Cyberspace: Jurnal Pendidikan Teknologi informasi Volume 8.
Nomor 1.
Maret 2024, hal.
25 - 37
ISSN 2598-2079 .
| ISSN 2597-9671 .
IMPLEMENTASI FUZZY INFERENCE SYSTEM
PADA MODEL PENDUKUNG PENILAIAN KONDISI GIZI DAN
PERTUMBUHAN BALITA
Aridhanyati Arifin1,* dan Rahadian Kurniawan2 Jurusan Informatika.
Fakultas Teknologi Industri.
Universitas Islam Indonesia.
Yogyakarta.
Indonesia E-mail: *aridhanyati@uii.
id, rahadiankurniawan@uii.
*Corresponding author Abstract It is possible to predict nutrition issues and growth disorders in children as early as infancy, including the likelihood of stunting, wasting, and underweight.
Posyandu is one of the divisions tasked with overseeing the growth and nutritional status of children within the Indonesian healthcare system.
Posyandu Kelurahan Tirtorahayu's information technology is currently restricted to the process of digitizing documents by switching from manual to digital recording.
Infant nutrition and development assessments should be supplemented by computer technology that integrates the anthropometric knowledge of the kid.
Fuzzy logic is one of the AI methods used to model issues with infant development.
In this research, the Fuzzy Inference System (FIS) method of Tsukamoto will be used to address the creation of decisionsupporting models for the evaluation of nutritional circumstances and development of infants.
The problem-identification, data gathering, knowledge extraction, modeling, and techniques of resolution, as well as model testing, are all parts of the research phase.
Based on the findings of the tests, it can be said that the application of FIS Tsukamoto can result in a reliable decision-supporting model with accuracy ratings of 94% for determining the baby's nutritional status, 91% for determining growth conditions based on BB/U, and 91% for TB/U-based growth conditions.
Keywords: Decision Support Model.
FIS Tsukamoto.
Toddler Nutritional Conditions.
Toddler Growth Abstrak Masalah gizi dan gangguan pertumbuhan seperti risiko stunting, wasting dan underweight pada anak dapat diantisipasi sejak dini.
Sistem pelayanan kesehatan di Indonesia menjadikan Posyandu sebagai salah satu unit yang bertugas memantau pertumbuhan dan status gizi anak.
Teknologi informasi yang dimiliki oleh Posyandu Kelurahan Tirtorahayu masih terbatas pada aktivitas digitalisasi dokumen dengan mengubah aktivitas pencatatan manual menjadi digital.
Evaluasi terhadap status gizi dan perkembangan balita perlu didukung oleh suatu teknologi komputer yang menghimpun pengetahuan-pengetahuan terkait antropometri anak.
Salah satu pendekatan AI untuk memodelkan masalah terkait perkembangan balita dalah logika Makalah ini akan membahas desain model pendukung keputusan untuk penilaian kondisi gizi dan perkembangan balita dengan menerapkan metode Fuzzy Inference System (FIS) Tsukamoto.
Tahapan penelitian terdiri atas identifikasi masalah, pengumpulan data, ekstraksi pengetahuan, pemodelan dan metode pemecahan serta pengujian model.
Berdasarkan hasil pengujian yang telah dilakukan dapat disimpulkan bahwa penerapan FIS Tsukamoto dapat menghasilkan model
pendukung keputusan yang akurat yakni memiliki akurasi sebesar 94% dalam menilai status gizi balita, akurasi 91% dalam menilai kondisi pertumbuhan IMPLEMENTASI FUZZY INFERENCE SYSTEM
PADA MODEL PENDUKUNG PENILAIAN KONDISI GIZI DAN PERTUMBUHAN BALITA
berdasarkan BB/U dan akurasi 91% untuk kondisi pertumbuhan berdasar TB/U.
Kata Kunci: Model Pendukung Keputusan.
FIS Tsukamoto.
Kondisi Nutrisi Balita.
Pertumbuhan Balita Pendahuluan Fakta menunjukkan lebih dari dua juta anak menderita gizi buruk dan lebih dari tujuh juta balita mengalami stunting .
