Implementasi Algoritma K-Means Clustering Dalam Menentukan Berat Badan Ideal
BAB 3 ANALISIS DAN PERANCANGAN
3.1 Analisis
Pada penelitian ini akan dibangun sistem yang dapat digunakan untuk mengklasifikasi pasien menurut body mass index (BMI), Basal Metabolic Rate (BMR), usia dan ukuran kerangkanya berdasarkan data fisik dari pasien yang telah diambil sebelumnya. Data fisik yang digunakan adalah tinggi badan, berat badan, usia, ukuran lingkar lengan bawah serta aktifitas sehari-hari.
Proses-proses yang dilakukan dalam melakukan pengelompokkan pasien dengan algoritma K-Means Clustering adalah: a. Bangkitkan cluster-cluster
b. Hitung iterasi ke n dengan menghitung jarak antara pusat cluster dengan data (BMI dan UK).
c. Hitung cluster baru
d. Bandingkan cluster baru dengan cluster sebelumnya
e. Jika pusat cluster masih berubah maka lanjutkan iterasi (n=n+1)
f. Jika pusat cluster tidak berubah hentikan iterasi
BMI merupakan suatu pengukuran yang membandingkan berat badan dengan tinggi
badan. BMI merupakan teknik untuk menghitung index berat badan, sehingga dapat diketahui kategori tubuh kita apakah tergolong kurus, normal atau gemuk. dapat digunakan untuk mengontrol berat badan sehingga dapat mencapai berat
BMI
badan normal yang sesuai dengan tinggi badan. Dalam menghitung BMI diperlukan dua parameter, yaitu berat badan (cm) dan tinggi badan (m).
BMI dapat dihitung dengan menggunakan persamaan berikut:
……………………… (1)
BB BMI = 2 TB Dimana : = Nilai Body Mass Index
BMI
BB = Berat Badan dalam kilogram TB = Tinggi Badan dalam centimeter.
Untuk mengukur apakah berat badan seseorang ideal atau tidak, dapat dilakukan dengan melihat nilai BMI (Body Mass Index) tubuhnya dan membandingkan nilainya dengan aturan dengan kategori:
a. Balita umur 1- 5 tahun
b. Remaja umur > 5 – 17 tahun
c. Dewasaumur > 17 - 60 tahun
d. Lansia (lanjut usia) umur > 60 tahun Berat badan ideal untuk dewasadapat dilihat pada pada Tabel 3.1.
Tabel 3.1 Nilai BMI DewasaNilai BMI Keterangan Ideal <18,5 Berat Kurang Tidak
18,5 – 22,9 Berat Normal Ya 23 – 24,9 Obesitas Ringan Tidak 25 – 29,9 Obesitas Sedang Tidak
>= 30 Obesitas Berat Tidak Pengukuran kerangka tubuh manusia merupakan pengukuran yang membandingkan parameter tinggi badan dan lingkar lengan bawah. Dalam mengukur kerangka tubuh manusia diperlukan 3 buah parameter, yaitu tinggi badan (cm), lingkar lengan bawah (cm) dan jenis kelamin. Rumus untuk menghitung ukuran kerangka manusia seperti ditunjukkan pada persamaan berikut:
…………………………. (2)
TB UK = LLB
Dimana : UK = Ukuran Kerangka TB = Nilai Tinggi Badan LLB = Ukuran Lingkar Lengan Bawah
Dengan batas pengelompokkan Laki-laki : < 9,6 : kerangka kecil 9,6 – 10,4 : kerangka sedang >10,4 : kerangka besar
Perempuan : <10,1 : kerangka kecil 10,1 – 11,0 : kerangka sedang >11,0 : kerangka besar
BMR pasien dapat dihitung melalui rumus berikut ini, dan dibedakan berdasarkan jenis kelamin:
BMR (wanita) = 655 + (9,6 x BB) + (1,8 x TB - (4,7 x U)
x BB) + (5 x TB - (6,8 x U)…………..(3)
BMR (pria) = 66 + (13,7
Dimana : BB = Berat badan dalam kilogram TB = Tinggi Badan dalam centimeter U = Usia dalam tahun
Setelah kita mendapatkan hasil BMR pasien, kita harus menghitung kebutuhan kalori harian dengan menggunakan Persamaan Harris Benedict, sebagai berikut : Kelompok 1: Tidak berolah raga
Kebutuhan Kalori Harian = BMR x 1.2
Kelompok 2: Berolah raga ringan (1-3 kali seminggu)
Kebutuhan Kalori Harian = BMR x 1.375
Kelompok 3: Berolah raga sedang (3-5 kali seminggu)
Kebutuhan Kalori Harian = BMR x 1.55
Kelompok 4: Berolah raga berat (6-7 kali seminggu)
Kebutuhan Kalori Harian = BMR x 1.725
Kelompok 5: Berolah raga berat dan sangat aktif
Kebutuhan Kalori Harian = BMR x 1.9………………… (4)
Distance Space (euclidean distance) adalah jarak terpendek yang bisa didapatkan
antara data dengan centroid. Distance space dihitung dengan rumusEuclidean: ………….. (5)
Dimana: D = distance space X2 = data yang diperhitungkan dalam k-means(Umur, BMI, UK, dan Kalori) X1 = centroid dari Umur, BMI, UK, dan Kalori Diperoleh data awal pasien yang berisi tinggi badan, berat serta ukuran lingkar lengan bawah seperti Tabel 3.2.
