SISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY

Transkripsi

1 SISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY Tedy Rismawan dan Sri Kusumadewi Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teni Informatia, FTI, UII Abstra Sistem penduung eputusan merupaan salah satu sistem omputer yang digunaan untu membantu manusia dalam hal mengambil suatu eputusan. Kesibuan masyaraat pada saat ini teradang membuat merea lupa aan esehatan. Salah satu fator penentu esehatan adalah adar lema tubuh. Nilai interval adar lema seseorang dapat ditentuan melalui variabel-variabel yang berpengaruh dengan perhitungan menggunaan salah satu metode pada neuro-fuzzy, yaitu model regresi interval. Model regresi interval merupaan metode yang didasari oleh jaringan bacpropagation. Pada model ini terdapat 2 jaringan bacpropagation yang dilatih, satu model untu mencari batas bawah dan model yang lain untu mencari batas atas. Sistem penduung eputusan yang dibangun memilii emampuan untu menerima input data user berupa jenis elamin, tinggi badan, berat badan, lingar perut, lingar panggul, lingar lengan atas, dan lingar lengan bawah, emudian memprosesnya menggunaan model regresi interval dengan neural fuzzy, yang emudian memberian informasi hasilnya berupa interval nilai adar lema tubuh dari user. Setelah melalui tahap pengujian validitas sistem, maa diperoleh hasil inerja sistem yang mencapai 86,44%. Kata Kunci : Sistem Penduung Keputusan, Regresi Interval, Kadar Lema. PENDAHULUAN Latar Belaang Seiring dengan perembangan jaman, peran omputer semain banya di dalam ehidupan masyaraat. Hampir semua bidang ehidupan telah menggunaan omputer sebagai alat bantu. Diharapan pada perembangannya, omputer dapat langsung dirasaan manfaatnya oleh masyaraat. Kehidupan masyaraat saat ini yang cenderung sangat sibu mengaibatan masyaraat sering ali tida memperhatian masalah esehatan merea. Banya fator yang mempengaruhi tingat esehatan seseorang, salah satunya adalah adar lema pada tubuhnya. Kadar lema seseorang dapat ditentuan berdasaran variabel-variabel ondisi fisinya menggunaan alat penguur adar prosentase lema yang saat ini sudah cuup mudah untu diperoleh. Namun, arena harga alat tersebut cuup mahal dan masih banya masyaraat yang belum mengetahuinya, maa sistem ini dibangun agar masyaraat dapat memperoleh informasi mengenai interval nilai adar lemanya dengan cara yang mudah, dan cepat. Sistem ini menentuan nilai adar prosentase lema seseorang menggunaan penggabungan dari metode sistem fuzzy dan jaringan syaraf tiruan, metode ini disebut regresi interval dengan neural fuzzy. Metode regresi interval dengan neural fuzzy dapat menghasilan interval batas awal dan interval batas ahir dari adar prosentase lema berdasaran masuan ondisi fisi dari pengguna sistem. Tujuan Tujuan dari penelitian ini adalah membangun sistem apliasi penentu nilai adar lema tubuh menggunaan model regresi interval dengan neural fuzzy. DASAR TEORI Model Regresi Interval dengan Neural Fuzzy Model regresi interval merupaan model regresi yang menggunaan neural fuzzy. Misalan diberian pasangan input output (x, d ), = 1,2,,p dengan x = (x 1, x 2,,x n ). Suatu model regresi fuzzy pada pola e- direpresentasian sebagai (Lin, 1996): Y(x ) = A 0 + A 1 x A n x n (1) Dengan A i adalah bilangan fuzzy. Oleh arena itu, nilai estimasi output Y(x ) juga merupaan bilangan fuzzy. Analisis regresi fuzzy dapat disederhanaan menjadi analisis regresi interval dimana model regresi interval nantinya aan dibentu (Lin, 1996). D-123