Menurut Laporan Status Gizi Indonesia (SSGI) pada tahun 2021, satu dari empat balita di Indonesia mengalami stunting dengan prevalensi sebesar 24,4% .
Kasus stunting di Provinsi DIY berdasarkan data 2023 sebesar 16,4%, khususnya di kabupaten Kulon Progo, prevalensinya naik sebesar 15,8 % .
Masalah gizi dan gangguan pertumbuhan seperti risiko stunting, wasting dan underweight pada anak dapat diantisipasi sejak dini.
Sistem pelayanan kesehatan di Indonesia menjadikan Posyandu sebagai salah satu unit yang mendukung pelayanan kesehatan ibu dan balita.
Salah satu program Posyandu adalah pemeriksaan kesehatan bayi dan balita untuk memantau pertumbuhan dan status gizi anak.
Posyandu menggunakan indeks antropometri yang ditetapkan pemerintah melalui Peraturan Menteri Kesehatan (PMK) RI no.
2 tahun 2020 .
untuk menilai dan melakukan evaluasi terhadap status gizi dan pertumbuhan anak dengan interpretasi menggunakan standar deviasi unit atau Z-Score.
Kelurahan Tirtorahayu merupakan sebuah kelurahan yang terletak di Kapanewon Galur.
Kabupaten Kulon Progo.
Terdapat 14 posyandu yang berada dalam wilayah kerja Kelurahan Tirtorahayu.
Posyandu yang berada di wilayah kerja Kelurahan Tirtorahayu berfokus dalam melakukan pengentasan masalah gizi anak dan pertumbuhannya.
Prosedur yang berjalan selama ini, bayi/balita ditimbang berat badannya (BB) dan diukur panjang/tinggi (PB/TB) badannya.
Selanjutnya, hasil pengukuran beserta interpretasinya dicatat ke dalam sebuah Sistem Informasi Posyandu yang dimiliki oleh kelurahan Namun, teknologi informasi yang dimiliki oleh Kelurahan Tirtorahayu ini masih terbatas pada aktivitas digitalisasi dokumen dengan mengubah aktivitas pencatatan manual menjadi digital.
Evaluasi terhadap status gizi dan perkembangan balita perlu didukung oleh suatu teknologi komputer yang menghimpun pengetahuan-pengetahuan terkait antropometri anak.
Berdasarkan basis pengetahuan yang dimilikinya, teknologi tersebut dapat memberikan interpretasi penilaian terhadap status gizi dan kondisi pertumbuhan balita dengan memanfaatkan Artificial Intelligence (AI).
Sebelum teknologi tersebut dibangun, diperlukan suatu kajian untuk mendesain model pendukung keputusan untuk penilaian kondisi gizi dan perkembangan balita berbasis AI.
Salah satu pendekatan untuk memodelkan masalah berbasis AI adalah logika Pemodelan dengan logika fuzzy dipilih karena karakteristik data-data indeks gizi dan data-data perkembangan balita memiliki karakter nilai kabur .
idak memiliki batasan nilai yang tega.
Kategori status gizi yang terdapat dalam indikator antropometri yang digunakan pemerintah menggunakan interpretasi linguistik misalnya gizi buruk, gizi baik atau berat kurang, berat ideal, berat lebih dan seterusnya.
Interpretasi linguistik tersebut memiliki karakter nilai kabur yang sesuai dengan karakter masalah yang dapat dimodelkan dengan logika fuzzy.
Himpunan fuzzy memberikan dukungan terhadap interpretasi linguistik tersebut.
Penilaian terhadap status gizi dan perkembangan balita dapat ditarik menggunakan kaedah-kaedah fuzzy.
Selain itu, tren penelitian sejenis dalam rentang 5 tahun ini banyak menggunakan pendekatan Fuzzy dan terbukti dapat memberikan model keputusan dengan akurasi yang Cyberspace: Jurnal Pendidikan Teknologi Informasi | 26 Aridhanyati Arifin dan Rahadian Kurniawan Berdasarkan kajian terhadap 18 penelitian terdahulu diketahui bahwa Logika Fuzzy memodelkan status gizi dengan akurasi 95% untuk 20 sampel data .
