Penerapan Data Mining Untuk Menampilkan Informasi Pertumbuhan Berat Badan Ideal Balita dengan Menggunakan Metode Naive Bayes Classifier

Transkripsi

1 Penerapan Data Mining Untuk Menampilkan Informasi Pertumbuhan Berat Badan Ideal Balita dengan Menggunakan Metode Naive Bayes Classifier Octia Nuraeni Teknik Informatika Pembimbing : Dr. Riza Adrianti S, Skom., MMSI

2 LATAR BELAKANG Perkembangan teknologi informasi yang semakin pesat Penggunaan konsep data mining Pertumbuhan dan perkembangan anak balita yang ideal merupakan hal penting dan sangat diinginkan bagi setiap orang tua. Agar hasil pengukuran berat badan balita mendapatkan hasil yang optimal maka digunakan teknik data mining dengan algoritma NBC (Naïve Bayes Classifier).

3 BATASAN MASALAH Lokasi Penelitian: Posyandu G 20 A RW 022 wilayah RW 022, Harapan Jaya Bekasi Utara Waktu Penelitian : Bulan Mei 2014 Dataset : Data penimbangan balita yang berjumlah 250 instances Metode: Teknik Data Mining Klasifikasi, Naive Bayes Classifier Permasalahan: Menerapkan teknik data mining untuk menampilkaninformasi pertumbuhan berat badan ideal balita menggunakan software aplikasi WEKA V3.6.9 Responden: Para Kader Posyandu dan Orangtua Balita

4 TUJUAN PENULISAN 1 Menerapkan teknik data mining dengan algoritma Naive Bayesian Classifier untuk menampilkan informasi yang berharga dari data posyandu mengenai pertumbuhan balita ideal dan tidak ideal di wilayah RW 022 Posyandu G 20 A, Harapan Jaya Bekasi Utara 2 Menganalisis data balita di Posyandu G 20 A dan membuktikan kebenaran dari teknik data mining dengan mengukur hasil akurasinya.

5 METODOLOGI PENELITIAN

6 ANALISA DAN PEMBAHASAN Data mining adalah suatu disiplin ilmu atau teknik menggali informasi berharga yang tersembunyi pada suatu database dengan volume besar sehingga ditemukan suatu pola yang menarik yang sebelumnya tidak diketahui. Klasifikasi adalah proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan suatu class data, dengan tujuan untuk dapat memperkirakan class dari suatu atribut yang labelnya tidak diketahui. Algoritma Naive Bayes adalah salah satu algoritma dalam teknik klasifikasi yang mudah diimplementasikan dan cepat prosesnya.

7 ANALISA DAN PEMBAHASAN Klasifikasi Naive Bayes merupakan bentuk klasifikasi yang melakukan teknik pengklasifikasian dengan menghitung derajat kecocokan dengan cara membandingkan nilai Posterior untuk masing-masing class, dan mengambil class dengan nilai Posterior yang tinggi. Rumus Naive Bayes Classifier atau Untuk klasifikasi dengan data kontinyu digunakan rumus Densitas Gauss :

8 ANALISA DAN PEMBAHASAN Class Name : Pertumbuhan Berat Badan Ideal Balita Class Label Attribut : Ideal = [ Ya Tidak ] Identifier : Nama Balita Attribut/Variabel dan Anggota attribut - Usia [ <= ] - Status [ Bayi Balita ] - Berat Badan - Hasil Berat Badan [ Underweight Normal Overweight ] - Jenis Kelamin [ Laki-laki Perempuan ] Tabel 1. Data Training Balita : data_posyandu.csv

9 ANALISA DAN PEMBAHASAN Rancangan Algoritma Naive Bayes 1. Menghitung jumlah class atau label attribut P(Ya) = 222/250 = 0,888 Jumlah data Ya pada data training dibagi dengan jumlah keseluruhan data. P(Tidak) = 28/250 = 0,112 Jumlah data Tidak pada data training dibagi dengan jumlah keseluruhan data. 2. Apabila data numerik, hitung mean dan standar deviasi setiap atribut/variabel Kemudian menghitung densitas Gauss data menggunakan persamaan dibawah ini.

10 ANALISA DAN PEMBAHASAN 3. Menghitung jumlah kategori atribut yang sama dengan class yang sama P(Status = Bayi Ya) = 21/222 = 0,094 P(Berat Badan = 8 Ya) = 0,394 P(Status = Bayi Tidak) = 1/28 = 0,036 P(Berat Badan = 8 Tidak) = 0,527 P(Usia = <=12 Ya) = 21/222 = 0,094 P(Usia = <=12 Tidak) = 1/28 = 0,036 P(Hasil Berat Badan = Normal Ya) = 212/222 = 0,955 P(Hasil Berat Badan = Normal Tidak) = 0/28 = 0 P(Jenis Kelamin = Laki-laki Ya) = 115/222 = 0,518 P(Jenis Kelamin = Laki-laki Tidak) = 14/28 = 0,5 4. Kalikan semua hasil atribut Ya dan Tidak, kemudian hitung probabilitas setiap kategori dari input yang diberikan P(Ya) = P(Status = Bayi Ya) P(Usia = <=12 Ya) P(Berat Badan = 8 Ya) P(Hasil Berat Badan = Normal Ya) P(Jenis Kelamin = Laki-laki Ya) P(Ya) = 0,094 0,094 0,394 0,955 0,518 0,888 = 1,

11 ANALISA DAN PEMBAHASAN P(Tidak) = P(Status = Bayi Tidak) P(Usia = <=12 Tidak) P(Berat Badan = 8 Tidak) P(Hasil Berat Badan = Normal Tidak) P(Jenis Kelamin = Laki-laki Tidak) P(Tidak) = 0,036 0,036 0, ,5 0,112 = 0 Probabilitas Ya = = % = 100 % Probabilitas Tidak = = % = 0 % 5. Bandingkan hasil class Ya, dan Tidak Dari hasil diatas, terlihat bahwa nilai probabilitas tertinggi ada pada kelas (P Ya) sehingga dapat disimpulkan bahwa bayi yang bernama Alvin Chandra masuk dalam klasifikasi Ya. Artinya bayi tersebut memiliki pertumbuhan berat badan ideal.

