18
BAB III
ANALISA DAN PERANCANGAN SISTEM
Pada bab ini akan dijelaskan mengenai analisa dan perancangan sistem
dari aplikasi yang akan dibuat untuk klasifikasi status gizi pada balita 0-60 bulan
di desa Tegalgondo, Karangploso Malang.
3.1 Analisa Dan Gambaran Umum
Masalah gizi di Indonesia merupakan masalah nasional, di mana balita
umur 0-60 bulan yang paling rentan terkena masalah gizi di antaranya adalah
masalah gizi kurang bahkan gizi buruk. Pada usia 0-60 bulan merupakan masa
pertumbuhan yang paling baik, dimana pada usia ini kesehatan balita serta status
gizinya dapat dijadikan acuan mengenai kesehatannya di masa yang akan datang.
Kekurangan gizi sendiri disebabkan oleh beberapa faktor, diantaranya adalah
pengetahuan, kemiskinan, karena adanya suatu penyakit dan lain sebagainya.
Diharapkan dengan adanya aplikasi yang akan dibuat ini dapat membantu para
ahli dibidangnya dalam menyelesaikan masalah gizi kurang bahkan gizi buruk
khususnya di desa Tegalgondo, Karangploso Malang.
3.1.1 Kebutuhan Hardware
Hardware (perangkat keras) merupakan perangkat yang akan digunakan
sebagai alat dalam memproses atau menjalankan perangkat lunak ( software ).
Dalam pembuatan aplikasi ini, kebutuhan perangkat keras yang digunakan adalah
sebagai berikut :
Processor : Intel® Core™ i3-2310M CPU @2.10GHz,-2.1GHz
Memory : 2048 MB RAM
Lain-lain :keyboard, mouse
19
3.1.2 Kebutuhan Software
Software (Perangkat lunak) adalah aplikasi yang nantinya akan
digunakan untuk membuat aplikasi. Untuk membuat aplikasipada tugas
akhir ini nanti yang akan digunakan adalah software sebagai berikut :
Operating system: Windows 7 Ultimate 32bit
Java Develoment Kit (JDK) Versi 8.1
Java Runtime Environment (JRE) Versi 8.1
Netbeans IDE Versi 7.0
Mysql Workbench 5.2 CE
Xampp Control Panel v3. 1.0.3.1.0
3.2 Akurasi Pengetahuan
Akuisasi Pengetahuan dari klasifikasi status gizi pada balita didapat dari:
1. Wawancara, dengan dokter ahli gizi anak.
2. Buku dan Data Tentang Faktor yang mempengaruhi status gizi pada balita
klasifikasi status gizi pada balita membutuhkan basis pengetahuan di sertai
keabsahan data yang valid. Basis pengetahuan ini berisi fakta-fakta yang di
butuhkan oleh sistem,sedangkan inferensi di butuhkan untuk menganalisa
faktor lain yang mendukung keadaan status gizi balita sehingga didapatkan
sebuah kesimpulan. Basis pengetahuan terdiri dari data balita berupa berat
badan, tinggi badan, pola makan, pola asuh, tingkat pegetahuan pengasuh
balita tentang kesehatan anak.
3.3 Analisa Kebutuhan Sistem
Untuk mempermudah menentukan keseluruhan kebutuhan sistem secara
lengkap dan tepat, maka kebutuhan sistem di bagi menjadi 2 jenis. Jenis pertama
adalah kebutuhan fungsional (Functional Requirment). Kebutuhan fungsional
adalah jenis kebutuhan yang berisi proses-proses apa saja yang nantinya di
lakukan oleh ssstem. Kebutuhan fungsional juga berisi informasi-informasi apa
saja yang harus ada dan di hasilkan oleh sistem. Jenis Kedua adalah kebutuhan
20
non fungsional (NonFunctioanl Requirment). Requirement jenis ini adalah tipe
requement yang berisi prilaku yang di miliki oleh sistem.
3.3.1 Kebutuhan Fungsional
Kebutuhan fungsional adalah kebutuhan utama yang harus ada agar sistem
dapat berjalan. Berikut adalah kebutuhan fungsional yang dimiliki sistem :
1. Sistem dapat melakukan input data berupa jenis kelamin anak, umur,
berat badan, penghasilan orang tua, pendidikan ibu serta jumlah point
pengetahuan ibu berdasarkan data kuisioner yang telah di isi.