Penentuan status gizi pada usia anak di bawah tiga tahun .
dengan Fuzzy Inference System (FIS) Sugeno mencapai akurasi 40% untuk 30 sampel data .
dan FIS Mamdani mencapai akurasi 81% .
Namun dalam penelitian lainnya FIS Tsukamoto memiliki hasil akurasi yang lebih baik dibandingkan FIS Mamdani dalam menentukan status gizi batita .
awah tiga tahu.
Untuk kasus anak bawah lima tahun .
, beberapa metode FIS digunakan dalam penilaian status gizi seperti FIS Tsukamoto .
dengan akurasi 82,75% .
hingga 100% .
FIS Mamdani .
dan FIS Sugeno dengan akurasi 62,3% .
Selain itu penilaian kondisi gizi balita dengan Fuzzy Tahani memiliki akurasi 85,7% untuk 35 sampel data .
Beberapa metode FIS juga digunakan untuk memantau pertumbuhan balita, seperti metode Sugeno dengan akurasi 81,8% dari 80 sampel data .
dan metode Tsukamoto .
Beberapa metode FIS juga memberikan hasil yang baik dalam mendiagnosa gizi buruk .
, malnutrisi.
, kebutuhan gizi bayi MPASI.
, kecukupan gizi .
dan penanganan gizi balita .
Berdasarkan kajian penelitian terdahulu.
FIS Tsukamoto dapat memberikan pemecahan model dengan akurasi yang paling tinggi diantara metode-metode Fuzzy Oleh karena itu, metode pemecahan yang dipilih adalah metode Tsukamoto.
Alasan lainnya adalah FIS Tsukamoto memiliki penalaran solusi yang sesuai dengan karakter masalah.
Penelitian ini akan melengkapi penelitian-penelitian yang telah dilakukan sebelumnya dengan menggabungkan dua fokus permasalahan yakni penilaian status gizi dan evaluasi perkembangan balita.
Makalah ini membahas terkait desain model pendukung keputusan untuk penilaian kondisi gizi dan perkembangan balita dengan menerapkan metode FIS Tsukamoto.
Tujuannya adalah menguraikan penerapan FIS Tsukamoto sehingga dihasilkan model pendukung keputusan untuk menilai kondisi gizi dan pertumbuhan balita.
Tujuan berikutnya adalah melihat seberapa besar akurasi dari model yang dihasilkan dalam memberikan rekomendasi keputusan.
Selanjutnya, model keputusan ini akan dikembangkan menjadi sistem pendukung keputusan (SPK).
Kehadiran teknologi tersebut diharapkan dapat meningkatkan kualitas penilaian status gizi dan perkembangan balita serta membantu kinerja petugas Posyandu dalam memberikan arahan terhadap kondisi balita yang tidak ideal secara lebih efektif.
Metode Penelitian Pengumpulan data dilakukan pada 14 Posyandu di Kelurahan Tirtorahayu.
Kapanewon Galur.
Kabupaten Kulon Progo.
Provinsi Yogyakarta.
Indonesia.
Penelitian dilakukan selama 4 bulan.
Ringkasan tahapan penelitian yang akan dilakukan dapat dilihat pada Gambar 1.
27 | Cyberspace: Jurnal Pendidikan Teknologi Informasi
IMPLEMENTASI FUZZY INFERENCE SYSTEM
PADA MODEL PENDUKUNG PENILAIAN KONDISI GIZI DAN PERTUMBUHAN BALITA
Gambar 1.
Tahapan Penelitian 1 Identifikasi Masalah Proses identifikasi dilakukan dengan mendalami proses penetapan status gizi dan evaluasi pertumbuhan balita sesuai dengan mekanisme yang terjadi di seluruh Posyandu Kelurahan Tirtorahayu.
Objek penelitian adalah anak usia 0 s/d 60 bulan dengan jumlah sampel sebanyak 32 data dengan rincian 11 anak perempuan dan 21 anak laki-laki.
Ringkasan data anak dapat dilihat di Tabel 1.
Data-data yang dikumpulkan merupakan standar penilaian gizi anak berdasar standar antropometri merujuk pada PMK no 2 tahun 2020 .
Data-data tersebut diperoleh melalui teknik wawancara kepada petugas posyandu.