Tabel 3.2 Tabel Pasien Kategori DewasaTinggi Berat Jenis LLB Aktifitas
No.Pasien Umur Badan Badan Kelamin (cm)
(Cm) (Kg)
1 Laki-Laki 18 160
55
15 Tidak berolahraga
2 Perempuan 20 159
58
14 Berolah raga ringan
3 Perempuan 35 172
60
15 Berolah raga sedang
4 Laki-laki 20 172
57
18 Berolah raga berat Berolah raga berat dan sangat
5 Perempuan 28 168
70
17 aktif
3.1.1 Perhitungan Nilai BMI
Berdasarkan data pada tabel 3.2 dilakukan perhitungan Nilai BMI adalah menghitung BMI dengan menggunakan persamaan (1) adalah sebagai berikut:
2
2
1. Pasien 1 = BB/(TB) = 55/(160/100) = 21.48
2
2
2. Pasien 2 = BB/(TB) = 58/(159/100) = 22.94
2
2
3. Pasien 3 = BB/(TB) = 60/(172/100) = 20.28
2
2
4. Pasien 4 = BB/(TB) = 57/(172/100) = 19.26
2
2
5. Pasien 5 = BB/(TB) = 70/(168/100) = 24.80
3.1.2 Perhitungan Nilai UK
Perhitungan Ukuran Kerangka (UK) pasien dengan menggunakan persamaan (2) sebagai berikut:
1. Pasien 1 = TB/LLB = 160/15 = 15
2. Pasien 2 = TB/LLB = 159/14 = 11.35
3. Pasien 3 = TB/LLB = 172/15 = 11.46
4. Pasien 4 = TB/LLB = 172/18 = 9.55
5. Pasien 5 = TB/LLB = 168/17 = 9.88
3.1.3 Perhitungan BMR
Perhitungan Basal Metabolic Rate (BMR) pasien dengan menggunakan persamaan (3) sebagai berikut:
Pasien 1 (Pria): BMR = 66 + (13,7 x BB) + (5 x TB - (6,8 x U)) = 66 + (13,7 x 55) + (5 x 160 - (6,8 x 18)) = 1497.1 Pasien 2 (Wanita) BMR (wanita) = 655 + (9,6 x BB) + (1,8 x TB - (4,7 x U))
= 655 + (9,6 x 58) + (1,8 x 159 - (4,7 x 20)) = 1404 Pasien 3 (Wanita) BMR (wanita) = 655 + (9,6 x BB) + (1,8 x TB - (4,7 x U))
= 655 + (9,6 x 60) + (1,8 x 172 - (4,7 x 35)) = 1376.1 Pasien 4 (Pria): BMR (Pria) = 66 + (13,7 x BB) + (5 x TB - (6,8 x U))
= 66 + (13,7 x 57) + (5 x 172 - (6,8 x 20)) = 1570.9 Pasien 5 (Wanita) BMR (wanita) = 655 + (9,6 x BB) + (1,8 x TB - (4,7 x U))
= 655 + (9,6 x 70) + (1,8 x 168 - (4,7 x 28)) = 1497.8
3.1.4 Perhitungan Kebutuhan Kalori Harian
Perhitungan kebutuhan kalori harian pasien dengan menggunakan persamaan (4) sebagai berikut:
Pasien 1: Tidak berolah raga Kebutuhan Kalori Harian = BMR x 1.2 = 1497.1 x 1.2 = 1796.52
18 15 21.48 10.6 1497.1 1796.52 2 159
Perhitungan iterasi adalah menghitung jarak pusat cluster dengan data menggunakan persamaan (5).
Usia ; BMI ; UK ; Kalori, misalnya diperoleh Cluster 1 (25;17;9;2000), Cluster 2 (35;20;10;2500), Cluster 3 (45;25;11;3000)
cluster secara acak. Pertama-tama bangkitkan 3 bilangan acak untuk
28 17 24.80 9.88 1497.8 2844.3 Tahap awal perhitungan K-MeanCluster adalah dengan membangkitkan cluster-
70
20 18 19.26 9.55 1570.9 2709.8 5 168
57
35 15 20.28 11.46 1376.1 2132.96 4 172
60
20 14 22.94 11.35 1404 1930.5 3 172
58
55
Pasien 2: Berolah raga ringan (1-3 kali seminggu) Kebutuhan Kalori Harian = BMR x 1.375 = 1404 x 1.375 = 1930.5
Harian 1 160
BMI UK BMR Kalori
LLB (cm)
(Kg) Usia
Berat Badan
Badan (Cm)
Pasien Tinggi
Tabel 3.3 Tabel Inisial Cluster No.Hasil perhitungan BMI, UK, BMR, dan Kalori Harian di atas dimasukkan ke dalam tabel seperti pada Tabel 3.3.
