Implementasi Naive Bayes pada Embedded System untuk Menentukan Status Gizi Bayi

  

Vol. 1, No. 11, November 2017, hlm. 1277-1284 http://j-ptiik.ub.ac.id

Implementasi Naive Bayes pada Embedded System untuk Menentukan

₁ Status Gizi Bayi

₂

  3 Fauzi Rivani , Dahnial Syauqy , Mochammad Hannats Hanafi

  Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: fauzi.ozan.24@gmail.com, dahnial87@ub.ac.id, hanas.hanafi@ub.ac.id

  

Abstrak

  Bayi adalah anak yang berusia 0

• – 12 bulan, pada masa ini perkembangan otak dan fisik bayi selalu menjadi perhatian utama. Status gizi merupakan suatu ekspresi atau keadaan dari tubuh yang dipengaruhi oleh zat-zat tertentu. Status gizi pada bayi bukan hanya tentang status gizi itu baik atau buruk saja. Tetapi status gizi juga ditujukan untuk pengkategorian status panjang badan dan juga berat badan. Berdasarkan permasalahan tersebut, maka dilakukan penelitian terkait dengan sistem klasifikasi untuk mendeteksi status gizi pada bayi, sehingga para orang tua dapat terus memantau perkembangan gizi dari bayi mereka. Pada sistem ini membutuhkan parameter-parameter berupa jenis kelamin, umur, panjang dan berat badan bayi. Dalam pembuatan sistem menggunakan komponen elektronika berupa modul, sensor dan mikrokontroler. Untuk memberikan nilai pada parameter jenis kelamin dan umur dibutuhkan modul keypad 4x4 sebagai alat untuk memasukan data, sedangkan untuk nilai dari panjang dan berat badan diakuisisi menggunakan sensor ultrasonik dan load cell. Kemudian dari data yang telah didapatkan akan diklasifikasi arduino uno untuk menentukan status gizi dari bayi tersebut. Untuk metode klasifikasi yang digunakan pada penelitian ini adalah Naive Bayes. Dari seluruh tahapan awal hingga akhir yang ada pada sistem akan ditampilkan pada modul LCD 16x2. Untuk pengujian dan analisis dilakukan untuk mencari presentase akurasi dari sistem. Dapat disimpulkan untuk pembacaan nilai sensor dari 10 objek, sensor panjang memiliki presentase akurasi 98,28% dan sensor berat 71,02%, pengujian metode klasifikasi dengan 30 data manual secara acak pada sistem status gizi panjang dan berat badan sebesar 100%, kemudian rata-rata dari proses waktu ketika klasifikasi dengan 25 percobaan adalah 0,026 detik dan 0,032 detik. Selanjutnya pengujian dan analisis keseluruhan sistem memiliki presentase akurasi sebesar 96,66% untuk status gizi panjang badan dan 60% untuk status gizi berat badan.

  Kata kunci: Ultrasonik, Load cell, Arduino Uno, status gizi, klasifikasi, Naive Bayes .

  

Abstract

A baby is a stage of human development from 0-12 months where brain development and physical

development are the main focus interest to see the baby growth. Nutrition status is one of the essential

components that is always under supervision for baby growht. Baby’s nutrition system is not only

measured in terms of whether they are good or bad nutrition, but also being measurd through baby’s

height and baby’s weight. Based on these problems, needed research on the classification system to

detecting nutrition of baby and baby’s parents can monitor the development nutrition from their baby.

Furthermore, there are other parameters such as gender and age that serve as contributing factor when

measuring baby’s nutrition, A censor with microcontroller has already been developed to provide

specific number of the baby’s gender and age which then will be input to a system using 4x4 keypad. On

the other hand, ultrasonic censor and load cell are used as a measurement system for baby’s height and

weight. Then all these data will be input and compared to arduino uno classification that will determine

the baby’s nutrition. The method use for this classification is called Naive Bayes. All the development

stages will be put on 16x2 LCD to provide an assessment and analysis regarding the accuracy of this

system. Based on the reading the censor provides on 10 objects, the heihgt (lenght) censor has 98.28%

accuracy and weight with 71.02% accuracy. The classification test with 30 data that is picked randomly

has 100% accuracy for the weight and height. Then average of time classification test are 0.026 second

and 0.032 second respectively. The test and analysis of the overall system has 96.66% for ist accuracy

for the height and 60% accuracy for the weight system.