2. Sistem dapat melakukan preprocessing data.
3. Sistem dapat menghitung bobot tiap masukan data dan melanjutkan ke
hidden layer.
4. Sistem dapat melakukan klasifikasi status gizi berdasarkan data
training yang telah tersedia pada database.
3.3.2 Kebutuhan Non-Fungsional
Kebutuhan non-fungsional adalah sesuatu yang di perlukan oleh
sistem agar dapat berjalan dengan optimal. Berikut adalah kebutuhan non
fungsional sistem yaitu :
1. Sistem dapat menunjukkan hasil klasifikasi status gizi pada balita.
2. Sistem dapat menunjukkan hasil Accuracy, Precision dan Recall.
3.4 Perancangan Sistem
Tujuan dari perancangan sistem adalah untuk memenuhi kebutuhan user
mengenai gambaran yang jelas tentang perancangan sistem yang akan di buat
serta diimplemenasikan. Untuk memulai membangun sebuah program yang
berupa sistem klasifikasi status gizi, maka penulis terlebih dahulu merencanakan
alur kerja berdasarkan kebutuhan user yang akan menggunakan sistem tersebut.
21
Gambar 3.1 Alur Perancangan Sistem
3.4.1 Alur Perancangan Sistem
a. Pengumpulan data
Pengumpulan data di lakukan dengan dua cara yaitu, pengisian
kuisiner dan wawancara. Pada lembaran kuisiner, terdapat beberapa data yang
harus diisi oleh ibu/pengasuh balita yaitu pendidikan terakhir ibu, penghasilan
orang tua balita dimana penghasilan yang di maksudkan adalah penghasilan
bersih. Penghasilan bersih tersebut sudah dikurangi dengan uang listrik
bulanan, PDAM, asuransi, kredit dll.
Adapun point dari pengetahuan ibu/pengasuh di dapatkan dari hasil
pengakumulasian point, dimana terdapat 50 soal yang harus di jawab pada
lembar kuisioner dan masing-masing soal memiliki bobot nilai yang telah
ditentukan. Data yang berupa jenis kelamin anak, berat dan umur dapat di lihat
dari hasil KSM terakhir pada balita. Data balita pada kartu KSM dapat
memperlihatkan staus gizi balita, apakah dia termasuk gizi baik tau gizi
kurang. Contoh gambar kuisioner ada pada halaman lampiran.
b. Preprocessing (data cleaning)
Yang dilakukan dalam proses berikut ada dua proses yaitu feature
selection dan normalisasi data. Feature selection yaitu memilih fitur-fitur apa
saja yang dibutuhkan sebagai parameter dalam aplikasi yang akan dibuat,
sedangkan normalisasi data yaitu membersihkan data-data yang tidak valid.
Pada Feature selection di dapatkan enam parameter yaitu jenis kelamin, berat
badan, umur, penghasilan orang tua, nilai pengetahuan orang tua serta tingkat
22
penddidikan ibu. Selanjutnya proses normalisasi data sendiri yaitu membuang
data-data yang tidak di perlukan oleh sistem, seperi nama, anak,nama ortu,
alamat dll.
c. Pembobotan
Inisialisasi input dan bobot adalah pemberian nilai awal untuk input dan
bobot pada jaringan backpropagation. Penentuan bobot awal koneksi, untuk
menentukan nilai dari bobot koneksi awal Vnj dan Wjk diinisialisasi dengan
cara random dengan nilai jangkauan [-0.5,+0.5].
d. Data Training
Tahap selanjutnya yaitu melakukan implementasi kedalam algoritma
Artificial Neural Network (ANN) backpropagation . Terdapat beberapa proses
perhitungan yang di lakukan pada proses training algoritma Backproagation
agar jaringan dapat mengenali pola dengan baik. Gambar 3.2 berikut untuk
mengetahui detail proses algoritma Backpropagation.
23
Gambar 3.2 Training algoritma ANN Backpropagation
Terdapat beberapa proses atau tahap yang di lakukan ketika
melakukan training training pada algoritma backpropagation, yaitu
membaca input proses prepocessing, inisialisasi nilai input dan bobot,
melakukan proses training dan iterasi, menghitung nilai error dan
bobot, melakukan pengecekan nilai error, update bobot, stop proses
training lalu menyimpan nilai bobot akhir.
