PENGGUNAAN JARINGAN SYARAF TIRUAN UNTUK PENGKLASIFIKASIAN STATUS GIZI SKRIPSI. Oleh: INDA SAFITRI NIM

Transkripsi

1 PENGGUNAAN JARINGAN SYARAF TIRUAN UNTUK PENGKLASIFIKASIAN STATUS GIZI SKRIPSI Olh: INDA SAFITRI NIM JURUSAN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM MALANG 00

2 PENGGUNAAN JARINGAN SYARAF TIRUAN UNTUK PENGKLASIFIKASIAN STATUS GIZI SKRIPSI Diajukan kpada: Univrsitas Islam Ngri Maulana Malik Ibrahim Malang Untuk mmnuhi Salah Satu Prsyaratan dalam Mmprolh Glar Sarjana Sains (S.Si) Olh: INDA SAFITRI NIM JURUSAN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM MALANG 00

3 PENGGUNAAN JARINGAN SYARAF TIRUAN UNTUK PENGKLASIFIKASIAN STATUS GIZI SKRIPSI Olh: Inda Safitri NIM Tlah Dipriksa dan Distujui untuk Diuji: Tanggal: Juli 00 Pmbimbing I Pmbimbing II, Sri Harini, M.Si NIP Dr. Munirul Abidin, M.Ag NIP Mngtahui, Ktua Jurusan Matmatika Abdussakir, M.Pd NIP ii

4 PENGGUNAAN JARINGAN SYARAF TIRUAN UNTUK PENGKLASIFIKASIAN STATUS GIZI SKRIPSI Olh: INDA SAFITRI NIM Tlah Diprtahankan di Dpan Dwan Pnguji Skripsi dan Dinyatakan Ditrima sbagai Salah Satu Prsyaratan untuk Mmprolh Glar Sarjana Sains (S.Si) Tanggal: Juli 00 Susunan Dwan Pnguji Tanda Tangan. Pnguji Utama : Hairur Rahman, M.Si ( ) NIP Ktua : Drs. H. Turmudi, M.Si ( ) NIP Skrtaris : Sri Harini, M.Si ( ) NIP: Anggota : Dr. Munirul Abidin, M.Ag ( ) NIP Mngtahui dan Mngsahkan, Ktua Jurusan Matmatika Abdussakir, M.Pd NIP iii

5 PERNYATAAN KEASLIAN TULISAN Saya yang brtanda tangan dibawah ini: Nama : Inda Safitri NIM : Jurusan : Matmatika Fakultas : Sains dan Tknologi Mnyatakan dngan sbnarnya bahwa skripsi yang saya tulis ini bnar-banar mrupakan hasil karya saya sndiri, bukan mrupakan pngambil alihan data, tulisan atau pikiran orang lain yang saya akui sbagai hasil tulisan atau pikiran saya sndiri, kcuali dngan mncantumkan sumbr cuplikan pada daftar pustaka. Apabila dikmudian hari trbukti atau dapat dibuktikan skripsi ini hasil jiplakan, maka saya brsdia mnrima sanksi atas prbuatan trsbut. Malang, Juli 00 Yang mmbuat prnyataan, Inda Saftri NIM iv

6 MOTTO v

7 vi

8 KATA PENGANTAR Alhamdulillahirabbil alamin puji syukur khadirat Allah SWT. atas sgala rahmat dan karunia-nya, srta kmudahan dan klapangan yang dianugrahkan olh Allah SWT., shingga pnulis dapat mylsaikan skripsi dngan judul Pnggunaan Jaringan Syaraf Tiruan untuk Pngklasifikasian Status Gizi. Shalawat srta salam ttap trcurahkan kpada nabi Muhammad Saw., yang tlah mmbawa kita k jalan yang pnuh dngan cahaya rahmat dan karunia dari Allah SWT., Shingga mmbuat hidup kita pnuh makna dan smoga kita trmasuk orang-orang yang mndapat syafa at bliau di akhirat nanti, amin. Skripsi ini disusun sbagai syarat untuk mmprolh glar sarjana strata satu (S -) di Jurusan Matmatika Fakultas Sains dan Tknologi UIN MALIKI Malang. Dalam ksmpatan ini, prknankanlah pnulis mngucapkan trima kasih kpada smua pihak yang tlah mmbantu, baik dalam pnlitian maupun pnyusunan skripsi ini. Ucapan trima kasih ini pnulis sampaikan kpada:. Bapak Prof. Dr. H. Imam Suprayogo, slaku Rktor Univrsitas Islam Ngri (UIN) Maulana Malik Ibrahim Malang.. Bapak Prof. Drs. Sutiman Bambang Sumitro, SU., D.Sc, slaku Dkan Fakultas Sains dan Tknologi Univrsitas Islam Ngri (UIN) Maulana Malik Ibrahim Malang. vii

9 3. Bapak Abdussakir, M.Pd, slaku Ktua Jurusan Matmatika Univrsitas Islam Ngri (UIN) Maulana Malik Ibrahim Malang. 4. Ibu Sri Harini, M.Si, dan Bapak Dr. Munirul Abidin, M.Ag, slaku Pmbimbing pnulis dalam mnylsaikan skripsi ini, yang tlah banyak mmbrikan pnulis arahan, bimbingan, dan saran shingga pnulis dapat mnylsaikan skripsi ini. Skali lagi pnulis haturkan Jazakumullah Ahsanal Jaza. 5. Sluruh Bapak dan Ibu Dosn Jurusan Matmatika dan Fakultas Saintk Univrsitas Islam Ngri (UIN) Maulana Malik Ibrahim Malang, yang tlah mndidik, mmbimbing, dan mncurahkan ilmu pngtahuannya kpada pnulis. 6. Bapak dan Ibu trsayang, yang tlah mcurahkan kasih sayang, motivasi, nasihat, dan matri srta snantiasa mngiringi langkah pnulis dngan do a tulus shingga pnulis slalu brsmangat dan brusaha untuk mlanjutkan langkah dmi trcapai cita-cita dan Adkku, Ita Oktatia, trima kasih atas do a, motivasi, dan kcriaan yang slalu hadir di saat pnatku. 7. Tman-tman di laskar mimpi dan tman-tman di jurusan matmatika, saya ucapkan trima kasih yang sbsar-bsarnya atas do a dan motivasinya. 8. KSR Unvrsitas Islam Ngri (UIN) Maulana Malik Ibrahim Malang, yang tlah mmbantu pnulis untuk mmprolh data yang digunakan dalam pnlitian ini. 9. Smua pihak yang tlah mmbantu pnulis dalam pnyususnan skripsi ini. viii

10 Pnulis mnyadari bahwa pngtahuan yang pnulis miliki masih kurang, shingga skripsi ini masih jauh dari smpurna. Olh karna itu, dngan sgala krndahan hati pnulis mngharapkan kritik dan saran yang mmbangun dari smua pihak guna prbaikan dan pnympurnaan tulisan ini dan brikutnya. Smoga skripsi ini dapat mmbrikan manfaat dan kontribusi bagi pmbaca yang budiman. Malang, 6 Juli 00 Pnulis vi

11 DAFTAR ISI HALAMAN JUDUL... HALAMAN PERSETUJUAN... HALAMAN PENGESAHAN... HALAMAN PERNYATAAN KEASLIAN TULISAN... MOTTO... HALAMAN PERSEMBAHAN... KATA PENGANTAR... DAFTAR ISI... DAFTAR GAMBAR... DAFTAR TABEL... ABSTRAK... i ii iii iv v vi vii ii iii iv BAB I PENDAHULUAN. Latar Blakang.... Rumusan Masalah Batasan Masalah Tujuan Pnlitian Manfaat Pnlitian Mtod Pnlitian Sistmatika Pnulisan... 0 BAB II LANDASAN TEORI. Analisis Diskriminan..... Pnglompokan Dua Grup..... Pnglompokan Lbih dari Dua Grup.... Jaringan Syaraf Tiruan..... Arsitktur Jaringan Syaraf Tiruan Modl Backpropagation pada Mtod Jaringan Syaraf Tiruan Mtod Optimasi Fungsi Aktivasi Status Gizi... 0 BAB III PEMBAHASAN 3. Dskripsi Data Uji Asumsi Normalitas Data dan Uji Ksamaan Matrik Varian-Covarian Jaringan Syaraf Tiruan Pnntuan Arsitktur Jaringan Syaraf Tiruan Kmampuan dngan Jaringan Syaraf Tiruan dalam Mngklasifikasikan Suatu Data Kajian Al-Qur an Brdasarkan Hasil Pnlitian... 35

12 BAB IV PENUTUP 4. Ksimpulan Saran DAFTAR PUSTAKA LAMPIRAN i

13 DAFTAR GAMBAR Gambar. Arsitktur Jaringan Syaraf Tiruan... 4 Gambar 3. Plot Analisis Diskriminan... 8 Gambar 3. Scattrplot untuk MSE dan Hiddn nod... 3 Gambar 3.3 Arsitktur Jaringan Syaraf Tiruan yang Optimal... 33

14 DAFTAR TABEL Tabl. Klasifikasi Intrnasional tntang Brat Badan yang Rndah, Normal, dan Obsitas Mnurut BMI... 6 Tabl 3. Dskripsi Data Mahasiswa UIN MALIKI Malang Tahun 009/ Tabl 3. Uji Ksamaan Matrik Varian-Covarian... 7 Tabl 3.3 Hasil Pngklasifikasian Data dngan Analisis Diskriminan... 9 Tabl 3.4 Hasil pnntuan arsitktur jaringan syaraf tiruan dngan hiddn unit (nod) Tabl 3.6 Hasil Pngklasifikasian dngan Jaringan Syaraf Tiruan dngan 3 hiddn nod ii

