal Borneo Cendekia, 4(1), 31–33.
Fadlyansyah, M. H. (2020). ANALISIS KONVENSI HAK ANAK DALAM MENJAMIN

PERLINDUNGAN KESEHATAN ANAK DI INDONESIA (STUNTING). INICIO
LEGIS, 1(1). https://journal.trunojoyo.ac.id/iniciolegis/article/view/8825
Fauzan, M. N. (2020). IMPLEMENTASI ARTIFICIAL NEURAL NETWORK MULTI

LAYER PERCEPTRON PADA DIAGNOSIS PENYAKIT KUCING BERBASIS
ANDROID. Jurnal Teknik Informatika, 12(2), 29–33.
https://ejurnal.poltekpos.ac.id/index.php/informatika/article/view/872
Firmansyah, A. (2020). Pengaruh Perhatian Orang Tua Terhadap Peningkatan Akhlak

Anak. Alim | Journal of Islamic Education, 2(1), 139–150.
https://doi.org/10.51275/alim.v2i1.174
Fitri, R. (2022). Pemrograman Basis Data Menggunakan MySQL.

https://books.google.co.id/books?
hl=id&lr=&id=y9kZEAAAQBAJ&oi=fnd&pg=PP1&dq=basis+data+adalah&ots=3_
oUnfmRbR&sig=rsY1IZpa9i07RQzg0COED8ENPMI&redir_esc=y#v=onepage&q=
basis%20data%20adalah&f=false
Guzmaliza, D. (2019). perangkat lunak bantu administrasi keuangan sekolah tinggi
teknologi pagar alam dengan PHP dan MySQL. Jurnal Ilmiah Betrik, 10(01), 28–37.
https://doi.org/10.36050/betrik.v10i01.24
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
Hidayat, T. (2020). MODEL KLASIFIKASI JARINGAN SARAF TIRUAN UNTUK

MENENTUKAN STATUS GIZI PADA BALITA DENGAN METODE LVQ
(LEARNING VECTOR QUANTIZATION) STUDI KASUS PUSKESMAS DI
KABUPATEN TANGERANG. Jutis (Jurnal Teknik Informatika), 4(2), 51–56.
https://doi.org/10.33592/JUTIS.V4I2.401
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
Lubis, M. R. (2018). ANALISIS JARINGAN SARAF TIRUAN BACKPROPGATION

UNTUK PENINGKATAN AKURASI PREDIKSI HASIL PERTANDINGAN
SEPAKBOLA. TECHSI - Jurnal Teknik Informatika, 10(1), 50–62.
https://doi.org/10.29103/TECHSI.V10I1.560
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
Masitha Arsyati, A. (2019). PENGARUH PENYULUHAN MEDIA AUDIOVISUAL

DALAM PENGETAHUAN PENCEGAHAN STUNTING PADA IBU HAMIL DI
DESA CIBATOK 2 CIBUNGBULANG. In PROMOTOR Jurnal Mahasiswa
Kesehatan Masyarakat (Vol. 2, Issue 3).
http://ejournal.uika-bogor.ac.id/index.php/PROMOTOR
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
Mubarak, A. (2019). RANCANG BANGUN APLIKASI WEB SEKOLAH

MENGGUNAKAN UML (UNIFIED MODELING LANGUAGE) DAN BAHASA
PEMROGRAMAN PHP (PHP HYPERTEXT PREPROCESSOR) BERORIENTASI
OBJEK. JIKO (Jurnal Informatika Dan Komputer), 2(1), 19–25.
https://doi.org/10.33387/jiko.v2i1.1052
Muddin, M. I. U., Soedibyo, D. W., & Wahyuningsih, S. (2019). Identifikasi Varietas