1. Membaca input dari preprocessing adalah proses pengambilan
nilai yang nantinya akan digunakan untuk input jaringan pada
24
algoritma backpropagation. Inisialisasi input dan bobot adalah
pemberian nilai awal untuk input dan bobot pada jaringan
backpropagation. Nilai dari bobot koneksi awal Vnj dan Wjk di
inisialisasi dengan cara random yatu dengan nilai jangkauan [-
0.5, +0.5]
2. Proses training adalah proses pemberian nilai awal dari iterasi
yang akan dilakukan, iterasi akan terus dilakukan sampai nilai
error pada jaringan backpropagation sudah terpenuhi.
3. Perhitungan nilai error dan bobot adalah perhitungan nilai error
dan bobot yang ada pada jaringan backpropagation. Setelah
perhitungan nilai error selesai, maka akan dilakukan pengecekan
nilai error, jika nilai error dianggap belum memenuhi target
error, maka akan dilakukan kembali proses training dengan
bobot-bobot terbaru. Namun jika nilai error sudah dianggap
memenuhi target error, maka jaringan backpropagationakan
menghentikan proses training dan menyimpan nilai dari bobot
akhir yang diperoleh yang nantinya akan digunakan sebagai
bobot dalam pengujian jaringan backpropagation.
e. Klasifikasi
Penentuan klasifikasi status gizi menggunakan Z-Skor atau standar deviasi
unit (SD) sebagai batas ambang kategori dan di gunakan untuk meneliti atau
memantau pertumbuhan serta mengetahui klasifikasi status gizi. Z-Skor dapat
di hitung dengan menggunakan rumus
Gambar 3.3 Rumus Z-Skor
Kategori status gizi menurut indks (BB/U) dan batasan-batasannya.
Berdasarkan hasi keputusan Menteri Kesehatan R.I No.
920/Menkes/SK/VIII/2002, untuk menggunakan rujukan baku World
25
Health Organization-National Center for Health Statistics (WHO-NCHS)
dapat di lihat pada tabel 3.1 berikut :
Indeks Status Gizi Ambang Batas
Berat Badan terhadap
umur (BB/U) Gizi Baik >-2SD sampai +2SD
Gizi Kurang
26
1 jika’SMP’. Jumlah point prilaku ibu
terhadap pertumbuhan anak serta pola asuhnya.
3. Menampilkan hasil klasifikasi
3.5 Perhitungan ANN Backpropagation
Jika semua tahap tersebut dilakukan maka dilakukan uji dan evaluasi
aplikasi. Dalam ANN Backpropagation, algoritma pelatihan mempunyai dua fase,
fase pertama vektor/data masukan diberikan pada layer masukan. Jaringan
kemudian merambatkan data masukan dari layer masukan ke hidden layer
pertama, kemudian diteruskan ke hidden layer berikutnya sampai nilai keluaran
dibangkitkan oleh layer keluaran. Fase kedua, jika nilai/pola keluaran berbeda
dengan nilai keluaran yang diinginkan, error akan dihitung kemudian akan
dirambatkan balik ke layer keluaran sampai kembali ke layer masukan, Bobot
diperbaiki selama proses perambatan balik.
Ada beberapa parameter yang perlu diperhatikan dalam menyelesaikan masalah
pada perancangan pelatihan algoritma ANN yang sangat berpengaruh,
diantaranya:
1. Jumlah neuron pada input layer ini berdasarkan pada jumlah variabel
yang akan diproses.
2. Jumlah neuron pada hidden layer, belum ada cara pasti dalam
menentukan jumlah neuron pada hidden layer tersebut. Untuk jumlah
neuron pada hidden layer ini tidak ditentukan. Dan jumlah pada hidden
layer ini mempengaruhi hasil klasifikasi. Sehingga semakin banyak
jumlah neuron pada hidden layer maka akan semakin baik hasil
klasifikasinya namun akan memperlambat proses komputasi sitem.
3. Jumlah neuron pada output layer, yaitu sebanyak 1 neuron dan
menyesuaikan jumlah kelas klasifikasinya gizi baik atau gizi kurang.
4. Bias, nilai bias ini merupakan nilai konstan yang dimiliki setiap neuron
(kecuali neuron pada lapisan input) yang digunakan untuk memperbaiki
keluaran jaringan agar dapat menyamai atau mendekati nilai keluaran
yang diinginkan.