Pasien 5: Berolah raga berat dan sangat aktif Kebutuhan Kalori Harian = BMR x 1.9 = 1497.8 x 1.9 = 2844.3
Pasien 4: Berolah raga berat (6-7 kali seminggu) Kebutuhan Kalori Harian = BMR x 1.725 =1570.9 x 1.725= 2709.8
Pasien 3: Berolah raga sedang (3-5 kali seminggu) Kebutuhan Kalori Harian = BMR x 1.55 = 1376.1 x 1.55 = 2132.96
3.1.5 Perhitungan Iterasi
a. Hitung jarak data pertama ke pusat cluster pertama: D11=
2
2
2
2
- (21.48 + (10.6 + (1796.52
− 17) − 9) − 2000) �(18 − 25) = 203.65
b. Hitung jarak data pertama ke pusat cluster kedua:
2
2
2
2 D21=� (18 + (21.48 + (10.6 + (1796.52 − 35) − 20) − 10) − 2500) = 703.69
c. Hitung jarak data pertama ke pusat cluster ketiga:
2
2
2
2 D31=� (18 + (21.48 + (10.6 + (1796.52 − 45) − 25) − 11) − 3000) = 1203.79
d. Hitung jarak data kedua ke pusat cluster pertama: D12=
2
2
2
2
- (22.94 + (11.35 + (1930.5
− 17) − 9) − 2000) �(20 − 25) = = 69.97
e. Hitung jarak data kedua ke pusat cluster kedua:
2
2
2
2 D22=� (20 + (22.94 + (11.35 + (1930.5 − 35) − 20) − 10) − 2500) = 569.71
f. Hitung jarak data kedua ke pusat cluster ketiga:
2
2
2
2 D32=� (20 + (22.94 + (11.35 + (1930.5 − 45) − 25) − 11) − 3000) = 1069.79
g. Hitung jarak data ketiga ke pusat cluster pertama: D13=
2
2
2
2
- (20.28 + (11.46 + (2132.96
− 17) − 9) − 2000) �(35 − 25) = 133.39 h. Hitung jarak data ketiga ke pusat cluster kedua:
D23=
2
2
2
2
- (20.28 + (11.46 + (2132.96 = �(35 − 35) − 20) − 10) − 2500) 367.04
i. Hitung jarak data ketiga ke pusat cluster ketiga:
D33=
2
2
2
2
- (20.28 + (11.46 + (2132.96 = �(35 − 45) − 25) − 11) − 3000) 867.11
j. Hitung jarak data keempat ke pusat cluster pertama: D14=
2
2
2
2
- (19.26 + (9.55 + (2709.8 = �(20 − 25) − 17) − 9) − 2000) 709.82
k. Hitung jarak data keempat ke pusat cluster kedua:
2
2
2
2 D24=� (20 + (21.48 + (9.55 + (2709.8 = − 35) − 20) − 10) − 2500) 210.34
l. Hitung jarak data keempat ke pusat cluster ketiga:
2
2
2
2 D34=� (20 + (21.48 + (9.55 + (2709.8 = − 45) − 25) − 11) − 3000) 291.29
m. Hitung jarak data kelima ke pusat cluster pertama: D15=
2
2
2
2
- (24.80 + (10.6 + (2844.3 = �(28 − 25) − 17) − 9) − 2000) 844.34
n. Hitung jarak data kelima ke pusat cluster kedua:
2
2
2
2 D25=� (28 + (24.80 + (10.6 + (2844.3 = − 35) − 20) − 10) − 2500) 344.41
- (24.80 − 25)
- (10.6 − 11)
- (2844.3 − 3000)
3
No.Pasien Usia BMI UK
Kalori C1 C2 C3
1
18
21.48 10.6 1796.52 *
2
20
22.94 11.35 1930.5 *
35 20.28 11.46 2132.96 *
24.80 9.88 2844.3 844.34 344.41 156.63 Dari Tabel Cluster Iterasi 1 di atas, pilih cluster yang paling kecil seperti pada tabel 3.5:
4
20
19.26 9.55 2709.8 *
5
28
24.80 9.88 2844.3 * 1. Hitung pusat cluster.
Cluster pertama adalah data nomor pasien 1, 2, dan 3 sehingga
C11 = (18+20+35)/3= 24.33 C12 = (21.48+22.94+20.28)/3 = 21.58 C13 = (10.6+11.35+11.48)/3 = 11.14 C14 = (1796.52+1930.5+2132.96)/3 = 1953.33
Tabel 3.5 Pusat Cluster Terkecil Iterasi 128
o. Hitung jarak data kelima ke pusat cluster ketiga:
1
D35=� (28 − 45)
2
2
2
2 = 156.63
Hasil perhitungan di atas dimasukkan ke dalam tabel pusat cluster, sehingga diperoleh Tabel 3.4.
Tabel 3.4 Pusat Cluster Iterasi 1No.Pasien Usia BMI UK Kalori C1 C2 C3
18
5
21.48 10.6 1796.52 203.65 703.69 1203.79
2
20
22.94 11.35 1930.5 69.97 569.71 1069.79
3
35 20.28 11.46 2132.96 133.39 367.04 867.11
4
20
19.26 9.55 2709.8 709.82 210.34 291.29
Cluster -1 adalah (24.33; 21.58; 11.14; 1953.33) kedua adalah hanya data nomor pasien 4 saja, sehingga:
Cluster
C21 = 20 C22 = 19.26 C23 = 9.55 C24 = 2709.8
Cluster -2 adalah (20; 19.26; 9.55; 2709.8) Cluster ketiga adalah hanya data nomor pasien 5 saja, sehingga:
C31 = 28 C32 = 24.80 C33 =9.88 C34 = 2844.3
Cluster -3 adalah (28; 24.80; 9.88; 2844.3)
2. Lakukan Iterasi yang kedua dengan langkah 2 di atas dan diperoleh:
- 1 adalah (24.33 ; 21.58 ; 11.14 ; 1953.33)
Cluster Cluster -2 adalah (20 ; 19.26 ; 9.55 ; 2709.8) Cluster -3 adalah (28 ; 24.80 ; 9.88 ; 2844.3)
a. Hitung jarak data pertama ke pusat cluster pertama: D11=
2
2
2
2
- (21.48 + (10.6 + (1796.52 �(18 − 24.33) − 21.58) − 11.14) − 1953.33) = 156.9
b. Hitung jarak data pertama ke pusat cluster kedua:
D21=
2
2
2
2
- (21.48 + (10.6 + (1796.52 �(18 − 20) − 19.26) − 9.55) − 2709.8) = 913.28