2 Prosiding Seminar Nasional Tenoin 2008 Bidang Teni Informatia Konsep dasar dari analisis regresi interval yang didasaran pada jaringan bacpropagation, diperenalan oleh Ishibuchi dan Tanaa (1992). Model tersebut menggunaan 2 jaringan bacpropagation. Satu jaringan digunaan untu batas atas interval, sedangan satu jaringan lainnya digunaan untu batas bawah interval data. Kedua jaringan tersebut dilatih secara terpisah (Jang, 1997). Misalan g + (x ) dan g - (x ) adalah output dari edua jaringan bacpropagation tersebut (BPN + dan BPN - ) yang berhubungan dengan input vetor x, dimana setiap jaringan memilii n neuron pada lapisan input dan 1 neuron pada lapisan output. Proses pembelajaran dilauan terhadap edua jaringan (BPN + dan BPN - ) untu mendapatan output jaringan g + (x ) dan g - (x ) yang beraitan dengan ondisi sebagai beriut (Lin, 1996) : g - (x) d g + (x), = 1, 2,, p. (2) Pada proses pembelajaran BPN +, fungsi biaya yang digunaan adalah: p p E = E = α [ d g (x )] = 1 2 = 1 (3) Dimana nilai α diberian sebagai beriut: Dimana α merupaan bilangan positif yang cuup ecil pada interval (0,1). Nilai α ini dapat diberian dengan menggunaan fungsi penurunan, sebagai: Dimana nilai t merupaan nilai dari iterasi yang sedang dilauan. Aturan pembelajaran bacpropagation digunaan untu mendapatan bobot-bobot w j (bobot antara lapisan tersembunyi dengan lapisan output) dan w ji (bobot antara lapisan input dengan lapisan tersembunyi) pada jaringan BP +, dan perbaian bobot adalah sebagai beriut (Kusumadewi, 2006): (7) Dimana nilai dari δ dan δ j adalah (Kusumadewi, 2006): (8) (9) Y = g + (x ) adalah output jaringan, dan y j adalah output neuron e-j pada lapisan tersembunyi untu input x (Kusumadewi, 2006). Cara yang sama juga digunaan untu melauan pembelajaran pada jaringan BPN - untu mendapatan output jaringan g - (x ). Fungsi biaya yang digunaan untu pembelajaran ini seperti terlihat pada persamaan (3), dengan α diberian sebagai beriut (Kusumadewi, 2006): (4) (5) (6) (10) Dimana adalah bilangan positif yang cuup ecil pada interval (0,1). Kedua algoritma pembelajaran tersebut digunaan untu menentuan 2 fungsi, g + (x) dan g - (x) dimana g - (x) d g + (x), = 1, 2,, p. Dari sini, dapat diperoleh interval (Kusumadewi, 2006): (11) Karena g + (x) dan g - (x) diperoleh dari pembelajaran yang terpisah, maa sangat dimunginan g + (x) < g - (x). Sehingga, jia hal tersebut terjadi, maa dapat dilauan modifiasi pada interval tersebut sebagai beriut (Kusumadewi, 2006): (12) (13) Berdasaran persamaan (12) dan (13) maa interval yang terjadi adalah (Kusumadewi, 2006): (14) Lema dan Klasifiasinya Lema tubuh adalah lema sub utan, lema perut, dsb tergantung loasinya dalam tubuh. Sebagian lagi, lema perut dietahui memilii hubungan dalam memudahan masunya penyait dalam tubuh. Persen lema tubuh menunjuan jumlah dari masa lema tubuh dibandingan dengan berat total seluruh tubuh (Medicastore, 2008). Orang selalu berfiir bahwa lema tubuh itu jele. Padahal, lema memilii peran penting dalam cadangan energi, melindungi organ dalam tubuh dan dsb. Kelebihan dan eurangan lema tida bai bagi tubuh. Penyebaran lema tubuh pada wanita dan lai-lai itu berbeda. Jadi, lasifiasi persen lema tubuh antara lai-lai dan wanita berbeda (Medicastore, 2008):. Beriut ini adalah tabel lasifiasi persen lema tubuh lai-lai dan perempuan (Tabel 1) (Medicastore, 2008): Tabel 1. Klasifiasi persen lema tubuh Lai-lai Klasifiasi Wanita %lema >= 25% Tinggi %lema >= 35% 20% < %lema <25% Aga Tinggi 30%< %lema < 35% 10% < %lema <20% Normal 20%< %lema <30% %lema <10% Rendah %lema <20% D-124