15 ABSTRAK Safitri, Inda. 00. Pnggunaan Jaringan Syaraf Tiruan untuk Pngklasifikasian Status Gizi. Skripsi. Jurusan Matmatika Fakultas Sains dan Tknologi Univrsitas Islam Ngri (UIN) Maulana Malik Ibrahim Malang. Pmbimbing: () Sri Harini, M.Si () Dr. Munirul Abidin, M.Ag Salah satu mtod pnglompokan/pngklasifikasian yang sring digunakan adalah analisis diskriminan. Pada analisis diskriminan trdapat asumsi yang harus dipnuhi olh data, khususnya asumsi bahwa data harus brdistribusi multivariat normal. Slain harus mmnuhi asumsi trsbut, data juga harus mlalui tahapan uji multikoliniritas dan uji ksamaan vktor rata-rata. Padahal tidak smua data dapat mmnuhi asumsi trsbut. Slain itu juga trkadang mskipun data sudah brdistribusi multivariat normal, hasil pngklasifikasian yang diprolh pun kurang maksimal. Olh sbab itu, diprlukan adanya solusi untuk mngatasi hal trsbut, salah satunya dngan mnggunakan mtod jaringan syaraf tiruan. Mtod jaringan syaraf tiruan ini adalah suatu mtod yang dapat digunakan untuk mngklasifikasikan suatu data tanpa mlihat asumsi yang mngikuti data. Tujuan dalam pnlitian ini adalah mngtahui arsitktur dari jaringan syaraf tiruan yang paling maksimal dan mngtahui bsarnya kmampuan jaringan syaraf tiruan dalam mngklasifikasikan suatu data. Brdasarkan hasil pnlitian diktahui bahwa data sudah brdistribusi multivariat normal. Kmudian apabila mtod pngklasifikasian yang digunakan adalah analisis diskriminan, maka akan mmbrikan hasil yang kurang maksimal karna adanya bbrapa objk data yang salah pngklasifikasiannya. Stlah mngtahui hal trsbut, maka langkah slanjutnya adalah mlakukan pngklasifikasian dngan jaringan syaraf tiruan. Pngklasifikasian mnggunakan jaringan syaraf tiruan dngan mtod backpropagation mmbrikan hasil yang maksimal. Hasil yang maksimal ini diprolh tanpa harus mlalui trlbih dahulu uji asumsi pada data yang akan digunakan dalam pnlitian, khususnya uji normalitas pada data. Dari hasil pngklasifikasian yang maksimal ini dapat diktahui bahwa arsitktur yang mnghasilkan pngklasifikasian trbaik dari data status gizi mahasiswa UIN MALIKI Malang Tahun 009/00 adalah arsitktur yang trdiri dari input, hiddn layr dngan 3 hiddn nod, dan 4 output. Dimana arsitktur trsbut mnghasilkan kmampuan dalam pngklasifikasian adalah sbsar 0 yang mana nilai MSE trsbut (0) mnunjukan bahwa tidak trdapat objk data yang salah diklasifikan k dalam klompok lain. Kata Kunci: data, analisis diskriminan, jaringan syaraf tiruan, multivariat normal, backpropagation, hiddn layr, hiddn nod, man squar rror, status gizi. iii

16 ABSTRACT Safitri, Inda. 00. Using Artificial Nural Ntworks for Nutritional Status Classification. Thss. Programm Faculty of Scinc and Tchnology Th Stat of Islamic Univrsity Maulana Malik Ibrahim Malang. Advisor : () Sri Harini, M.Si () Dr. Munirul Abidin, M.Ag On mthod of grouping / classification which is oftn usd is discriminant analysis.n discriminant analysis, thr ar assumptions that must b mt by th data, particularly th assumption that th data b multivariat normal distribution.n addition to fulfilling ths assumptions, th data also has to pass multicollinarity tst phass and tst vctors avrag similarity. Though not all data can mt th assumption.also somtims vn if th data is multivariat normal distribution, th classification rsults obtaind wr not maimal. Thrfor, it is ncssary to ovrcom ths solutions, on using artificial nural ntwork mthod. This artificial nural ntwork mthod is a mthod that can b usd to classify th data without looking at th assumptions that follow th data. Th purpos of this study was to dtrmin th architctur of artificial nural ntworks, th most optimal and know th siz of th ability of nural ntworks in classifying data. Basd on survy rsults rvald that th data hav multivariat normal distribution. Thn if th classification mthod usd is discriminant analysis, it will giv maimum rsults to b lss bcaus som of th wrong data objct classification.aftr knowing this, th nt stp is to prform classification with artificial nural ntworks. Classification using nural ntworks with backpropagation mthod givs maimum rsults. Maimum rsults ar obtaind without having to go through tsting prior assumptions on th data to b usd in rsarch, in particular th normality tst on data. Basd on th rsults of th classification of this maimum can b sn that th architctur that producs th bst classification of nutritional status is th architctur that consists of on input, on hiddn layr with thr hiddn nods, and four output. Whr architctur rsultd in th classification capability is 0 for which th MSE (0) indicats that thr is no on diklasifikan data objct into anothr group. Kywords: data, discriminant analysis, nural ntworks, multivariat normal, backpropagation, hiddn layrs, hiddn nods, th man squar rror, nutritional status. iv

17 BAB I PENDAHULUAN. Latar Blakang Allah SWT. brfirman dalam surat Al-Qomar ayat 49 Arti: Ssungguhnya Allah mnciptakan sgala ssuatu mnurut ukuran (Q.S. Al-Qomar:49). Dari Ayat trsbut mnunjukkan bahwasanya sgala ssuatu yang diciptakan Allah mmiliki ukuran masing-masing. Ukuran yang dimaksud disini adalah mrupakan suatu ktntuan khusus yang brlaku pada objk trtntu. Misalnya, untuk mngtahui ukuran tingkat kmampuan ssorang dalam brpikir maka akan dapat diukur dari tingkat kcrdasan (IQ), apakah murid A adalah anak yang crdas dan brilian, maka dapat diukur dari IQ-nya, brarti takaran kcrdasan murid A ditntukan dngan ukuran dari tingkat kcrdasannya. Contoh lain lagi, sudah mnjadi sifat makluk hidup tidak dapat trlpas dari kbutuhan akan oksign (O ) dan karbondioksida (CO ) untuk mmnuhi kbutuhan nutrisi mtabolismnya, dngan ukuran yang harus simbang dan tidak bolh brat sblah dan harus ssuai dngan ukuran dan kbutuhannya. Brdasarkan kdua contoh trsbut, disimpulkan bahwa sgala ssuatu di dunia ini ada dan brada mnurut ukuran masing-masing. Dmikian halnya dalam salah satu bidang ilmu yaitu matmatika, khususnya statistika, yang sdikit banyak mmbahas tntang ukuran atau

18 pngukuran. Dfinisi ukuran mnurut bidang ilmu statistika mrupakan nilai/angka yang ssuai dngan aturan trtntu pada atribut suatu lmn. Sdangkan pngukuran mrupakan pmbrian nilai/angka dngan aturan trtntu pada atribut suatu lmn (Supranto, 004). Salah satu cabang dari ilmu statistik yang didalamnya brkaitan dngan pngukuran adalah analisis diskriminan. Dimana pada analisis diskriminan ini, obyk yang akan dianalisis dngan mtod ini harus diubah kdalam bntuk data nominal atau ordinal yakni dngan pmbrian nilai atau angka, ssuai dngan aturan pada obyk data trsbut. Hal ini mrupakan suatu bntuk pngukuran pada obyk trtntu. Analisis diskriminan itu sndiri adalah salah satu mtod pnglompokan yang sring digunakan untuk mnylsaikan brbagai macam prsoalan. Slain itu juga analisis diskriminan mrupakan tknik mnganalisis data, dimana variabl yang mngikuti trdiri dari variabl bbas dan variabl tak bbas. Pada analisis diskriminan trdapat asumsi yang harus dipnuhi yaitu pada stiap klompok ( group) mrupakan suatu sampl dari populasi yang brdistribusi normal dan mmpunyai matrik kovarian yang sama. Akan ttapi pada knyataannya tidak slamanya asumsi trsbut dapat dipnuhi, karna asumsi normalitas data tidak trpnuhi. Olh sbab itu, diprlukan adanya solusi untuk mngatasinya yakni salah satunya dngan mnggunakan mtod jaringan syaraf tiruan. Alasan dipilihnya mtod jaringan syaraf tiruan ini

19 3 adalah karna jaringan syaraf tiruan mrupakan suatu mtod yang dapat digunakan untuk mngklasifikasikan data tanpa mlihat asumsinya. Jaringan syaraf tiruan juga mrupakan salah satu cabang dari ilmu statistika yang mrupakan suatu altrnatif untuk mnylsaikan suatu masalah pada data baik linir maupun tidak linir. Jaringan syaraf tiruan ini mmpunyai klbihan dimana bisa mngatasi bbrapa prsoalan tanpa mngadakan prubahan drastis trhadap modlnya, dan waku pnylsaian yang cpat (Santosa, 007). Klbihannya yang lain adalah mtod ini tidak prlu adanya asumsi bahwa data harus brdistribusi multivariat normal srta mtod ini juga mmpunyai ktlitian yang cukup tinggi. Brdasarkan latar blakang di atas, maka dalam pnlitian ini akan digunakan jaringan syaraf tiruan sbagai mtod pngklasifikasian data status gizi mahasiswa Univrsitas Islam Ngri (UIN) Maulana M alik Ibrahim Malang tahun 009/00. Pmilihan status gizi yang digunakan dalam pnlitian ini brmaksud agar pnulis dan pmbaca dapat mnambah pngtahuan tntang gizi shingga dapat mmbantu dalam mminimalkan prsoalan-prsoalan gizi yang muncul di ngri ini.

