Академический Документы
Профессиональный Документы
Культура Документы
ABSTRAKSI
Masalah kesehatan merupakan permasalahan yang sangat penting untuk diperhatikan, diantaranya
adalah masalah BMI dan ukuran kerangka seseorang. Apabila seseorang telah mengetahui nilai BMInya, orang
tersebut dapat mengontrol berat badan sehingga dapat mencapai berat badan normal yang sesuai dengan tinggi
badan. Sedangkan apabila orang tersebut mengetahui ukuran kerangka tubuhnya maka orang tersebut dapat
mengontrol berat badannya agar dapat selalu berada dalam keadaan ideal.
Pada penelitian ini, penulis mencoba membangun suatu sistem untuk mengelompokkan data yang ada
berdasarkan status gizi dan ukuran rangkanya dengan memasukkan parameter kondisi fisik dari orang tersebut.
Pengelompokkan data dilakukan dengan menggunakan metode clustering K-Means yaitu dengan
mengelompokkan n buah objek ke dalam k kelas berdasarkan jaraknya dengan pusat kelas.
Dari hasil penelitian terhadap 20 data sampel diperoleh 3 kelompok mahasiswa berdasarkan nilai BMI
dan ukuran rangka, yaitu : BMI normal dan kerangka besar, BMI obesitas sedang dan kerangka sedang, BMI
obesitas berat dan kerangka kecil.
E-43
Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008) ISSN: 1907-5022
Yogyakarta, 21 Juni 2008
mencapai berat badan normal yang sesuai dengan Setelah mendapatkan status gizi dan nilai
tinggi badan. rangka dari masing-masing data maka langkah
Dalam menghitung BMI diperlukan dua selanjutnya adalah melakukan proses klasifikasi
parameter, yaitu berat badan (cm) dan tinggi badan data menggunakan metode klasifikasi K-Means.
(m). BMI dapat dihitung dengan menggunakan Jika ingin mengklasifikasi data menjadi 3
persamaan [3]: kelas, maka sudah dapat ditentukan bahwa nilai K
yang akan digunakan pada proses klasifikasi K-
...(1) Means adalah 3.
E-44
Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008) ISSN: 1907-5022
Yogyakarta, 21 Juni 2008
Mhs ke- BMI Ukuran Kerangka 14 22,99 11,47 5,56 2,47 1,12
10 18,42 11.20 15 26,81 9,17 8,82 5,87 3,36
11 22,94 10.60 16 19,14 12,11 3,31 2,81 4,98
12 26,89 10.44 17 21,09 10,67 3,51 0,67 2,93
13 24,91 10.63 18 18,71 12,36 3,43 3,29 5,46
14 22,99 11.47 19 20,58 10,80 3,14 0,91 3,43
15 26,81 9.17 20 27,66 9,94 9,71 6,66 3,81
16 19,14 12.11
17 21,09 10.67 3. Suatu data akan menjadi anggota dari suatu
18 18,71 12.36 cluster yang memiliki jarak terkecil dari pusat
19 20,58 10.80 clusternya. Misalkan untuk data pertama, jarak
terkecil diperoleh pada cluster ketiga, sehingga
20 27,66 9.94
data pertama akan menjadi anggota dari cluster
ketiga. Demikian juga untuk data kedua, jarak
3.3 Hasil Pelatihan
terkecil ada pada cluster ketiga, maka data
Selanjutnya akan digunakan algoritma
tersebut akan masuk pada cluster ketiga. Posisi
klasifikasi K-Means untuk mengelompokkan data
cluster selengkapnya dapt dilihat pada Tabel 4
yang ada. Data yang ada akan dikelompokkan
menjadi 3 kelompok. Adapun langkah dari
Tabel 4. Posisi cluster pada iterasi pertama
pengelompokkan data adalah sebagai berikut [4]:
Mhs BMI Uk.rangka C1 C2 C3
1. Tentukan pusat cluster secara acak, misalkan
ke
kita tentukan c1 = (20,9); c2 = (23,10); dan c3 =
1 22,21 11,64 *
(27,11)
2. Hitung jarak setiap data yang ada terhadap 2 43,25 8,95 *
