Penentuan Model Terbaik pada Metode Naive Bayes Classifier dalam Menentukan Status Gizi Balita dengan Mempertimbangkan Independensi Parameter

Transkripsi

1 JURNAL ITSMART Vol 4. No. Jui 25 ISSN : Peetua Model Terbaik pada Metode Naive Bayes Classifier dalam Meetuka Status Gizi Balita dega Mempertimbagka Idepedesi Parameter Apriliya Fitri Cahyati Jurusa Iformatika Uiversitas Sebelas Maret Jl. Ir. Sutami 36A Ketiga Surakarta apriliya.fc@studet.us.ac.id Ristu Saptoo Jurusa Iformatika Uiversitas Sebelas Maret Jl. Ir. Sutami 36A Ketiga Surakarta ristu.saptoo@staff.us.ac.id Sari Widya Sihwi Jurusa Iformatika Uiversitas Sebelas Maret Jl. Ir. Sutami 36A Ketiga Surakarta sari.widya.sihwi@gmail.com ABSTRAK Utuk proses klasifikasi dalam studi kasus peilaia status gizi balita megguaka metode Naïve Bayes Classifier, asumsi idepedesi atar parameter perlu diperhitugka. Idepedesi atar parameter dilihat dari korelasi atar parameter yag diguaka. Artikel ii membahas megeai uji korelasi atar parameter dalam studi kasus peilaia status gizi megguaka metode Cosie Similarity. Kemudia hasil uji korelasi tersebut dijadika prosedur peetua model dalam metode Naive Bayes Classifier. Sehigga dapat diketahui model yag palig baik dalam peilaia status gizi megguaka metode Naive Bayes Classifier. Peetua model terbaik dilihat dari akurasi, kesederhaaa, waktu, da akuisisi data pada model. Pada skeario data 6%:4%, model terbaik ditujukka oleh model yag terdiri dari parameter berat, bmi, da umur, dega akurasi sebesar 4.4%. Sedagka pada skeario data %:2% model terbaik ditujukka pada model yag terdiri dari parameter berat, bmi, tiggi, umur, da jeis kelami, dega akurasi 4,%. Peelitia ii meujukka bahwa kolerasi parameter mempegaruhi hasil klasifikasi. Pegguaa parameter idepede belum tetu meghasilka akurasi yag maksimal. Bahka, model terbaik yag dipilih terdiri dari parameter depede. Kata Kuci Cosie Similarity, Naive Bayes Classifier, Peilaia Status Gizi.. PENDAHULUAN Naïve Bayes Classifier merupaka metode classifier yag berdasarka probabilitas da teorema Bayesia dega asumsi keidepedea atribut []. Asumsi idepedesi atribut aka meghilagka kebutuha bayakya jumlah data latih dari seluruh atribut yag dibutuhka utuk megklasifikasi suatu data. Data latih utuk Teorema Bayes membutuhka palig tidak perkalia kartesius dari seluruh kelompok atribut yag mugki, sehigga semaki sedikit atribut yag diguaka, aka meguragi data latih yag dibutuhka. Padahal, pada keyataaya asumsi atribut idepede pada Naïve Bayes Classifier serig dilaggar [2]. Hal ii disebabka karea asumsi keidepedea atribut dalam duia yata hampir tidak perah terjadi [3]. Idepedesi parameter sediri ditetuka berdasarka ilai korelasi atau kemiripa parameter yag diguaka pada klasifikasi. Dega megguaka metode Cosie Similarity dapat diketahui similaritas atar parameter, da korelasi atar perameter tersebut, sehigga dapat meetuka idepedesi atar parameter. Pada peelitia yag dilakuka oleh Domigos da Pazzai, teryata meghasilka Naive Bayes memiliki performa yag baik meskipu di dalamya terdiri dari atribut yag depede. [2] Dalam peelitia ii peulis megguaka studi kasus megeai peilaia status gizi. Peilaia status gizi sediri megguaka parameter berupa ukura tubuh seperti berat bada, tiggi bada, ligkar lega atas da tebal lemak di bawah kulit [4]. Peilaia status gizi megguaka parameter yag dibuat mejadi kategorikal, sehigga masig masig parameter salig berkaita. Peelitia ii membahas megeai korelasi atara parameter da hasil klasifikasi, da uji idepedesi atar parameter megguaka metode Cosie Similarity. Peulis igi megeksplore lebih lajut bagaimaa keoptimala Naive Bayes Classifier pada studi kasus peilaia status gizi dega mempertimbagka idepedesi parameter, dega pemodela data megguaka Backward Feature Selectio. Pemodela data Backward Feature Selectio dilakuka dega meghapus fitur, yag apabila fitur tersebut dihapus dapat meigkatka akurasi sistem. Selajutya, dipilih model yag palig baik dega mempertimbagka akurasi, kesederhaaa model, waktu eksekusi, da akuisisi data model. 