BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI

BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Penelitian dengan judul Pemodelan Untuk Menentukan Kecukupan Angka Gizi Ibu Hamil. Penentuan status kecukupan angka gizi ibu hamil dilakukan berdasarkan pengalaman bidan atau dokter yang memeriksa pasien (ibu hamil), namun ada kalanya penentuan tersebut kurang optimal karena tidak didukung pakar yang ahli dibidangnya (ahli gizi) dan diharapkan penelitian yang akan dilakukan akan mampu memberikan kontribusi dalam hal peningkatan tingkat akurasi output informasi yang dihasilkan dibandingkan dengan penelitian yang sudah dilakukan. Pemodelan sistem pada penelitian ini menggunakan fuzzy inference sistem metode sugeno untuk menentukan kecukupan angka gizi ibu hamil. Tujuan pemberian gizi bagi ibu hamil adalah mempertahankan kesehatan dan kekuatan tubuh, mendukung pertumbuhan dan perkembangan janin, sebagai sumber tenaga dan persiapan dalam memproduksi ASI (Air Susu Ibu) (Rihastuti, Kusrini, & Al Fatta, 2015). Penelitian dengan judul Penerapan Sistem Pendukung Keputusan dalam Pemilihan Gizi Ibu Hamil. Dalam masa kehamilan seorang ibu memerlukan kebutuhan yang lebih dalam menjaga kesehatan terutama untuk menjaga janin yang dikandungnya supaya jangan terjadi hal-hal yang tidak diinginkan. Gizi makanan harus diperhatikan dalam menjaga kesehatan ibu hamil dan harus dicari apa yang harus dikonsumsi bagi seorang ibu disaat hamil. TOPSIS merupakan metode yang dapat digunakan dalam menentukan apa yang harus dikonsumsi seorang ibu dalam pemilihan gizi. Dengan algoritma yang digunakan dalam metode dapat menentukan jenis bahan makanan yang baik untuk kebutuhan gizi. Sistem pendukung keputusan ini dapat dijadikan untuk mendapatkan informasi mengenai jenis bahan yang sangat baik, tidak baik dikonsumsi untuk dipilih bagi ibu hamil (Ishak, Saniman, & Andika, 2015). 3

Penelitian dengan judul Sistem Pakar Untuk Mengetahui Pemenuhan Gizi dan Deteksi Awal Kesehatan Ibu Hamil Berbasis Web. Angka kematian ibu hamil di Indonesia cukup tinggi yaitu 396 per 100.000 kelahiran untuk di daerah dan di pelosok. Penyebab utamanya adalah akibat kurangnya informasi dan pengetahuan gizi serta kesehatan ibu hamil selama masa kehamilan. Salah satu dampak kurangnya pengetahuan gizi dan kesehatan ibu hamil adalah eklampsia. Kurangnya informasi dan pengetahuan kehamilan dapat disolusikan dengan dibuatkannya suatu sistem yang dapat membantu ibu hamil dalam memeriksakan kondisi kandungannya. Adapun sistem tersebut merupakan sistem pakar yang dapat mengetahui status pemenuhan gizi berdasarkan berat badan dan asupan makanan serta gejala sakit yang dirasakan ibu hamil. Sistem pakar ini menggunakan mesin inferensi forward chaining dengan representasi pengetahuan bingkai (frame) untuk mengetahui status pemenuhan gizi, sedangkan untuk deteksi kesehatan menggunakan mesin inferensi backward chaining dengan representasi pengetahuan kaidah produksi. Berdasarkan hasil pengujian, sistem pakar ibu hamil ini dapat memberikan kesimpulan gizi dan kesehatan terhadap gejala-gejala yang dirasakan dan dapat mengetahui detail dari penyakitnya tersebut (Indrawaty & Putranto, 2011). Penelitian dengan judul Pengembangan Sistem Pendukung Keputusan untuk Mnentukan Gizi Ibu Hamil Menggunakan Metode AHP (Analytic Hierarchy Process). Menentukan asupan gizi pada ibu hamil dikategorikan sebagai salah satu contoh kasus multikriteria. Dikarenakan kapasitas penentuan asupan gizi, pola makan, diet ibu hamil yang berbeda-beda, sehingga tidak menutup kemungkinan bahwa pengambilan suatu keputusan merupakan suatu yang sangat vital dalam menentukan keputusan yang harus diambil pada gizi ibu hamil. Pengambilan keputusan dapat dipengaruhi oleh beberapa aspek, hal ini dapat mempengaruhi kecepatan dalam mengambil keputusan oleh decision maker dimana pengambilan keputusan harus cepat dan akurat. Software ini dibuat dengan menggunakan metode Analytical Hierarcy Process. Dimana algoritma ini melakukan proses perhitungan untuk mencari keputusan yang terbaik, yaitu dengan cara menghitung nilai kriteria-kriteria dan membandingkannya dengan perhitungan dari tiap-tiap kemungkinan keputusan yang diambil. Kriteria yang dipakai dalam penentuan gizi ibu hamil adalah dari sisi pasien, dari sisi kesehatan, sisi makanan, dan sisi aturan porsi makanan. Dari hasil perancangan dan pengujian aplikasi Decision Support System akan menghasilkan keputusan yang tepat dan fleksibel dengan aspek yang mempengaruhi keputusan tersebut, serta menghasilkan laporan 4