c. Hitung jarak data pertama ke pusat cluster ketiga:
D31=
2
2
2
2
- (21.48 + (10.6 + (1796.52 �(18 − 28) − 24.80) − 9.88) − 2844.3) = 1047.83
2
2
2
2
- (22.94 + (11.35 + (1930.5
− 21.58) − 11.14) − 1953.33) �(20 − 24.33) = 23.25
e. Hitung jarak data kedua ke pusat cluster kedua:
D22=
2
2
2
2
- (22.94 + (11.35 + (1930.5 �(20 − 20) − 19.26) − 9.55) − 2709.8) = 779.31
f. Hitung jarak data kedua ke pusat cluster ketiga:
D32=
2
2
2
2
- (22.94 + (11.35 + (1930.5 �(20 − 28) − 24.80) − 9.88) − 2844.3) = 913.84
g. Hitung jarak data ketiga ke pusat cluster pertama: D13=
2
2
2
2
- (20.28 + (11.46 + (2132.96
− 21.58) − 11.14) − 1953.33) �(35 − 24.33) = 179.95
h. Hitung jarak data ketiga ke pusat cluster kedua:
D23=
2
2
2
2
- (20.28 + (11.46 + (2132.96 �(35 − 20) − 19.26) − 9.55) − 2709.8) = 577.04
i. Hitung jarak data ketiga ke pusat cluster ketiga:
D33=
2
2
2
2
- (20.28 + (11.46 + (2132.96 �(35 − 28) − 24.80) − 9.88) − 2844.3) = 711.39
2
2
2
2
- (19.26 + (9.55 + (2709.8
− 21.58) − 11.14) − 1953.33) �(20 − 24.33) = 756.49 k. Hitung jarak data keempat ke pusat cluster kedua:
D24=
2
2
2
2
- (21.48 + (9.55 + (2709.8 �(20 − 20) − 19.26) − 9.55) − 2709.8) = 2.22
l. Hitung jarak data keempat ke pusat cluster ketiga:
D34=
2
2
2
2
- (21.48 + (9.55 + (2709.8 �(20 − 28) − 24.80) − 9.88) − 2844.3) = 134.78
m. Hitung jarak data kelima ke pusat cluster pertama: D15=
2
2
2
2
- (24.80 + (9.88 + (2844.3 �(28 − 24.33) − 21.58) − 11.14) − 1953.33) = 891.01
n. Hitung jarak data kelima ke pusat cluster kedua:
D25=
2
2
2
2
- (24.80 + (9.88 + (2844.3 �(28 − 20) − 19.26) − 9.55) − 2709.8) = 134.85
o. Hitung jarak data kelima ke pusat cluster ketiga:
D35=
2
2
2
2
- (24.80 + (9.88 + (2844.3 �(28 − 28) − 24.80) − 9.88) − 2844.3) = 0 Hasil perhitungan di atas dimasukkan ke dalam Tabel 3.6.
BMI UK C1 C2 C3 No.Pasien Usia Kalori
1
18
21.48
10.6 1796.52 156.9 913.28 1047.83
2
20
22.94 11.35 1930.5 23.25 779.31 913.84
3
35
20.28 11.46 2132.96 179.95 577.04
711.39
4
20
19.26
9.55 2709.8 756.49 2.22 134.78
5
28
24.80
9.88 2844.3 891.01 134.85
Dari Tabel 3.5 di atas, pilih cluster yang paling kecil sehingga hasilnya diperoleh seperti pada Tabel 3.7.
Tabel 3.7 Pusat Cluster Terkecil Iterasi 2BMI UK C1 C2 C3 No.Pasien Usia Kalori
1
18
21.48 10.6 1796.52 *
2
20
22.94 11.35 1930.5 *
3
35 20.28 11.46 2132.96 *
20
19.26 9.55 2709.8
- 4
5
28 24.80 * 9.88 2844.3 Pada Tabel 3.6 di atas dapat dibandingkan dengan Tabel 3.7, jika posisi cluster masih berubah, maka iterasi 3 dilanjutkan. Namun dari data diatas ternyata posisi cluster tidak berubah maka iterasi dihentikan dan hasil yang diperoleh satu cluster:
Cluster pertama adalah data nomor pasien 1, 2, dan 3 sehingga
C11 = (18+20+35)/3= 24.33 C12 = (21.48+22.94+20.28)/3 = 21.58 C13 = (10.6+11.35+11.48)/3 = 11.14 C14 = (1796.52+1930.5+2132.96)/3 = 1953.33
Cluster -1 adalah (24.33; 21.58; 11.14; 1953.33) Cluster kedua adalah hanya data nomor pasien 4 saja, sehingga:
C21 = 20 C22 = 19.26 C23 = 9.55 C24 = 2709.8
Cluster -2 adalah (20; 19.26; 9.55; 2709.8)
ketiga adalah hanya data nomor pasien 5 saja, sehingga:
Cluster
C31 = 28 C32 = 24.80 C33 =9.88 C34 = 2844.3
Cluster -3 adalah (28; 24.80; 9.88; 2844.3) Cluster 1 ini dapat diartikan sebagai kelompok pasien dengan berat normal dan.
Hasil perhitungan bahwa:
Cluster Pertama dengan BMI : 21.58 (Berat Normal) ; UK: 11.14(kerangka besar
untuk laki-laki dan perempuan ); dan kebutuhan Kalori Harian pasien adalah 1953.33 kal/hari. Untuk melakukan pengelompokan data pasien dengan cluster-cluster pada proses iterasi-2, maka digunakan Tabel 3.1 dan persamaan (2) dengan hasil seperti pada Tabel 3.8.
Tabel 3.8 Hasil Pengelompokan PasienJenis Kalori No.Pasien BMI UK Berat Kerangka Ideal
Kelamin Harian
1 Laki-Laki 21.48 10.6 1796.52 Normal Besar Ya
2 Perempuan 22.94 11.35 1930.5 Normal Besar Ya
3 Perempuan 20.28 11.46 2132.96 Normal Besar Ya
4 Laki_laki
19.26 9.55 2709.8 Normal Kecil Ya Obesitas
5 Perempuan 24.80 9.88 2844.3 Kecil Tidak Ringan
3.1.6 Flow Chart Sistem
Sistem proses pengelompokan data pasien berdasarkan nilai BMI dan
Flow Chart Ukuran Kerangka (UK) dapat dilihat pada Gambar 3.1.