27
5. Fungsi aktivasi, fungsi aktivasi yang digunakan dalam multilayer
perceptron yaitu sigmoid bipolar dan sigmoid biner, fungsi aktivasi
sigmoid biner yaitu nilai sinyal keluaran y dihitung menggunakan kurva
sigmoid dengan interval nilai keluaran mulai 0 sampai 1, sedangkan
sigmoid bipolar yaitu dengan interval -1 sampai 1. Pada penelitian ini,
fungsi aktivasi yang digunakan yaitu fungsi aktivasi sigmoid biner.
6. Penentuan bobot awal koneksi, untuk menentukan nilai dari bobot
koneksi awal Vnj dan Wjk diinisialisasi dengan cara random dengan nilai
jangkauan [-0.5,+0.5].
7. Laju pembelajaran (learning rate), nilai parameter laju pembelajaran ada
dalam jangkauan 0 sampai 1. Semakin besar nilainya maka semakin
cepat selesai proses pelatihannya. Jika terlalu kecil maka akan
memperlambat proses pelatihan tetapi lebih menjamin hasil klasifikasi
yang lebih baik. Umumnya nilai yang digunakan adalah 0.1 sampai 0.3.
Pada penelitian ini, laju pembelajaran yang akan dignakan 0.1.
8. Momentum, kecilnya nilai laju pembelajaran bias mengakibatkan proses
pelatihan yang lama, tetapi tidak menjamin hasil yang lebih baik.
Umumnya ditambahkan momentum untuk membantu mempercepat
proses pencapaian target error tetapi dengan laju pembelajaran yang
kecil.
9. Target error, merupakan akumulasi selisih antara nilai keluaran output
harapan dengan nilai keluaran yang didapatkan(output). Kriteria yang
digunakan adalah Sum of Square (SSE) atau Mean of Square (MSE) ,
menghitung nilai error = y- y’ . jika target error yang diinginkan belum
tercapai, maka dilakukan perubahan pada bobot dan jika nilainya masih
melebihi batas maka dilakukan pembaruan bobot.Sementara x adalah
vector masukan (data) yang seang diproses. Dan nilai yang umum
digunakan adalah 0.001 atau 0.0001. Pada penelitian ini criteria error
yang digunakan 0.001 [15].
Berikut akan di contoh perhitungan pada ANN backpropagation.
Pada perhitungan ini, diasumsikan dengan menggunakan tabel 3.14, asumsi
28
data 1,2,3,4,5,6 dengan inputan x1, x2 dengan 2 Hiden Layer y1,y2 . dan
Arsitektur pada gambar 3.14.
Case : Data berupa inputan jenis kelamin balita, umur, berat badan,
penghasilan orang tua, tingkat penddikan ibu dan jumlah point prilaku ibu
terhadap pertumbuhan dan pola asuh anak.
Tabel 3.2 Contoh Data
Data D1 D2 D3 D4 D5 D6 Output
1 2 42 14 1.250.000 1 77 1
2 1 17 7,2 714.000 1 73 0
3 2 27 9 868.000 1 73 0
4 1 23 8,1 603.000 1 77 0
5 2 7 7,1 6.057.000 2 85 1
6 1 14 11 1.437.000 2 73 1
Dari tabel data di atas ditemukan satuan data dengan nominal
angka yang cukup signifikasn , yaitu adanya data yang berupa satuan
hingga jutaan. Agar tidak ada ketimpangan data yang cukup signifikan,
maka D4 yang berupa penghasilan dari orang tua balita akan di jadikan
menjadi sebuah bilangan puluhan. Untuk mendapatkan nilai berupa angka
satuan dan puluhan, maka tiap data akan di bagi dengan bilangan seratus
ribu (10.000) dan mengambil empat angka pertama. Berikut proses
normalisasi data berupa penghasilan orang tua:
Data D1 D2 D3 D4 & Normalisas D5 D6 Output