20 4. Rumusan Masalah. Bagaimana arsitktur jaringan syaraf tiruan untuk mnghasilkan pngklasifikasian maksimal dari data status gizi?. Sbrapa bsar kmampuan jaringan syaraf tiruan dalam mngklasifikasikan status gizi?.3 Batasan Masalah Agar pnlitian ini ttap fokus pada masalah yang akan dibahas maka diprlukan adanya batasan masalah. Batasan masalah untuk pnlitian adalah sbagai brikut:. Data yang digunakan dalam pnlitian ini adalah data brat badan dan tinggi badan mahasiswa Univrsitas Islam Ngri (UIN) Maulana Malik Ibrahim (MALIKI) tahun 009/00 sbanyak 500 data mahasiswa yang diambil dari KSR Univrsitas Islam Ngri (UIN) Maulana Malik Ibrahim (MALIKI) Malang.. Modl jaringan syaraf tiruan yang akan digunakan adalah backpropagation. 3. Alat bantu yang digunakan dalam pnlitian ini adalah program S-Plus dan bbrapa program statistik lainnya. 4. Standart pnilaian status gizi yang digunakan adalah IMT (BMI) yang mrupakan salah satu mtod pngukuran dalam anthropomtri yang mngacu pada standart WHO.

21 5.4 Tujuan Pnlitian Sbagaimana rumusan masalah yang trsbut di atas, maka tujuan dari pnlitian ini adalah:. Mngtahui arsitktur jaringan syaraf tiruan yang dapat mnghasilkan pngklasifikasian yang maksimal dari data status gizi.. Mngtahui bsarnya kmampuan jaringan syaraf tiruan dalam mngklasifikasikan status gizi..5 Manfaat Pnlitian Pnlitian ini diharapkan dapat mnambah pngtahuan tntang status gizi dan mngtahui manfaat jaringan syaraf tiruan untuk mngklasifikasikan data baik yang brdistribusi normal maupun tidak..6 Mtod Pnlitian.6.. Mtod untuk Mnganalisis Data Mnggunakan Jaringan Syaraf Tiruan. Mngumpulkan data. Data yang digunakan dalam pnlitian ini adalah data skundr yang diprolh dari KSR Univrsitas Islam Ngri (UIN) Maulana Malik Ibrahim (MALIKI) Malang. Data trsbut brupa data brat badan dan tinggi badan Mahasiswa tahun ajaran 009/00 yang slanjutnya akan diukur dngan mnggunakan mtod antropomtri untuk mlihat status gizi masing-masing individu.

22 6 Mtod antropomtri yang digunakan adalah mnggunakan Body Mass Ind dngan rumus : B M I k g m (Morsintowarti, 006). Ktntuan nilai BMI adalah sbagai brikut: Tabl. Klasifikasi Intrnasional tntang brat badan yang rndah, nomal, dan obsitas mnurut BMI Classification BMI(kg/m ) Principal cut-off points Additional cut-off points Undrwight <8.50 <8.50 Normal rang Ovrwight Pr-obs Obs Diadaptasi dari Chizuru Nishida, WHO prt consultation., 004 (Diakss dari: 00).. Mndskripsikan data. 3. Pngolahan data dilakukan dalam bbrapa tahapan sbagai brikut: a. Uji normalitas data Suatu data dikatakan normal, jika < 0,5 b. Uji matrik varian-covarian 4. Mnntukan arsitktur jaringan syaraf tiruan. 5. Mlakukan pngklasifikasian dngan mnggunakan jaringan syaraf tiruan dngan pross sbagai brikut:

23 7 a. Mnntukan input. b. Mnntukan jumlah layar trsmbunyi Banyaknya layar trsmbunyi atau hiddn unit ditntukan dngan cara trial and rror hingga diprolh jumlah hiddn unit yang optimal dngan tingkat ksalahan yang minimal. c. Mnntukan fungsi aktivasi yang akan digunakan dalam modl backpropagation. Mnntukan fungsi aktivasi yang akan digunakan dalam modl backpropagation.salah satu fungsi aktivasi yang digunakan dalam backpropagation adalah fungsi logistic sigmoid. Fungsi ini mmiliki nilai pada rang 0 sampai. Fungsi logistic sigmoid atau disbut juga sbagai fungsi sigmoid binr dirumuskan sbagai brikut: y f ' dngan : f f f d. Prhitungan dngan mnggunakan bobot. Prhitungan pada tahap fdforward yakni dngan mmilih bobot yang brnilai kcil. Kmudian pada tahap backpropagation, slisih dari hasil pngklasifikasian dngan output yang diinginkan akan digunakan untuk updat bobot. Sblum pross dilanjutkan pada tahap updat bobot, trlbih dahulu akan dipilih mtod updat bobot yang akan digunakan. Apabila data yang akan diklasifikasikan hanya mmiliki jumlah yang sdikit maka dapat mnggunakan mtod gradint

24 8 dscnt. Akan ttapi apabila mnggunakan data yang cukup banyak maka mtod yang digunakan adalah quasi-nwton. Olh karna data yang digunakan dalam pnlitian ini cukup banyak maka akan dipilih mtod quasi-nwton untuk mng-updat nilai bobot.. Hasil prhitungan dngan mnggunakan pmbobotan akan mnghasilkan suatu hasil pngklasifikasian yang sama atau hanya brbda sdikit dari output yang diinginkan. Apabila tlah diprolh hasil yang maksimal maka dapat diambil suatu ksimpulan mngnai kinrja jaringan syaraf tiruan dalam mngklasifikasikan data status gizi mahasiswa UIN MALIKI Malang tahun 009/ Analisa hasil pngklasifikasian. 7. Mmprolh hasil pngklasifikasian trbaik.

25 9 Scara garis bsar, langkah-langkah dari jaringan syaraf tiruan dapat dilihat sbagai brikut ; Data Mnntukan input dan targt Mnntukan jumlah hiddn unit Mnntukan fungsi aktivasi Prhitungan dngan mnggunakan bobot -tahap fdforward -tahap backpropagation -tahap updat bobot Hasil prhitungan dngan mnggunakan pmbobotan Prdiksi klas dari stiap group Pngambilan kputusan

26 0.7 Sistmatika Pnulisan Untuk mmprmudah pmbaca mmahami tulisan ini, maka pnulis mmbagi tulisan ini k dalam mpat bab sbagai brikut: BAB I PENDAHULUAN : Dalam bab ini dijlaskan mngnai latar blakang masalah, rumusan masalah, batasan masalah, tujuan pnlitian, manfaat pnlitian, mtod pnlitian dan sistmatika pnulisan. BAB II LANDASAN TEORI : Dalam bab ini dijlaskan bbrapa hal yang mnjadi dasar dalam pnlitian ini yaitu tntang analisis diskriminan, jaringan syaraf tiruan, dan status gizi. BAB III PEMBAHASAN : Pada bab ini dijlaskan mngnai analisa hasil pngklasifikasian mnggunakan mtod jaringan syaraf tiruan. BAB IV PENUTUP : Dalam bab ini dipaparkan mngnai ksimpulan yang diprolh dari hasil pnlitian dan bbrapa saran

27 BAB II LANDASAN TEORI. Analisis Diskriminan Analisis diskriminan mrupakan tknik analisis data yang digunakan untuk mnglompokan data yang ssuai dngan klompoknya (Sudjana, 00). Dalam analisis diskriminan suatu obyk akan masuk k dalam klompok trtntu ssuai dngan karaktristik datanya. Karna klasifikasi itu sndiri mrupakan pnggolongan atau pmbagian mnurut klas atau pnjnisan dalam bagian-bagian atau pngklasan (Widodo, 00)... Pnglompokan Dua Group Id dasar dari pnglompokan grup adalah mmisahkan obyk pngamatan mnjadi dua klas, brdasarkan pngukuran n variabl random X [ X, X,..., X ], ' n dimisalkan : G = klompok klas G = klompok klas f, f = fungsi kpadatan probabilitas yang brkaitan dngan vktor variabl acak X untuk G dan G f k p k k, k = 0,,... p, p = probabilitas prior dari G dan G, dimana p p

28 maka dngan mnggunakan aturan Bays akan diprolh fungsi diskriminan dngan mnggunakan probabilitas postrior adalah: P G p f (..) p f p f P p f G P G (..) p f p f (Harini, 00)... Pnglompokan Lbih dari Group Jika f i () mrupakan fungsi kpadatan probabilitas dari populasi G i, i=,,...,g dan p i mnyatakan probabilitas prior dari populasi µ i, maka aturan pnglompokan digunakan probabilitas postrior: p G k g i p f k i k p f i, untuk i=,,...,g dan k>. (..3). Jaringan Syaraf Tiruan Implmntasi jaringan syaraf tiruan saat ini sudah cukup luas digunakan dalam bidang ilmu pngtahuan. Jaringan syaraf tiruan mrupakan suatu mtod pnglompokan dan pmisahan data yang prinsip krjanya sama sprti jaringan syaraf pada manusia. Mmprhatikan prinsip krja jaringan syaraf tiruan trsbut trlihat bahwa btapa luasnya pngtahuan Allah SWT., sbagaimana firman-nya dalam surat An-Nisaa ayat 6

