Penerapan Algoritme Jaringan Syaraf Tiruan Backpropagation pada Pengklasifikasian Status Gizi Balita

  

Vol. 2, No. 9, September 2018, hlm. 3074-3080 http://j-ptiik.ub.ac.id

Penerapan Algoritme Jaringan Syaraf Tiruan Backpropagation pada

Pengklasifikasian Status Gizi Balita

_{1 2 3} Maria Sartika Tambun , Muhammad Tanzil Furqon , Agus Wahyu Widodo

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: mariasartika4@gmail.com, m.tanzil.furqon@gmail.com, a_wahyu_w@ub.ac.id

  

Abstrak

  Pertumbuhan dan perkembangan balita merupakan hal penting yang dapat diketahui dengan penilaian terhadap status gizinya. Tolak ukur dari suatu pencapaian yang terpenuhi dari nutrisi pada anak yang dapat di klasifikasikan dengan berat o badan o anak. Penilaian dari status gizi balita dapat ditentukan melalui mengukur tubuh yang dikenal dengan

  “Anthropometri”. Dalam mengklasifikasi status gizi balita

  terdapat kekhawatiran yaitu pada masyarakat tentang masalah gizi yang baik untuk mengetahui dari banyak balita yang gizi nya baik, dan juga ingin mengetahui mana yang benar-benar gizi ideal. Karena dalam penilaian status gizi balita melalui Antroprometri gizi baik terdapat rentang yang besar. Pada proses pengujian menggunakan metode backpropagation dimulai dengan jumlah dari iterasi, nilai pada

  

learning rate , batas error dan jumlah data latih dan uji. Dalam penelitian terdapat 3 neuron input layer,

  3 neuron hidden layer dan 1 output layer. Hasil dari tahapan pengujian yaitu diperoleh hasil dari akurasi tertinggi yaitu sebesar 54.0% untuk nilai learning rate 0.1, pada batas error 0.001 dan 0.005. Jumlah data latih dan data uji yang dipakai adalah 80:10, dengan iterasi 10000. Selanjutntnya akurasi terendah yang diperoleh yaitu bernilai 43.0% yaitu pada hasil data latih dan data uji adalah 70:50, dan learning

  rate 0.3 dan 1000 iterasi maksimum.

  Kata kunci : Status gizi balita, Jaringan Syaraf Tiruan, Backpropagation

Abstract

  

Growth and development of children is an important thing that can be known by the assessment of

nutritional status. A benchmark of a fulfilled accomplishment of nutrients in children who can be

classified with severe obesity. Assessment of the nutritional status of toddlers can be determined by

measuring the body known as "Anthropometry". In classifying the nutritional status of toddlers there is

a concern that is on the community about the nutritional problems are good to know from many toddlers

who are good nutrition, and also want to know which one is really the ideal nutrition. Because in the

assessment of nutritional status of toddlers through good nutrition Antroprometry there is a large range.

In the testing process using backpropagation method begins with the number of iterations, the value on

the learning rate, the error limit and the amount of training and test data. In the study there are 3 input

layer neurons, 3 hidden layer neurons and 1 output layer. The results of the test phase is obtained from

the highest accuracy of 54.0% for the value of learning rate 0.1, the error limit of 0.001 and 0.005. The

amount of train data and test data used is 80:10, with 10000 iteration. The lowest accuracy obtained is

43.0% ie on the results of the training data and test data is 70:50, and the learning rate of 0.3 and 1000

maximum iteration.

