IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING DALAM MENENTUKAN BERAT BADAN IDEAL
IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING
DALAM MENENTUKAN BERAT BADAN IDEAL
SKRIPSI
OLEH
DESFA MAULANI
061401072
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER & TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2013
IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING
DALAM MENENTUKAN BERAT BADAN IDEALSKRIPSI
Diajukan untuk melengkapi tugas guna memenuhi syarat mencapai gelar
Sarjana Komputer
DESFA MAULANI
061401072
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER & TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2013
PERSETUJUAN
Judul : IMPLEMENTASI ALGORITMA K-MEANS
BADAN IDEAL Kategori : SKRIPSI Nama : DESFA MAULANI NomorIndukMahasiswa : 061401072 Program Studi : SARJANA (S1) ILMU KOMPUTER Departemen : ILMU KOMPUTER Fakultas : ILMU KOMPUTER &
TEKNOLOGI INFORMASI (FASILKOM-TI) UNIVERSITAS SUMATERA UTARA Diluluskan di Medan, 21 Agustus 2013
Komisi Pembimbing : Pembimbing 2 Pembimbing 1 Maya Silvi Lydia, BSc, MSc. Prof. Dr. Muhammad Zarlis, MSc.
NIP. 197401272002122001 NIP. 195707011986011003 Disetujuioleh Program Studi S1 IlmuKomputer Ketua, Dr. Poltak Sihombing, M.Kom.
NIP.196203171991031001
PERNYATAAN
IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING DALAM MENENTUKAN BERAT BADAN IDEAL SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, 21 Agustus 2013 Desfa Maulani 061401072
PENGHARGAAN
Alhamdulillahirobbil’alamin penulis ucapkan kepada Sang Khaliq Allah SWT yang telah melimpahkan rahmat dan karunia-Nya sehingga skripsi ini berhasil diselesaikan dalam waktu yang telah ditetapkan.
Skripsi ini merupakan salah satu syarat yang wajib diselesaikan guna meraih gelar Sarjana Komputer pada jurusan S1 Ilmu Komputer Universitas Sumatera Utara. Adapun judul yang diangkat penulis dalam skripsi ini adalah Implementasi Algoritma
K-Means Clustering Dalam Menentukan Berat Badan Ideal. Tidak dapat dipungkiri
bahwa dalam penyelesaian skripsi ini tidak luput dari campur tangan banyak pihak yang telah memberikan bantuan dan motivasi bagi penulis. Maka, dalam kesempatan ini, penulis mengucapkan terima kasih kepada: 1.
Rektor Universitas Sumatera Utara, Bapak Prof. Dr. dr. Syahril Pasaribu, D.T.M.&H, M.Sc. (C.T.M), Sp.A.(K.).
2. Dekan Fakultas Ilmu Komputer dan Teknologi Informasi USU, Bapak Prof. Dr.
Muhammad Zarlis, M.Kom dan juga selaku Dosen Pembimbing I yang telah memberikan panduan dan penuh kepercayaan kepada penulis untuk menyelesaikan skripsi ini.
3. Ketua Program Studi S1 Ilmu Komputer, Bapak Dr. Poltak Sihombing, M.Kom dan juga selaku Dosen Penguji I yang telah memberikan kritikan, saran, dan masukan kepada saya untuk menyelesaikan skripsi ini.
4. Sekretaris Program Studi S1 Ilmu Komputer, Ibu Maya Silvi Lydia, B.Sc, M.Sc.dan juga selaku Dosen Pembimbing II yang telah memberikan panduan dan penuh kepercayaan kepada penulis untuk menyelesaikan skripsi ini.
5. Bapak Sajadin Sembiring, S.Si, MS.Comp.selaku dosen penguji II yang telah memberikan panduan ringkas, padat dan profesional kepada penulis guna menyempurnakan skripsi ini.