Data-data berupa data sekunder meliputi : data berat badan (BB).
panjang badan (PB) untuk anak usia 0 s/d 24 bulan.
tinggi badan (TB) untuk anak usia di atas 24 bulan hingga 60 bulan.
nilai Z-Score untuk BB/U .
erat badan per usi.
BB/TB .
erat badan per tinggi bada.
atau BB/PB .
erat badan per panjang bada.
Nilai Z-Score akan digunakan sebagai pembanding dalam proses pengujian akurasi model.
Tabel 1.
Data Anak Data Umur (Bl.
PB-TB .
2 Kajian Literatur Kajian dilakukan dengan mencari sejumlah referensi sebagai landasan teori dan kajian terhadap penelitian terdahulu.
Referensi yang menjadi landasan teori berkaitan dengan sistem fuzzy.
Fuzzy Inference System (FIS), pemodelan keputusan, penilaian gizi dan perkembangan balita berdasarkan standar Antropometri yang telah ditetapkan Menurut Peraturan Menteri Kesehatan Republik Indonesia No 2 tahun 2020, standar antropometri adalah standar yang digunakan untuk menilai status gizi dan tren pertumbuhan dengan mengumpulkan data tentang ukuran, proporsi, dan komposisi tubuh.
Standar ini bergantung pada berat badan dan tinggi badan terdiri atas 4 indeks yaitu .
indeks berat badan menurut umur (BB/U), .
indeks tinggi badan menurut umur (TB/U) atau panjang badan menurut umur (PB/U), .
indeks berat badan menurut tinggi badan (BB/TB) atau berat badan menurut panjang badan (BB/PB) dan .
indeks massa tubuh menurut umur (IMT/U).
Hanya saja, penilaian status gizi hanya menggunakan indeks 1,2 dan 3 saja dianggap cukup menurut penjelasan penilaian status gizi pada Cyberspace: Jurnal Pendidikan Teknologi Informasi | 28 Aridhanyati Arifin dan Rahadian Kurniawan Peraturan Menteri Kesehatan tersebut .
Alat yang umumnya digunakan untuk mengukur antropometri anak adalah Z-Score.
Pada Z-score, status gizi didasarkan pada nilai standar deviasi.
Penelitian terdahulu dilakukan dengan mencari sejumlah jurnal yang berkaitan dengan domain penelitian dalam rentang 7 tahun terakhir yang menggunakan bahasa Indonesia dan Inggris.
Tujuannya untuk melihat fokus penelitian, model keputusan dan metode pemecahan.
Tools pencarian menggunakan Google Scholar menggunakan kata kunci sebagai berikut: AoFIS status gizi balitaAo.
AoSPK Status nutrisiAo.
AoSis Pakar Status AoSPK FIS status gizi balitaAo.
AoDetermining Nutritional Status of ToddlersAo.
Hasil pencarian diperoleh 61 literatur.
Lalu disaring menjadi 25 literatur yaitu 20 jurnal berbahasa Indonesia dan 5 jurnal berbahasa Inggris lalu disaring lagi menjadi 18 literatur yang fokus membahas metode-metode Fuzzy.
3 Ekstraksi Pengetahuan Ekstraksi dilakukan dengan mengambil pengetahuan dari Peraturan Menteri Kesehatan No 2 tahun 2020 tentang Standar Antropometri Anak .
Menurut standar tersebut, penilaian atas status gizi anak dan pertumbuhannya diukur berdasarkan pada parameter berat badan menurut umur (BB/U).
panjang/tinggi badan menurut umur (PB/U atau TB/U).
berat badan menurut panjang/tinggi badan (BB/PB atau BB/TB) dengan mempertimbangkan jenis kelamin anak.
Selain itu, ekstraksi pengetahuan terkait pemodelan keputusan berdasarkan disiplin ilmu informatika dengan berkonsultasi kepada pakar Informatika Medis.
4 Pemodelan dan Metode Pemecahan Data-data yang memiliki karakteristik fuzzy akan dimodelkan ke dalam himpunan fuzzy yang menjadi input fuzzy.