  Keywords: Nutrional Status of Children, Artificial Neural Network, Backpropagation

  badan anak. Masalah gizi pada anak secara garis 1. besar merupakan salah satu hal yang

   PENDAHULUAN

  berpengaruh kepadan perkembangan mental Pemenuhan suatu gizi pada balita anak tersebut dan juga sosial nya. Maka dari itu menggambarkan suatu hal penting yang dapat agar memperoleh kesehatan yang baik, yaitu diketahui dengan penilaian terhadap status gizi. dengan cara mengkonsumsi gizi yang cukup

  Tolak ukur dari suatu pencapaian dalam kondisi sesuai, selain itu terjadinya ketidakseimbangan yang terdapat pada anak dapat diukur oleh berat antara asupan dan keluaran dari zat gizi

  Fakultas Ilmu Komputer Universitas Brawijaya

3074

  Algoritme backpropagation adalah suatu pembelajaran untuk menghitung penurunan gradien dengan memperhatikan bobot. Output yang diinginkan dibandingkan dengan keluaran sistem yang telah dicapai, dan kemudian sistem dengan menyesuaikan bobot koneksi untuk mempersempit perbedaan antara keduanya. Algoritme mendapatkan namanya karena bobot diupdate mundur, dari output menuju input

  gizi balita”. Fitur yang digunakan dalam penelitian ini yaitu Umur, Berat badan, dan Jenis Kelamin dan hasil klasifikasi terdapat 5 kelas Gizi Buruk, Gizi Kurang, Gizi Baik, Gizi Ideal dan Gizi Lebih. Penelitian ini diharapkan dapat mengklasifikasi status gizi balita dengan tingkat akurasi yang tinggi untuk mengetahui performansi metode tersebut.

  Nguyen-Widrow , inisialisasi dilakukan dengan

  Jaringan syaraf tiruan dibentuk dari beberapa neuron yang saling berhubungan. Ada 3 elemen yang digunakan pada jaringan syaraf tiruan adalah fungsi aktivasi, bobot dan nilai ambang.

  Pada bagian ini dimulai dari lapisan simpul yang saling berhubungan dimana masing- masing simpul yang menghasilkan fungsi non linier dari input dan masukan ke simpul dapat berasal dari simpul lain atau langsung dari data masukan dan dari beberapa node diidentifikasi dengan output dari jaringan.

  2.3 Jaringan Syaraf Tiruan Backpropagation

  Klasifikasi adalah fungsi data mining yang menugaskan item dalam kumpulan untuk menargetkan kategori atau kelas. Tujuan klasifikasi adaIah memprediksi secara akurat kelas target untuk setiap kasus dalam data. Tahap klasifikasi yaitu membuat suatu pola yang belum diketahui bahwa kelas dari pola tersebut dengan proses pembelajaran yang ada pada training.

  2.2 Klasifikasi

  Backpropagation pada pengklasifikasian status

  inialisasi secara acak dan nilai dari hasil bobot menggunakan faktor skala. Pada inisiaIisasi

  Oleh sebab itu, pada penelitian ini penulis mengusulkan skripsi berjudul “Penerapan Algoritme Jaringan Syaraf Tiruan

  Untuk bidang kecerdasan buatan pada pengklasifikasian dalam Jaringan Syaraf Tiruan bagian algoritme yang masuk ke dalam pencapaian handal untuk mengenali suatu pola. algoritme ini mempunyai kelebihan tersendiri yaitu mampu menuntaskan bagian permasalahan kompleks yang sulit untuk dibuat dan diselesaikan.

  Dalam penentuan status gizi balita masih banyak kekhawatiran pada para ibu ataupun masyarakat tentang masalah gizi yang baik untuk mengetahui dari banyak balita yang gizi nya baik, para ibu ingin mengetahui mana yang benar-benar gizi ideal. Karena dalam penilaian status gizi balita melalui Antroprometri gizi baik terdapat rentang yang besar. Sehingga didalam sistem ini hasil klasifikasi yaitu gizi buruk, gizi kurang, gizi baik, gizi ideal, dan gizi lebih.

  digunakan dalam pengukuran anthropometri yaitu Jenis Kelamin(JK), Umur(U), dan Berat Badan(BB).

  “Anthropometri”. Variabel yang

  Penilaian status gizi balita dapat ditentukan melalui pengukuran tubuh manusia yang dikenal dengan istilah

  disebabkan oleh asupan yang melebihi keluaran dan juga terdapat kesalahan dalam memilih makanan.