  Keywords: Ultrasonic, Load cell, Arduino Uno, nutrition status, classification, Naive Bayes Fakultas Ilmu Komputer Universitas Brawijaya

  Fakultas Ilmu Komputer, 1. PENDAHULUAN

  Keadaaan dimana kesehatan fisik sesorang yang ditentukan dengan salah satu dari ukuran gizi tertentu disebut status gizi (Soekirman, 2000). Anak yang berusia 0 hingga 12 bulan adalah bayi (Husaini, 2002). Pada masa bayi perkembangan otak dan pertumbuhan fisik selalu menjadi perhatian, terutama bayi yang lahir secara prematur maupun bayi lahir cukup bulan tetapi memiliki keadaan berat badan yang tidak normal. Seorang ibu, ayah, dan orang-orang terdekat bayi juga harus turut mengawasi tumbuh kembang bayi serta melakukan perawatan yang terbaik bagi bayi mereka. Status gizi pada bayi bukan hanya tentang status gizi itu baik atau buruk saja. Tetapi status gizi juga ditujukan untuk pengkategorian status panjang badan dan juga berat badan. Tinggi badan adalah salah satu parameter yang penting bagi keadaan sebelumnya dan dengan keadaan sekarang. Apabila umur tidak diketahui dengan tepat, maka tinggi badan dapat dijadikan opsi sebagai ukuran parameter kedua setelah berat badan, karena menghubungkan parameter berat badan dengan parameter tinggi badan faktor dari umur dapat dikesampingkan (Supriasa, 2002).

  Standar Antropometri merupakan salah satu acuan dalam penilaian status gizi anak. Sesuai dengan keputusan kementerian kesehatan Republik Indonesia tentang standar antropometri penilaian status gizi anak usia 0 sampai 5 tahun, indeks parameter yang sering digunakan untuk menilai status gizi adalah Jenis Kelamin, Umur, Berat Badan dan Panjang/Tinggi Badan. Dari setiap parameter tersebut akan dikombinasikan dengan paramater lainnya dan kemudian akan menjadi dasar dalam penilaian status gizi anak(Soekirman, 2000).

  Metode klasifikasi Naive Bayes adalah salah metode untuk mengklasifikasi dengan menggunakan teknik prediksi peluang kejadian yang sederhana dan mendasar. Metode Naive Bayes merupakan salah satu metode klasifikasi yang efektif dan efisien karena proses pengklasifikasian Naive Bayes bekerja secara independen pada setiap fitur objek yang akan diklasifikasi (Astuti, 2016).

  Solusi yang telah dilakukan sebelumnya adalah penelitian untuk memantau perkembangan fisik bayi dengan mengukur panjang badan dan lingkar kepala bayi. Penelitian tersebut menggunakan sensor optocoupler dan meteran

  autoroll . Hasil dari pembacaan sensor

  ditampilkan pada aplikasi delphi dalam bentuk grafik yang datanya dapat disimpan ke basis data (Nurchasanah, 2016). Referensi dari penelitian lain terdapat penelitian tentang alat yang dapat mengukur tinggi dan berat badan, yang hasil nilai pengukuran sensor ditampilkan pada LCD. Tetapi, hasil dari pengukuran hanya dapat dilihat pada ketika dalam proses pengukuran itu saja (Khoiruddin, 2015). Solusi ada lainnya adalah berupa sistem pengklasifikasian status gizi dengan metode algoritma Naive Bayesian Classification dan alat ukur antropometri sebagai variabel input untuk menentukan status gizi seseorang (Sri Kusumadewi, 2009).

  Berdasarkan berbagai permasalahan yang telah dijelaskan diatas dan solusi yang pernah ada, penulis bermaksud melakukan penelitian yang berjudul “Implementasi Naive Bayes Pada Embedded System Untuk Menentukan Status Gizi Bayi”. Penelitian ini menggunakan parameter Jenis Kelamin, Berat Badan, Panjang Dan Umur Bayi dan berdasarkan buku antropometri sebagai acuan. Diharapkan sistem ini dapat membantu dalam mempermudah pendeteksian kategori status gizi panjang badan bayi dan berat badan bayi.

  2. PERANCANGAN DAN IMPLEMENTASI

  2.1 Gambaran umum sistem

  Untuk diagram blok implementasi sistem klasifikasi status gizi bayi dapat dilihat pada Gambar 2.1.