3 ISBN : Yogyaarta, 22 November 2008 MODEL YANG DIUSULKAN Gambaran Umum Model Pada peneliatian ini, diasumsian data yang terdapat pada sampel data hanya data yang berasal dari responden yang memilii umur antar 18 sampai dengan 24 tahun. Model yang diusulan pada penelitian ini adalah sebuah sistem penduung eputusan. Model ini menggunaan pendeatan uantitatif dengan memanfaatan data-data sampel yang diambil dari Laboratorium Informatia Kedoteran, Jurusan Teni Informatia, Universitas Islam Indonesia, Yogyaarta Komponen-omponen pembentu sistem penduung eputusan digunaan dengan pendeatan dari Turban (2005). Komponen-omponen tersebut teriri-atas manajemen data, manajemen model, subsistem berbasis pengetahuan, dan antarmua. Diagram model yang diusulan dapat dilihat pada gambar 1: 6. Antarmua berbasis window dan menu: merupaan jenis antarmua yang digunaan untu membangun sistem ini sehingga dapat digunaan dengan mudah oleh user. 7. Destop: merupaan basis pembangunan sistem ini. 8. Pengguna: semua user yang menggunaan sistem ini, yaitu administrator dan end-user. Gambar 2 merupaan gambar dari aliran data pada level 0, dimana terdapat user sebagai pengguna ahir sistem dan admin sebagai pengelola dari sistem. Sedangan gambar 3 merupaan gambar aliran data pada level 1. Pada level ini, data input dari user (ondisi fisi) diolah berdasaran bobot-bobot pelatihan yang menggunaan regresi interval dengan neural fuzzy. Nilai bobot-bobot tersebut diperoleh setelah melauan pelatihan terhadap data yang ada pada basis data. Untu proses 3 (pelatihan sampel data) dan proses 4 (pengujian) digunaan flowchart seperti pada gambar 4 dan 5. Gambar 2. DFD level 0 Gambar 1. Model yang diusulan. Keterangan: 1. SPK_Lema : merupaan nama basis data pada sistem. 2. Manajemen_data: berisi perintah-perintah yang digunaan untu memanipulasi data yang ada pada basis data. 3. Model regresi interval dengan neural fuzzy: merupaan manajemen model yang digunaan pada sistem ini. 4. Aturan IF (ondisi) AND (ondisi) THEN (statemen): merupaan aturan umum yang terdapat di dalam basis pengetahuan pada sistem. Adapun aturan yang terdapat pada sistem adalah IF (tinggi badan=a) AND (berat badan=b) AND (jenis elamin=c) AND (lingar perut=d) AND (lingar panggul=e) AND (lingar lengan atas=f) AND (lingar lengan bawah=g) THEN (persen lema=h). 5. Beberapa fungsi pada MATLAB: fungsi yang digunaan pada pada sistem yang diperoleh dari tools pemrograman MATLAB, antara lain: max, min, rand, size, dan load. Gambar 3. DFD level 1 D-125

4 Prosiding Seminar Nasional Tenoin 2008 Bidang Teni Informatia Mulai Mulai Input data pelatihan (X) dan target pelatihan (T) Proses pelatihan data(x) dengan jaringan bacpropogation untu batas atas interval Input data: variabel jenis elamin, tinggi badan, berat badan, lingar perut, lingar panggul, lingar lengan atas, lingar lengan bawah Input sistem: bobot-bobot variabel Output pelatihan bacpropogation untu batas atas interval g+(x) Proses pelatihan data(x) dengan jaringan bacpropogation untu batas bawah interval Output pelatihan bacpropogation untu batas bawah interval g-(x) Perhitungan adar lema tubuh untu jenis elamin lai-lai dengan feedforward+ untu batas atas dan feedforwarduntu batas bawah dengan persamaan Ya Jenis elamin = Lai-lai Hasil interval adar lema tubuh berdasaran hasil perhitungan dengan feedforward+ dan feedforward- Selesai Tida Perhitungan adar lema tubuh untu jenis elamin perempuan dengan feedforward+ untu batas atas dan feedforwarduntu batas bawah dengan persamaan Proses modifiasi nilai g+(x) dan g-(x) menjadi h+(x) dan h-(x) dengan persamaan Output ahir pelatihan: h+(x) dan h-(x) Selesai Gambar 4. Flowchart pelatihan Pada gambar 4, hasil ahir yang diperoleh adalah h + (x) dan h - (x). Nilai h + (x) merupaan batas atas adar lema, sedangan nilai h - (x) merupaan batas bawah adar lema. Gambar 5. Flowchart pengujian sistem Sebelum user melauan proses onsultasi, sistem yang ada harus dilatih terlebih dahulu agar dapat memperoleh nilai bobot-bobot hasil pelatihan yang nantinya aan digunaan untu proses onsultasi (gambar 6). Pada proses pelatihan, administrator juga diminta untu mengisi beberapa nilai parameter untu pelatihan, yaitu nilai masimum epoh, goal, dan laju pembelajaran. Apabila pelatihan telah dilauan, maa diperoleh bobot-bobot pelatihan yang emudian disimpan dalam suatu file penyimpanan. Setelah proses pelatihan dilauan maa sistem dapat digunaan untu onsultasi. Untu melauan onsultasi, seorang user harus memasuan terlebih dahulu ondisi fisinya, yaitu jenis elamin, tinggi badan, berat badan, lingar perut, lingar panggul, lingar lengan atas dan lingar lengan bawah. Adapun halaman untu memasuan data ondisi fisi dapat dilihat pada gambar 7. Setelah memasuan data maa user selanjutnya menean tombol proses untu memperoleh hasil dari interval adar lemanya beserta lasifiasi untu nilai adar lema (gambar 8). D-126