2. LANDASAN TEORI 2.. Naïve Bayes Classifier Naive Bayesia Classifier merupaka klasifikasi dega model statistik utuk meghitug peluag dari suatu kelas yag memiliki masig masig kelompok atribut yag ada, da meetuka kelas maa yag palig optimal. Pada metode ii semua atribut aka memberika kotribusiya dalam pegambila keputusa, dega bobot atribut yag sama petig da setiap atribut salig bebas satu sama lai [5]. Dasar dari teorema Naïve Bayes Classifier yag dipakai dalam pemrograma adalah rumus Bayes sebagai berikut []. 2

2 JURNAL ITSMART Vol 4. No. Jui 25 ISSN : P(H X) = P(X H).P(H) () P(X) Dimaa P(H X) = probabilitas posterior H di dalam X P(X H) = Probabilitas posterior X di dalam H P(H) = Probabilitas prior dari H P(X) = Probabilitas prior dari X Dalam sebuah dataset yag besar, pemiliha data traiig secara radom aka meyebabka kemugkia adaya ilai ol dalam model probabilitas. Nilai ol ii aka meyebabka Naive Bayes Classifier tidak dapat megklasifikasi sebuah data iputa. Oleh karea itu diperluka suatu metode smoothig yag dapat meghidari adaya ilai ol dalam model probabilitas. Laplacia Smoothig merupaka metode smoothig yag biasa diguaka dalam Naive Bayes Classifier. Laplacia Smoothig biasa dikeal dega ama add oe smoothig, karea dalam perhitugaya, setiap variabel pada masig masig parameter ditambahka. Persamaa Laplace Smoothig dituliska pada persamaa (2). P(x k C) = P(x k C)+ (2) P(C)+ V Dimaa P(x k C)= probabilitas tiap atribut dari xk P(C) = total jumlah probabilitas dalam xk V = jumlah kemugkia ilai dari xk Backward Feature Selectio Seleksi fitur atau feature selectio diguaka utuk memilih fitur sesuai kriteria yag telah ditetuka. Pemodela data Backward Feature Selectio dilakuka dega meghapus fitur, yag apabila fitur tersebut dihapus dapat meigkatka akurasi sistem. Selai itu, jika dega meghapus fitur tersebut berdampak pada peurua performa, maka fitur tersebut diaggap sagat diperluka dalam proses klasifikasi [6]. Pada Backward Feature Selectio, dimulai dega megguaka semua parameter yag ada. Selajutya meghapus satu per satu parameter, yag pada setiap peghapusa dapat meuruka tigkat kesalaha sistem [7]. Gambar. Simulasi Backward Feature Selectio Berdasarka simulasi diatas, pembetuka fitur set dimulai dega fitur set yag legkap. Selajutya dilakuka peghapusa satu persatu fitur, higga ditetuka fitur set yag palig baik diguaka adalah A pada iterasi 3 dega ilai.6. Peghapusa fitur B, C, da D pada iterasi da iterasi 2 dapat meigkatka ilai performa Cosie Similarity Metode Cosie diguaka utuk meghitug ilai cosius sudut atara dua vector da megukur kemiripa atar dua dokume []. Utuk membadigka dua parameter A da B, maka perhituga similarity dapat dihitug dega persamaa (3). similarity = cos(θ) = A B = i= Ai Bi A B i= (Ai) 2 i= (Bi) 2 Dimaa A = bobot data yag dibadigka B = bobot data pembadig A = pajag data yag dibadigka B = pajag data pembadig Cosie Similarity berpusat x da y, da dibatasi atara - da. Namu, ilai cosius dibatasi da jika x da y berilai positif. Meurut O Coor, Cosie Similarity dapat meujukka korelasi. Pada umumya Cosie Similarity dibahas dalam hal sudut