Gambar 2.1 Diagram blok sistem

  Implementasi Naive Bayes pada

  Embedded System Untuk Menentukan Status Gizi

  Bayi merupakan sistem yang dapat mengklasifikasikan status gizi bayi berdasarkan parameter jenis kelamin, umur, panjang, dan berat badan. Sistem ini berupa implementasi perangkat keras untuk pembacaan nilai panjang badan menggunakan sensor ultrasonik dan pembacaan nilai berat badan menggunakan sensor load cell, yang dapat menampilkan hasil sensor dan hasil pengklasifikasian status gizi bayi pada LCD 16x2.

  2.2 Perancangan sistem

  Fakultas Ilmu Komputer,

  panjang dan berat badan bayi serta dapat mengklasifikasikan status gizi bayi dan dapat menampilkan hasilnya pada LCD. Dari purwarupa diatas terdapat modifikasi tambahan triplek untuk menopang beban bayi yang akan diukur.

  Embedded System Untuk Menentukan Status Gizi

  2.6 merupakan perancangan proses keseluruhan sistem untuk merealisasikan Implementasi Naive Bayes pada

  Flowchart Gambar

Gambar 2.6 Flowchart kesluruhan sistem untuk menentukan status gizi bayi

  seperti Gambar 2.6.

  menampilkan hasilnya pada antarmuka berupa LCD . Perancangan dijelaskan pada diagram alur

  IDE untuk menulis program, agar sistem dapat melakukan pembacaan sensor, menentukan status gizi bayi menggunkan metode Naive Bayes, dan

  Proses selanjutnya yaitu perancangan perangkat lunak yang dilakukan pada Arduino

Gambar 2.5 merupakan desain perancangan sistem embedded untuk melakukan pengukuran

  Sebelum mengimplementasikan sistem, terlebih dahulu membuat perancangan yang terdiri dari perancangan perangkat keras dan perangkat lunak sistem. Pada sistem klasifikasi status gizi bayi, perangkat keras ini digunakan untuk pengambilan data hasil panjang dan berat badan bayi yang akan diukur nilainya. Mengenai perancangan perangkat keras dijelaskan berikut ini.

Gambar 2.5 perancangan desain purwarupa

  Mengenai perancangan desain purwarupa untuk menentukan status gizi bayi dapat dilihat pada Gambar 2.5.

  Dari Gambar 2.4 menjelaskan mengenai rangkaian yang berfungsi untuk masukan data menggunakan keypad dan dapat menampilan hasil sensor pada LCD yang dihubungkan dengan Arduino Uno untuk kontroler.

Gambar 2.4 Rangkaian elektronika untuk masukan data dan tampilan hasil sensor

  Dari Gambar 2.3 menjelaskan mengenai rangkaian yang berfungsi untuk melakukan pembacaan panjang badan bayi dengan komponen berupa sensor ultrasonik yang dihubungkan dengan Arduino Uno untuk kontroler.

Gambar 2.3 Perancangan rangkaian elektronika pembacaan panjang badan

  Dari Gambar 2.2 menjelaskan mengenai rangkaian yang berfungsi untuk melakukan pembacaan berat badan bayi dengan komponen berupa sensor load cell dan HX711 yang dihubungkan dengan Arduino Uno untuk kontroler

Gambar 2.2 Perancangan rangkaian elektronika pembacaan berat badan

  Bayi. Dimana terlebih dahulu untuk melakukan

2.3 Implementasi sistem

  1

  41.5

  41

  0.5

  1.2

  7

  60.5

  60

  0.5

  0.82

  8

  71

  72

  1.4

  1.26

  9

  79.5

  79

  0.5

  0.62

  10

  81.5

  81

  0.5

  0.61 Rata-rata

  0.72 Berdasarkan hasil pengujian sensor

  didapatkan akurasi untuk pembacaan panjang badan menggunakan sensor ultrasonik sebesar 99.28%. Dapat dilihat pada selisih panjang terdapat selisih nilai 0.5 hingga 1 cm, hal ini dikarenakan sensor ultrasonik pada sistem ini hanya dapat membaca panjang dalam kelipatan setiap 1 cm dan ketika melakukan pengukuran panjang harus diperhatikan ketika penggeseran pembatas agar tidak ada celah antara objek dengan pembatas.  Pengujian sensor berat

  Pengujian ini dilakukan menggunakan 10 objek dengan berat berbeda-beda. Untuk mencari akurasi hasil dengan membandingkan nilai dari pengukuran manual dengan pengukuran dari hasil sensor. Dari keseluruhan pengujian didapat tabel pengamatan seperti Tabel 3.2.