29 3 Arti: Kpunyaan Allah-lah apa yang di langit dan apa yang di bumi, dan adalah (pngtahua n) Allah Maha mliputi sgala ssuatu (Q.S. An- Nisaa :6). Jaringan syaraf tiruan itu sndiri mrupakan suatu sistm pmross informasi yang mmiliki karaktristik mirip dngan jaringan syaraf manusia. JST dibntuk sbagai gnralisasi modl matmatika dari jaringan syaraf manusia, dngan asumsi bahwa : a. Pmrossan informasi trjadi pada banyak lmn sdrhana (nuron). b. Sinyal dikirimkan diantara nuron-nuron mlalui pnghubungpnghubung. c. Pnghubung antara nuron mmiliki bobot yang mmprkuat atau mmprlmah sinyal. d. Untuk mnntukan output, stiap nuron mnggunakan fungsi aktivasi (biasanya bukan fungsi linir) yang diknakan pada jumlahan input yang ditrima. Bsarnya output ini slanjutnya dibandingkan dngan suatu batas ambang atau targt yang diinginkan (Siang, 005)... Arsitktur Jaringan Syaraf Tiruan Arsitktur jaringan syaraf tiruan mrupakan suatu susunan yang trdiri dari input dan output. Akan ttapi stlah mngalami prkmbangan, maka arsitktur jaringan syaraf tiruan trdiri dari input, hiddn layr, dan output (lihat gambar.). Dimana pada stiap input, dan hiddn layr trdapat nuron-nuron yang brbda antara satu sama lain.

30 4 Tiruan nuron dalam arsitktur jaringan syaraf tiruan adalah lmn pmross yang dapat brfungsi sprti halnya sbuah nuron. Sjumlah sinyal masukan dikalikan dngan masing-masing pnimbang yang brssuaian w. Kmudian dilakukan pnjumlahan dari sluruh prkalian trsbut dan kluaran yang dihasilkan dilakukan kdalam fungsi pngaktif untuk mndapatkan sinyal kluarannya w F, (Purnomo, 006). Gambar. Arsitktur jaringan syaraf tiruan Jumlah nuron dan struktur jaringan untuk stiap masalah yang ingin dislsaikan adalah brbda. Dmikian pula dngan pnimbang/bobot diantara masing-masing nuron yang trhubung, bsarnya akan ditntukan pada saat jaringan dilatih dngan skumpulan sampl data... Modl Backpropagation pada Mtod Jaringan Syaraf Tiruan Slain itu juga jaringan syaraf tiruan mmiliki bbrapa macam mtod untuk mnylsaikan suatu prmasalahan, salah satunya adalah

31 5 mtod backpropagation. Mtod backpropagation ini akan dijlaskan sbagai brikut. Backpropagation mrupakan algoritma pmblajaran yang trawasi dan biasanya digunakan olh prcptron dngan banyak lapisan untuk mngubah bobot-bobot yang trhubung dngan nuron-nuron yang ada pada lapisan trsmbunyinya (Kusumadwi, 004). Scara garis bsar, cara krja mtod backpropagation adalah sbagai brikut: ktika JST dibrikan pola masukan sbagai pola input maka pola trsbut akan dipross dan slanjutnya mnuju k unit-unit lapis kluaran. Kmudian unit-unit lapis kluaran mmbrikan tanggapan yang disbut sbagai kluaran JST. Saat kluaran JST tidak sama dngan kluaran yang diharapkan maka kluaran akan disbarkan mundur pada lapis trsmbunyi ditruskan k unit pada lapis masukan (Purnomo, 006). Pross dari backpropagation pada dasarnya sama dngan pross fdforward (propagasi maju) yang dimulai dari input k output. Sdangkan untuk pross backpropagation dimulai dari output k input. Pnjlasan mngnai hal trsbut dapat dilihat pada ktrangan di bawah ini. Algoritma Backpropagation Algoritma platihan backpropagation sdrhana dngan satu layar trsmbunyi ( hiddn layr) dan dngan fungsi aktivasi logistic sigmoid, mmiliki bbrapa tahapan yakni sbagai brikut:

32 6 Fas I. Propagasi maju Tiap unit masukan mnrima sinyal dan mnruskannya k unit trsmbunyi diatasnya. Hitung smua kluaran di unit trsmbunyi z j, (j=,,,p) z_nt j = v j0 + i= ( i v ji ) z j = f(z_nt j ) = (/+ -z_nt ) Hitung smua kluaran jaringan di unit y k, (k =,,,m) y_nt k = w k0 + k= (z j w kj ) w j = f(y_nt k ) = (/+ -y_nt ) Fas II. Propagasi mundur Ksalahan (rror) yang trjadi dipropagasikan mundur, dimulai d ari garis yang brhubungan langsung dngan unit pada lapisan output. Fas III : Prubahan bobot Hitung smua prubahan bobot dngan mnggunakan mtod quasi nwton (dan bias) untuk mnurunkan ksalahan yang trjadi. Prubahan bobot garis yang mnuju k unit kluaran : w kj (baru) = w kj (lama) + w kj (k =,,,m ; j = 0,,,p) Prubahan bobot garis yang mnuju k unit trsmbunyi : v kj (baru) = v ji (lama) + v ji (j =,,,m ; i = 0,,,p) Ktiga fas trsbut diulang-ulang hingga pada kondisi pnghntian dipnuhi. Ktrangan untuk simbol di atas adalah sbagai brikut: v j0 : bias pada masukan mnuju layar trsmbunyi i : unit masukan

33 7 v ji : pnimbang dari masukan k layar trsmbunyi z_nt j : kluaran untuk unit z j z j = f(z_nt j ): fungsi pngaktif dari unit z j w k0 : bias untuk layar trsmbunyi k output w kj z j : nilai pnimbang dari z ij k unit y k : unit k-j pada lapis trsmbunyi y_nt k : kluaran untuk unit y k y k = f(y_nt k ): nilai pngaktif dari unit y k t k : targt k-k..3 Mtod Optimasi Salah satu mtod optimasi yang sring digunakan dalam mtod backpropagation adalah mtod quasi nwton. Mtod quasi nwton ini didasarkan pada pndkatan lokal kuadratik yang mrupakan fungsi rror dari drt Taylor tntang E(w) diskitar bbrapa titik w, shingga dapat diprolh: T w n wn gn E( w( n)) E w n T wn wn H nwn wn (.) dimana: w( n ) adalah bobot yang baru wn adalah bobot lama g(n) adalah gradint dari fungsi E

34 8 H(n) adalah matrik hssian yang didfinisikan sbagai brikut: w H E (.) E w E H = ww E wmw E ww E ww E w w m E ww E ww E w m m m E T wn Ewn wn wn gn T wn wn H nwn wn (.3) E ( (.4) w n) wngn wnh nwn Dari prhitungan di atas maka diprolh suatu hubungan dari gradint dan matrik hssian yang dinyatakan dngan: wn gn H nwn E (.5) Nilai E w n mncapai minimum apabila E w n =0 (.6) atau g n H nwn 0 H n gn w n (.7) Dngan mtod ini, updat w dilakukan dngan cara wn Hn gn w n (.8)

35 ..4 Fungsi Aktivasi Dalam Backpropagation, fungsi aktivasi yang dipakai harus mmnuhi bbrapa syarat yaitu kontinu, trdifrnsial dngan mudah dan mrupakan fungsi yang tidak turun. Salah satu fungsi yang mmnuhi ktiga syarat trsbut shingga sring dipakai adalah fungsi sigmoid binr yang mmiliki rang(0,). Fungsi lain yang juga sring dipakai adalah fungsi sigmoid bipolar yang bntuk fungsinya mirip dngan fungsi sigmoid binr, tapi dngan rang (-,) (Siang, 005). Formula fungsi aktivasi yang dapat didfrnsialkan adalah sbagai brikut : a. Sigmoid f y Misal: u, 0 ' u v, v ' ' ' 0 v v u u v f f f b. Tansig : f y Misal: u, u ' 9

36 v, v ' ' ' ' v v u u v f 4 f f c. Purlin : y = f() =, y = (Kusumadwi, 004)..3 Status Gizi Allah SWT brfirman dalam surat Abasa ayat 4 yaitu: Arti: Maka hndaklah manusia itu mmprhatikan makanannya (Q.S. Abasa:4). Mmprhatikan dalam ayat ini adalah mngkaji antara lain snyawa-snyawa kimia dalam bahan makanan. Masing-masing bahan makanan mmiliki komponn-komponn yang brbda, hal ini trgantung dari sifat alamiah bahan pangan, misalnya: tlur, jumlah masing-masing komponn dapat brbda-bda, hal ini trgantung dari spsis, strain, makanan, prioda produksi dan lain sbagainya (Minarno, 008). 0

37 Zat gizi itu sndiri mmiliki pran pnting untuk pnydiaan nrgi tubuh, mngatur mtabolism tubuh, prtumbuhan tubuh dan lain sbagainya. Dalam surat al-a raaf ayat 3, Allah SWT. brfirman: Arti: Hai anak adam, pakailah pakaianmu yang indah distiap mmasuki masjid, makan dan minumlah, dan janganlah brlbih-lbihan. Ssungguhnya Allah tidak mnyukai orang yang brlbih-lbihan (Q.S. al- A raaf:3) Dngan pngtahuan yang bnar mngnai gizi, maka orang akan tahu dan brupaya untuk mngatur pola makannya sdmikian rupa shingga simbang, tidak brkkurangan dan tidak brlbihan, dngan mmanfaatkan bahan pangan stmpat yang ada. Jadi masalah gizi yang timbul-apakah itu gizi kurang atau gizi lbih-sbnarnya disbabkan olh prilaku ssorang yang salah, yakni tidak adanya ksimbangan antara konsumsi gizi dan kcukupan gizinya (Minarno, 008). Status gizi itu sndiri mrupakan ksprsi dari kadaan ksimbangan dalam bntuk variabl trtntu, atau prwujudan dari nutritur dalam bntuk variabl trtntu, contoh gondok ndmik mrupakan kadaan tidak simbangnya pmasukan dan pngluaran yodium dalam tubuh. Pnilaian status gizi dibagi mnjadi dua yakni pnilaian status gizi scara langsung dan tidak langsunga. Pnilaian status gizi scara langsung dapat dibagi mnjadi mpat bagian yang salah satunya adalah antropomtri.