  2.4 Algoritme Nguyen-Widrow Nguyen-Widrow yang akan membuat

2. DASAR TEORI

2.1 Status Gizi Balita

  perubahani inisialisasi acak dengan menggunakan rentang skala

  β dengan

  pencapaian untuk mempercepat proses peIatihan. Algoritma inisialisasi Nguyen-

  Widrow tahap nya yaitu sebagai berikut : a.

  Menentukan bobot awal dari secara acak antara -0.5 hingga 0.5 b. Menghitung nilai dari

• 3

  || || = √

  1

  2

  2

  2

  2 (1) c.

  Menghitung nilai dari magnitude bobot

  Penentu langsung status gizi anak menunjukkan dirinya pada tingkat individu manusia yaitu dari asupan makanan (energi, protein, lemak) juga dengan status kesehatan. Seorang anak dengan asupan makanan yang tidak memadai lebih rentan terhadap penyakit. Dalam pengkategorian klasifikasi status gizi anak yang digunakan yaitu dengan menggunakan Antropometri dengan penentuan gizi yang didasarkan pada pengklasifikasian berat badan menurut umur (BB/U) yaitu kategori status gizi buruk, kurang, baik, ideal dan lebih.

• 2
• ⋯ +

  = 0.7( )

  1 = 0.7 √ (2)

  d.

  Menghitung bobot yang akan diupdate

  e.

  2 =

  ( ) || || (3)

  ( _ ) = ( − ) (1 − ) (8)

  = ( − ) ′

  Mulai dihitung dari informasi yang error dari δ unit output-nya berdasarkan setiap kesalahan yang muncul di setiap unit keluaran Tahap 6 :

2.5 Algoritme Backpropagation

  backpropagation , dan yang terakhir weight update . Langkah-langkah dalam pelatihan Backpropagation adalah sebagai berikut:

  ∆ = (13)

  ∆ = (10)

  Tahap 7 : Mulai dihitung dari koreksi error hidden berdasarkan kesalahan di setiap unit hidden

  _ = ∑ =1

  (11)

  Mulai dengan menghitung nilai aktivasi ( ) unit hidden

  = _ ′( _ ) = _ (1 − )(12) Mulai dihitung koreksi bobot yang ada pada unit hidden.

  Mulai dihitung koreksi bias yang ada pada unit hidden.

  ∆ = (9)

  ∆ = (14) Weight update :

  Tahap 8 : Mulai dihitung dari semua perubahan bobot dan dijumlahkan dengan delta wkj unit output :

  ( ) = ( ) + ∆ (15) ( ) = ( ) + ∆ (16)

  Mulai dihitung dari semua perubahan bias dan dijumlahkan dengan delta wkj unit output :

  ( ) = ( ) + ∆ (17) ( ) = ( ) + ∆ (18)

  Tahap 9 :

  Mulai dihitung besarnya dari korelasi bias yang nantinya digunakan untuk memperbarui.

  merupakan informasi error yang akan digunakan dalam perubahan bobot layer dibawahnya (langkah 7). Mulai dihitung besarnya koreksi bobot dari suku perubahan bobot unit output:

  Tahap 1 : Jika memasuki kondisi epoh < maks_epoh dan MSE < error , maka dilanjutkan tahap 2-9 Tahap 2 : Untuk setiap data training dilakukan langkah mulai dari 3-8

  Tahap 5 : Mulai dihitung dari semua output unit yang ada pada yk dengan fungsi aktivasi

  Feedforward :

  Tahap ini menerima sinyal masukan dari setiap unit input layer. Pada input layer tersebut akan dilanjutkan menuju hidden layer dan output layer yang dihasilkan dari hidden layer dihitung. Tahap 3 : Setiap bagian unit pada inputan akan menerima sinyal input dan melanjutkannya ke jaringan tersembunyi dalamnya Tahap 4 : Menghitung semua output yang ada di hidden layer dengan bobot (z j

  =1,2,3,…,p)

  _ = + ∑ =1

  (4) = ( _ ) = 1 1+

  − _ (5)

  (k=1,2,3,…)

  Backpropagation merupakan bagian algoritme untuk memperkecil nilai dari minimal error yaitu dengan menyesuaikan bobot sesuai dengan target yang ditentukan. Algoritme ini cocok untuk menyelesaikan berbagai masalah contoh nya dalam klasifikasi, prediksi, dan sebagainya.