agar user mengerti akan keputusan tersebut diambil (Wahyuni, Santoso, & Nurwarsito, 2010). Penelitian dengan judul Sistem Pendukung Keputusan Untuk Menentukan Status Gizi Balita Menggunakan Metode Fuzzy Inferensi Sugeno (Berdasarkan Metode Antropometri). Gizi balita merupakan salah satu dasar acuan perkembangan anak. Untuk melakukan pemeriksaan gizi balita diperlukan buku Kartu Menuju Sehat (KMS) yang digunakan pedoman dasar tumbuh kembang balita. Pemeriksaan gizi pada balita menggunakan KMS digunakan standar antropometri dalam penentuan status gizinya. Dalam Penentuan status gizi, terdapat empat kategori yang dijadikan standar yaitu umur balita, berat balita, tinggi balita dan jenis kelamin balita. Sedangkan dalam penelitian ini selain menggunakan antropometri juga digunakan metode inferensi fuzzy Sugeno dalam penentuan status gizi pada balita. Berdasarkan hasil pengujian terhadap sistem pendukung keputusan (SPK) status gizi yang telah dibangun dengan menggunakan metode fuzzy Sugeno dan pengujian menggunakan standar baku antropometri memiliki hasil 84% dari 25 data yang diujikan terdapat 4 yang tidak sesuai, sehingga dapat disimpulkan bahwa unjuk kerja sistem berhasil (Romadhon & Purnomo, 2016). Penelitian dengan judul Rancang Bangun Aplikasi Pemenuhan Gizi Bagi Ibu Hamil Menggunakan Logika Fuzzy Tsukamoto (Design Applications For Compliance With Nutrition In Pregnant Using The Tsukamoto Fuzzy Logic). Dengan jumlah yang begitu banyak diperkirakan disusunnya kebutuhan gizi pada ibu hamil masih kurang tercukupi. Dari permasalahan tersebut maka dibuat sebuah aplikasi untuk pemenuhan gizi pada ibu hamil dengan menggunakan logika fuzzy informasi tentang penerapan konsep logika fuzzy untuk pemenuhan gizi bagi ibu hamil dan dapat menambah ilmu pengetahuan pada bidang kesehatan. Metode yang digunakan untuk merancang dan membuat aplikasi ini melalui wawancara terhadap ahli gizi atau bidan. Hasil yang diperoleh dari aplikasi ini adalah berupa kenaikan berat badan dan menu makan ibu hamil. Dari hasil uji coba memberikan hasil perhitungan dengan hasil perhitungan tingkat error 5,8 persen dan tingkat kebenaran 94,2 persen terhadap indeks massa tubuh ibu sebelum hamil, umur ibu dan usia kandungan (Rahmawati & Harimurti, 2012). Berdasarkan beberapa penelitian yang sudah ada, dalam penelitian ini lebih ditujukan untuk menentukan status kesehatan ibu hamil menggunaan metode logika fuzzy Sugeno berdasarkan kriteria 4T (Terlalu muda, Terlalu tua, Terlalu Sering, dan Terlalu Dekat), yang diharapkan nantinya dapat memberikan kemudahan pada saat menentukan kesehatan pada ibu 5