vektor, tetapi dapat diaggap sebagai korelasi, jika vektor yag dibadigka merupaka suatu data yag berpasaga []. Dua parameter dega ilai similaritas besar meujukka parameter yag salig berkorelasi Korelasi Iformasi korelasi diketahui berdasarka pada ilai kemiripa []. Semaki besar ilai kemiripa dari kedua objek, maka meujukka hubuga atau korelasi parameter yag kuat. Sedagka parameter yag memiliki korelasi tiggi meujukka parameter yag depede. Kekuata korelasi atar parameter ditujukka oleh koefesie korelasi Stratified Radom Samplig atau Holdout Metode Holdout merupaka metode yag meyediaka sejumlah data utuk diguaka sebagai data testig da sisaya sebagai data traiig []. Dalam peelitia ii data dibagi mejadi dua kelompok, yaitu data traiig da data pegujia yag dibagi secara acak. Data pelatiha diguaka utuk memperoleh model, sedagka data pegujia diguaka utuk megestimasi akurasi. Dalam pegacaka data traiig da testig ii ada kemugkia aka meghasilka data yag tidak proporsioal dalam tiap klasifikasi. Misalya satu klasifikasi data lebih domia jika dibadigka klasifikasi yag lai. Oleh karea itu diguaka metode stratified radom samplig utuk pegacaka data utuk meghasilka data traiig da testig yag proposioal Peilaia Status Gizi Atropometri sebagai idikator status gizi dapat dilakuka dega megukur beberapa parameter. Parameter adalah ukura tuggal dari tubuh mausia yaitu umur, berat bada, tiggi bada, ligkar lega atas, ligkar dada, ligkar paggul, da tebal lemak di bawah kulit [4]. Stadar atropometri pada balita berbeda utuk tiap jeis kelami, baik laki laki maupu perempua. Berdasarka berat da tiggi aak, dapat diketahui Body Mass Idex (BMI) yag juga dapat meetuka ilai status gizi aak tersebut. Pegguaa Body Mass Idex (BMI) pada umumya haya berlaku utuk orag dewasa. Pada aak aak pegukura BMI sagat terkait dega umurya, karea dega perubaha umur terjadi perubaha komposisi tubuh. Karea itu, pada aak aak diguaka ideks BMI meurut umur (BMI/U). BMI dapat dihitug dega rumus: (3) 2

3 JURNAL ITSMART Vol 4. No. Jui 25 ISSN : BMI = berat bada (kg) tiggi bada 2 (m) Selai itu, meurut [4], faktor yag mempegaruhi keadaa gizi yaitu kosumsi makaa da tigkat kesehata. Sedagka kosumsi makaa sediri dipegaruhi oleh pedapata orag tua, makaa, da tersediaya baha makaa. Terdapat hubuga atara tigkat pedidika da pedapata keluarga terhadap status gizi balita [3]. Pedapata keluarga sediri meyebabka keluarga masuk ke kategori keluarga miski () atau tidak). 3. METODOLOGI PENELITIAN 3.. Pegumpula Data Dataset yag diguaka merupaka data posyadu pada bula September 23 yag diambil dari puskesmas keluraha Cagkrep, Kecamata Purworejo, Kabupate Purworejo. Jumlah seluruh dataset yaitu 25 data Pemodela Data Pemodela data dilakuka utuk megetahui alur bagaimaa proses proses da metode berjala sebelum diimplemetasika ke dalam sebuah aplikasi dega data yag ada. Berikut tahap pemodela data utuk peetua status gizi megguaka Naïve Bayes Classifier. Gambar 2. Alur Pemodela Data Dalam proses pegkategoria parameter meurut Kemeteria Kesehata, beberapa kategori parameter dipegaruhi oleh parameter yag lai [2]. Kategori berat bada ditetuka oleh umur dalam bula, jeis kelami, da berat dalam kg. Pada kategori tiggi bada, ditetuka oleh umur dalam bula, jeis kelami, da tiggi dalam cm. Sedagka utuk kategori BMI (Body Mass Idex) ditetuka oleh umur dalam bula, jeis kelami, berat dalam kg, da tiggi dalam cm. Utuk label pegkategoria dapat dilihat pada tabel 3. berikut ii. Tabel 3. Diskritisasi Parameter No Parameter Kategori Label Gizi buruk Status gizi Gizi kurag (4) 3 2 Jeis Kelami 3 Status ekoomi