Start Input Tinggi, Berat, Ukuran Lingkar lengan, Usia, Aktifitas Hitung BMI, UK, BMR, Kalori
Harian Bangkitkan titik pusat tiap-tiap cluster secara acak
Kelompokkan data pada cluster berdasarkan jarak terdekat Hitung jarak data dengan masing-masing cluster
Hitung rata-rata titik pusat berdasarkan titik pusatnya data pada masing-masing cluster
Bangkitkan titik pusat baru tiap-tiap cluster Tidak
Bandingkan posisi titik pusat Posisi sama? cluster yang lama dengan yang baru
Ya Tampilkan hasil pengelompokan End
Gambar 3.1Flow Chart Sistem
3.2 Perancangan
Rancang sistem yang digunakan adalah dalam model Diagram Konteks dan Data
Flow Diagram (DFD) yang menampilkan kebutuhan sistem serta entitas luar yang
terlibat dalam proses K-MeanClustering.3.2.1 Diagram Konteks Sistem Pengelompokkan K-Means Clustering
Pada diagram konteks di bawah ini terdapat dua entiti luar (external entity) yang terdapat pada perangkat lunak yang dibangun yaitu Admin dan User. Admin berfungsi sebagai pengguna sistem yang memberikan masukan berupa data pasien yang terdiri dari IDPasien, jenis kelamin, berat badan, tinggi badan serta ukuran lingkar lengan bawah. Selain memberikan masukan berupa data pasien, Admin juga dapat memberikan masukan untuk data BMI, data UK, dan data cluster acak awal yang digunakan dalam proses perhitungan metode k-means clustering. Sedangkan, fungsi dari user sebagai pengguna sistem hanya dapat melakukan proses perhitungan k-
means clustering dengan memberikan masukan data cluster acak awal. Diagram
Konteks dapat dilihat seperti pada Gambar 3.2.Hasil Pengelompokkan Admin Data Pasien, Data BMI, Data UK, Data Cluster
Sistem Acak Awal Pengelompok- kan k-means clustering Data Cluster Acak Awal
User Hasil Pengelompokkan
Gambar 3.2 Diagram Konteks3.2.2 Data Flow Diagram Level 0
Data Flow DiagramLevel 0 adalah diagram yang menggambarkan proses-proses yang
terjadi di dalam sistem pengelompokkan k-means clustering. Proses-proses yang terjadi dalam DFD Level 0 adalah proses pengisian data pasien, proses pengisian data BMI, proses pengisian data UK, dan proses perhitungan k-means clustering. Dalam DFD level 0 tersebut dapat dilihat proses-proses apa saja yang dapat dilakukan oleh admin dan user. DFD Level 0 dapat dilihat pada Gambar 3.3.
1.0 Pengisian Data Pasien Data Pasien Data Pasien
2.0 Data BMI Pengisian Data BMI Data
BMI tPasien tDataUK Admin
Data UK Data UK tDataBMI
3.0 Data BMI Data UK Pengisian Data
Data Umur, UK Berat,Tinggi, Aktivitas tBMI Data Umur,
Hasil BMI, UK, Kalori
Pengelomp
Data Cluster Data Cluster
okkanAcak Awal Pusat tNewKluste 4.0 k-means
Data Cluster Acak Awal User clustering
Data Pasien, Kluster, Hasil Pengelompokkan Jarak Kluster tKluster
Data Pasien, Kluster, Umur, BMI, UK, K l i Data Kluster, Data Pasien, Kluster
BMI, UK tHasilLaporan temKluster Data Pasien,
Kluster,Umur,
tHasilKluster
BMI, UK, temBMIGambar 3.3DFD Level0Sistem Pengelompokkan K-MeansClustering
3.2.3 Data Flow Diagram Level 1 Proses K-Means Clustering
Data Flow DiagramLevel
1Proses K-Means Clustering menggambarkan langkah- langkah proses dari metodek-meansclustering untuk melakukan pengelompokan pasien dengan menghitung BMI, menghitung ukuran kerangka (UK), BMR, dan kalori harian, membangkitkan centroid acak, menghitung jarak data dengan centroid, menghitung cluster baru serta pengelompokan data pasien berdasarkan posisi cluster pada iterasi terakhir. Gambar 3.4DFD Level1Proses K-Means Clustering
DataUmur,BMI , UK Kalori tBM
BMI, UK, Kalori Data Cluster Acak Awal Data Cluster Acak Awal
User
Data Pasien,Kluster, Umur, BMI,UK, K l i Admin
4.3 Perhitungan distance space tNewKluster
4.6 Simpan Hasil Akhir Cluster tDataBMI tDataUK tPasien
4.2 Perhitungan Cluster Pusat tKluster temBMI temKluster
tHasilKluste
tHasilLaporan4.5 Pengecekan posisi cluster lama dan baru
4.4 Pengelompok kan Data tiap Cluster
4.1 Perhitungan BMI, UK, dan Kalori
Data Umur, Berat,Tinggi , Aktivitas Data Umur,
Status Kluster Data Pasien, Kluster, Jarak Kluster
Data Cluster Pusat Data Cluster Pusat
Pusat Data Umur, BMI, UK, Kalori
Jarak Kluster Data Cluster
Data Pasien,Kluster,
Umur, BMI, UK,
Kalori Data Pasien, Kluster,Kluster Data Pasien,Kluster, Umur, BMI, UK, Kalori
Data Pasien,Kluster, Umur, BMI, UK, Kalori Data Pasien, Kluster Data Pasien,
Data Kluster, BMI, UK Data UK Data BMI
Data Pasien, Kluster,Umur, BMI,UK, Kalori Data Kluster, BMI, UK
4.7 Cetak Laporan Hasil Pengelompokkan Hasil Pengelompokkan
3.2.4 Perancangan Database
Perancangan database merupakan proses untuk menentukan isi data yang
dibutuhkan untuk mendukung rancangan sistem. Model rancangan database
yang dibangun adalah model relationship dimana seluruh tabel saling
berhubungan satu dengan yang lainnya. Rancangan database yang berisi tabel
data yang digunakan adalah sebagai berikut:1. Tabel tAdmin Tabel ini berfungsi sebagai sumber informasi tentang data administrator sistem yang memiliki hak otoritas atas pemasukan data pasien. Struktur tabel ini dapat dilihat pada Tabel 3.9.