38 Antropomtri adalah ukuran tubuh manusia. Ditinjau dari sudut pandang gizi, maka antropomtri gizi brhubungan dngan brbagai macam pngukuran dimnsi tubuh dan komposisi tubuh dari brbagai tingkat umur dan gizi. Salah satu pnilaian status gizi dngan antropomtri adalah indks masa tubuh atau Body Mass Indks (BMI) mrupakan alat atau cara yang sdrhana untuk mmantau status gizi ssorang. Rumus untuk BMI adalah B M I k g m Ktntuan nilai BMI adalah sbagai brikut: Tabl.. Klasifikasi Intrnasional tntang brat badan yang rndah, normal dan obsitas mnurut BMI Classification BMI(kg/m ) Principal cut-off points Additional cut-off points Undrwight <8.50 <8.50 Svr thinnss <6.00 <6.00 Modrat thinnss Mild thinnss Normal rang Ovrwight Pr-obs Obs Obs class I Obs class II Obs class III Diadaptasi dari Chizuru Nishida, WHO prt consultation., 004 (Diakss dari: 00).

39 3 Dari tabl di atas dapat diktahui bahwa klompok manusia yang mmiliki brat badan di bawah normal brada pada nilai yang kurang dari 8,50 yang brarti bahwa klompok trsbut mmiliki status gizi kurang. Klompok manusia yang mmiliki brat badan normal brada pada nilai 8,5 sampai dngan 4,99 yang brarti bahwa klompok trsbut mmiliki status gizi normal. Ini mrupakan posisi aman untuk tidak mngalami dfisinsi gizi yang dapat brakibat pada prtumbuhan tubuh mnjadi trhambat, atau pnydiaan nrgi bagi tubuh brkurang dan lain sbagainya (Minarno, 008). Trakhir adalah klompok brat badan di atas normal yang brada pada nilai yang lbih bsar dari 5,00 dan kurang dari 30,00 yang brarti bahwa klompok trsbut mmiliki status gizi lbih. Ini mrupakan posisi yang sangat rawan trkna dfisinsi gizi. Trakhir adalah brat badan yang brada pada rang 30 yang mnunjukkan bahwa klompok trsbut mngalami obsitas. Baik buruknya status gizi ssorang dipngaruhi olh umur, jnis klamin, pndidikan dan pndapatan (Cicih, 999). Brdasarkan hal trsbut maka diharapkan stiap orang mmiliki pngtahuan tntang gizi khususnya untuk orang-orang yang brpndidikan shingga dapat mminimalkan munculnya masalah gizi di tanah air ini.

40 BAB III PEMBAHASAN 3. Dskripsi Data Data yang digunakan dalam pnlitian ini mrupakan data brat badan dan tinggi badan dari Mahasiswa UIN MALIKI Malang Tahun 009/00 yang diolah olh pnliti shingga diprolh suatu nilai BMI yang mnunjukan status gizi ssorang mliputi kurang gizi (brat badan di bawah normal), gizi cukup ( brat badan normal), gizi baik/normal (brat badan normal tinggi) dan klbihan gizi (ovrwight). Dari 500 data mahasiswa UIN MALIKI Malang Tahun 009/00 diambil 5 data yang trdiri dari 38 data untuk status kurang gizi (brat badan di bawah normal), 38 data untuk status gizi cukup (brat badan normal), 38 data untuk status gizi baik/normal (brat badan normal tinggi) dan 38 data untuk status klbihan gizi ( ovrwight). Data untuk pross backpropagation ini dapat dilihat pada lampiran. Dskripsi data mahasiswa UIN MALIKI Malang Tahun 009/00 yang diprolh dari hasil prhitungan yakni mmiliki rata-rata tinggi badan sbsar 56,85 cm, dngan tinggi badan trndah adalah 40 cm dan tinggi badan trtinggi adalah 83 cm. Standar dviasi sbsar 8,4 cm. Slanjutnya dskripsi data brat badan dari mahasiswa UIN MALIKI Malang Tahun 009/00 yang mmpunyai rata-rata brat badan dari mahasiswa UIN MALIKI Malang Tahun 009/00 adalah 54,566 kg. Brat badan minimum dari mahasiswa UIN MALIKI Malang Tahun 009/00 4

41 5 adalah 34 kg. Sdangkan brat badan maksimum adalah 8 kg. Standar dviasi dari variabl ini adalah 0,63 kg. Dari data tinggi badan dan brat badan di atas maka diprolh suatu nilai BMI dngan pndskripsian data sbagai brikut. Rata-rata nilai BMI yang mnunjukkan nilai status gizi dari mahasiswa UIN MALIKI Malang Tahun 009/00 adalah sbsar,3 kg yang mana nilai ini mnunjukkan m bahwa status gizi rata-rata dari Mahasiswa UIN MALIKI Malang Tahun 009/00 adalah brada pada status gizi cukup. Nilai BMI minimum dan maksimum yang dimiliki olh mahasiswa UIN MALIKI Malang Tahun 009/00 brturut-turut adalah sbsar 4,9 kg dan 9,7 kg m m. Untuk nilai minimum dari nilai BMI mnunjukkan status kurang gizi. Sdangkan nilai maksimum dari nilai BMI mnunjukkan status klbihan gizi yang dapat mngakibatkan obsitas. Standar dviasi untuk variabl ini adalah sbsar 3,65 kg. m

42 6 Tabl 3. Dskripsi Data Mahasiswa UIN MALIKI Malang Tahun 009/00 Dscriptiv Statistics: TB; BB; BMI; Group Variabl Man SE Man StDv Minimum Q Mdian Q3 Maimum TB 56,85 0,683 8,4 40,00 5,00 56,00 63,00 83,00 BB 54,566 0,86 0,63 34,000 46,000 54,000 6,000 8,000 BMI,30 0,94 3,65 4,900 8,45,900 5,075 9,700 Group,5000 0,090,7,0000,500,5000 3,7500 4,0000 Variabl Rang TB 43,00 BB 48,000 BMI 4,800 Group 3,0000 Dari dskripsi data di atas slanjutnya dilakukan pnglompokan data dngan mnggunakan jaringan syaraf tiruan. Sblum dilakukan analisis jaringan syaraf tiruan, maka langkah prtama adalah mnguji asumsi normalitas data dan uji ksamaan matrik varian-covarian. 3. Uji Asumsi Normalitas Data dan Uji Ksamaan Matrik Varian-Covarian Uji normalitas data digunakan untuk mngtahui apakah data brdistribusi normal atau tidak. Scara statistik uji normalitas data sangat diutamakan dngan tujuan untuk mngtahui apakah data yang diambil prlu dilakukan transformasi data atau tidak. Dari data mahasiswa UIN MALIKI Malang Tahun 009/00 stlah dilakukan uji normalitas data dngan mnggunakan mtod chi-squar diktahui bahwa data brdistribusi normal. Hal ini dapat dilihat dari hasil uji normalitas data yang mmprolh nilai

43 7 0,5 sbsar 0, dimana probabilitas dari 0,5 adalah sbsar 0,49997, yang brarti data mngikuti distribusi multivariat normal. Kmudian dilanjutkan dngan uji ksamaan matrik varians-covarians yang dapat dilihat pada tabl 3. di bawah ini. Tabl 3. Uji ksamaan matrik varian-covarian Bo's M 8.44 F Appro df 3 df 3.943E4 Sig..000 Tsts null hypothsis of qual population covarianc matrics. Pada tabl di atas mnunjukkan bahwa hipotsis nol dapat ditolak karna nilai p-valunya kurang dari 0,05 (dalam hal ini pnliti mnggunakan tingkat kprcayaan 95%). Dari hasil pngujian ini, dapat dikatakan bahwa data status gizi Mahasiswa UIN MALIKI Malang Tahun 009/00 brasal dari populasi yang mmpunyai matriks varian-covarian yang sama. Sblum dilakukan analisis jaringan syaraf tiruan maka prlu diktahui trlbih dahulu sbaran data Status Gizi Mahasiswa UIN MALIKI Malang Tahun 009/00 dngan mnggunakan fungsi diskriminan yang dapat dilihat pada sbaran data Status Gizi Mahasiswa UIN MALIKI Malang Tahun 009/00 pada gambar 3. di bawah ini.