  6

  Fakultas Ilmu Komputer,

  penentuan status gizi membutuhkan parameter berupa jenis kelamin dan umur yang datanya didapatkan dari informasi data bayi yang di input manual pada keypad. Terdapat beberapa pengklasifikasian yang membutuhkan parameter berpa panjang atau berat badan, sehingga perlu mendapatkan nilainya dari pembacaan sensor. Setelah didapat parameter untuk pengklasifikasian sistem mampu menentukan status gizi dan dapat menampilkan hasil status gizi pada antarmuka pengguna berupa LCD.

  2

  Pada implementasi sistem dapat dilihat seperti Gambar 2.7 berikut ini.

Gambar 2.7 Implementasi purwarupa sistem untuk penentuan status gizi bayi

  Implementasi rangkaian elektronika terdapat beberapa penambahan komponen. Purwarupa alat memiliki 2 triplek yang mana pada 1 triplek berukuran 90 cm x 55 cm berfungsi untuk menopang badan bayi, 1 triplek dibawah berukuran 60 cm x 35 cm digunakan untuk alas sensor berat, dan terdapat 2 tambahan kaki pada alat sebagai penyangga agar alat tersebut tidak mudah goyang ketika beban diletakkan. Disetiap sisi triplek bagian atas terdapat pembatas sebagai wadah bayi untuk diletakkan dan juga ditambah dengan pembatas utama yang dapat digeser secara manual untuk menyesuaikan panjang badan bayi. Sensor berat dapat membaca nilai berat ketika beban sudah diletakkan pada bagian penopang badan bayi. Untuk mengukur panjang dilakukan dengan menggeser pembatas utama sehingga sensor pengukur panjang dapat mengukur dengan cara memantulkan gelombang pada pembatas tersebut. Hasil ukur berat dan panjang langsung bisa diolah mikrokontroler dan ditampilkan pada LCD.

  3. PENGUJIAN DAN ANALISIS

  3.1 Pengujian sensor ukur

  Pengujian dilakukan untuk menguji akurasi dari alat ukur dari sensor panjang dan sensor berat.  Pengujian sensor panjang

  Pengujian ini dilakukan menggunakan 10 objek dengan panjang yang berbeda-beda. Untuk mencari akurasi hasil dengan membandingkan nilai dari pengukuran manual dengan pengukuran dari hasil sensor. Dari keseluruhan pengujian didapat tabel pengamatan seperti Tabel 3.1.

Tabel 3.1 Hasil pengujian sensor panjang

  Pengujian Ke- Hasil Panjang Manual Hasil Panjang Sensor Selisih Panjang Kesalahan (%)

  1

  30

  30

  56.5

  39

  56

  0.5

  0.88

  3

  75.5

  75

  0.5

  0.66

  4

  50

  50

  5

  39.5

  0.5

  Fakultas Ilmu Komputer,

  5.1

Tabel 3.3 Tabel hasil pengujian klasifikasi status gizi panjang

  Pengujian klasifikasi status gizi panjang yang dilakukan adalah berupa pengujian status gizi panjang yang dimana setiap data dari jenis kelamin, umur dan panjang badan dimasukan secara acak dan manual kedalam program kemudian akan diklasifikasi dengan metode naive bayes yang telah dibuat pada sistem. Kemudian setelah dilakukan klasifikasi hasil, dari program tersebut akan dibandingkan dengan buku antropometri untuk dianalis. Dari keseluruhan pengujian didapatkan tabel pengamatan seperti Tabel 3.3.

  Pengujian dilakukan untuk menguji akurasi dari kode program klasifikasi metode naive bayes yang akan diimplementasikan pada sistem.

  didapatkan akurasi untuk pembacaan berat badan menggunakan sensor load cell sebesar 71.02%. Pada selisih berat antara hasil manual dan sensor dapat dilihat memiliki selisih beban berat yang bervariasi dari 0 hingga 5.1 kg. Hal ini disebabkan karena desain alat purwarupa dari penopang berat badan tidak dapat memberikan seluruh tekanan dari beban berat ke sensor load cell. Dan sehingga ini juga dapat menyebabkan setiap penempatan objek yang berbeda dapat menghasilkan nilai berat yang berbeda pula.