Benih Jagung (Zea Mays L.) Menggunakan Pengolahan Citra Digital Berbasis
Jaringan Syaraf Tiruan. Teknika, 8(2), 78–85.
https://doi.org/10.34148/teknika.v8i2.173
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
Novandra, G., Nafâ€TMan, M. Z., & Laksana, T. G. (2018). PERANCANGAN APLIKASI

ANDROID IDENTIFIKASI TANDA TANGAN MENGGUNAKAN MULTI
LAYER PERCEPTRON. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran
Informatika), 3(1). https://doi.org/10.29100/JIPI.V3I1.660
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
Pintauli, P. (2020). Implementasi Diagnosa Penyakit Panleukopenia Pada Kucing Dengan

Menggunakan Jaringan Saraf Tiruan Multi Layer Perceptron (Studi Kasus:Clinic
Sasmita Pet Shop). Informasi Dan Teknologi Ilmiah (INTI), 7(3), 275–278.
http://ejurnal.stmik-budidarma.ac.id/index.php/inti/article/view/2402
Prambudi, D. A., & Febrianti, N. (2022). PENERAPAN ARTIFICIAL NEURAL

NETWORK PADA PROTOTYPING SISTEM MONITORING KUALITAS AIR DI
KOTA BALIKPAPAN UNTUK MENDUKUNG BALIKPAPAN SEBAGAI
SMART CITY. Jurnal Teknologi Informasi: Jurnal Keilmuan Dan Aplikasi Bidang
Teknik Informatika, 16(1), 30–38.
https://e-journal.upr.ac.id/index.php/JTI/article/view/3745
Pravitria, A. A. (2018). ANAK YANG BERKONFLIK DENGAN HUKUM YANG

MELAKUKAN PEMERKOSAAN TERHADAP ANAK. Media Iuris, 1(3), 401–
419. https://doi.org/10.20473/mi.v1i3.10158
Priyatna, R. D., & Syahputra, M. R. (2021). ANALISI NILAI PRODUKSI PADA PT

INTAN PARIWARA MEDAN MENGGUNAKAN MULTILAYER
PERCEPTRON NEURAL NETWORK. Jurnal Sintaksis, 3(1), 56–64.
http://jurnal.stkipalmaksum.ac.id/index.php/Sintaksis/article/view/175
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, A. B. (2019). Perancangan dan Pembangunan Sistem Informasi E-Learning

Berbasis WEB (Studi Kasus Pada Madrasah Aliyah Kare Madiun)). Prosiding
Seminar Nasional Teknologi Informasi Dan Komunikasi (SENATIK), 2(1), 81–85.
http://prosiding.unipma.ac.id/index.php/SENATIK/article/view/1078
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
Rahmasari, T. (2019). Perancangan Sistem Informasi Akuntansi Persediaan Barang

Dagang Pada Toserba Selamat Menggunakan Php Dan Mysql. Is The Best
Accounting Information Systems and Information Technology Business Enterprise
This Is Link for OJS Us, 4(1), 411–425. https://doi.org/10.34010/aisthebest.v4i1.1830
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
Ramadhan, D. F., Noertjahjono, S., & Irawan, J. D. (2020). PENERAPAN CHATBOT

AUTO REPLY PADA WHATSAPP SEBAGAI PUSAT INFORMASI
PRAKTIKUM MENGGUNAKAN ARTIFICIAL INTELLIGENCE MARKUP
LANGUAGE. JATI (Jurnal Mahasiswa Teknik Informatika), 4(1), 198–205.
https://doi.org/10.36040/JATI.V4I1.2375
Ramadhan, M. J., Pontoh, R. S., & Faidah, D. Y. (2022). Penerapan Artificial Neural
Network Pada Peramalan Curah Hujan Di Bandara Internasional Minangkabau.
Prosiding Seminar Nasional Statistika Aktuaria | Departemen Statistika FMIPA
Universitas Padjadjaran, 1, 109–116. https://doi.org/10.1234/SNSA.V1I.270
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
Riyanto, U. (2018a). PENERAPAN ALGORITMA MULTILAYER PERCEPTRON