setiap pusat cluster. Misalkan untuk 3 19,71 10,93 *
menghitung jarak data mahasiswa pertama 4 21,05 10,38 *
dengan pusat cluster pertama adalah : 5 17,93 12,85 *
6 17,72 12,00 *
7 18,71 11,53 *
8 25,86 9,33 *
9 19,15 11,80 *
Jarak data mahasiswa pertama dengan pusat
10 18,42 11,20 *
cluster kedua :
11 22,94 10,60 *
12 26,89 10,44 *
13 24,91 10,63 *
14 22,99 11,47 *
Jarak data mahasiswa pertama dengan pusat 15 26,81 9,17 *
cluster ketiga : 16 19,14 12,11 *
17 21,09 10,67 *
18 18,71 12,36 *
19 20,58 10,80 *
Hasil perhitungan selengkapnya pada Tabel 3. 20 27,66 9,94 *
Tabel 3. Hasil perhitungan jarak setiap data 4. Hitung pusat cluster baru. Untuk cluster
Mhs BMI Uk. C1 C2 C3 pertama, ada 4 data yaitu data ke-5, 6, 7 dan
ke rangka data ke-10, sehingga:
1 22,21 11,64 4,97 2,04 1,91 C11 = (17,93+17,72+18,71+18,42) / 4 = 18,19
2 43,25 8,95 25,25 22,28 19,36 C12 = (12,85+12,00+11,53+11,20) / 4 = 11,89
3 19,71 10,93 2,58 1,60 4,29
4 21,05 10,38 3,34 0,38 3,02 Untuk cluster kedua, ada 7 data yaitu data ke-3,
5 17,93 12,85 3,85 4,19 6,35 4, 9, 16, 17, 18 dan data ke-19, sehingga :
6 17,72 12,00 3,01 3,85 6,36 C21 = (19,71+21,05+19,15+19,14+21,09
7 18,71 11,53 2,63 2,76 5,32 +18,71+20,58) / 7 = 19,92
C22 = (10,93+10,38+11,8+12,11+10,67+12,36
8 25,86 9,33 7,87 4,91 2,50
+10,8) / 7 = 11,29
9 19,15 11,80 3,03 2,58 4,91
10 18,42 11,20 2,24 2,84 5,58
Untuk cluster ketiga, ada 9 data yaitu data ke-1,
11 22,94 10,60 5,19 2,03 1,13 2, 8, 11, 12, 13, 14, 15 dan data ke-20,
12 26,89 10,44 9,01 5,91 2,95 sehingga
13 24,91 10,63 7,10 3,96 0,99
E-45
Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008) ISSN: 1907-5022
Yogyakarta, 21 Juni 2008
E-46
Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008) ISSN: 1907-5022
Yogyakarta, 21 Juni 2008
4. KESIMPULAN
Dari hasil penelitian, dapat disimpulkan
bahwa algoritma klasifikasi K-Means dapat
digunakan untuk mengelompokkan mahasiswa
berdasarkan status gizi dan ukuran kerangka.
Dari data yang dilatih, diperoleh 3 kelompok
berdasarkan BMI dan ukuran kerangka, yaitu :
1. BMI normal dan kerangka besar, dengan pusat
cluster (19,53; 11,52).
2. BMI obesitas sedang dan kerangka sedang,
dengan pusat custer (25,44; 10,22).
3. BMI obesitas berat dan kerangka kecil, dengan
pusat cluster (43,25; 8,95).
5. SARAN
1. Diharapkakan dapat dikembangkan proses
clustering yang dapat digunakan untuk
mahasiswa yang berjenis laki-laki maupun
perempuan
2. Diharapkan aplikasi juga dapat dikembangkan
untuk clustering yang tidak hanya berdasarkan
nilai BMI dan ukuran rangka, namun juga
dapat berdasarkan status gizi, tekanan darah,
dsb.
PUSTAKA
[1] Agusta, Yudi. Pebruari 2007. K-Means-
Penerapan, Permasalahan dan Metode Terkait.
Jurnal Sistem dan Informatika Vol.3 : 47-60.
[2] Witten, Ian H. dan Frank, Eibe. 2005. Data
Mining Practical Machine Learning Tools and
Techniques, Second Edition. Morgan
Kaufmann, San Fransisco.
[3] Hartono, Andry. 2006. Terapi Gizi & Diet
Rumah Sakit. ECG, Jakarta.
[4] Kusumadewi, Sri. 2007. Diktat Kuliah
Informatika Kedokteran, Jurusan Teknik
Informatika, Fakultas Teknologi Industri,
Universitas Islam Indonesia.
E-47
Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008) ISSN: 1907-5022
Yogyakarta, 21 Juni 2008
E-48