  28.97 Berdasarkan hasil pengujian sensor

  40.15 Rata-rata

  7.6

  30 Persentase kesalahan 0% Persentase akurat 100%

  12.7

  10

  23.59

  4.2

  7.2

  11.4

  9

  Data latih 104 Data uji

  Dari keseluruhan pengujian dapat disimpulkan bahwa berdasarkan presentase akurasi pada pengujian diperoleh sebesar 100%.

Tabel 3.2 Hasil pengujian sensor load cell

  Pengujian waktu klasifikasi pada sistem status gizi adalah berupa pengujian untuk menghitung waktu selama proses pengklasifikasian. Tahap pengujian ini terdapat 2 bagian antara lain: pengujian waktu klasifikasi status gizi panjang badan dan status gizi berat badan. Pengujian dapat dilihat pada penjelasan-penjelasan bawah ini.

  Berdasarkan hasil pengujian dapat disimpulkan bahwa metode klasifikasi naive bayes pada status gizi panjang badan dibutuhkan

  25 Rata-rata waktu (ms) 26,48

  5 Percobaan data uji

  Data uji

Tabel 3.5 Tabel hasil pengujian Waktu Klasifikasi Status Gizi Panjang

  Pengujian waktu klasifikasi status gizi panjang adalah dimana setiap data dari umur, jenis kelamin dan panjang badan dimasukan secara manual kedalam program klasifikasi. Kemudian pada program arduino ditambahkan fungsi millis() untuk mengetahui waktu proses selama klasifikasi naive bayes. Dari hasil pengujian didapatkan tabel pengamatan seperti Tabel 3.5.

  3.3.1 Pengujian Waktu Klasifikasi Status Gizi Panjang

  3.3 Pengujian Waktu Klasifikasi Sistem Status Gizi

  3.2.2 Pengujian Klasifikasi Status Gizi Berat

  Dari keseluruhan pengujian dapat disimpulkan bahwa berdasarkan presentase akurasi pada pengujian diperoleh sebesar 100%.

  30 Persentase kesalahan 0% Persentase akurat 100%

  Data latih 320 Data uji

Tabel 3.4 Tabel hasil pengujian klasifikasi status gizi berat

  dimasukan secara acak dan manual kedalam program kemudian akan diklasifikasi dengan metode naive bayes yang telah dibuat pada sistem. Kemudian setelah dilakukan klasifikasi hasil, dari program tersebut akan dibandingkan dengan buku antropometri untuk dianalis. Dari keseluruhan pengujian didapatkan tabel pengamatan seperti Tabel 3.4.

  panjang dan berat badan

  Pengujian klasifikasi status gizi berat yang dilakukan adalah berupa pengujian status gizi berat yang dimana setiap data dari jenis kelamin,

  36.84

  2.1

  6.8

  5.2

  0.8

  5

  4.2

  3

  19.04

  1.4

  3.8

  4

  2

  84.61

  1.1

  2.4

  1.3

  1

  Pengujian Ke- Hasil Berat Manual Hasil Berat Sensor Selisih Berat Kesalahan (%)

  36.84

  5.1

  8.9

  5.1

  8

  15.78

  1.9

  6.1

  8

  7

  9.09

  1.2

  6.4

  7.6

  6

  23.75

  0.5

  5

  5.5

  5

3.2 Pengujian klasifikasi Naive Bayes

3.2.1 Pengujian Klasifikasi Status Gizi Panjang

  Fakultas Ilmu Komputer,

  waktu proses pengklasifikasian dengan waktu rata-rata 26.48 millisecond atau 0.026 detik.

3.3.2 Pengujian Waktu Klasifikasi Status Gizi Berat

  2. Pada implementasi klasifikasi metode Naïve Bayes pada sistem status gizi bayi ini dibagi menjadi dua, yaitu pengklasifikasi untuk

  IDE untuk menulis kode program klasifikasi yang akan di-compile ke mikrokontroler agar sistem dapat mengklasifikasikan status gizi bayi.

  Untuk implementasi pada sistem ini, perancangan perangkat pada sistem klasifikasi status gizi panjang dan berat badan bayi terbagi dua, yaitu perancangan perangkat keras dan perangkat lunak. Pada perangkat keras dilakukan untuk mengukur nilai dari panjang badan yang dilakukan oleh sensor ultrasonik dan berat badan yang nilainya didapatkan dari pembacaan sensor load cell. Sedangkan untuk perancangan perangkat lunaknya diterapkan pada aplikasi Arduino

  Berdasarkan hasil pengujian yang telah dilakukan pada penelitian ini maka dapat ditarik kesimpulan sebagai berikut : 1.