keluarga (Keluarga Miski/Gaki) 4 Berat Bada 5 Tiggi Bada 6 Body Mass Idex (BMI) Gizi baik 2 Gizi Lebih 3 Perempua Laki-Laki Ya Tidak Sagat Kurag Kurag Baik 2 Lebih 3 Sagat Pedek Pedek Normal 2 Tiggi 3 Sagat Kurus Kurus Normal 2 Gemuk 3 7 Umur (bula) sd. 6 Peelitia ii megasumsika data yag diguaka adalah bersifat kategorikal, sehigga utuk data yag bertipe kotiu harus melalui preprocessig diskritisasi utuk meghasilka data yag bersifat kategorikal. Agka biary yag diguaka utuk label kategorikal ii dimulai dari. Utuk parameter umur sediri, tidak dilakuka diskritisasi, karea ilai umur yaitu sampai 6 sudah diaggap bersifat kategorikal. Utuk parameter yag lai, yaitu jeis kelami, status ekoomi, berat bada, tiggi bada, da BMI, pegkategoria berdasarka pada stadar atropometri yag ditetapka oleh Kemetria Kesehata RI Pegacaka Data megguaka Metode Holdout Utuk pembagia data traiig da data testig dilakuka secara acak dega persetase 6% utuk data traiig da 4% utuk data testig, serta % utuk data traiig da 2% utuk data testig. Utuk masig masig skeario, dilakuka 5 kali percobaa Uji Korelasi Parameter dega Cosie Similarity Uji korelasi dilakuka pada tiap parameter yag diguaka (jeis kelami, umur, berat, tiggi, da ) terhadap parameter status gizi. Dari hasil uji korelasi tersebut, parameter idepedet yag memiliki ilai similarity terbesar berarti memiliki pegaruh palig tiggi terhadap parameter depedet (status gizi). Selajutya, melakuka uji korelasi atar parameter megguaka Cosie utuk meetuka idepedesi atar parameter Pembetuka Model Data Uji idepedesi parameter meetuka model data yag aka diujika megguaka metode Naïve Bayes Classifier. Model data ii dibetuk berdasarka uruta similaritas parameter yag tersedia. Prosedur peetua model dilakuka secara Backward Feature Selectio dega meghilagka satu persatu parameter mulai dari parameter yag memiliki similaritas terkecil.

4 JURNAL ITSMART Vol 4. No. Jui 25 ISSN : HASIL DAN PEMBAHASAN 4.. Deskripsi Data Data yag diguaka dalam peelitia ii sebayak 25 data balita. Data tersebut diambil dari data posyadu Puskesmas Kecamata Purworejo. Data balita yag disimpa terdiri dari parameter umur, jeis kelami, berat, tiggi, bmi, da Pemodela Data 4... Uji Korelasi Parameter dega Cosie Similarity Dari beberapa parameter yag diguaka, terlebih dahulu dilakuka uji korelasi dega meghitug ilai similarity dari tiap parameter terhadap status gizi. Nilai similarity yag besar berarti ilai idepedesiya kecil. Uji korelasi ii dilakuka megguaka metode Cosie Similarity, da diurutka berdasarka ilai similarity palig besar. Karea Cosie Similarity tidak memiliki batas utuk koefisie korelasi, maka peulis memberika batasa sebesar,4 sebagai batas utuk parameter depede. Gambar 3. Alur Pembetuka Model Data 3.3. Pegembaga Sistem Aplikasi Pada peelitia ii dilakuka pegembaga suatu aplikasi utuk meetuka model yag palig baik dalam peilaia status gizi balita dega megguaka bahasa pemrograma PHP da database MySql Pegujia da Aalisis Hasil Utuk megetahui kierja dari sistem yag dibuat, dilakuka pegujia dega membadigka hasil klasifikasi megguaka software WEKA dega hasil klasifikasi pada sistem. Hasil yag dibadigka adalah hasil akurasi dari kedua sistem. Jika hasil model terbaik dari WEKA da sistem sama, maka dapat dikataka hasil sistem bear. Dalam percobaa, dataset yag ada dibagi mejadi data traiig da data testig. Terdapat dua prosedur dalam pembagia data traiig da testig dalam persetase data yag berbeda. Dega adaya prosedur yag berbeda tersebut dapat dilihat performa metode yag diuji berdasarka masig masig prosedur. Tabel 3.3 Skeario