6. Dekan dan Pembantu Dekan Fakultas Ilmu Komputer & Teknologi Informasi (FASILKOM-TI) beserta para pegawai/staf S1 Ilmu Komputer.
7. Keluarga tercinta, Ayahanda RochimRivai H dan Ibunda Laily Farida, Riza Shafa, dan Ricca Medina, S.E. serta Muhammad Fauza Rahman dan Aisyah Firzi Shafa yang selalu memberikan doa, dukungan, perhatian, kasih sayang yang tulus, pengorbanan yang tidak ternilai harganya serta dukungan moril maupun materil selama kehidupan penulis.
8. Suami tercinta Said Farid Arafat Al-Idrus, S.T. yang selalu memberikan doa, perhatian, kasih sayang, motivasi dan semangat yang luar biasa bagi penulis.
9. Rekan kerja di Media Cetak dan Online Aplaus the Lifestyle – Analisa Group, sekaligus sahabat terbaik, Yunita Nasution S.Sos., Erlinawati Koto S.Sos., Dyah Khalid, S.Hum, Souchi Juneda Rambe S. Kom, dan lainnya yang selama ini telah berbagi doa, semangat, suka maupun duka dengan penulis, serta sahabat-sahabat lain yang pernah mengisi perjalanan hidup penulis yang tidak dapat disebutkan satu per satu.
10. Teman-teman seperjuangan, mahasiswa S1 Ilmu Komputer stambuk 2006 dan 2007 yang telah banyak berbagi ilmu, memberikan bantuan, saran, kritikan, semangat, inspirasi, dukungan serta mewarnai kenangan selama masa kuliah yang tak akan terlupakan bagi penulis.
11. Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat penulis ucapkan satu per satu yang telah membantu penyelesaian skripsi ini.
Semoga Allah SWT memberikan limpahan karunia kepada semua pihak yang telah memberikan bantuan, perhatian serta kerjasamanya kepada penulis dalam menyelesaikan tugas akhir ini.
Penulis menyadari bahwa dalam penyelesaian skripsi ini masih jauh dari sempurna. Untuk itu penulis sangat mengharapkan kritik dan saran yang membangun guna penyempurnaan di masa mendatang.
Akhirnya penulis berharap semoga skripsi ini dapat bermanfaat bagi pribadi penulis, keluarga, masyarakat, organisasi dan negara.
Medan, 21 Agustus 2013 Desfa Maulani ABSTRAK Memperhatikan kesehatan merupakan hal sangat penting yang harus dilakukan secara rutin diantaranyaadalah berat badan. Berat badan yang ideal umumnya dapat diukur dengan formula tinggi badan dalam satuan sentimeter dikurangi dengan berat badan. Dengan berkembangnya ilmu kesehatan maka formula diatas tidak sesuai lagi. Untuk menentukan kriteria berat badan dilakukan perhitungan body mass index (BMI), ukuran kerangka pasien serta kebutuhan kalori harian pasien berdasarkan usia dan aktifitas harian pasien tersebut. Apabila seseorang telah mengetahui nilai BMI- nya, orangtersebut dapat mengontrol berat badan sehingga dapat mencapai berat badan normal yang sesuai dengan tinggibadan. Sedangkan dengan mengetahui nilai ukuran kerangka dan nilai kebutuhan kalori harian orang tersebut maka dapat mengontrol asupan gizi yang dikonsumsi. Pada penelitian ini, penulis mencoba membangun suatu sistem untuk mengelompokkan data yang adaberdasarkan usia, jenis kelamin dan ukuran rangkanya dengan memasukkan parameter kondisi fisik dari orang tersebut.Pengelompokkan data dilakukan dengan menggunakan metode K-Means Clustering yaitu denganmengelompokkan n buah objek ke dalam k kelas berdasarkan jaraknya dengan pusat kelas.