  4. KESIMPULAN

  Berdasarkan hasil pengujian dari 30 data terdapat 12 data yang tidak sesuai dengan kategori status gizi yang sebenarnya. Dari data tersebut dapat disimpulkan bahwa presentase akurasi pada pengujian diperoleh sebesar 60%. Hal ini disebabkan karena perangkat keras purwarupa tidak dapat memberikan seluruh tekanan dari beban kepada sensor berat.

  30 Persentase kesalahan 40% Persentase akurat 60%

  Data Latih 320 Data uji

Tabel 3.7 Tabel hasil Pengujian keseluruhan sistem status gizi panjang

  status gizi akan dibandingkan dengan buku antropometri. Dari keseluruhan pengujian didapatkan tabel pengamatan seperti Tabel 3.7.

  berasal dari sensor panjang dan berat badan berasal dari sensor berat . Hasil akhir dari sistem

  Pengujian ini akan melakukan klasifikasi naive bayes dimana jenis kelamin, panjang badan

  3.4.2 Pengujian keseluruhan sistem status gizi panjang

  Berdasarkan hasil dari 30 data terdapat 1 data yang tidak sesuai dengan kategori status gizi yang sebenarnya. Hal ini karena sensor ultrasonik hanya dapat mengukur panjang dengan kelipatan 1 cm. Dari hasil pada tabel pengujian ini dapat disimpulkan bahwa presentase akurasi pada pengujian keseluruhan sistem status gizi panjang diperoleh sebesar 96.66%.

  30 Persentase kesalahan 3,34% Persentase akurat 96,66%

  Data Latih 104 Data uji

Tabel 3.7 Tabel hasil Pengujian keseluruhan sistem status gizi panjang

  Pengujian ini akan melakukan klasifikasi naive bayes dimana jenis kelamin, umur didapatkan dari hasil masukan modul keypad dan panjang badan berasal dari sensor panjang. Hasil akhir dari sistem status gizi akan dibandingkan dengan buku antropometri. Dari keseluruhan pengujian didapatkan tabel pengamatan seperti Tabel 3.7.

  Pengujian keseluruhan sistem status gizi adalah berupa pengujian status gizi yang dimana setiap data dari jenis kelamin, umur, panjang dan berat badan didapatkan langsung dari modul keypad dan sensor ukur. Kemudian dari data yang sudah didapatkan akan diklasifikasi dengan metode naive bayes yang ada pada sistem, hasil akhir dari status gizi akan ditampilkan pada LCD.

  Berdasarkan hasil pengujian dapat disimpulkan bahwa metode klasifikasi naive bayes pada status gizi berat badan dibutuhkan waktu proses pengklasifikasian dengan waktu rata-rata 32.08 millisecond atau 0.032 detik.

  25 Rata-rata waktu (ms) 32,08

  5 Percobaan data uji

  Data uji

Tabel 3.6 Tabel hasil pengujian Waktu Klasifikasi Status Gizi Berat

  dimasukan secara manual kedalam program klasifikasi. Kemudian pada program arduino ditambahkan fungsi millis() untuk mengetahui waktu proses selama klasifikasi naive bayes. Dari hasil pengujian didapatkan tabel pengamatan seperti Tabel 3.6.

  jenis kelamin, panjang dan berat badan

  Pengujian waktu klasifikasi status gizi berat adalah dimana setiap data dari

3.4 Pengujian keseluruhan sistem status gizi

3.4.1 Pengujian keseluruhan sistem status gizi panjang

  Fakultas Ilmu Komputer,

  Brown, E., 2016. linuxgizmos. [Online] Available at: http://linuxgizmos.com/arduino-srl- adds-wireless-ready-arduino-uno-wifi/ [Diakses 30 Mei 2017].

  Berdasarkan Warna dan Kadar Amonia Pada Urin Berbasis Sensor TCS3200 dan

  Husaini, 2002. Gizi Anak. Bogor: Pusat Penelitian dan Pengembangan Gizi, Departemen Kesehatan RI. Almatsier, S., 2003. Prinsip Dasar Ilmu Gizi. s.l.:Gramedia. Amani, R. Z., 2017. Sistem Pendeteksi Dehidrasi

  http://gizi.depkes.go.id/sms gateway/index.php?go=home.main [Diakses 16 Desember 2016]. Doxygen, 2017. upm 1.2.0. [Online] Available at: https://iotdk.intel.com/docs/master/upm/cl assupm_1_1_h_x711.html [Diakses 30 Mei 2017]. fitinline, 2013. fitinline.com. [Online] Available at: https://fitinline.com/article/read/meteran/ [Diakses 30 Mei 2017].