Pegujia Data Percobaa Persetase Data Traiig Testig Percobaa 6% 4% Percobaa 2 % 2% Utuk megukur tigkat akurasi dari metode Naive Bayes Classifier dihitug megguaka persamaa (5). Akurasi = jumlah prediksi bear Jumlah Data % (5) Selajutya parameter lai yag diukur adalah waktu eksekusi dari sistem dalam satua detik. Selai itu, utuk meetuka model terbaik dilihat akuisisi parameter yag terdapat pada model. Akuisisi parameter yaitu peetua parameter lapaga yag cocok dega daerah survey. Tabel 4. Uji Korelasi Status Gizi Dega Semua Parameter pada Skeario 6%:4% Parameter Parameter depedet idepedet Similarity Status gizi berat.333 Status gizi bmi.772 Status gizi tiggi.7 Status gizi umur.56 Status gizi jeis kelami.6425 Status gizi.2 Berdasarka hasil uji korelasi tersebut, terlihat bahwa berat memiliki agka similarity yag palig tiggi yaitu.333. Hal ii meujukka parameter berat memiliki keterkaita yag tiggi dega status gizi. Sedagka parameter memiliki agka similaritas palig kecil dega ilai,2. Parameter dapat dikataka sebagai parameter yag idepede terhadap status gizi. Selajutya dilakuka uji korelasi atar parameter utuk megetahui hubuga atar parameter. Tabel 4.2 Uji Korelasi Atar Parameter pada Skeario 6%:4% jeis tigg berat bmi umur kelami i Para meter berat bmi tiggi umur jeis kelami

5 JURNAL ITSMART Vol 4. No. Jui 25 ISSN : Hasil uji korelasi atar parameter dapat dilihat pada tabel 4.2. Uruta parameter yag memiliki similaritas palig tiggi dega parameter berat adalah BMI, tiggi, umur, jeis kelami, kemudia. Nilai similaritas bmi adalah.7, da ilai similaritas adalah.2. Tabel 4.3 Uji Korelasi Status Gizi Dega Semua Parameter pada Skeario %:2% Parameter Parameter depedet idepedet Similarity Status gizi berat.32 Status gizi bmi.7226 Status gizi tiggi. Status gizi umur.724 Status gizi jeis kelami.6537 Status gizi.273 Tabel 4.3 diatas meujukka hasil uji korelasi status gizi dega semua parameter yag dilakuka pada skeario %:2%. Sama halya dega skeario 6%:4%, pada skeario ii juga meujukka parameter berat memiliki ilai similaritas tertiggi dega status gizi, dega ilai.32. Uruta parameter dari ilai similaritas tertiggi dari kedua skeario juga sama, yaitu berat, bmi, tiggi, umur, jeis kelami, kemudia. Tabel 4.4 Uji Korelasi Atar Parameter pada Skeario %:2% jeis Para tigg berat bmi umur kelami meter i berat bmi tiggi umur jeis kelami Pada uji korelasi atar parameter pada skeario %:2% juga meghasilka uruta yag sama dega uji korelasi pada skeario 6%:4%. Uruta parameter berdasarka iilai similaritas tertiggi terdapat pada parameter bmi, mempuyai ilai sebesar.7, kemudia tiggi, umur, jeis kelami, da yag terakhir adalah dega ilai similaritas sebesar Pembetuka Model Data Backward Uji idepedesi atar parameter aka membetuk prosedur model data yag aka diujika megguaka metode Naïve Bayes Classifier. Model ii didapatka megguaka metode backward dega meguragi satu persatu parameter, sehigga haya tersisa satu parameter. Model data yag 32 dihasilka berdasarka proses uji idepedesi adalah sebayak 2 model. Pemodela data dibagi mejadi eam bagia berdasarka jumlah parameterya. Pertama terdiri dari eam parameter atau parameter legkap yaitu model. Yag kedua terdiri dari lima parameter yaitu model 2, 3, 4, 5, 6, da 7. Bagia ketiga terdiri dari empat parameter yaitu model,,,, da 2. Bagia keempat terdiri dari tiga parameter yaitu model 3, 4, 5, da 6. bagia kelima terdiri dari dua parameter yaitu model 7,, da. Sedagka bagia terakhir terdiri dari satu parameter yaitu model 2 da 2. Tabel 4.5 Model Data pada Skeario 6%:4% Model Parameter yag diguaka Akurasi