1 2 42 14 1.250.000:100.000=12.50 1 77 1
2 1 17 7,2 714.000:100.000=7.14 1 73 0
3 2 27 9 868.000:100.000=8.68 1 73 0
4 1 23 8,1 603.000:100.000=6.03 1 77 0
5 2 7 7,1 6.057.000:100.000=60.5 2 85 1
6 1 14 11 1.437.000:100.000=14.37 2 73 1
29
Tabel 3.3 Hasil Normalisasi Data
Keterangan :
1 : Gizi Baik
0 : Gizi Kurang
D1 : Jenis kelamin balita bernilai 1 jika ‘perempuan’ dan 2 jika ‘laki-
laki’
D2 : Umur balita (bulan)
D3 : Berat badan balita (kg)
D4 : Penghasilan orang tua (rupiah)
D5 : Pendidikan ibu bernilai 1 jika’SMP’
D6 : Jumlah point prilaku ibu terhadap pertumbuhan anak serta pola
asuhnya
30
Gambar 3.5 Struktur Perhitungan ANN
a. Inisialisasi Parameter
#Inisialisasi
31
Iterasi : #1
#Data 1
Fase Pertama : Menghitung Keluaran
1. Hitung keluaran pada neuron di hidden layer Y1 sampai Y6
Y1 = D1 * W11 + D2 * W21 + D3 * W31+ D4 * W41 + D5 * W51
+ D6 * W61 + Bias * W01
= 2 * -0,26069 + 42 * 0.46539 + 14 * -0.12498 + 12.50 *
0.31665 + 1 * -0.20711 + 77 * 0.43782 + 1 * 0.37468
= 54.50690
∑Y1 = 1 / (1+ e-(Y1) ) = 1 / (1+ e - (54.50690) ) = 1 / 1 = 1.00000
Y2 = D1 * W12 + D2 * W22 + D3 * W32+ D4 * W42 + D5 *
W52 + D6 * W62 + Bias * W02
= 2 * 0.22168 + 42 * 0.19866 + 14 * -0.17832 + 12.50 * -
0.40371 + 1 * 0.20290 + 77 * 0.02086 + 1 * -0.31866
= 2.73478
∑Y1 = 1 / (1+ e-(Y2) ) = 1 / (1+ e−(2.73478)) = 1 / 0 =0.93905
Langkah sama sampai perhitungan Y6
Y3 = -20.63952
ƩY3 = 0.00000
Y4 = -29.40742
ƩY4 = 0.00000
Y5 = 50.67540
ƩY5 = 1.00000
Y6 = -0.71446
32
ƩY6 = 0.32861
2. Hitung keluaran pada neuron di output layer Z1
Z1 = ∑Y1 * V11 + ∑Y2 * V21 + ∑Y3 * V31+ ∑Y4 * V41+ ∑Y5 *
V51 + ∑Y6 * V61 + Bias * V01
= 0.30242
∑Z1 = 1 / (1+e-(Z1)) = 1 / (1+(𝑒−(.60143)) = 0.57503
Fase Kedua : Merambatkan balik error
1. Hitung error dan gradient error pada neuron di output layer Z1
Output harapan = 1
Z error1 = Output harapan - ∑Z1
= 1 - 0.57503
= 0.42497
δZ1 = ∑Z1 * (1- ∑Z1) * Z error1
= 0.57503* (1 - 0.57503) * 0.35402
= 0.1038
Hitung selisih bobot untuk output layer ∆V11, ∆V21, ∆V31, ∆V41, ∆51, ∆61, ∆V01
∆V11 = Leraning rate* ∑Y1 * δZ1 = 0.1 * 1.00000 * 0.08096 =
0.01038
∆V21 = Learning rate* ∑Y2 * δZ1 = 0.1 * 0.00000* 0.08096 =
0.00975
∆V31 = Learning rate* ∑Y3 * δZ1 = 0.1 * 0.00000* 0.08096 =
0.00000
∆V41 = Learning rate* ∑Y4 * δZ1 = 0.1 * 0.00000* 0.08096 =
0.00000
∆V51 = Learning rate* ∑Y5 * δZ1 = 0.1 * 0.99918* 0.08096 =
0.01038
33
∆V61 = Learning rate* ∑Y6 * δZ1 = 0.1 * 0.00000* 0.08096 =
0.00341
∆V01 = Learning rate* Bias * δZ1
= 0.01038
2. Hitung gradien error pada neuron dihidden layer
δy1 = ∑Y1* (1- ∑Y1) * δZ1*V11
= 0.00000
δy2 = ∑Y2* (1- ∑Y2) * δZ1*
=-0.00102
δy3 = ∑Y3* (1- ∑Y3) * δZ1*V31
= -0.00000
δy4 = ∑Y4* (1- ∑Y4) * δZ1*V41
= 0.00000
δy5 = ∑Y5* (1- ∑Y5) * δZ1*V51
= 0.00000
δy6 = ∑Y6* (1- ∑Y6) * δZ1*V61
= -0.00966
3. Hitung selisih bobot untuk hidden layer ∆W11, ∆W21, ∆W31,
∆W41, ∆W51, ∆W61, ∆W01, ∆W12, ∆W22, ∆W32, ∆W42,
∆W52, ∆W62, ∆W02, ∆W13, ∆W23, ∆W33, ∆W43, ∆W53,
∆W63, ∆W03, ∆W14, ∆W24, ∆W34, ∆W44, ∆W54, ∆W64 ∆W04,
∆W15, ∆W25, ∆W35, ∆W45, ∆W55, ∆W65, ∆W05, ∆W16,
∆W26, ∆W36, ∆W46, ∆W56, ∆W66, ∆W06.