Tahap selanjutnya adalah perhitungan solusi menggunakan teknik-teknik penyelesaian dalam FIS Tsukamoto.
Metode Tsukamoto digunakan untuk menilai kondisi gizi anak berdasarkan BB/TB dan keadaan pertumbuhan berdasarkan BB/U dan TB/U.
Tahapan pemecahan dalam FIS Tsukamoto yaitu .
Fuzzifikasi yaitu proses untuk membentuk himpunan fuzzy dengan cara mengubah data-data BB/U.
TB/U dan BB/TB yang bernilai crisp menjadi variabel fuzzy menggunakan fungsi keanggotan.
Pembentukan aturan fuzzy.
Aturan FIS Tsukamoto mengikuti model IF .
is A) AND .
is B) THEN .
is C).
Adapun A.
B dan C adalah himpunan fuzzy.
Sedangkan x,y, dan z adalah variabel fuzzy.
Mesin inferensi, yaitu proses untuk mendapatkan nilai alpa predikat .
u_ycyycyceyc.
dengan menggunakan fungsi MIN pada aplikasi fungsi implikasi.
Defuzzifikasi adalah proses untuk mendapatkan nilai Z dengan mencari rata-rata terbobot menggunakan rumus .
ycs= Ocycuycn=1 Ocyco
yc=1 Ocycuycn=1 yu_ycyycyceyccycn O ycyc
yu_ycyycyceyccycn 5 Pengujian Model
Pengujian model yaitu melakukan pengujian terhadap model pendukung keputusan menggunakan sejumlah data balita Posyandu dengan cara membandingkan hasil keluaran dari model dengan hasil perhitungan menggunakan standar z-score yang selama ini 29 | Cyberspace: Jurnal Pendidikan Teknologi Informasi
IMPLEMENTASI FUZZY INFERENCE SYSTEM
PADA MODEL PENDUKUNG PENILAIAN KONDISI GIZI DAN PERTUMBUHAN BALITA
Tingkat validitas model ditentukan dengan menghitung Overall Accuracy .
menggunakan persamaan .
yaycoycycycaycycn = ycNycE ycNycA y 100% ycNycE yaycE yaycA ycNycA Diketahui:
A TP: True Positif, jika hasil pengujian cara konvensional dan menggunakan model SPK hasilnya sama-sama positif .
tatus gizi baik, pertumbuhan BB atau TB idea.
A TN: True Negatif, jika hasil pengujian dengan cara konvensional dan menggunakan model SPK hasilnya sama-sama negatif .
tatus gizi tidak baik, pertumbuhan BB atau TB tidak idea.
A FP: False Positif, jika pengujian dengan cara konvensional hasilnya negatif .
tatus gizi tidak baik, pertumbuhan BB atau TB tidak idea.
tetapi menggunakan model SPK hasilnya positif .
tatus gizi baik, pertumbuhan BB atau TB idea.
A FN: False Negatif, jika pengujian dengan cara konvensional hasilnya positif .
tatus gizi baik, pertumbuhan BB atau TB idea.
tetapi menggunakan model SPK hasilnya negatif .
tatus gizi tidak baik, pertumbuhan BB atau TB tidak idea.
Hasil dan Pembahasan Pada bagian ini akan diuraikan proses pemodelan fuzzy dan pengujian terhadap 1 Proses Pemodelan Fuzzy Proses pemodelan fuzzy uraiannya sebagai berikut:
Pembentukan himpunan fuzzy Variabel-variabel fuzzy untuk menentukan status gizi anak dan kondisi pertumbuhannya terdiri atas variabel input dan variabel output.
Rinciannya dapat dilihat dalam Tabel 2 dan Tabel 3.
Variabel Input Usia BB1-Lk BB2-Lk BB3-Lk BB4-Lk BB1-Pr Tabel 2.
Variabel Input Fuzzy dan Himpunannya Himpunan Range Kurva Fungsi Keanggotaan Bayi 1 .
Bahu kiri Bayi 2 .
Segitiga Baduta .
Segitiga Balita .
Bahu kanan Rendah .
Bahu kiri Sedang .
Segitiga Lebih .
Bahu kanan Rendah .
Bahu kiri Sedang .