Tabel 3.9 Tabel tAdminTipe Ukuran Keterangan No Nama Field
1 UserID Char
10 User Name (Primary Key)
2 Passwd Char
10 Password
2. Tabel tPasien
Tabel ini berfungsi sebagai sumber informasi tentang pasien yang akan dikelompokkan berdasarkan ukuran kerangka. Tabel ini terdiri dari field IdPasien, NmPasien, JK, Berat, Tinggi, LLB, UserID, Umur dan Aktivitas. Struktur tabel tPasien ini dapat dilihat pada Tabel 3.10.
Tabel 3.10 Tabel tPasien10 ID Admin
4 Umur Single Nilai umur dari pasien
3 UK Single Nilai ukuran kerangka pasien
2 BMI Single Nilai BMI dari pasien
2 Kode Pasien (Primary Key)
1 IDPasien Integer
Tipe Ukuran Keterangan
No Nama Field
Tabel 3.11 Tabel tBMI3. Tabel tBMI Tabel ini berfungsi untuk menyimpan hasil perhitungan body mass index (BMI), ukuran kerangka, umur, dan kalori dari setiap data pasien. Struktur tabel tBMI dapat dilihat pada Tabel 3.11.
10 Aktifitas harian pasien
9 Aktivitas Char
3 Umur Pasien
8 Umur Integer
7 UserID Char
No Nama Field
3 Lingkar Lengan Bawah
6 LLB Integer
3 Tinggi Badan
5 Tinggi Integer
3 Berat Badan
4 Berat Integer
1 Jenis Kelamin
3 JK Char
50 Nama Pasien
2 NmPasien Char
2 Kode Pasien (Primary Key)
1 IDPasien Integer
Tipe Ukuran Keterangan
5 Kalori Single Nilai kalori dari pasien
4. Tabel tKluster Tabel ini berfungsi untuk menyimpan hasil perhitungandari nilai setiap kluster masing-masing pasien pada setiap iterasi. Struktur tabel tKluster dapat dilihat pada Tabel 3.12.
Tabel 3.12 Tabel tKlusterTipe Ukuran Keterangan No Nama Field
1 IDKluster Integer
1 Nomor yang menandakan kluster yang bersangkutan (Primary Key)
2 IDPasien Integer
2 Kode pasien
3 Kluster Single Nilai kluster
4 Iterasi Integer
2 Nilai iterasi
5 Status Text
1 Nilai yang menunjukkan kluster yang memiliki nilai kluster terrendah pada masing- masing pasien tiap iterasi
5. Tabel temBMI Tabel ini berfungsi untuk menyimpan hasil perhitungan sementara nilai BMI, UK, Umur, Kalori, Kluster yang ditempati pasien pada satu iterasi. Struktur tabel temBMI dapat dilihat pada Tabel 3.13.
Tabel 3.13 Tabel temBMITipe Ukuran Keterangan No Nama Field
1 IDPasien Integer
2 Kode pasien (Primary Key)
2 IDKluster Integer
1 Nomor kluster
3 Umur Single Nilai umur
4 BMI Single Nilai BMI
5 UK Single Nilai UK
6 Kalori Single Nilai Kalori
7 Status Integer
2 Nilai yang menandakan iterasi yang berlangsung pada saat itu
6. Tabel temKluster Tabel ini berfungsi untuk menyimpan hasil perbandingan status posisi kluster masing- masing pasien antara posisi kluster pada iterasi sekarang dengan posisi kluster pada iterasi sebelumnya. Struktur tabel temKluster dapat dilihat pada Tabel 3.14.
Tabel 3.14 Tabel temKlusterTipe Ukuran Keterangan No Nama Field
1 IDPasien Integer
2 Kode pasien (Primary Key)
2 KlusterBaru Integer
1 Posisi Kluster pada iterasi sekarang
3 KlusterLama Integer
1 Posisi kluster pada iterasi sebelumnya
4 Status Text
9 Status perubahan posisi kluster
7. Tabel tNewKluster
Tabel ini berfungsi untuk menyimpan informasi nilai pusat masing-masing kluster pada setiap iterasi. Struktur tabel tNewKluster ini dapat dilihat pada Tabel 3.15.
Tabel 3.15 Tabel tNewKlusterTipe Ukuran Keterangan No Nama Field
1 IDIterasi Integer 3 Nomor unik untuk setiap nilai pusat kluster(Primary
Key )
2 IDKluster Integer 1 Nomor kluster
3 BMI Single Nilai pusat BMI
4 UK Single Nilai pusat ukuran kerangka
5 Iterasi Integer 2 Nomor iterasi
6 Umur Single Nilai pusat umur
7 Kalori Single Nilai pusat kalori
8. Tabel tHasilKluster
Tabel ini berfungsi untuk menyimpannilai akhir pusat kluster. Struktur tabel tHasilKluster ini dapat dilihat pada Tabel 3.16.
Tabel 3.16 Tabel tHasilKlusterTipe Ukuran Keterangan No Nama Field
1 IDKluster Integer 1 Nomor Kluster (Primary
Key )
2 Umur Single Nilai pusat akhir dari umur
3 BMI Text
20 Nilai pusat akhir dari BMI
4 UKL Text
20 Nilai pusat akhir dari ukuran kerangka untuk jenis kelamin laki-laki
5 UKP Text
20 Nilai pusat akhir dari ukuran kerangka untuk jenis kelamain perempuan
6 Kalori Single Nilai pusat akhir dari kalori
9. Tabel tHasilLaporan
Tabel ini berfungsi untuk menyimpan nilai akhir dari BMI, UK, umur, kalori, dan posisi kluter pada tiap pasien. Struktur tabel tHasilLaporan ini dapat dilihat pada Tabel 3.17.