12 ANALISA DAN PEMBAHASAN Langkah-Langkah Menggunakan WEKA

13 ANALISA DAN PEMBAHASAN Perbandingan hasil yang didapat secara real (perhitungan manual berdasarkan Metode Konvensional dan Tabel Berat Badan Ideal Anak menurut WHO) dengan hasil yang didapat dari perhitungan menggunakan tools WEKA dengan teknik classifier NaiveBayes, seperti yang terlihat pada tabel 2. Tabel 2. Perbandingan Hasil Perhitungan Secara Manual dengan Metode Naive Bayes Classifier Menggunakan WEKA

14 SIMPULAN Melalui teknik data mining yang digunakan, penulis telah berhasil mengumpulkan, menganalisa, dan mengklasifikasikan data balita sebanyak 250 instances mengenai pertumbuhan berat badan ideal dan tidak ideal balita di wilayah RW 022 Posyandu G20 A, Harapan Jaya Bekasi Utara pada bulan Mei tahun Penggunaan aplikasi WEKA dirasa dapat mempermudah para kader posyandu dalam menampilkan informasi pertumbuhan berat badan ideal balita. Berdasarkan hasil uji coba terhadap tools WEKA, terdapat sedikit perbedaan dari tingkat kevalidan hasil perhitungan status berat badan ideal dengan teknik classifier NaiveBayes. Dari 250 data instances, terdapat 240 data yang sesuai dengan class yang diberikan dan 10 data yang tidak sesuai dengan hasil yang diberikan. Hal ini dapat terjadi karena data training yang digunakan cukup akurat, sehingga perhitungan presentase tingkat akurasinya sebesar 96%.

15 SARAN Penelitian lanjutan dapat juga dilakukan dengan menggabungkan metode Bayes dengan metode lain seperti Association Rules, Decision Tree, Neural Network (NN) dan Support Vector Machine (SVM). Hasil dari perangkat lunak WEKA hanya bisa digunakan sesuai dengan apa yang sudah dilatih menggunakan data training, sehingga keakuratan data harus tetap terjaga agar mampu memberikan hasil yang lebih signifikan. Penulis juga berharap pada penelitian lanjutan bisa diimplementasikan melalui bahasa pemrograman seperti Java, Visual Basic, Matlab, dan lain sebagainya, sehingga penerapan teknik data mining dapat lebih dimengerti oleh user apabila diimplementasikan kedalam suatu aplikasi.

16 DAFTAR PUSTAKA [1] Aplikasi Weka. Tanggal akses 19 Mei 2014 pukul [2] Budi, Santoso Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta:Graha Ilmu. [3] Bustami. Penerapan Algoritma Naive Bayes Untuk Mengklasifikasi Data Nasabah Asuransi. Tanggal akses 30 Juni 2014 pukul 12:17 [4] Danone Institue. Prinsip 4: Pentingnya Menjaga Berat Badan Ideal Pada Anak. Tanggal akses 08 Agustus 2014 pukul 12:50 [5] Fauzy, Nurrochim Sistem Pendukung Keputusan Berbasis Android Sebagai Penentu Kelayakan Peminjaman Uang Menggunakan Metode Naive Bayes. Jakarta:Universitas Persada Indonesia YAI [6] Haryanto Teknik Data Mining Untuk Mendapatkan Informasi Dari Keluaran Perangkat Jaringan. Jakarta:Binus University [7] Kusumadewi, Sri Klasifikasi Status Gizi Menggunakan Algoritma Naive Bayes Classification. Yogyakarta:Universitas Islam Indonesia [8] Natalius, Samuel Metoda Naïve Bayes Classifier dan Penggunaannya pada Klasifikasi Dokumen. Bandung:ITB [9] Planet Sehat. Cara Menghitung Berat Badan Ideal Dengan Metode IMT dan Konvensional. Tanggal akses 08 Juli 2014 pukul 22:57 [10] Prabowo, Sony. Tabel Berat Badan Anak Menurut Usia. Tanggal akses 07 Mei 2014 pukul 07:34 [11] Pratama, Anindito Yoga Penerapan Teknik Data Mining Untuk Menentukan Hasil Seleksi Masuk Sman 99 Jakarta Untuk Siswa / Siswi Smpn 9 Jakarta Menggunakan Decision Tree. Jakarta:Universitas Gunadarma [12] Rumus Hitung. Tabel Berat Badan Dan Tinggi Ideal Anak 0-5 Tahun. Tanggal akses 07 Mei 2014 pukul 07:30 [13] Susanto, Sani, Ph.D, Suryadi, Dedy Pengantar Data Mining: Menggali Pengetahuan dari Bongkahan Data. Yogyakarta:Andi.

17