Segitiga Lebih .
Bahu kanan Rendah .
Bahu kiri Sedang .
Segitiga Lebih .
Bahu kanan Rendah .
Bahu kiri Sedang .
Segitiga Lebih .
Bahu kanan Rendah .
Bahu kiri Sedang .
Segitiga Lebih .
Bahu kanan Cyberspace: Jurnal Pendidikan Teknologi Informasi | 30 Aridhanyati Arifin dan Rahadian Kurniawan Variabel Input BB2-Pr BB3-Pr BB4-Pr PB1-Lk PB2-Lk TB3-Lk TB4-Lk PB1-Pr PB2-Pr TB3-Pr TB4-Pr Variabel Output TumbuhBB1-Lk TumbuhBB2-Lk TumbuhBB3-Lk TumbuhBB4-Lk TumbuhBB1-Pr TumbuhBB2-Pr TumbuhBB3-Pr Himpunan Rendah Sedang Lebih Rendah Sedang Lebih Rendah Sedang Lebih Pendek Sedang Tinggi Pendek Sedang Tinggi Pendek Sedang Tinggi Pendek Sedang Tinggi Pendek Sedang Tinggi Pendek Sedang Tinggi Pendek Sedang Tinggi Pendek Sedang Tinggi Range .
Kurva Fungsi Keanggotaan Bahu kiri Segitiga Bahu kanan Bahu kiri Segitiga Bahu kanan Bahu kiri Segitiga Bahu kanan Segitiga Bahu kanan Segitiga Bahu kiri Segitiga Bahu kanan Bahu kiri Segitiga Bahu kanan Bahu kiri Segitiga Bahu kanan Bahu kiri Segitiga Bahu kanan Bahu kiri Segitiga Bahu kanan Bahu kiri Segitiga Bahu kanan Bahu kiri Segitiga Bahu kanan Tabel 3.
Variabel Ouput Fuzzy dan Himpunannya Himpunan Range Kurva Fungsi Keanggotaan Underweight .
Bahu kiri Ideal .
Segitiga Overweight .
Bahu Kanan Underweight .
Bahu kiri Ideal .
Segitiga Overweight .
Bahu Kanan Underweight .
Bahu kiri Ideal .
Segitiga Overweight .
Bahu Kanan Underweight .
Bahu kiri Ideal .
Segitiga Overweight .
Bahu Kanan Underweight .
Bahu kiri Ideal .
Segitiga Overweight .
Bahu Kanan Underweight .
Bahu kiri Ideal .
Segitiga Overweight .
Bahu Kanan Underweight .
Bahu kiri Ideal .
Segitiga
31 | Cyberspace: Jurnal Pendidikan Teknologi Informasi
IMPLEMENTASI FUZZY INFERENCE SYSTEM
PADA MODEL PENDUKUNG PENILAIAN KONDISI GIZI DAN PERTUMBUHAN BALITA
TumbuhBB4-Pr TumbuhPB1-lk TumbuhPB2-lk TumbuhTB3-lk TumbuhTB4-lk TumbuhPB1-Pr TumbuhPB2-Pr TumbuhTB3-Pr TumbuhTB4-Pr StatGizi1-Lk StatGizi2-Lk StatGizi3-Lk StatGizi4-Lk StatGizi1-Pr StatGizi2-Pr StatGizi3-Pr StatGizi4-Pr Over Weight Underweight Ideal Over Weight Stunted Ideal Tinggi Stunted Ideal Tinggi Stunted Ideal Tinggi Stunted Ideal Tinggi Stunted Ideal Tinggi Stunted Ideal Tinggi Stunted Ideal Tinggi Stunted Ideal Tinggi Wasted Baik Obesitas Wasted Baik Obesitas Wasted Baik Obesitas Wasted Baik Obesitas Wasted Baik Obesitas Wasted Baik Obesitas Wasted Baik Obesitas Wasted Baik Obesitas .
{ 7.