Kata kunci : K-Means Clustering, Berat Badan Ideal, Kalori Harian, Basal Metabolic
Rate
IMPLEMENTATION OF K-MEANS CLUSTERING ALGORITHM TO
DETERMINE IDEAL WEIGHT
ABSTRACT
Attention to health is very important to be done on a regular basis such as weight loss.The ideal body weight can generally be measured by the formula height in centimeters minus the weight. With the development of medical science the above formula does not fit anymore. To determine the weight criteria for calculating body mass index (BMI), a measure of the patient as well as the framework of the daily caloric needs of patients by age and the patient's daily activities. If someone already knows the value of BMI, the person can control your weight so as to achieve a normal weight according to height. While knowing the value of frame size and value of the person's daily calorie needs, it can control the intake of nutrients consumed. In this study, the authors tried to establish a system to classify data by age, sex and size of the frame by inserting the parameters of the physical condition of the person. Clustering of data is done using K-Means clustering method is by classifying n objects into k classes based on the distance to the center of the class.
Keywords: K-Means Clustering, Ideal Body Weight, Daily Calorie, Basal Metabolic Rate
Halaman
Persetujuan ii
Pernyataan iii
Penghargaan iv
Abstrak vi
Abstract vii
Daftar Isi viii
Daftar Tabel xi
Daftar Gambar xii
Bab 1 Pendahuluan
1.1
1 Latar Belakang
1.2
2 Rumusan Masalah
1.3
2 Batasan Masalah
1.4
3 Tujuan Penelitian
1.5
3 Manfaat Penelitian
1.6
3 Metodologi Penelitian
1.7
4 Sistematika Penulisan
Bab 2 Landasan Teori
2.1
5 Clustering
2.2
5 Data Clustering
2.2.1 Perkembangan Penerapan K-Means
6
2.2.1.1 Distance Space untuk Menghitung Jarak Antara Data dan Centroid
7
2.2.1.2 Metode Pengalokasian Ulang Data ke Dalam Masing-Masing Cluster
8
2.2.1.3 Objective Function yang Digunakan
9
2.3
10 Beberapa Permasalahan yang Terkait dengan K-Means
2.4
13 K-Means untuk Data yang Mempunyai Bentuk Khusus
2.5
14 Berat Badan Ideal
2.5.1 Ukuran Kerangka
16
2.5.2 BMI (Body Mass Index)
17
2.5.3 BMR (Basal Metabolic Rate)
18
2.5.4 Mamfaat Mengetahui BMI & BMR
20
2.6
21 PenelitianTerkait Bab 3 Analisis dan Perancangan
3.1 Analisis
54 Bab 4 Implementasi dan Pengujian Sistem
57
4.1.2 Tampilan Login
56
4.1.1 Tampilan Menu Utama
56
4.1 Implementasi
56
3.2.6.9 Rancangan About
58
53
3.2.6.8.4 Rancangan Data UK
53
3.2.6.8.3 Rancangan Data BMI
52
3.2.6.8.2 Rancangan Data Pasien
51
3.2.6.8.1 Rancangan Data Admin
4.1.3 Tampilan Menu Pengukuran Manual
4.1.4 Tampilan Data User
3.2.6.8 Rancangan Inisial Data
62
4.2.3 Tampilan Hasil Laporan Akhir Pengujian
64
4.2.2 Tampilan Hasil Pengujian K-Mean Clustering Pada Iterasi Terakhir
64
4.2.1 Tampilan Hasil Pengujian K-Means Clustering Tiap Iterasi
63