(MLP) DALAM MENENTUKAN KELAYAKAN KENAIKAN JABATAN: STUDI
KASUS PT. ABC - JAKARTA. JIKA (Jurnal Informatika), 2(1).
https://doi.org/10.31000/JIKA.V2I1.5481
Riyanto, U. (2018b). PENERAPAN ALGORITMA MULTILAYER PERCEPTRON

(MLP) DALAM MENENTUKAN KELAYAKAN KENAIKAN JABATAN: STUDI
KASUS PT. ABC - JAKARTA. JIKA (Jurnal Informatika), 2(1).
https://doi.org/10.31000/JIKA.V2I1.5481
Sabilla, W. I., Vista, C. B., & Hormansyah, D. S. (2022a). Implementasi Multilayer

Perceptron Untuk Memprediksi Harapan Hidup Pada Pasien Penyakit
Kardiovaskular. J-SAKTI (Jurnal Sains Komputer Dan Informatika), 6(1), 57–68.
https://doi.org/10.30645/J-SAKTI.V6I1.425
Sabilla, W. I., Vista, C. B., & Hormansyah, D. S. (2022b). Implementasi Multilayer

Perceptron Untuk Memprediksi Harapan Hidup Pada Pasien Penyakit
Kardiovaskular. J-SAKTI (Jurnal Sains Komputer Dan Informatika), 6(1), 57–68.
https://doi.org/10.30645/J-SAKTI.V6I1.425
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
Sihombing, E. N. A. M., Yusrizal, M., & Syaputra, A. (2020). Implementasi Penggunaan

Kecerdasan Buatan dalam Pembentukan Peraturan Daerah. Jurnal Ilmiah Kebijakan
Hukum, 14(3), 419–434. https://doi.org/10.30641/KEBIJAKAN.2020.V14.419-434
Silitonga, S. Y. (2020a). Implementasi Metode Multilayer Perceptron Untuk Mengetahui
Produktivitas Buruh Pabrik (Studi Kasus: PT. Sinar Mas Agro Resources And
Technology Tbk). Pelita Informatika: Informasi Dan Informatika, 8(4), 423–429.
http://ejurnal.stmik-budidarma.ac.id/index.php/pelita/article/view/1993
Silitonga, S. Y. (2020b). Implementasi Metode Multilayer Perceptron Untuk Mengetahui

Produktivitas Buruh Pabrik (Studi Kasus: PT. Sinar Mas Agro Resources And
Technology Tbk). Pelita Informatika: Informasi Dan Informatika, 8(4), 423–429.
http://ejurnal.stmik-budidarma.ac.id/index.php/pelita/article/view/1993
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
Victorious Ermanto, Y., & Wahyuningsih, Y. (2020). PENERAPAN ARTIFICIAL

NEURAL NETWORKS DALAM PEMBUATAN SISTEM IDENTIFIKASI
GENRE MUSIK. Computer Science and Informatics Journal, 5(1), 45–59.
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
Lampiran 2. Kartu Bimbingan Skripsi Pembimbing II

Lampiran 3. Kartu Rencana Studi (KRS)
Lampiran 4. Bukti Penerimaan Judul Skripsi
Lampiran 5. Izin Penelitian di Dinas Kab. Lima Puluh Kota

Laporan Skripsi (Aldhy Erwin - 19101152630042)

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Laporan Skripsi (Aldhy Erwin - 19101152630042)

Diunggah oleh

Hak Cipta:

Format Tersedia

ARTIFICIAL NEURAL NETWORK MULTILAYER PERCEPTRON UNTUK

PENENTUAN KASUS STUNTING PADA ANAK BERBASIS WEB

Diajukan Untuk Memenuhi Sebagian Persyaratan

Mencapai Gelar Sarjana Komputer

Program Studi : Teknik Informatika

Jenjang Pendidikan : Strata 1

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER

UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG

Saya yang bertanda tangan dibawah ini :

Nama : Aldhy Erwin

Fakultas : Ilmu Komputer

Jurusan : Teknik Informatika

dengan kaidah penulisan ilmiah.