44 8 Gambar 3. Plot Analisis Diskriminan Pada gambar 3. di atas, dimana ktrangan gambar untuk group mnunjukan brat badan di bawah normal yang brarti bahwa kurang gizi, group mnunjukan brat badan normal yang brarti bahwa status gizi cukup, group 3 mnunjukan normal tinggi yang brarti status gizi baik/normal, dan group 4 mnunjukan ovrwight yang brarti status klbihan gizi. Pada gambar 3. trlihat bahwa trdapat bbrapa klompok mahasiswa yang mmpunyai status gizi yang kurang jlas karna brada diantara klompok status gizi. Sbagai contoh antara status gizi dan status gizi ada bbrapa mahasiswa yang mnunjukan status gizi yang brada di antara kduanya. Dmikian juga dngan posisi diantara status gizi 3 dan 4, yang trdapat bbrapa mahasiswa yang mnunjukan status gizi yang kurang jlas. Sbagai pndukung dari gambar 3. dapat dilihat hasil dari tabl 3.3 yakni hasil pngklasifikasian data dngan analisis diskriminan.

45 9 Tabl 3.3 Hasil pngklasifikasian data dngan analisis diskriminan Summary of Classification with Cross-validation Tru Group Di Di Atas bawah Normal Put into Group Normal Normal Normal Tinggi Di Atas Normal Di bawah Normal Normal Normal Tinggi Total N N corrct Proportion 0,868,000 0,684,000 N = 5 N Corrct = 35 Proportion Corrct = 0,888 Dari hasil pada tabl 3.3 trlihat bahwa ada bbrapa klompok data yang tidak tpat ltak klompoknya atau salah pngklasifikasian. Brdasarkan hal trsbut maka untuk mmprmudah mngtahui ltak status gizi mahasiswa yang tidak jlas trsbut maka dapat dilakukan dngan mnggunakan jaringan syaraf tiruan. 3.3 Jaringan Syaraf Tiruan 3.3. Pnntuan Arsitktur Jaringan Syaraf Tiruan Tahap ini brtujuan untuk mnntukan bntuk arsitktur yang optimal dngan cara mncari kombinasi maksimal dari input, jumlah hiddn nod dan output. Kombinasi maksimal dari input, jumlah hiddn nod, dan output diprolh dngan cara mlakukan suatu pross trial and rror hingga dapat diprolh suatu kombinasi input, hiddn nod, dan output yang mmbrikan hasil pngklasifikasian yang maksimal dan dngan nilai MSE yang minimum.

46 30 Ada bbrapa ktntuan yang digunakan dalam pnlitian ini yaitu mngnai jumlah unit input, hiddn layr, dan unit output. Shingga pada pross trial and rror ini akan slalu mnggunakan unit input, hiddn layr dan 4 unit output dngan fungsi aktivasi yang digunakan adalah logistic sigmoid untuk hiddn layr dan output layr. Pada saat pross pngklasifikasian data pnlitian ini, akan dilakukan pross trial and rror untuk mlihat arsitktur jaringan yang paling optimal. Pross trsbut akan dilakukan brulang-ulang dngan jumlah hiddn nod yang brbda pada stiap prulangan. Pngklasifikasian dngan Mnggunakan Jaringan Syaraf Tiruan Stlah arsitktur jaringan syaraf tiruan ditntukan, langkah slanjutnya adalah mngklasifikasikan data dngan mnggunakan jaringan syaraf tiruan. Pada pngklasifikasian data dngan mnggunakan jaringan syaraf tiruan ini tidak mmrlukan asumsi data. Aturan yang digunakan dalam pngklasifikasian dngan mtod ini adalah bsarnya probabilitas postrior yang masuk k dalam grup trtntu. Untuk mngtahui kstabilan hasil pngklasifikasian dngan mnggunakan jaringan syaraf tiruan, maka dipilih suatu data status gizi mahasiswa UIN MALIKI Malang Tahun 009/00 yang kmudian akan dilakukan pross trial and rror untuk jumlah hiddn nod hingga dapat diprolh jumlah hiddn nod yang optimal dngan nilai MSE yang minimum.

47 3 Pross jaringan syaraf tiruan dngan backpropagation ini mmunculkan output brupa banyaknya itrasi yang digunakan untuk pross pngklasifikasian dngan jaringan syaraf tiruan, bntuk arsitktur, bobotbobot pada stiap lapisan, nilai SSE pada masing-masing pross pngklasifikasian dan output dari hasil pngklasifikasian. Hasil trial and rror yang dilakukan pada saat hiddn nod brjumlah sampai 3 pada data status gizi mahasiswa UIN MALIKI Malang Tahun 009/00 mmprolh hasil yang cukup maksimal. Karna pada saat hiddn nod brjumlah sampai 3 tidak ditmukan suatu data status gizi mahasiswa UIN MALIKI Malang Tahun 009/00 yang salah diklasifikasikan kdalam klompok lain. Akan ttapi yang mmbdakan dari bbrapa hiddn nod trsbut adalah nilai SSE yang dihasilkan dari pross trial and rror yang dapat dilihat pada tabl 3.4. Tabl 3.4. Hasil pnntuan arsitktur jaringan syaraf tiruan dngan hiddn unit (nod) -3 Hiddn nod Jumlah bobot SSE MSE

48 3 Pada tabl trsbut mnunjukkan bahwa banyaknya hiddn nod pada suatu arsitktur jaringan tidak mmpngaruhi nilai SSE yang diprolh dari hasil trial and rror. Karna pada saat hiddn nod mulai dari 3 diprolh nilai SSE sbsar 0,00000 yang trus konsistn/konvrgn sampai hiddn nod 3 dimana nilai MSE yang diprolh sudah mndkati nol (0). Hal ini didukung olh gambar 3. yang mnunjukkan kkonvrgnan yang dimulai pada titik 3. Gambar 3. Scattrplot untuk MSE dan hiddn nod Sbagaimana pnjlasan di atas, maka dapat diktahui arsitktur jaringan syaraf tiruan yang paling optimal yaitu arsitktur jaringan yang trdiri dari unit input, 3 hiddn nod pada hiddn layr, dan 4 unit output. Karna pada arsitktur jaringan trsbut mnghasilkan suatu nilai MSE yang sudah minimum. Arsitktur jaringan syaraf tiruan ini dapat dilihat pada gambar 3.3 dibawah ini.

49 33 Hiddn layr Input layr z_nt j = v j0 + i= ( i v ji ) z j = f(z_nt j ) = _ zn Output layr Gambar 3.3. Arsitktur optimal dari data status gizi mahasiswa UIN MALIKI Malang Tahun 009/00 dngan unit input 3 hiddn nod pada hiddn layr, dan 4 unit output ( hiddn layr). Arsitktur trsbut mmiliki 3 pnghubung untuk nod pada input layr, yang mana stiap pnghubung mmiliki bobot yang brbda dari pnghubung yang lain. Sdangkan untuk lapisan trsmbunyi yang mmiliki 3 nod, yang mana stiap nod-nya mmiliki 4 pnghubung dngan bobot yang brbda pada stiap pnghubungnya.

50 Kmampuan Jaringan Syaraf Tiruan dalam Mngklasifikasikan Suatu Data Bsarnya kmampuan jaringan syaraf tiruan dalam mngklasifikasikan suatu data dapat diktahui dari ksalahan dalam pross pngklasifikasian dan nilai MSE yang diprlh dari pross trsbut. Hal ini diuraikan pada paragraf di bawah ini. Hasil pngklasifikasian dngan mnggunakan jaringan syaraf tiruan mmprolh suatu pluang probabilitas brsyarat sprti yang trdapat pada tabl 3.5, dan lampiran 6. Tabl 3.5. Hasil Pngklasifikasian dngan Jaringan Syaraf Tiruan dngan 3 hiddn nod Di Bawah Normal Normal Normal Tinggi Di Atas Normal N Corrct Di Bawah Normal Normal Normal Tinggi Di Atas Normal N = 5 N Corrct = 5 Proportion Corrct =.000 Dari hasil trsbut dapat dilihat pngklasifikasian dngan jaringan syaraf tiruan mmbrikan hasil proportion corrct sbsar 00% dngan MSE sbsar 0. Brdasarkan ktrangan trsbut, dapat diktahui bahwa bsarnya kmampuan jaringan syaraf tiruan dalam mngklasifikasikan suatu data adalah sbsar 00% dngan ksalahan pngklasifikasian 0%. Slain itu juga kmampuan jaringan syaraf tiruan dapat dilihat dari nilai MSE yakni

51 35 mmpunyai nilai 0. Hal ini mnunjukkan bahwa jaringan syaraf tiruan mmiliki kmampuan yang baik dalam hal mngklasifikasikan suatu data Kajian Al-Qur an Brdasarkan Hasil Pnlitian Smua manusia mmiliki ksulitan di dalam mnjalani hidup. Akan ttapi ksulitan itu tidak akan trus mngiringi hidup manusia. Karna siring brjalannya waktu akan ditmukan suatu langkah atau cara untuk mngatasinya. Misalnya Si B adalah sorang wirausahawan yang sdang mngalami hari-hari sulit yakni sring mngalami krugian. Akan ttapi Si B ini tidak prnah mnyrah dan slalu blajar dari ksalahan shingga ia mndapatkan cara lain untuk mngatasi ksulitannya trsbut. Kjadian ini mrupakan salah satu contoh yang mnunjukkan bahwa dibalik ksulitan pasti akan ada kmudahan. Prnyataan ini trdapat dalam firman Allah SWT. dalam surat Alam Nasyroh ayat 5 yaitu sbagai brikut: Arti : Karna ssungguhnya ssudah ksulitan itu ada kmudahan (Q.S. Alam Nasyroh:5). Dmikian juga dngan pnlitian ini yang mmiliki tujuan awal yakni untuk mmbrikan kmudahan dalam pross pngklasifikasian. Tanpa harus mlalui langkah-langkah untuk mnguji bbrapa asumsi trlbih dahulu sblum data trsbut dapat diklasifikasikan. Salah satu mtod statistik yang mmiliki bbrapa asumsi adalah anasisis diskriminan. Analisis ini mrupakan mtod yang sring digunakan