# a
∆W11 = Learning rate* D1 *δY1 = 0.00000
∆W21 = Learning rate* D2 *δY1 = 0.00000
34
∆W31 = Learning rate* D3 *δY1 = 0.00000
∆W41 = Learning rate* D4 *δY1 = 0.00000
∆W51 = Learning rate* D5 *δY1 = 0.00000
∆W61 = Learning rate* D6 *δY1 = 0.00000
∆W01 = Learning rate* Bias*δY1 = 0.00000
# b
∆W12 = Learning rate* D1 *δY2 = -0.00020
∆W22 = Learning rate* D2 *δY2 = 0.00427
∆W32 = Learning rate* D3 *δY2 = -0.00142
∆W42 = Learning rate* D4 *δY2 = -0.00127
∆W52 = Learning rate* D5 *δY2 = -0.00010
∆W62 = Learning rate* D6 *δY2 = -0.00783
∆W02 = Learning rate* Bias * δY2 = -0.00010
#c
∆W13 = Learning rate* D1 *δY3 =-0.00000
∆W23 = Learning rate* D2 *δY3 = -0.00000
∆W33 = Learning rate* D3 *δY3 -0.00000
∆W43 = Learning rate* D4 *δY3 = -0.00000
∆W53 = Learning rate* D5 *δY3 = -0.00000
∆W63 = Learning rate* D6 *δY3 = -0.00000
∆W03 = Learning rate* Bias * δY3 = -0.00000
#d
∆W14 = Learning rate* D1 *δY4 = 0.00000
∆W24 = Learning rate* D2 *δY4 = 0.00000
∆W34 = Learning rate* D3 *δY4 = 0.00000
∆W44 = Learning rate* D4 *δY4 = 0.00000
∆W54 = Learning rate* D5 *δY4 = 0.00000
∆W64 = Learning rate* D6 *δY4 =0.00000
∆W04 = Learning rate* Bias * δY4 =0.00000
#e
∆W15 = Learning rate* D1 *δY5 = 0.00000
∆W25 = Learning rate* D2 *δY5 = 0.00000
35
∆W35 = Learning rate* D3 *δY5 = 0.0000
∆W45 = Learning rate* D4 *δY5 = 0.00110
∆W55 = Learning rate* D5 *δY5 = 0.00000
∆W65 = Learning rate* D6 *δY5 = 0.00000
∆W05 = Learning rate* Bias * δY3 = 0.00000
#f
∆W16 = Learning rate* D1 *δY6 = -0.00193
∆W26 = Learning rate* D2 *δY6 = -0.04057
∆W36 = Learning rate* D3 *δY6 = -0.01352
∆W46 = Learning rate* D4 *δY6 = -0.01208
∆W56 = Learning rate* D5 *δY6 = -0.00097
∆W66 = Learning rate* D6 *δY6 = -0.07439
∆W06 = Learning rate* Bias * δY6 = -0.00097
Update bobot
W11 = W11 + ∆W11 = -0.26069
W12 = W12 + ∆W12 = 0.22168
W13 = W13 + ∆W13 = -0.20446
W14 = W14 + ∆W14 = 0.05301
W15 = W15 + ∆W15 = 0.01287
W16 = W16 + ∆W16 = -0.12626
W21 = W21 + ∆W21 = 0.46539
W22 = W22 + ∆W22 = 0.19866
W23 = W23 + ∆W23 = -0.15703
W24 = W24 + ∆W24 =-0.39100
W25 = W25 + ∆W25 = 0.43265
W26 = W26 + ∆W26 = 0.21671
W31 = W31 + ∆W31 = 0.12498
W32 = W32 + ∆W32 = -0.17832
W33 = W33 + ∆W33 = -0.26341
36
W34 = W34 + ∆W34 = -0.12980
W35 = W34 + ∆W35 = 0.36653
W36 = W36 + ∆W36 = -0.18720
W41 = W41 + ∆W41 = 0.31665
W42 = W42 + ∆W42 = -0.40371
W43 = W43 + ∆W43 = -0.19894
W44 = W44 + ∆W44 = -0.20587
W45 = W45 + ∆W45 = -0.03411
W46 = W46 + ∆W46 = -0.44948
W51 = W51 + ∆W51 = -0.20711
W52 = W52 + ∆W52 = 0.20290
W53 = W53 + ∆W53 = 0.29648