  Balita. [Online] Available at:

  Direktorat Bina Gizi, K. K. R. I., 2016. Data

  christj, 2013. christianto.tjahyadi.com. [Online] Available at: http://christianto.tjahyadi.com/belajar- mikrokontroler/sensor-ultrasonik-hc- sr04.html [Diakses 30 Mei 2017].

  Vision AVR Mulai Dari Nol. Yogyakarta: Graha Ilmu.

  Chamim, 2012. Mikrokontroler Belajar Code

  Machine Learning. London : Cambridge University Press.

  status gizi panjang badan dan status gizi berat badan. Untuk melakukan pengklasifikasian status gizi panjang badan diperlukan data dari parameter Jenis kelamin, Umur dan panjang badan bayi. Dimana terdapat 4 kategori dari status gizi ini yaitu Sangat Pendek, Pendek, Normal dan Tinggi. Sedangkan pada pengklasifikasian status gizi berat badan diperlukan parameter Jenis Kelamin, Panjang badan, dan berat badan bayi. Dimana terdapat 4 kategori dari status gizi ini yaitu Sangat Kurus, Kurus, Normal dan Gemuk.

  Baber, D, 2010. Bayesian Reasoning and

  Astuti, E. H., 2016. Sistem Pendukung Keputusan Deteksi Dini Penyakit Stroke menggunakan Metode Naive Bayes.

  Asmara, N. E., 2017. Sistem Klasifikasi Status Gizi Bayi Dengan Metode K-Nearest Neighbor Berbasis Sistem Embedded.

  [Online] Available at: http: //febripurianta08.blogspot.co.id/2015/05/k ey-pad-3x44x4.html [Diakses 30 Mei 2017].

  Anta, F. P., 2015. febripurianta08.blogspot.co.id.

  Berdasarkan Warna dan Kadar Amonia Pada Urin Berbasis Sensor TCS3200 dan MQ135 Dengan Metode Naive Bayes.

  s.l.:Gramedia. Amani, R. Z., 2017. Sistem Pendeteksi Dehidrasi

  3. Untuk menghitung akurasi dari sistem status gizi bayi diperlukan pengujian dan analisis agar dapat mengetahui seberapa akurat sistem yang diterapkan. Dalam pengujian ini dilakukan sebanyak 8 tahap. Tahap pertama yaitu pengujian pembacaan sensor panjang yang menghasilkan akurasi sebesar 99,28%, Tahap kedua yaitu pengujian pembacaan sensor berat yang menghasilkan akurasi sebesar 71,02%. Selanjutnya yaitu tahap ketiga dan keempat melakukan pengujian dari program metode klasifikasi, dengan cara memberi data secara acak ke setiap parameter kemudian dimasukkan secara manual ke dalam program klasifikasi. Hasil dari analisis pengujian metode klasifikasi ini memperoleh akurasi sebesar 100% untuk klasifikasi status gizi panjang dan status gizi berat. Tahap kelima dan keenam merupakan pengujian waktu ketika program klasifikasi melakukan pengklasifikasian, dimana hasil dari analisis ini berupa rata-rata dari 5 data yang dilakukan sebanyak 25 percobaan. Hasil rata-rata dari pengujian waktu adalah 0,026 detik untuk klasifikasi status gizi panjang dan 0,032 detik untuk klasifikasi status berat. Yang terakhir adalah tahap tujuh dan delapan, di tahap ini merupakan pengujian dan analisis terhadap hasil akhir keseluruhan sistem yang dilakukan sebanyak 30 kali pengujian. Dari hasil analisis presentase akurasi untuk sistem status gizi panjang memiliki presentase akurasi 96,66%, sedangkan untuk presentase akurasi sistem status gizi berat adalah sebesar 60%.

5. SUMBER PUSTAKA Almatsier, S., 2003. Prinsip Dasar Ilmu Gizi.

  Fakultas Ilmu Komputer, MQ135 Dengan Metode Naive Bayes.

  Kusumadewi, S., 2009. Klasifikasi status gizi menggunakan Naive Bayesian CLassification.vol 3. no. 1. pp 6 - 11, Mei 2009.