52 36 untuk mngklasifikasikan suatu data. Pada analisis diskriminan trdapat bbrapa asumsi yang harus dipnuhi. Akan ttapi sblum mlakukan uji asumsi, trlbih dahulu akan dilakukan pngckan multikolinaritas dan ksamaan vktor rata-rata. Ini mrupakan salah satu ksulitan yang dapat mnghambat pross pngklasifikasian suatu data. Karna tidak smua data yang mmnuhi asumsi yang brlaku pada analisis diskriminan dan brhasil lolos dalam uji multikolinaritas dan uji ksamaan vktor rata-rata. Data yang digunakan dalam pnlitian ini sndiri adalah data status gizi mahasiswa UIN MALIKI Malang Tahun 009/00. Data trsbut akan diolah dan dianalisis dngan mnggunakan analisis diskriminan trlbih dahulu. Hasil yang diprolh adalah data status gizi mahasiswa UIN MALIKI Malang Tahun 009/00 ini tidak mmnuhi asumsi yang brlaku pada analisis diskriminan dan hasil pngklasifikasian yang diprolh adalah tidak 00% data tpat diklasifikasikan kdalam klompok masing-masing. Maka untuk mngatasi ksulitan trsbut, pross pngklasifikasian ini akan dilanjutkan dngan mnggunakan mtod lain yakni jaringan syaraf tiruan. Jaringan syaraf tiruan itu sndiri mrupakan suatu mtod yang munculnya trinspirasi dari jaringan syaraf manusia. Karna jaringan syaraf manusia mmiliki bbrapa kunggulan yakni dapat mngnali ssuatu scara cpat sprti mngnali wajah ssorang, atau mngingat suatu kjadian atau suatu hal. Kunggulan dari jaringan syaraf ini trdapat dalam surat Al-Baqarah ayat 33 yang brbunyi:

53 37 Arti : Allah brfirman: "Hai Adam, britahukanlah kpada mrka namanama bnda ini." Maka stlah dibritahukannya kpada mrka nama-nama bnda itu, Allah brfirman: "Bukankah sudah Ku katakan kpadamu, bahwa ssungguhnya Aku mngtahui rahasia langit dan bumi dan mngtahui apa yang kamu lahirkan dan apa yang kamu smbunyikan?"(q.s. Al-Baqarah:33). Ayat di atas mnunjukkan bahwa Allah mmrintahkan nabi Adam untuk mnybutkan nama-nama bnda yang sblumnya sudah dibritahukan olh Allah. Ini mrupakan kunggulan dari jaringan syaraf dalam hal mngingat ssuatu dan inilah salah satu kunggulan yang diharapkan dapat dimiliki juga olh jaringan syaraf tiruan. Sbagaimana dngan hal yang trsbut di atas bahwasanya jaringan syaraf tiruan diharapkan mmiliki kunggulan dan kinrja yang sama ataupun hampir sama dngan jaringan syaraf pada manusia. Maka untuk mmbuktikan hal trsbut, dapat dilihat dari kinrja jaringan syaraf tiruan yang dapat dinilai dari hasil pngklasifikasian yang diprolh dan nilai MSE ( Man Squar Error) dan hasil ksalahan dari pngklasifikasian suatu data. Pnjlasan mngnai kinrja jaringan syaraf tiruan dapat dilihat pada paragraf dibawah ini. Hasil pnlitian ini adalah dapat diktahui bahwa pngklasifikasian dngan mnggunakan jaringan syaraf tiruan ini mmbrikan hasil yang maksimal. Karna tidak trdapat data yang salah diklasifikasikan k dalam klompok lain. Hasil yang maksimal ini diprolh tanpa harus mlakukan bbrapa uji asumsi trlbih dahulu. Dngan dmikian dapat dikatakan bahwa

54 38 jaringan syaraf tiruan dapat digunakan untuk mngklasifikasikan data status gizi mahasiswa UIN MALIKI Malang Tahun 009/00. Brdasarkan hasil pnlitian trsbut, maka diharapkan jaringan syaraf tiruan juga mampu untuk mngklasifikasikan data yang lain dngan hasil pngklasifikasian yang maksimal pula. Dngan bgitu jaringan syaraf tiruan dapat dijadikan sbagai mtod altrnatif untuk mngklasifikasikan suatu data.

55 BAB IV PENUTUP 4. Ksimpulan Brdasarkan hasil analisis data pnlitian yang tlah dilakukan, maka dapat diprolh bbrapa ksimpulan sbagai brikut:. Arsitktur jaringan syaraf tiruan yang mnghasilkan pngklasifikasian maksimal dngan nilai MSE yang paling minimum adalah arsitktur yang trdiri dari 3 input, hiddn layr dngan 0 hiddn nod, dan 4 output.. Kmampuan jaringan syaraf tiruan dapat dilihat dari nilai MSE yang dihasilkan dari pross pngklasifikasian yang mana nilai MSE trsbut lbih kcil dari nilai MSE yang dihasilkan dari pngklasifikasian dngan mnggunakan mtod analisis diskriminan. Slain itu juga apabila dilihat dari hasil ksalahan dalam pngklasifikasian dngan mnggunakan jaringan syaraf tiruan yakni sbsar 0% yang brarti bahwa tidak ditmukan obyk yang salah diklasifikasikan k klompok lain. Ini mnunjukan bahwasanya jaringan syaraf tiruan mampu digunakan untuk mngklasifikasikan suatu data. 39

56 40 4. SARAN Brdasarkan hasil pnlitian, maka pnulis mmbrikan bbrapa saran sbagai brikut:. Apabila trdapat masalah dalam pngklasifikasian dalam analisis diskriminan, khususnya apabila asumsi kmultinormalan data tidak diktahui, maka jaringan syaraf tiruan dapat digunakan dalam analisis ini.. Jaringan syaraf tiruan dapat dikmbangkan untuk modl analisis diskriminan dngan jumlah variabl yang lbih banyak dan lbih komplk. 3. Untuk pnlitian slanjutnya, dapat dilakukan untuk mnlti kmampuan jaringan syaraf tiruan dngan struktur hiddn layr lbih dari satu dngan hiddn nod yang lbih sdikit.

57 DAFTAR PUSTAKA Harini, Sri. 00. Analisis Diskriminan Multivariat dngan Mtod Artificial Nural Ntwork. Tsis Tidak Dipublikasikan. Surabaya: Program Pascasarjana Institut Tknologi Spuluh Nopmbr. Indrawanto, Chandra dkk Prakiraaan Harga Akar Wangi: Aplikasi Mtod Jaringan Syaraf Tiruan. Puslitbangbun, Bogor. p.4-0. Kusumadwi, Sri Mmbangun Jaringan Syaraf Tiruan Mnggunakan Matlab dan Ecl Link. Yogyakarta : Graha Ilmu. Minarno, Eko Budi dan Lilik Hariani Gizi dan Kshatan. Malang:UIN- Malang Prss. Narndra, Morsintowarti Pngukuran Antropomtri pada Pnyimpangan Tumbuh Kmbang Anak. Fakultas Kdoktran Univrsitas Airlangga /RSU Dr. Sotomo Surabaya. Pnlitian Divisi Tumbuh Kmbang Anak dan Rmaja. Nishida, Chizuru WHO prt consultation. Appropriat body-mass ind for Asian populations and its implications for policy and intrvntion stratgis. Th Lanct, 004; ( Diakss pada tanggal 30 Mart 00: 6.05 WIB). Purnomo, Mauridhi Hry dan Agus Kurniawan Ntworks. Yogyakarta: Graha Ilmu. Suprvisd Nural Siang, Jong Jk Jaringan Syaraf Tiruan dan Pmrogramannya Mnggunakan Matlab. Yogyakarta : ANDI. Sudjana. 00. Tknik Analisis Rgrsi dan Korlasi. Bandung: TARSITO. Supranto, J Analisis Multivariant:Arti dan Intrprtasi. Jakarta: PT. Rinka Cipta

58 Sdiaotama, Achmad Djani Ilmu Gizi I. Jakarta: Dian Rakyat. Widodo, dkk. 00. Kamus Ilmiah Populr. Yogyakarta: Absolut. Yitnosumarto, Suntoyo Dasar-dasar Statistika. Jakarta: PT Raja Grafindo Prsada.