berat, bmi, tiggi, umur, jeis kelami, berat, bmi, tiggi, umur, jeis kelami berat, bmi, tiggi, umur, berat, bmi, tiggi, jeis kelami, berat, bmi, umur, jeis kelami, berat, tiggi, umur, jeis kelami, bmi, tiggi, umur, jeis kelami, 6.33 berat,bmi,tiggi,umur berat,bmi,tiggi,jeis kelami 5.66 berat,bmi,umur,jeis kelami berat,tiggi,umur,jeis kelami bmi,tiggi,umur,jeis kelami berat,bmi,tiggi berat,bmi,umur berat,tiggi,umur bmi,tiggi,umur berat,bmi 5.2 berat,umur 6 bmi,umur.66 2 berat umur 75.6 Berdasarka tabel 4.5, model yag dipilih sebagai model terbaik dari masig-masig bagia adalah model, 2,, 4, 7, da 2. Dari keeam model tersebut dapat dilihat bagaimaa pegaruh keberadaa parameter tidak idepede (bmi, tiggi, jeis kelami, umur) da parameter idepede (). Pegaruh parameter tidak idepede da parameter idepede ii dapat dilihat dari ilai akurasi masig-masig model.. Model yag megguaka semua parameter ketika dibadigka dega model 2 yag meghilagka parameter jeis kelami meujukka bahwa memiliki pegaruh sebesar,3334% terhadap status gizi. 2. Model dega meghilagka parameter jeis kelami megalami peigkata,3334% dari model 2. Hal ii meujukka parameter jeis kelami memiliki pegaruh,3334% terhadap status gizi. 3. Model 4 dega meghilagka parameter tiggi megalami peurua,2666% dari model. Hal ii meujukka bahwa parameter tiggi memiliki pegaruh,2666% terhadap status gizi. 4. Model dega meghilagka parameter bmi megalami peurua akurasi,4% dari model 4. Hal

6 JURNAL ITSMART Vol 4. No. Jui 25 ISSN : ii meujukka bahwa parameter bmi memiliki pegaruh,4% terhadap status gizi. 5. Model 2 dega meghilagka parameter umur megalami peigkata akurasi,3334% dari model. Hal ii meujukka bahwa parameter umur memiliki pegaruh,3334% terhadap status gizi. Tabel 4.6 Model Data pada Skeario %:2% Model Parameter yag diguaka Akurasi berat, bmi, tiggi, umur, jeis kelami, 5,7 2 berat, bmi, tiggi, umur, jeis kelami 5, 3 berat, bmi, tiggi, umur, 5, 4 berat, bmi, tiggi, jeis kelami, 5,4 5 berat, bmi, umur, jeis kelami, 5,7 6 berat, tiggi, umur, jeis kelami, 4, 7 bmi, tiggi, umur, jeis kelami, 7,3 berat, bmi, tiggi, umur 5, berat, bmi, tiggi, jeis kelami 5,4 berat, bmi, umur, jeis kelami 5,7 berat, tiggi, umur, jeis kelami 5 2 bmi, tiggi, umur, jeis kelami 6,4 3 berat, bmi, tiggi 5,5 4 berat, bmi, umur 5, 5 berat, tiggi, umur 5, 6 bmi, tiggi, umur 5, 7 berat, tiggi 5,4 berat, umur 5,2 tiggi, umur berat 4,5 2 tiggi 73, Hasil da Evaluasi Peetua Model Terbaik Dalam meetuka model terbaik, diaalisa berdasarka akurasi, waktu, da akuisisi dari model. Model yag dipilih dilihat dari ilai akurasi, kesederhaaa model, waktu eksekusi, da akuisisi data. Akuisisi dari model dilihat dari kompoe parameter yag ada di dalam model tersebut. Akusisi parameter sediri merupaka peetua parameter lapaga yag cocok dega daerah survey. Dalam kasus ii, parameter kurag cocok diguaka, karea keadaa pada balita sulit utuk ditetuka. Sedagka utuk parameter berat, tiggi, umur, jeis kelami, da bmi, parameter tersebut salig terkait satu dega yag lai, sehigga akuisisi data parameter tersebut tetap diperluka sebagai data awal balita. Tabel 4.7 Model Data pada Skeario 6%:4% Berdasarka tabel 4.6, model, 2,, 5, 7, da 2 merupaka model yag dipilih sebagai model terbaik dari masig-masig bagia. Seperti halya pada skeario 6%:4%, pada skeario %:2% ii juga terlihat bagaimaa pegaruh parameter tidak idepede da parameter idepede terhadap akurasi model. Pegaruh parameter tersebut dapat dijelaska sebagai berikut.. Model yag terdiri dari semua parameter jika dibadigka dega model 2 dega meghilagka parameter megalami