  = + ∑ =1

  (6) = ( ) = 1 1+

  bagian feedforward selanjunya bagian

  Backpropagation :

  Backpropagation mempunyai 3 tahapan, yaitu

  Pada dasarnya proses dari algoritme

  − _ (7) Ada 2 stopping condition dalam algoritme backpropagation yaitu: a. Error < Error maksimum

  Pelatihan akan berhenti jika nilai dari MSE lebih kecil atau sama dengan batas error yang telah ditentukan.

  b. Epoch > Epoch maksimum Pelatihan akan berhenti jika kondisi maksimum iterasi telah terpenuhi.

  4.2 Diagram Alir Backpropagation Alir sistem yang terdapat pada bagian algoritme Backpropagation ada tiga fase

  Gambar 2. Arsitektur Jaringan Syaraf Tiruan Backpropagation

  jaringan dari penelitian ini dapat dilihat pada Gambar 3.

  layer, dan 1 ouput Iayer. Berikut Arsitektur

  Pada penelitian ini telah ditentukan terdapat 3 neuron pada input Iayer, 3 neuron pada hidden

  4.1 Arsitektur Jaringan Syaraf Backpropagation

  4. Perancangan

  Terdapat data yang ada dalam penelitian ini yaitu data Klasifikasi status gizi balita yang didapatkan dari Dinas Kesehatan Malang. Terdiri dari 3 parameter Umur, Berat Badan(BB), Jenis Kelamin. Hasil klasifikasi dari sistem ini yaitu status gizi berdasarkan BB/U (Berat Badan menurut Umur).

  3.2 Pengumpulan Data

  b) Sistem ini mampu menampilkan masukan dari user c) Sistem ini mampu menampilkan hasil dari status gizi balita.

  a) Sistem ini mampu menerima masukan seperti Berat Badan, Umur, Jenis Kelamin

  Analisis kebutuhan tersebut yaitu mulai dari kebutuhan apa saja yang dibutuhkan dalam sistem pengklasifikasian status gizi balita dengan metode Backpropagation. Berikut ini merupakan kebutuhan fungsional yang digunakan dalam pengklasifikasian status gizi balita dengan metode Backpropagation:

  3.2 Analisis Kebutuhan

  Penentuan klasifikasi status gizi balita

  d)

3. METODOLOGI PENELITIAN

  Jaringan Syaraf Tiruan

  b)

  Klasifikasi

  a)

  Studi literatur mempelajari literature dari dasar teori dengan membangun implementasi algoritma Backpropagation untuk klasifikasi status gizi balita. Dasar dari suatu teori yang berkesinambungan dengan suatu penelitian ini yaitu:

  Gambar 1. Diagram Metodologi Penelitian

  Backpropagation pada pengklasifikasian status gizi balita.

  Bagian ini membahas terkait metode yang digunakan dalam penelitian Penerapan Algoritme Jaringan Syaraf Tiruan

3.1 Studi Literatur

c) Algoritme Backpropagation

  perhitungan yaitu mulai dari bagian FeedForward, dan dilanjutkan dengan Backpropagation Error dan yang terakhir Weight Update yang akan diteruskan ke bagian pengujian FeedForward. Berikut diagram alir perhitungan dapat dilihat pada Gambar 4.

  Gambar 3. Diagram Alir Backpropagation

  Untuk mengetahui pengaruh dari variasi data latih yang berbeda terhadap akurasi. Pengujian ini mencoba dengan jumlah data latih yang bermacam-macam mulai dari 30, 40, 50, dan 60 selanjutnya data uji yang dimasukkan yaitu sebanyak 30. Nilai dari fitur yang digunakan untuk pengujian adalah: jumlah

  neuron di hidden layer 3, learning rate 0,1, pada

  saat iterasi maksimum 1000 dan batas error 0,0001. Percobaan ini dapat dicoba sebanyak 5 kali dengan menggunakan bobot awal yang bervariasi.