2. Jika dalam pembuatan skripsi secara keseluruhan ternyata terbukti dibuatkan

berupa pembatalan skripsi dan mengulang penelitian serta mengajukan judul

Padang, Februari 2023

ARTIFICIAL NEURAL NETWORK MULTILAYER PERCEPTRON UNTUK

PENENTUAN KASUS STUNTING PADA ANAK BERBASIS WEB

Yang dipersipakan dan disusun oleh

Telah Memenuhi Persyaratan Untuk Dipertahankan Didepan Dewan Penguji

Pada Ujian Komprehensif

Padang, Januari 2023

(Dr. Yuhandri, S.Kom., M.Kom,) (Musli Yanto, S.Kom., M.Kom,)

NIDN: 1015057301 NIDN : 1007078901

ARTIFICIAL NEURAL NETWORK MULTILAYER PERCEPTRON UNTUK

Skripsi ini ini telah dinyatakan LULUS oleh

1. Eka Praja Wiyata Mandala, S.Kom, M.Kom ………………….

2. Deby Erdriani, S.Si, M.Pd ………………….

Padang, Maret 2023

(Dr. Yuhandri, S.Kom, M.Kom)

ARTIFICIAL NEURAL NETWORK MULTILAYER PERCEPTRON UNTUK

Yang dipersiapkan dan disusun oleh

Yang telah dipertahankan di depan Dewan Penguji

Pada tanggal 28 Februari 2023

Dan dinyatakan telah lulus

(Dr. Yuhandri, S.Kom., M.Kom,) (Musli Yanto, S.Kom., M.Kom,)

Padang, Maret 2023

(Dr. Yuhandri, S.Kom, M.Kom)

Artificial intelligence is a field of computer science that is able to imitate and

Keywords: Artificial Neural Network, Stunting, Multilayer Perceptron, PHP,

Kecerdasan buatan atau Artificial Intelligence merupakan suatu bidang ilmu

Kata Kunci : Jaringan Syaraf Tiruan, Stunting, Multilayer Perceptron, PHP,

sehingga penulis dapat menyelesaikan skripsi ini yang berjudul “ARTIFICIAL

NEURAL NETWORK MULTILAYER PERCEPTRON UNTUK

PENETUAN KASUS STUNTING PADA ANAK BERBASIS WEB“ Hasil

pihak-pihak yang membutuhkan.

Penulisan skripsi ini bertujuan untuk memperoleh gelar Sarjana Komputer

Perguruan Tinggi Komputer (YPTK) Padang.

Putra Indonesia “YPTK” Padang.

3. Bapak Dr. Yuhandri, S.Kom, M.Kom. selaku Dekan Fakultas Ilmu

Komputer Universitas Putra Indonesia “YPTK” Padang dan selaku dosen

Pembimbing I yang telah begitu banyak memberikan pengetahuan dan arahan

serta meluangkan waktunya selama penyusunan skripsi ini.

Studi Teknik Informatika Universitas Putra Indonesia “YPTK” Padang.

6. dosen Pembimbing II yang telah begitu banyak memberikan pengetahuan dan

arahan serta berkenan meluangkan waktunya dalam penyusunan skripsi ini.

Indonesia “YPTK” Padang.

membantu penulis dalam melakukan penelitian ini serta sudah bersedia

membimbing saya dan menjadi responden saya dalam melakukan penelitian

Penulis menyadari bahwa masih banyak terdapat kesalahan dan kekurangan

Padang, Februari 2023

LEMBAR PERSETUJUAN PEMBIMBING.........................................................iii

LEMBAR PENGESAHAN PENGUJI SIDANG SKRIPSI..................................iv