peigkata,%. Hal ii meujukka bahwa memiliki pegaruh,% terhadap status gizi. 2. Model dega meghilagka parameter jeis kelami megalami peigkata akurasi dari model 2 sebesar,%. Hal ii meujukka bahwa parameter jeis kelami memiliki pegaruh,% terhadap status gizi. 3. Model 4 dega meghilagka parameter tiggi tidak megalami perubaha akurasi dari model. Hal ii meujukka parameter tiggi tidak memiliki pegaruh terhadap status gizi. 4. Model dega meghilagka parameter bmi megalami peigkata,7% dari model 4. Hal ii meujukka parameter bmi memiliki pegaruh,7% terhadap status gizi. 5. Model 2 dega meghilagka parameter umur megalami peurua akurasi,7% dari model. Hal ii meujukka parameter umur memiliki pegaruh,7% terhadap status gizi. 33 Berdasarka tabel 4.7 di atas, pada data traiig 6%, model memiliki akurasi palig tiggi, yaitu 6,6666%. Namu, model 4 memiliki ilai akurasi yag tidak sigifika dibadigka model yaitu dega akurasi 6,4%. Dari segi waktu, model 4 juga memiliki waktu yag lebih sigkat dibadigka model. Akusisi data dari model 4 cocok utuk diguaka dalam klasifikasi status gizi. Pada data traiig dega presetase 6% ii, model 4 merupaka model yag palig baik. Pada data testig, model da model 4 memiliki ilai akurasi yag palig tiggi, yaitu 4,4%. Model 7 memiliki ilai akurasi tiggi yag tidak berbeda sigifika dega model da 4 yaitu sebesar 4,2%. Namu, model 7 ketika dihitug megguaka data traiig memiliki akurasi yag tidak maksimal. Dari segi akuisisi data, model 4 memiliki parameter yag cocok uuk klasifikasi status gizi. Meskipu dalam meetuka BMI dibutuhka jeis kelami da tiggi, amu dalam peetua status gizi haya diguaka parameter berat,

7 JURNAL ITSMART Vol 4. No. Jui 25 ISSN : BMI, da umur saja. Oleh karea itu, model 4 dijadika model terbaik utuk kasus skeario data 6%:4%. Tabel 4. Model Data pada Skeario %:2% Berdasarka tabel 4., pada data traiig, model da 4 memiliki akurasi yag palig tiggi yaitu 5,%. Jika dilihat waktu eksekusiya, model 4 memiliki waktu yag relatif lebih sigkat daripada model. Dari akusisi data, model 4 terdiri dari parameter yag cocok utuk melakuka klasifikasi. Oleh karea itu, pada skeario data traiig % ii model yag terbaik ditujukka oleh model 4. Pada data testig 2%, model yag memiliki akurasi palig tiggi merupaka model da model 2 dega ilai akurasi sebesar 4,%. Meskipu model memiliki akurasi yag tidak sigifika, amu waktu eksekusi model tidak berbeda jauh dega model 2. Oleh karea itu, pada skeario data %:2% model yag palig baik ditujukka pada model 2 dega parameter berat, BMI, tiggi, umur, da jeis kelami. Dari segi akuisisi data, model 2 cocok utuk pegklasifikasia status gizi Pegujia WEKA Pegujia data megguaka software WEKA haya dilakuka pada pegujia dega skeario data testig 4%. Dalam software WEKA juga telah dilakuka lima kali percobaa utuk setiap modelya, sehigga dihasilka perbadiga ilai akurasi pada sistem da WEKA. Jika pada kedua sistem meujukka model terbaik yag sama, maka sistem dapat dikataka berhasil. Tabel 4. Perbadiga Hasil Akurasi Testig MODEL Hasil Akurasi Hasil Akurasi Sistem (%) WEKA ,2 4,4 4 3,4 3,6 5 4,2 4, ,6 76,6 4,4 4,4 3,6 4 4,2 4,2 2 2,4 2 76, 76,4 3 3,4 3, 4 4,4 4, ,2 6 76,6 77,2 7 4,2 4,2 3,4, 2 3,4 3, , Perbadiga hasil akurasi atara WEKA da system yag dibuat dapat dilihat pada tabel 4.. Jika dilihat dari perbadiga akurasiya, bisa dikataka hasil akurasi system sama dega hasil pada software WEKA. Terdapat perbedaa hasil akurasi pada beberapa model, amu perbedaa ilai yag dihasilka tersebut tidak berbeda jauh. Utuk hasil model terbaik pada masig-masig bagia atara dua system tersebut ditujukka oleh model yag sama, yaitu model, 3,, 4, 7, da 2. Model terbaik yag ditujukka oleh WEKA da sistem yag dibuat sama, yaitu model 4 dega akurasi 4,4%. 