Bahu Kanan Bahu kiri Segitiga Bahu Kanan Bahu kiri Segitiga Bahu Kanan Bahu kiri Segitiga Bahu Kanan Bahu kiri Segitiga Bahu Kanan Bahu kiri Segitiga Bahu Kanan Bahu kiri Segitiga Bahu Kanan Bahu kiri Segitiga Bahu Kanan Bahu kiri Segitiga Bahu Kanan Bahu kiri Segitiga Bahu Kanan Bahu kiri Segitiga Bahu Kanan Bahu kiri Segitiga Bahu Kanan Bahu kiri Segitiga Bahu Kanan Bahu kiri Segitiga Bahu Kanan Bahu kiri Segitiga Bahu Kanan Bahu kiri Segitiga Bahu kanan Bahu kiri Segitiga Bahu kanan Bahu kiri Segitiga Bahu kanan Cyberspace: Jurnal Pendidikan Teknologi Informasi | 32 Aridhanyati Arifin dan Rahadian Kurniawan .
Pembentukan Aturan Fuzzy Aturan penentuan status gizi berdasarkan BB/TB ditampilkan dalam Tabel 4.
Tabel 4.
Aturan penentuan status gizi berdasarkan BB/TB Usia Bayi 1 Bayi 1 Bayi 1 Bayi 1 Bayi 1 Bayi 1 Rendah Rendah Rendah Sedang Sedang Sedang Pendek Sedang Tinggi Pendek Sedang Tinggi Usia Bayi 1 Bayi 1 Bayi 1 Bayi 2 Bayi 2 Bayi 2 Bayi 2 Bayi 2 Bayi 2 Bayi 2 Bayi 2 Bayi 2 Lebih Lebih Lebih Rendah Rendah Rendah Sedang Sedang Sedang Lebih Lebih Lebih Pendek Sedang Tinggi Pendek Sedang Tinggi Pendek Sedang Tinggi Pendek Sedang Tinggi Stat BB/TB R Usia Wasted 19 Baduta Wasted 20 Baduta Baik 21 Baduta Wasted 22 Baduta Baik 23 Baduta Baik 24 Baduta Stat BB/TB R Usia Obesitas 25 Baduta Obesitas 26 Baduta Baik 27 Baduta Wasted 28 Balita Wasted 29 Balita Baik 30 Balita Wasted 31 Balita Baik 32 Balita Baik 33 Balita Obesitas 34 Balita Obesitas 35 Balita Baik 36 Balita TB Stat BB/TB Rendah Pendek Wasted Rendah Baik Wasted Rendah Tinggi Baik Sedang Pendek Wasted Sedang Sedang Baik Sedang Tinggi Baik TB Stat BB/TB Lebih Pendek Obesitas Lebih Sedang Obesitas Lebih Tinggi Baik Rendah Pendek Wasted Rendah Sedang Wasted Rendah Tinggi Baik Sedang Pendek Wasted Sedang Sedang Baik Sedang Tinggi Baik Lebih Pendek Obesitas Lebih Sedang Obesitas Lebih Tinggi Baik Aturan pertumbuhan balita berdasarkan tinggi badan per usia (TB/U) ditampilkan dalam Tabel 6 dan aturan pertumbuhan balita berdasarkan berat badan per usia (BB/U) ditampilkan dalam Tabel 5.
Usia 1 Bayi 1 2 Bayi 1 3 Bayi 1 4 Bayi 2 5 Bayi 2 6 Bayi 2 Rule Tabel 5.
Aturan Pertumbuhan berdasar BB/U BB/U Usia
Rendah Underweight 7
Baduta Rendah
Sedang Ideal
Baduta Sedang Lebih Overweight 9
Baduta Lebih Rendah Underweight 10 Balita
Rendah
Sedang Ideal
11 Balita
Sedang Lebih Overweight 12 Balita
Lebih Usia
1 Bayi 1
2 Bayi 1
3 Bayi 1
4 Bayi 2
5 Bayi 2
6 Bayi 2
BB/U
Underweight Ideal Overweight Underweight Ideal Overweight Tabel 6.