  Gambar 4 Grafik Jumlah Data Latih dan Data Uji terhadap Tingkat Akurasi

  Hasil dari uraian yang telah dipaparkan Gambar 5 didapatkan akurasi tertinggi dari pengujian data latih sebanyak 60 dengan nilai rata-rata sebesar 51%. Pada pengujian pengklasifikasian gizi menjelaskan bahwa variasi dari data latih yang dicoba dapat memengaruhi akurasi dan didaptkan semakin banyak jumlah data latih yang dipakai dapat meningkatkan nilai akurasi. Hal ini dikarenakan variasi pola data yang akan masuk ke dalam fase learning semakin banyak.

  5.2 Pengujian Batas Error

  Untuk bagian dari batas ini tersebut, percobaaan sebanyak 5 kali yang telah diuji coba yaitu pada nilai error 0.001, 0.005, 0.009, 0.01, dan 0.09 dan terdapat beberapa fitur yang dicoba dalam suatu pengaruh iterasi maksimum terdapat

  neuron

  di hidden layer 3, learning rate 0.1, dengan data latih sejumlah 80 dan data uji 10 pada saat iterasi maksimum 1000. Hasil dari percobaan dibuat sebanyak 5 kali dengan bobot yang beda dari awalnya

5. Pengujian danAnalisis

5.1 Pengujian Jumlah Data Latih dengan Data Uji Konstan

  Gambar 5 Grafik Pengujian Batas Error terhadap Akurasi Dari hasil uraian yang di peroleh pada akurasi yang mulai meningkat sampai dengan batas error 0,001 dan terdapat mulai Akurasi menurun pada pengujian batas error sebesar 0,09 dan akurasi tertinggi didapatkan pada pengujian batas error 0,001 dan 0,005 yaitu sebesar 54.00%. Dan juga terdapat Akurasi menurun pada batas error 0,009 bisa disebabkan karena batas error yang terlampau besar sehingga terlalu cepat dicapai pada konvergensi nya. Sedangkan minimal error yang terlalu kecil dapat membuat pelatihan memiliki waktu lama dan konvergensi sulit dicapai.

  5.2 Pengujian Nilai Learning Rate

  Pada penelitian Penerapan agoritme Jaringan Syaraf Tiruan menggunakan metode

  rate 0.1, batas error 0.001 dan 0.005. Data latih

  2. Berdasarkan hasil pada alur dari pengujian yang telah dicoba diperoleh hasil akurasi tertinggi yaitu dengan 54.0% pada nilai learning

  feedworward dilanjutkan tahapan kedua backpropagation error, dan yang terakhir update-weight. Selanjutnya pada proses pengujian hanya digunakan fase feedforward.

  Alur yang terdapat pada pelatihan dilakukan tiga fase yaitu mulai dari bagian yang awal

  neuron input layer yaitu 3, neuron hidden layer yang digunakan 3, dan neuron output layer 1.

  1. Algoritme ini mampu digunakan pada alur dari klasifikasi data. Arsitektur jaringan yang terdapat pada klasifikasi gizi yang terdapat dengan tiga layer. Jumlah yang terdapat pada

  gizi balita didapatkan hasil yang diperoleh yaitu:

  Backpropagation pada pengklasifikasian status

  6. KESIMPULAN

  Dalam Pengujian nilai learning rate yang berfungsi sebagai hal yang dapat berpengaruh mulai dari learning rate pada suatu nilai akurasi.

  Hasil dari uraian yang didapatkan pada rata-rata akurasi tertinggi yang didapatkan yaitu dengan 47.6% dan pada saat tersebut itu terdapat 900 iterasi dan jika dibandingkan dengan rata- rata akurasi terendah didapatkan 43.0% saat iterasi maksimum yaitu 500 iterasi. Oleh karena itu bisa berbeda Karena pembobotan awal pada setap iterasi beda disebabkan hasil juga berpengaruh.