Tabel 3.17 Tabel tHasilLaporanTipe Ukuran Keterangan No Nama Field
1 IDPasien Integer 2 Kode Pasien (Primary Key)
2 IDKluster Integer 1 Posisi kluster dari pasien
3 Umur Single Nilai akhir dari umur
4 BMI Text
20 Nilai akhir dari BMI
5 UKL Text
20 Nilai akhir dari ukuran kerangka untuk jenis kelamin laki-laki
6 UKP Text
20 Nilai akhir dari ukuran kerangka untuk jenis kelamin perempuan
7 Kalori Single Nilai akhir dari kalori
3.2.5 Relasi Antar Tabel
Dari kumpulan tabel yang dibuat, maka dapat dibentuk hubungan relasi antar
tabel. Relasi tesebut dapat dilihat pada Gambar 3.5 berikut ini.PK,FK1
PK,FK1
PK,FK1
tPasien
PK
PK,FK1
PK
Rancangan Antarmuka merupakan sarana yang menghubungkan antara sistem dan pengguna (user). Rancangan antarmuka Perangkat Lunak untuk Menentukan Berat Badan Ideal dengan Menggunakan Algoritma K-MeansClustering terdiri dari rancangan Login, Pengukuran Manual,K-Mean Clustering yang berfungsi untuk melakukan proses pengelompokan pasien, Inisial Data yang berfungsi sebagai pemasukan data user, data pasien, Data ketetapan Body Mass Index (BMI) dan Data ketetapan Ukuran Kerangka (UK), About dan Keluar.
Gambar 3.5 Relasi Antar TabelIDKluster Umur BMI UKL UKP Kalori
IDPasien
IDKluster Umur BMI UKP UKL Kalori tHasilLaporan
PK UserID Passwd tHasilKluster
IDPasien NmPasien JK Berat Tinggi LLB Umur Aktivitas FK1 UserID tBMI
IDKluster BMI UK Umur Kalori FK1 Iterasi tAdmin
IDIterasi
PK
IDPasien KlusterBaru Status KlusterLama tNewKluster
IDKluster Umur BMI UK Kalori Status temKluster
IDPasien
IDPasien Kluster Iterasi Status temBMI
IDKluster FK1
PK
IDPasien BMI UK Umur Kalori tKluster
FK1,FK2
3.2.6 Rancangan Antarmuka (Interface)
3.2.6.1 Rancangan Menu Utama
Rancangan Tampilan Menu Utama merupakan tampilan yang pertama kali muncul saat program dijalankan. Rancangan Menu Utama dapat dilihat seperti pada Gambar 3.6.
K-Mean Login Pengukuran Data User About Keluar
Manual Clustering Data Pasien Data Body Mass Index
Data Ukuran Kerangka
Judul Skripsi Gambar Pembukaan
XXXXXXXXXXXXXXXXXXXXX
XXXXXXXX
Gambar 3.6 Rancangan Tampilan Menu UtamaRancangan Menu Utama ini terdiri dari tombol sub menu Login, Pengukuran Manual, K-Mean Clustering , Inisial Data, About dan tombol Keluar untuk menutup tampilan.
3.2.6.2 Rancangan Login
Rancangan Login adalah rancangan untuk melakukan otorisasi user untuk melakukan pemasukan data pasien, BMI serta Ukuran Kerangka. Tampilan ini terdiri dari Nama Pasien serta Password. Setelah mengisi data di atas, maka pilih tombol Login dan jika hendak membatalkan Login, maka pilih Batal dan sekaligus menutup rancangan Login untuk kembali ke menu Utama. Rancangan Login dapat dilihat seperti Gambar 3.7.
Nama xxxxxxxxx Password xxxxxxxxx
Ok Batal
Gambar 3.7 Rancangan Login3.2.6.3 Rancangan Pengukuran Manual
Rancangan Pengukuran Manual adalah rancangan untuk melakukan perhitungan pengukuran berat badan ideal untuk masing-masing pasien. Data yang dimasukkan terdiri dari nama, umur, jenis kelamin, berat badan, tinggi badan, ukuran lengan, aktivitas. Rancangan Pengukuran Manual dapat dilihat seperti gambar 3.8.
Nama xxxxxxxxxx Usia xxxxxxxx tahun Jenis xxxxxxxxxx l i Berat Badan xxxxxxxx kg Aktivitas Anda xxxxxxxxxx Tinggi Badan xxxxxxxx cm
Proses Ukuran xxxxxxxx cm Keluar
Gambar 3.8 Rancangan Pengukuran Manual3.2.6.4 Rancangan K-Means Clustering
Rancangan K-Means Clustering adalah rancangan untuk melakukan proses clustering dengan metode K-Means terhadap data yang telah dimasukkan terlebih dahulu. Rancangan K-Means Clustering dapat dilihat seperti Gambar 3.9.
Proses K-Means Clustering
ID Nama Jen. Umur Berat Tinggi Lingkar Pasien Pasien Kelamin Badan Badan Lengan
1 Xxxxxx Xxxxxx Xxxxxx Xxxxxx Xxxxxx Xxxxx
2 Xxxxx Xxxxx Xxxxx Xxxx Xxxxx Xxxx
3 Xxxxx Xxxx Xxxx Xxxx Xxxx Xxxx
ID Nama Umur Body Mass Ukuran Kalori Pasien Pasien Index Kerangka yang dibutuhkan
1 Xxxxxx Xxxxxx Xxxxxx Xxxxxx Xxxxxx
2 Xxxxx Xxxxx Xxxxx Xxxx Xxxxx
3 Xxxxx Xxxx Xxxx Xxxx Xxxx
Cluster Acak Tombol Urutan Input : Umur; BMI; UK; Kalori Proses Keluar
Cluster 1 Xxx Xxx Xxx Xxx Cluster 2 Xxx Xxx Xxx Xxx
Pusat Cluster Cek Cluster
Cluster 3 Xxx Xxx Xxx Xxx
Tiap Iterasi Tiap Iterasi Laporan Akhir
Gambar 3.9 Rancangan Proses K-Means ClusteringKeterangan 1. Petugas yang melakukan pemasukan data ini adalah bebas tanpa otoritas.