  Jakarta: Buku Kedokteran. EGC. Themes, . W., 2013. Macam-Macam Alat Ukur

  Jakarta: Direktorat Jenderal Pendidikan Tinggi Departemen Pendidikan Nasional. Supriasa, I. B. F. I., 2002. Penilaian Status Gizi.

  Soekirman, 2000. Ilmu Gizi dan Aplikasinya.

  [Online] Available at: http://febripurianta08.blogspot.co.id/2015 /05/key-pad-3x44x4.html [Diakses 30 Mei 2017].

  30 Mei 2017]. Puri, F. A., 2015. febripurianta08.blogspot.co.id.

  Available at: http ://priceindo.com /harga- jangka-sorong-manual-terbaru/ [Diakses

  PasarDino, 2017. PasarDino : eyebee. [Online] Available at: http://www .dinomarket.com/PasarDino/37657032/Ju al-TIMBANGAN-BADAN-TANITA- HA623/ [Diakses 30 Mei 2017]. priceindo.com, 2017. priceindo.. [Online]

  Nurchasanah, E. P., 2016. METERAN UKUR WIRELESS UNTUK PANJANG BADAN DAN LINGKAR KEPALA BAYI BERBASIS ARDUINO DAN NRF24L01. S1. Universitas Brawijaya.

  Munandar, A., 2014. leselektronika. [Online] Available at: http://www .leselektronika.com/2014/11/cara- memprogram-lcd-karakter-16x2.html [Diakses 30 Mei 2017].

  Medika, G., 2017. Timbangan Digital Omron - HN286. [Online] Available at: http://www.galerimedika.com/Timbangan /Timbangan-Digital-Omron-HN286 [Diakses 30 Mei 2017]

  Khoiruddin, A. M., 2015. Pengembangan Alat Ukur Tinggi Badan Dan Berat Badan Digital Yang Terintegrasi. Pengembangan Alat Ukur Tinggi Badan Dan Berat Badan Digital Yang Terintegrasi. S1.Universitas Negeri Yogyakarta.

  S1.Universitas Brawijaya. Asmara, N. E., 2017. Sistem Klasifikasi Status

  Khakim, A. L., 2015. Rancang Bangun Alat Timbang Digital Berbasis Avr Tipe Atmega32.S1.Universitas Negeri Semarang

  Kementerian Kesehatan Republik Indonesia, 2010. Standar Antropometri Penilaian Status Gizi Anak. Jakarta : Menteri Kesehatan Republik Indonesia.

  20Kg. [Online] Available at: https ://www .jual arduino .com/weight-sensor-20kg-load-cell-20kg/ [Diakses 30 Mei 2017].

  Load Cell

  Penelitian dan Pengembangan Gizi, Departemen Kesehatan RI. JualArduino.com, 2015. Weight Sensor 20KG /

  /master/upm/classupm_1_1_h_x711.html [Diakses 30 Mei 2017]. fitinline, 2013. fitinline.com. [Online] Available at: https :// fitinline.com /article/ read/meteran/ [Diakses 30 Mei 2017]. Husaini, 2002. Gizi Anak. Bogor: Pusat

  Vision AVR Mulai Dari Nol. Yogyakarta: Graha Ilmu. christj,2013.christianto.tjahyadi.com.[Online] Available at : http : // christianto . tjahyadi.com/belajarmikrokontroler/senso r-ultrasonik-hc-sr04.html [Diakses 30 Mei 2017]. Doxygen, 2017. upm 1.2.0. [IOnline] Available at: https : // iotdk .intel.com /docs

  Machine Learning. London : Cambridge University Press. Brown,E.,2016.linuxgizmos.[Online]Available at: http://linuxgizmos.com/arduino-srl- adds-wireless-ready-arduino-uno- wifi/[Diakses 30 Mei 2017]. Chamim, 2012. Mikrokontroler Belajar Code

  S1.Universitas Brawijaya. Baber, D, 2010. Bayesian Reasoning and

  Astuti, E. H., 2016. Sistem Pendukung Keputusan Deteksi Dini Penyakit Stroke menggunakan Metode Naive Bayes.

  Gizi Bayi Dengan Metode K-Nearest Neighbor Berbasis Sistem Embedded.S1.Universitas Brawijaya..

  Lengkap Dengan Fungsi Atau Kegunaannya. [Online] Available at: http://rumusrumus.com/macam-macam- alat-ukur/ [Diakses 30 Mei 2017].