W54 = W54 + ∆W54 = 0.11851
W55 = W55 + ∆W55 = -0.35276
W56 = W56 + ∆W56 = -0.44540
W61 = W61 + ∆W61 = 0.43782
W62 = W62 + ∆W62 = 0.02086
W63 = W63 + ∆W63 = -0.09497
W64 = W64 + ∆W64 = -0.11279
W65 = W65 + ∆W65 = 0.36706
W66 = W66 + ∆W66 = -0.01650
W01 = W01 + ∆W01 = -0.23153
W02 = W02 + ∆W02 = -0.31856
W03 = W03 + ∆W03 = -0.44464
37
W04 = W04+ ∆W04 = -0.13454
W05 = W05+ ∆W05 = -0.11658
W06 = W06+ ∆W06 = 0.39144
V11 = V11 + ∆V11 = 0.10499
V21 = V21 + ∆V21 = -0.17099
V31 = V31 + ∆V31 = -0.13224
V41 = V41 + ∆V41 = 0.13225
V51 = V51 + ∆V51 = 0.14034
V61 = V61 + ∆V61 = -0.42164
V01 = V01 + ∆V01 = 0.36430
38
#Data 2
Perhitungan sama hingga data ke 6.
4. Hasil Training didapatkan nilai SSE : 0.78552
SSE = 0.5 * ( Z error1 ^ 2 + Z error2 ^2 + Z error3 ^2 + Z error4 ^2+
Z error5 ^2+ Z error6 ^2) = 0.78552
39
dan iterasi akan terhenti jika nilai SSE telah memenuhi target yaitu
0,001.
3.4 User Interface
Pembuatan aplikasi sangat di mudahkan dengan adanya user
interface, dimana user interface merupakan penghubung atau penerjemah
informasi antara pengguna dengan computer.
a. Gambar 3.16 Tampilan Interface
Gambar 3.6 Tampilan Interface
Pada gambar 3.17 merupakan tampilan awal dari Aplikasi
Klasifikasi Status Gizi Balita 0-60 bulan yang penulis rancang. Dalam
tampilan awal tersebut terdapat dua menu login yaitu login admin dan
user.Untuk dapat login, admin garus memasukkan username dan password
terlebuh dahulu, sedangkan user tidak memilikiusername dan password.
b. Gambar 3.18 Menu Login Admin
40
Gambar 3.7 Desain Menu Login Admin
c. Gambar 3.19 Desain Menu Utama
Gambar 3.8 Desain Menu Utama
Dalam menu-menu yang telah di rancang, terdapat sub-sub
menu di dalamnya. Berikut adalah penjelasannya :
a. Menu Utama
Menu utama adalah menu yang berisi tentang hal umum yang di
lakukan pada sistem diantaranya sebagai berikut:
Input Data : Untuk melakukan penginputan data.
Klasifikasi : Untuk melihat hasil klasifikasi
About : Tentang Klasifikasi Status Gizi dan algoritma
ANN
Logout : Keluar dari aplikasi
a. Menu Umum
Training : Untuk melakukan proses training data
Testing : Untuk melihat hasil perbandingan klasifikasi status
gizi balita.
o Precision : Ketetapan sistem dalam
mengklasifikasikan data.
o Recall : Untuk mengetahui keberhasilan sistem
dalam meng-klasifikasikan data.
41
o Accuracy : Untuk melihat tingkat keakuratan sistem.
b. Gambar 3.20 Menu Utama User
Gambar 3.9 Menu Utama User
User hanya dapat menginput data yang diinginkan serta
menampilkan hasil klasifikasi dari data tersebut.