4.2 Pengujian Sistem
4.1.9 Tampilan About
59
62
4.1.8 Tampilan Menu K-Mean Clustering
61
4.1.7 Tampilan Data Ukuran Kerangka
60
4.1.6 Tampilan Data BMI
60
4.1.5 Tampilan Data Pasien
51
51
22
27
3.2.2 Data Flow Diagram Level 0
37
3.2.1 Diagram Konteks Clustering
36
3.2 Perancangan
35
3.1.6 Flowchart Sistem
3.1.5 Perhitungan Iterasi
3.2.3 Data Flow Diagram Level 1 Proses K-Means Clustering
26
3.1.4 Perhitungan Kebutuhan Kalori Harian
26
3.1.3 Perhitungan BMR
26
3.1.2 Perhitungan Nilai UK
25
3.1.1 Perhitungan Nilai BMI
37
38
3.2.6.7 Laporan Akhir
3.2.6.3 Rancangan Pengukuran Manual
50
3.2.6.6 Rancangan Cek Cluster Tiap Iterasi
50
3.2.6.5 Rancangan Pusat Cluster Tiap Iterasi
48
3.2.6.4 Rancangan K-Means Clustering
48
47
3.2.4 Perancangan Database
3.2.6.2 Rancangan Login
47
3.2.6.1 Rancangan Menu Utama
46
3.2.6 Rancangan Antarmuka (Interface)
46
3.2.5 Relasi Antar Tabel
40
65 Bab 5 Kesimpulan dan Saran
5.1 Kesimpulan
67
5.2 Saran
67 Daftar Pustaka
68 Lampiran
DAFTAR TABEL
3.13 TabeltemBMI
40
3.10 TabeltPasien
40
3.11 TabeltBMI
41
3.12 TabeltKluster
42
42
35
3.14 TabeltemKluster
43
3.15 TabeltNewKluster
44
3.16 TabeltHasilKluster
44
3.17 TabeltHasilLaporan
3.9 TabeltAdmin
3.8 HasilPengelompokkanPasien
No. Keterangan Hal.
25
2.1 Aturan Kategori Ukuran Kerangka
17
2.2 AturanPerhitunganBeratBadan Ideal
18
3.1 Nilai BMI Dewasa
23
3.2 TabelPasienKategoriDewasa
3.3 TabelInisialCluster
34
27
3.4 PusatCluster Iterasi 1
30
3.5 PusatCluster TerkecilIterasi 1
30
3.6 PusatCluster Iterasi 2
33
3.7 PusatCluster TerkecilIterasi 2
45
DAFTAR GAMBAR
57
52
3.15 Rancangan Data BMI
53
3.16 Rancangan Data UK
53
3.17 Profil Penulis
54
4.1 Tampilan Menu Utama
56
4.2 Tampilan Login
57
4.3 Tampilan Menu Utama Otoritas Desfa
4.4 Tampilan Sub Menu Input Data
52
58
4.5 Tampilan Menu Pengukuran Manual
59
4.6 Tampilan Data User
59
4.7 Tampilan Data Pasien
60
4.8 Tampilan Data BMI
61
4.9 Tampilan Data Ukuran Kerangka
61
4.10 Tampilan Awal K-Mean Clustering
3.14 Rancangan Data Pasien
3.13 Rancangan Data Admin
No. Keterangan Hal.
3.5 Relasi Antar Tabel
2.1 Salah Satu Dataset yang Mempunyai Bentuk Khusus
14
2.2 Lingkar Lengan Bawah
16
3.1 Flowchart Sistem
36
3.2 Diagram Konteks
37
3.3 DFD Level 0 Sistem Pengelompokkan K-Means Clustering
38
3.4 DFD Level 1 Proses K-Means Clustering
39
46
51
3.6 Rancangan Tampilan Menu Utama
47
3.7 Rancangan Login
48
3.8 Rancangan Pengukuran Manual
48
3.9 Rancangan Proses K-Means Clustering
49
3.10 Rancangan Pusat Cluster Tiap Iterasi
50
3.11 Rancangan Cek Cluster Tiap Iterasi
50
3.12 Rancangan Laporan Akhir
62
4.11 Tampilan About
63
4.12 Tampilan Awal Proses K-Means Clustering
63
4.13 Tampilan Hasil Pengujian K-Means Clustering Tiap Iterasi
64
4.14 Tampilan Pesan Hasil Pengujian
65
4.15 Tampilan Hasil Pengujian K-Means Clustering Pada Iterasi Terakhir
65
4.16 Tampilan Laporan Akhir
66