Aturan Pertumbuhan berdasar TB/U PB/U Rule
Usia
Baduta Pendek
Pendek Stunted 7
Baduta Sedang Sedang Ideal
Baduta Tinggi Tinggi Tinggi Balita
Pendek Stunted 10
Pendek
Balita
Sedang Ideal
Sedang Balita
Tinggi Tinggi Tinggi 2 Pengujian Model
33 | Cyberspace: Jurnal Pendidikan Teknologi Informasi
PB/U
Stunted Ideal
Tinggi Stunted Ideal
Tinggi IMPLEMENTASI FUZZY INFERENCE SYSTEM
PADA MODEL PENDUKUNG PENILAIAN KONDISI GIZI DAN PERTUMBUHAN BALITA
Pengujian dilakukan dengan membandingkan hasil penilaian status gizi dan perkembangan balita yang direkomendasikan oleh model pendukung keputusan dengan hasil status gizi dan perkembangan menurut antropometri yang digunakan oleh pakar.
Berdasarkan pengujian yang dilakukan dapat ditentukan tingkat akurasi dari model keputusan dengan menghitung nilai Overall Accuracy.
Tabel 7 berisi hasil pengujian penilaian status gizi balita dengan membandingkan hasil prediksi model SPK FIS Tsukamoto dan nilai aktual dari perhitungan konvensional.
Berdasarkan Tabel 7 pada penilaian status gizi balita berdasarkan BB/TB dapat diketahui nilai TP =24.
TN=6.
FP=2 dan FN=0.
Tabel 7.
Hasil Pengujian Model SPK untuk Penilaian Status Gizi Balita Data Prediksi Aktual Outcome Data Prediksi Aktual Outcome Tabel 8 dan Tabel 9 berisi hasil pengujian penilaian pertumbuhan balita berdasarkan BB/U dan TB U dengan cara membandingkan hasil prediksi model SPK FIS Tsukamoto dan nilai aktual dari perhitungan konvensional.
Tabel 8.
Hasil Pengujian Model SPK untuk Penilaian Pertumbuhan Balita Berdasar BB/U Data Prediksi Aktual Outcome Data Prediksi Aktual Outcome Cyberspace: Jurnal Pendidikan Teknologi Informasi | 34 Aridhanyati Arifin dan Rahadian Kurniawan Data Prediksi Aktual Outcome Data Prediksi Aktual Outcome Berdasarkan Tabel 8 dapat diketahui nilai TP =20.
TN=9.
FP=2 dan FN=1.
Berdasarkan Tabel 9 dapat diketahui nilai TP =24.
TN=5.
FP=1 dan FN=2.
Tabel 10 menunjukkan kesimpulan nilai akurasi dari model keputusan.
Tabel 9.
Hasil Pengujian Model SPK untuk Penilaian Pertumbuhan Balita Berdasar TB/U Data Prediksi Aktual Outcome Data Prediksi Aktual Outcome Tabel 10.
Hasil Pengujian Akurasi Penilaian Status Gizi Balita Evaluasi Perkembangan berdasar BB/U Evaluasi Perkembangan berdasar TB/U Akurasi Berdasarkan seluruh hasil pengujian yang telah dilakukan dapat disimpulkan bahwa penerapan FIS Tsukamoto dapat menghasilkan model pendukung keputusan yang valid, dengan tingkat akurasi yang baik dalam menilai status gizi dan perkembangan balita.
35 | Cyberspace: Jurnal Pendidikan Teknologi Informasi
IMPLEMENTASI FUZZY INFERENCE SYSTEM
PADA MODEL PENDUKUNG PENILAIAN KONDISI GIZI DAN PERTUMBUHAN BALITA
Kesimpulan Pengembangan model keputusan untuk mengevaluasi status gizi dan perkembangan balita telah dilakukan.
Model FIS Tsukamoto terbukti dapat membantu melakukan automasi penentuan status gizi dan perkembangan balita dengan baik.
FIS
Tsukamoto dapat menghasilkan model pendukung keputusan yang valid yakni memiliki akurasi sebesar 94% dalam menilai status gizi balita, akurasi 91% dalam menilai kondisi pertumbuhan berdasarkan BB/U dan akurasi 91 % untuk kondisi pertumbuhan berdasar TB/U.
Penelitian lanjutan yang dapat dilakukan adalah menambah variabel lain seperti lingkar kepala, lingkar lengan dan lainnya yang relevan dalam penilaian status gizi balita.
Referensi