59 Lampiran Data Status Gizi Mahasiswa Baru UIN MALIKI Malang Tahun 009/00 BMI Group Klompok 6.33 Di bawah Normal 6.30 Di bawah Normal 7.7 Di bawah Normal 8.37 Di bawah Normal 4.9 Di bawah Normal 8.04 Di bawah Normal 7.40 Di bawah Normal 7.58 Di bawah Normal 6.59 Di bawah Normal 7.0 Di bawah Normal 7.3 Di bawah Normal 6.69 Di bawah Normal 7.60 Di bawah Normal 7.60 Di bawah Normal 7.85 Di bawah Normal 8.37 Di bawah Normal 7.67 Di bawah Normal 7.3 Di bawah Normal 6.38 Di bawah Normal 7.9 Di bawah Normal 8. Di bawah Normal 8.9 Di bawah Normal 6.3 Di bawah Normal 8.37 Di bawah Normal 7.57 Di bawah Normal 6.0 Di bawah Normal 6.88 Di bawah Normal 6.0 Di bawah Normal 8.08 Di bawah Normal 7.3 Di bawah Normal 8.6 Di bawah Normal 7.69 Di bawah Normal 8. Di bawah Normal 7.35 Di bawah Normal 6.60 Di bawah Normal 7.53 Di bawah Normal

60 8.4 Di bawah Normal 7.44 Di bawah Normal 9.3 Normal.77 Normal.55 Normal 9.8 Normal 9.50 Normal.77 Normal.50 Normal 9.56 Normal 8.55 Normal.35 Normal. Normal.49 Normal 0.00 Normal.64 Normal 0.40 Normal 0.55 Normal.7 Normal.3 Normal.59 Normal 0.83 Normal.00 Normal.34 Normal 8.5 Normal 8.9 Normal 9.5 Normal.6 Normal.7 Normal 0.3 Normal 8.47 Normal 8.5 Normal. Normal 0.70 Normal.0 Normal.9 Normal 0.8 Normal 0.57 Normal 0.4 Normal

61 8.86 Normal Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi 3. 3 Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi 3. 3 Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi Normal Tinggi

62 Ovrwight 5. 4 Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight 5. 4 Ovrwight Ovrwight 9. 4 Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight Ovrwight

63 Lampiran Uji Ksamaan Matri Varian-Kovarian Group Statistics Std. Valid N (listwis) StatusGizi Man Dviation Unwightd Wightd BMI BMI BMI BMI Total BMI Bo's Tst of Equality of Covarianc Matrics Log Dtrminants StatusGizi Rank Log Dtrminant Poold within-groups.09 Tst Rsults Bo's M 8.44 F Appro df 3 df 3.943E4 Sig..000 Tsts null hypothsis of qual population covarianc matrics.

64 Lampiran 3 MTB > invcdf 0,5; SUBC> chis. Invrs Cumulativ Distribution Function Chi-Squar with DF P( X <= ) 0,5 0,454936

65 Lampiran 4 *** Discriminant Analysis *** Call: discrim(status.gizi ~ BMI, data = data.ini, family = Classical(cov.structur = "homoscdastic"), na.action = na.omit, prior = "proportional") Group mans: BMI N Priors Covarianc Structur: homoscdastic BMI BMI.4683 Constants: Linar Cofficints: 3 4 BMI Tsts for Homognity of Covariancs: Statistic df Pr Bo.M adj.m Tsts for th Equality of Mans: Group Variabl: Status.Gizi Statistics F df df Pr Wilks Lambda Pillai Trac Hotling-Lawly Trac Roy Gratst Root * Tsts assum covarianc homoscdasticity. F Statistic for Wilks' Lambda is act. F Statistic for Roy's Gratst Root is an uppr bound. Hotlling's T Squard for Diffrncs in Mans Btwn Each Group: F df df Pr

66 95% Simultanous Confidnc Intrvals Using th Fishr LSD Mthod: Estimat Std.Error Lowr Bound Uppr Bound.BMI-.BMI **** (critical point:.976 ) Estimat Std.Error Lowr Bound Uppr Bound.BMI-3.BMI **** (critical point:.976 ) Estimat Std.Error Lowr Bound Uppr Bound.BMI-4.BMI **** (critical point:.976 ) Estimat Std.Error Lowr Bound Uppr Bound.BMI-3.BMI **** (critical point:.976 ) Estimat Std.Error Lowr Bound Uppr Bound.BMI-4.BMI **** (critical point:.976 ) Estimat Std.Error Lowr Bound Uppr Bound 3.BMI-4.BMI **** (critical point:.976 ) * Intrvals cluding 0 ar flaggd by '****' Mahalanobis Distanc: Kolmogorov-Smirnov Tst for Normality: Statistic Probability BMI Plug-in classification tabl: 3 4 Error Postrior.Error Ovrall (from=rows,to=columns) Rul Man Squar Error: (conditiond on th training data) Cross-validation tabl: 3 4 Error Postrior.Error Ovrall (from=rows,to=columns)

67 Tru Group Di Di Atas bawah Normal Put into Group Normal Normal Normal Tinggi Di Atas Normal Di bawah Normal Normal Normal Tinggi Total N N corrct Proportion 0,868,000 0,684,000 N = 5 N Corrct = 35 Proportion Corrct = 0,888 Summary of Misclassifid Obsrvations Squard Tru Prd X-val Distanc Probability Obsrvation Group Group Group Group Prd X-val Prd X-val 40** 3 3 6,55 7,03 0,00 0,00 3,658 3,93 0,3 0, 3,38,53 0,77 0,79 4 3,787 4,034 0,00 0,00 4** 3 3 4,6 4,966 0,00 0,00 3,94 3,4 0,30 0,8 3,53,539 0,70 0,7 4 5,048 5,48 0,00 0,00 44** 3 3 6,55 7,03 0,00 0,00 3,658 3,93 0,3 0, 3,38,53 0,77 0,79 4 3,787 4,034 0,00 0,00 47**,754,776 0,80 0,8 4,486 4,85 0,0 0,8 3 5,400 6,036 0,00 0, ,345 60,85 0,00 0,00 48** 3 3,589,794 0,00 0,00,9,439 0,49 0,47 3,04,8 0,5 0,53 4 6,893 7,036 0,00 0,00 56** 3 3 3,345 3,649 0,00 0,00 3,43 3,68 0,40 0,37 3,583,577 0,60 0,63 4 7,60 7,47 0,00 0,00 57** 3 3 7,00 7,666 0,00 0,00 5,49 5,707 0,0 0,7 3,485,470 0,80 0,83 4 5,5 5,65 0,00 0,00 6**,603,65 0,87 0,90 5,435 5,97 0,3 0,0 3 6,30 6,899 0,00 0, , 6,85 0,00 0,00 6** 5,476 5,450 0,74 0,8 7,595 8,400 0,6 0,9 3 5,536 6,460 0,00 0, ,363 59,035 0,00 0,00 67** 3,98 3,955 0,78 0,83 6,49 7, 0, 0,7 3 8,36 9,70 0,00 0,00

68 4 6,595 64,747 0,00 0,00 68** 3,9 3,70 0,90 0,93 7,74 8,550 0,0 0,07 3 8,45 9,30 0,00 0,00 4 6,084 64,36 0,00 0,00 76** 3,5 3,54 0,56 0,60 3,994 4,303 0,44 0,40 3 3,385 3,853 0,00 0, ,83 56,894 0,00 0,00 6** ,475 54,793 0,00 0,00 7,59 7,648 0,00 0,00 3,900,88 0,6 0,65 4 3,79 4,080 0,39 0,35 0** ,053 54,47 0,00 0,00 7,05 7,9 0,00 0,00 3,998,995 0,60 0,6 4,776,966 0,40 0,38 3** ,75 54,04 0,00 0,00 6,840 6,986 0,00 0,00 3,474,484 0,60 0,6 4,95,444 0,40 0,38 34** ,98 63,6 0,00 0,00 5,637 5,475 0,00 0,00 3 8,035 8,30 0,5 0,6 4 8,64 9,067 0,48 0,38 36** ,475 54,793 0,00 0,00 7,59 7,648 0,00 0,00 3,900,88 0,6 0,65 4 3,79 4,080 0,39 0,35

69 Lampiran 5 Hasil Pngklasifikasian dngan Jaringan Syaraf Tiruan Random sd : 3 Rlativ tol : -8 Rang : 0.7 Maks Itrasi : 000 Absolut tolransi : # wights: 6 initial valu itr 0 valu itr 0 valu itr 30 valu itr 40 valu final valu convrgd *** Nural Ntwork Fit *** a -3-4 ntwork with 6 wights options wr - skip-layr connctions softma modlling b->h i->h b->h i->h b->h3 i->h b->o h->o h->o h3->o i->o b->o h->o h->o h3->o i->o b->o3 h->o3 h->o3 h3->o3 i->o b->o4 h->o4 h->o4 h3->o4 i->o Eignvalus of Hssian ar: [] [7] [3] [9] [5] Prdictions wr:

70

71

72

73 KEMENTERIAN AGAMA RI UNIVERSITAS ISLAM NEGERI (UIN) MAULANA MALIK IBRAHIM MALANG FAKULTAS SAINS DAN TEKNOLOGI Jln. Gajayana No. 50 Malang Tlp. (034) Fa. (034) BUKTI KONSULTASI SKRIPSI Nama : Inda Safitri NIM : Fakultas/ Jurusan : Sains dan Tknologi/ Matmatika Judul Skripsi : Pnggunaan Jaringan Syaraf Tiruan untuk Pngklasifikasian Status Gizi Mahasiswa Univrsitas Islam Ngri (UIN) Maulana Malik Ibrahim Malang Tahun 009/00 Pmbimbing I : Sri Harini, M.Si Pmbimbing II : Dr. Munirul Abidin, M.Ag No Tanggal Hal Yang Dikonsultasikan Tanda Tangan. 3 Januari 00 Rvisi proposal.. 9 Fbruari 00 Konsultasi BAB I dan BAB II Mart 00 Rvisi BAB I, BAB II dan konsultasi BAB III 4. 3 Mart 00 Konsultasi kajian agama Mart 00 Konsultasi BAB III April 00 Konsultasi BAB III April 00 Konsultasi BAB III April 00 Rvisi kajian agama BAB I dan BAB II 9. 4 Mi 00 Konsultasi BAB III Mi Mi Juni Juni 00 Rvisi kajian agama BAB I, ACC BAB II dan konsultasi BAB III ACC BAB I, rvisi BAB II, dan konsultasi BAB III Rvisi kajian agama BAB III, ACC BAB I Rvisi BAB I, BAB II, dan BAB III