  Gambar 7 Grafik Pengaruh Jumlah Iterasi Maksimum

  Bagian dari pengujian ini berguna untuk mengetahui jumlah iterasi yang terbaik yang bisa dikdilihat dengan akurasi tertinggi nya. Pada pengujian ini akan diberikan percobaan iterasi mulai dari 500, 600, 1000 hingga 10000 iterasi maksimum. Percobaan akan dilakukan sebanyak 5 kali. Data latih yang digunakan adalah 70 data, data uji berjumlah 50 data, learning rate berjumlah 0.2, dan batas error berjumlah 0.0009.

  5.3 Pengujian Jumlah Iterasi Maksimum terhadap Tingkat Akurasi

  Bagian ini akan diulang selama 5 kali dengan bobot awal berbeda. Gambar 6 Grafik Pengujian Nilai Learning Rate terhadap tingkat akurasi Hasil tabel tersebut pada nilai akurasi tertinggi diperoleh dalam suatu percobaan yaitu dengan menggunakan learning rate 0.1. Terdapat kesimpulan bahwa jika suatu nilai dari suatu learning rate semakin tinggi maka semakin cepat juga pada proses pelatihan tersebut. Itu dapat menyebabkan proses pada training berhenti tidak sesuai. Begitu pula dengan nilai learning rate yang terlalu rendah, pelatihan akan berlangsung lama dan konvergensi sulit dicapai.

  digunakan yaitu 70, data uji berjumlah 50, dan iterasi maksimum 1000, dan batas error 0,0009.

  neuron di hidden layer 3 dan data latih yang

  Nilai dari suatu variable yang dicoba dalam pengaruh nilai learning rate adalah nilai jumlah

  Learning rate yang bisa dicoba oleh suatu pengujian ini adalah 0,01, 0,1, 0,2, 0,3, dan 0,4.

  dan uji yang dipakai yaitu dengan 80:10, dengan iterasi 10000 sedangkan didapatkan akurasi terendah yang didapatkan yaitu bernilai 43.0% dengan keseluruhan jumlah data latih dan data uji adalah 70:50, dengan nilai learning rate 0.3 dan 1000 iterasi maksimum.

7. DAFTAR PUSTAKA

  Hindah, M., 2006. Lauk Bergizi Untuk Anak Balita . Jakarta : Gramedia Pustaka. KEMENKES RI. 2013. Riset Kesehatan Dasar Menteri Kesehatan Republik Indonesia .

  Badan Penelitian Dan Pengembangan Kesehatan Kemenkes RI. Fernanda, S. I., 2017. Identifikasi Penyakit

  Diabetes Mellitus Menggunakan Metode Modified K-Nearest Neighbor (MKNN). Juni. Kementerian Kesehatan Republik Indonesia,

  2010. Keputusan Menteri Kesehatan Republik Indonesia Tentang Standar Antropometri Penilaian Status Gizi Anak.

  30 Desember. Chemsi, M., Agbossou, K., & Cardenas, A.

  (2016). Neural network backpropagation algorithm control for PEM fuel cell in residential applications.

  IEEEE .

  Dai, Q. (2014). A two-phased and Ensemble scheme integrated Backpropagation algorithm. ScienceDirect, 1124-1135. Bose, K. (2011). Assesment of Nutritional Status by AnthropometricIndices in Santal

  Tribal Children. Journal Life science, 81. Adriani, M., & Wirjatmadi, B. (2014). Gizi dan

  Kesehatan Balita (PerananMikrozinc pada Pertumbuhan Balita). Jakarta:

  Kencana Prenadamedia Group. Fernanda, S. I., 2017. Identifikasi Penyakit

  Diabetes Mellitus Menggunakan Metode Modified K-Nearest Neighbor (MKNN). Juni.

  Kementerian Kesehatan Republik Indonesia, 2010. Keputusan Menteri Kesehatan Republik Indonesia Tentang Standar Antropometri Penilaian Status Gizi Anak. 30 Desember.