PENENTUAN STATUS GIZI BALITA MENGGUNAKANLEARNING VECTOR QUANTIZATION DAN IMBALANCED DATA

Triyanto, Ade Yuni and Kusumaningrum, Retno (2015) PENENTUAN STATUS GIZI BALITA MENGGUNAKANLEARNING VECTOR QUANTIZATION DAN IMBALANCED DATA. Undergraduate thesis, Universitas Diponegoro.

[img]
Preview
PDF
Available under License Creative Commons Attribution Non-commercial Share Alike.

537Kb

Abstract

Anak dibawah usia lima tahun (balita) memerlukan suatu pengawasan khusus, dikarenakan pada masa-masa tersebut balita rentan terhadap serangan penyakit dan kekurangan gizi. Status gizi balita merupakan salah satu indikator kesehatan seorang balita. Penentuan status gizi balita di Indonesia pada umumnya menggunakan Kartu Menuju Sehat (KMS). KMS tersebut terbagi menjadi dua jenis kartu, yaitu kartu untuk laki-laki dan perempuan. Sehingga terdapat perbedaan penentuan status gizi balita untuk tiap jenis kelamin. Penelitian ini bertujuan untuk membangun model jaringan syaraf tiruan menggunakan algoritma Learning Vector Quantization (LVQ), sehingga dapat mengenali pola dan mampu mengklasifikasikan status balita ke dalam gizi lebih, baik, rentan, dan kurang. Atribut-atribut yang digunakan dalam klasifikasi ini adalah jenis kelamin, umur, berat badan, dan tinggi badan. Data yang digunakan dalam penelitian ini adalah data gizi balita berumur dibawah lima tahun (0-60 bulan) sebanyak 612 terdiri dari 38 data gizi lebih, 491 data gizi baik, 63 gizi rentan, dan 20 data gizi kurang, data tersebut bersifat imbalanced data. Penanganan imbalanced data pada penelitian ini menggunakan teknik sampling undersampling dan oversampling. Dari hasil penelitian ini model yang memberikan kinerja klasifikasi terbaik adalah model hybrid yaitu gabungan antara rule base dan LVQ, yaitu jika balita berjenis kelamin laki-laki maka akan mengambil bobot akhir pada arsitektur LVQ terbaik laki-laki dan sebaliknya, jika balita berjenis kelamin perempuan maka akan mengambil bobot akhir pada arsitektur LVQ terbaik perempuan. Pada arsitektur terbaik laki-laki menggunakan bobot awal nilai dari hasil proses k-means clustering, dengan laju perubahan adalah 0.1 dan eps adalah 0.001. Arsitektur tersebut menghasilkan nilai akurasi sebesar 81.25%. Sedangkan pada perempuan menggunakan bobot random, dengan laju perubahan adalah 0.1 dan eps adalah 0.1. Arsitektur tersebut menghasilkan nilai akurasi sebesar 61.25%.

Item Type:Thesis (Undergraduate)
Subjects:Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Q Science > QA Mathematics > QA76 Computer software
Divisions:Faculty of Science and Mathematics > Department of Computer Science
ID Code:59428
Deposited By:Mrs. Rismiyati .
Deposited On:17 Jan 2018 08:20
Last Modified:17 Jan 2018 08:20

Repository Staff Only: item control page