5 ISBN : Yogyaarta, 22 November 2008 Tabel 2. Contoh data yang aan diuji Lingar lengan atas Lingar lengan bawah Tinggi Berat b Lingar Lingar % No badan adan perut panggul Lema Gambar 6. Halaman pelatihan. Pada pengujian ini aan digunaan 28 data lai-lai dan 31 data perempuan. Setelah melauan proses pelatihan data dan pengujian, maa diperoleh hasil pada tabel 3 dan 4. Tabel 3. Hasil pengujian validitas sistem untu data lai-lai Gambar 7. Halaman onsultasi Gambar 8. Hasil onsultasi Data e- Batas Atas Batas Bawah Target Keterangan T F T T F T T T T T T T T T T T T T F T T T F T T T T T Data Pengujian Contoh pola data yang aan diuji dapat dilihat pada tabel 1. D-127

6 Prosiding Seminar Nasional Tenoin 2008 Bidang Teni Informatia Tabel 4. Hasil pengujian validitas sistem untu data perempuan Data e- Batas Atas Batas Bawah Target Keterangan T T T T T T T T T F T T T F T T T F Data e- Batas Atas Batas Bawah Target Keterangan T T T T T T F T T T T T T Keterangan: T = True. Terjadi apabila nilai target berada diantara nilai batas atas dan batas bawah. F = False. Terjadi apabila nilai target lebih dari batas atas atau urang dari batas bawah. Contoh pada tabel 3 data e-2: Batas bawah : Batas atas : Target : 31 Pada contoh di atas diperoleh bahwa nilai target berada di atas nilai batas atas, maa nilai yang dihasilan dari sistem tersebut tida valid. Berdasaran pengujian validitas yang telah dilauan maa diperoleh: Kinerja sistem = jumlah hasil pengujian yang benar/jumlah hasil pengujian yang salah x 100% Kinerja sistem = 51/59 x 100% = 86,44% PENUTUP Simpulan Kesimpulan yang dapat diperoleh dari penelitian ini adalah sebagai beriut: 1. Model regresi interval dengan neural fuzzy dapat digunaan untu menentuan interval nilai adar lema tubuh seseorang berdasaran data input antara lain jenis elamin, tinggi badan, berat badan, lingar perut, lingar panggul, lingar lengan atas dan lingar lengan bawah. 2. Hasil inerja sistem berdasaran pengujian validitas dengan nilai masimum epoh = 30000, laju pembelajaran = 0.3, momentum = 0.8, jumlah lapisan tersembunyi = 1, jumlah neuron pada lapisan tersembunyi = 5, diperoleh tingat etepatan sistem mencapai 86,44%. Saran Diharapan sistem dapat diembangan sehingga di masa yang aan datang sistem dapat: 1. Sistem dapat memilii data sampel yang lebih banya agar hasil ahir dari sistem dapat lebih bai 2. Sistem untu pemberian informasi (proses pengujian) dapat diembangan dengan berbasis web. DAFTAR PUSTAKA [1] Jang, JSR; Sun, CT; dan Mizutani, E Neuro-Fuzzy and Soft Computing. London: Prentice-Hall. [2] Lin, Chin-Teng; dan Lee, George Neural Fuzzy Systems. London: Prentice-Hall. [3] Kusumadewi, Sri dan Hartati, Sri Neuro- Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf. Yogyaarta: Graha Ilmu. [4] Medicastore Omron Body Fat Analyzer (Karada Scan) Scale Model HBF-356. Online pada hp?id=8&iddtl=&idtg=&idobat=&uid= (diases tanggal 12 Agustus 2008). [5] Turban, Efraim; Aronson, Jay, E.; Liang, Ting- Peng Decision Support Systems and Intelligent Systems. International Edition, Edisi 7. New Jersey: Pearson Prentice-Hall Education International D-128