2. Sebelum Proses, user harus memasukkan data pasien berupa nama pasien, jenis kelamin, berat tubuh, tinggi badan serta ukuran lingkar lengan, data BMI dan data Ukuran Kerangka.
3. Untuk menampilkan pada layar atau mencetak hasil cluster, user diharuskan menyimpan hasil kluster terlebih dahulu.
3.2.6.5 Rancangan Pusat Cluster Tiap Iterasi
Rancangan Pusat Cluster tiap Iterasi adalah salah satu bagian yang ada pada proses k- mean clustering yang berfungsi untuk melihat/memeriksa proses cluster yang menghasilkan pusat cluster dari masing-masing iterasi. Rancangan Pusat Cluster tiap Iterasi dapat dilihat pada Gambar 3.10.
Rancangan Pusat Cluster Tiap Iterasi
Iterasi Cluster 1 Cluster 2 Cluster 3
1 Xxx;xxx;xxx;xxx Xxx;xxx;xxx;xxx Xxx;xxx;xxx;xxx
2 Xxx;xxx;xxx;xxx Xxx;xxx;xxx;xxx Xxx;xxx;xxx;xxx
3 Xxx;xxx;xxx;xxx Xxx;xxx;xxx;xxx Xxx;xxx;xxx;xxx Dst Xxx;xxx;xxx;xxx Xxx;xxx;xxx;xxx Xxx;xxx;xxx;xxx
Gambar 3.10 Rancangan Pusat Cluster Tiap Iterasi3.2.6.6 Rancangan Cek Cluster Tiap Iterasi
Pada bagian Rancangan Cek Cluster Tiap Iterasi ini berisikan hasil K-Means Clustering yang menampilan pusat data terkecil pada masing-masing iterasi. Rancangan Cek Cluster Tiap Iterasi dapat dilihat pada Gambar 3.11.
Rancangan Cek Cluster Tiap Iterasi Iterasi ke :
ID Cluster 1 Cluster 2 Cluster 3 Pasien
xxxxxxxxxx
1 xxxxxxxxx xxxxxxxxx xxxxxxxxx 2 xxxxxxxxx xxxxxxxxx xxxxxxxxx 3 xxxxxxxxx xxxxxxxxx xxxxxxxxx 4 xxxxxxxxx xxxxxxxxx xxxxxxxxx
Gambar 3.11 Rancangan Cek Cluster Tiap Iterasi3.2.6.7 Laporan Akhir
Laporan akhir ini berisikan data hasil pengujian system K-Means Clustering terhadap data pasien. Laporan akhir dapat dilihat pada gambar 3.12.
Tanggal Hasil Pengujian K-Means Clustering
No Nama Jenis Umur Berat Tinggi Kalori Pasien Kelamin
Kluster 1 dengan rata-rata pasien berumur 36.22, Berat Normal, lak-laki dan perempuan berkerangka besar, serta kalori yang dibutuhkan sekitar 2.570.08 kal/hari 1 xxx xxx xxx xxx xxx xxx
2 xxx xxx xxx xxx xxx xxx 3 xxx xxx xxx xxx xxx xxx 4 xxx xxx xxx xxx xxx xxx 5 xxx xxx xxx xxx xxx xxx 6 xxx xxx xxx xxx xxx xxx
Gambar 3.12 Rancangan Laporan akhir3.2.6.8 Rancangan Inisial Data
3.2.6.8.1 Rancangan Data Admin
Rancangan ini berguna untuk memasukkan nama serta password yang dilakukan oleh seorang Admin. Pada rancangan ini terdapat pemasukan Nama Admin serta
password . Selain itu juga terdapat dua tombol yaitu tombol Tambah berfungsi untuk
melakukan pemasukan data, tombol Edit untuk merubah data, tombol Hapus untuk menghapus data serta Keluar untuk menutup halaman.
Rancangan tampilan Data Admin dapat dilihat seperti Gambar 3.13.
Gambar 3.13 Rancangan Data AdminPada bagian ini terdapat inputan sebagai berikut : ID Pasien; Nama Pasien; Jenis Kelamin; Tinggi Badan; Lingkar Lengan; Berat Badan; Umur; Aktivitas. Juga disertai tompol import; tambah; update; hapus; batal; keluar. Rancangan data pasien dapat dilihat pada Gambar 3.14.
Gambar 3.14 Rancangan Data Pasienxxxxx
IDPasien Nama Pasien xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx Jenis xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx Tinggi Badan xxx Lingkar xxx Berat Badan xxx
Hapus Update Tambah Keluar Batal
Data Pasien
Umur xxx User ID Password xxxxxxxxx Keluar
Tambah xxxxxxxxx Batal Cari
Hapus Ubah Aktivitas xxxxxxxxxxxxxxxxxxxxxxxxxxx
3.2.6.8.2 Rancangan Data Pasien Rancangan ini berfungsi untuk memasukkan data pasien yang akan dikelompokkan.
Import Hapus semua data
3.2.6.8.3 Rancangan Data BMI
Rancangan ini berguna untuk pemasukan nilai body mass index (BMI) serta keterangan, rancangan Data BMI dapat dilihat seperti Gambar 3.15.
ID BMI 9999 Nilai BMI 9999 Keterangan xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
Tambah Update Hapus Batal Keluar
Data BMI Xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
Gambar 3.15 Rancangan Data BMIKeterangan: Petugas yang melakukan pemasukan data ini adalah administrator sistem yang melakukan pemasukan data Pasien, Data user, Data BMI serta Data Ukuran Kerangka.
3.2.6.8.4 Rancangan Data UK