5. KESIMPULAN DAN SARAN Peelitia ii meujukka bahwa Backward Feature Selectio dapat diguaka utuk pembetuka model berdasarka ilai korelasi megguaka metode Cosie Similarity. Berdasarka akurasi, waktu eksekusi, da akuisisi parameter yag diguaka, ditemuka model yag palig baik pada dua skeario percobaa. Pada skeario 6%:4%, model terbaik ditujukka oleh model yag terdiri dari parameter berat, bmi da umur dega ilai akurasi sebesar 4.4%. Sedagka pada skeario %:2% model terbaik ditujukka pada model yag terdiri dari parameter berat, bmi, tiggi, umur, da jeis kelami dega ilai akurasi 4,%. 34

8 JURNAL ITSMART Vol 4. No. Jui 25 ISSN : Peelitia ii meujukka bahwa korelasi parameter mempegaruhi hasil akurasi Naïve Bayes Classifier. Oleh karea itu, sebelum melakuka klasifikasi, perlu dilakuka perhituga uji korelasi atar parameter terlebih dahulu. Selajutya dapat diketahui parameter apa yag bisa dihilagka, sehigga medapatka model yag palig sederhaa. Peelitia ii memuculka asumsi baru, bahwa dalam Naive Bayes Classifier, sebelum melakuka uji korelasi atar parameter, aka lebih baik dilakuka uji korelasi parameter dega atribut kelas hasil klasifikasi. Hal ii dikareaka hubuga parameter da kelas hasil klasifikasi mempegaruhi pembetuka model. Model terbaik pada skeario %:2% diperoleh dega peghilaga parameter yag memiliki korelasi palig redah. Seperti halya pada peelitia yag dilakuka oleh Domigos da Pazzai, peelitia ii juga meujukka performa yag baik meskipu terdiri dari parameter depede. Bahka, dalam peelitia ii model yag terbaik ditujukka oleh model yag terdiri dari parameter yag depede. Cosie Similarity tidak memiliki batasa utuk korelasiya, sehigga utuk peelitia selajutya peulis memberika sara dalam uji korelasi Spearma. Fugsi Spearma tersebut memiliki batas utuk koefesie korelasi sehigga lebih jelas dalam meetuka korelasi atar parameter. [2] Witte, I. H., Frak, E., & Mark, A. H. (2). Data Miig : Practical Machie Learig Tools ad Techiques 3rd Editio. Burligto: Elsevier. [3] Kemetria Kesehata RI. (2). Stadar Atropometri Peilaia Status Gizi Aak. Jakarta: Meteri Kesehata. 6. DAFTAR PUSTAKA [] Berso, A., ad Smith S. J. (2). Data Warehousig, Data Miig, & OLAP. New York, NY : McGraw-Hill. [2] Domigos, P., ad Pazzai, M. (7). O the optimality of the Simple Bayesia Classifier uder Zero-Oe Loss. Machie Learig, 2, 3 3 [3] Shadiq, M. A. (2). Keoptimala Naïve Bayes dalam Klasifikasi. Badug: Uiversitas Pedidika Idoesia. [4] Supariasa, D. N., Bakri, B., & Fajar, I. (22). Peilaia Status Gizi. Jakarta: Peerbit Buku Kedoktera EGC. [5] Kusumadewi, S. (2). Klasifikasi Status Gizi Megguaka Naive Bayesia Classificatio. CommIT, Vol. 3 No., 6-. [6] Abe, S. (25). Modified Backward Feature Selectio. Europea Symposium o Artificial Neural Networks, [7] Ladha, L., & Deepa, T. (2). Feature Selectio Methods ad Algorithms. Iteratioal Joural o Computer Sciece ad Egieerig (IJCSE), Vol. 3 No.5, [] Susato, S., & Sesuse, D. I. (2, Vol. No.2). Pegklasifikasia Artikel Berita Berbahasa Idoesia secara Otomatis Megguaka Naive Bayes Classifier. Jural Ilmu Komputer da Iformasi [] O'Coor, B. T. (22, Maret 3). Cosie similarity, Pearso correlatio, ad OLS coefficiets. Retrieved Jauari 7, 25, from AI ad Social Sciece - Breda O'Coor: [] Marmais H, Babeko D. 2. Algorithms of the Itelliget Web. Greewich(UK): Maig Publ [] Nugroho, Bhuoo Agug. 25. Strategi Jitu Memilih Metode Statistik Peelitia dega SPSS. Yogyakarta : Adi 35