hamil khususnya dalam penentuan kondisi ibu hamil normal ataupun kondisi ibu hamil yang beresiko. 2.2. Landasan Teori 2.2.1. Kesehatan Kesehatan adalah suatu keadaan kedudukan orang dalam tingkatan sehat atau sakit. Konsep hidup sehat sampai saat ini masih relevan untuk diterapkan.kondisi sehat secara holistik bukan saja kondisi sehat secara fisik melainkan juga spiritual dan sosial bermasyarakat.untuk menciptakan suatu kondisi sehat seperti ini diperlukan suatu keharmonisan dalam menjaga kesehatan tubuh. Ada empat faktor utama yang mempengaruhi derajat kesehatan masyarakat. Keempat faktor tersebut merupakan faktor determinan timbulnya masalah kesehatan. Keempat faktor tersebut terdiri dari faktor perilaku/gaya hidup (life style), faktor lingkungan (sosial, ekonomi, politik, budaya), faktor pelayanan kesehatan (jenis cakupan dan kualitasnya) dan faktor genetik (keturunan). Keempat faktor tersebut saling berinteraksi yang mempengaruhi kesehatan perorangan dan derajat kesehatan masyarakat (Sitanggang & Nasution). 2.2.2. Status Kesehatan Ibu Hamil Status kesehatan ibu hamil merupakan suatu preoses yang butuh perawatan khusus agar dapat berlangsung dengan baik kehamilan mengandung unsur kehidupan ibu maupun janin. Resiko kehamilan ini bersifat dinamis karena ibu hamil yang pada mulanya normal, secara tiba-tiba dapat beresiko tinggi. Jika status kesehatan ibu hamil buruk, misalnya menderita anemia maka bayi yang dilahirka beresiko lahir dengan berat badan rendah, bayi dengan BBLR ini memilki resiko kesakitan seperti infeksi saluran nafas bagian bawah dan kemtian yang lebih tinggi dari pada bayi yang dilahirkan dengan berat badan normal. Bagi ibu sendiri anemia ini meningkatkan resiko pendarahan pada saat persalinan dan pasca persalinan, gangguan kesehatan bahkan resiko kematian (Kusmiyati, Sujiyatini, & Wahyuningsih, 2009). 2.2.3. Sistem Pakar Sistem pakar adalah salah satu cabang ilmu AI (Artificial Intelligent) yang membuat penggunaan secara luas knowledge yang khusus untuk penyelesaian masalah tingkat manusia yang pakar. Seorang pakar adalah orang yang mempunyai keahlian dalam bidang tertentu, 6

yaitu pakar yang mempunyai knowledge atau kemampuan khusus yang orang lain tidak mengetahui atau mampu dalam bidang yang dimilikinya (Arhami, 2005). 2.2.4. Logika Fuzzy Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Cara memetakan suatu ruang input ke dalam suatu ruang output dapat digunakan beberapa cara, di antaranya sistem fuzzy, sistem linear, sistem pakar, jaringan syaraf, persamaan differensial, tabel interpolasi multidimensi (Rohayani, 2013). Dengan teori himpunan fuzzy, suatu objek dapat menjadi anggota dari banyak himpunan dengan derajat keanggotaan yang berbeda dalam masing masing himpunan. Konsep ini berbeda dengan teori himpunan tegas (crisp). Alasan menggunakan logika fuzzy antara lain : 1. Konsep logika fuzzy mudah dimengerti 2. Konsep matematis yang mendasari penalaran fuzzy yang sangat sederhana dan mudah dimengerti. 3. Logika fuzzy dapat mengaplikasikan pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan. 2.2.4.1. Himpunan Fuzzy Himpunan fuzzy atau himpunan kabur (fuzzy set) adalah generalisasi konsep himpunan biasa (ordiner). Untuk semesta wacana (universe of discourse) U, himpunan fuzzy ditentukan oleh fungsi keanggotaan tang memetakan anggota u ke rentang keanggotaan dalam interval [0,1]. Sedangkan untuk himpunan biasa fungsi keanggotaan bernilai diskret 0 dan 1 (Widodo, 2005). Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan (x), memiliki dua kemungkinan, yaitu : Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan. Misalkan variabel umur dibagi tiga kategori sebagai berikut : MUDA : umur <20 PRODUKTIF : >30 TUA : umur >35 7

Apabila seseorang berusia 19 tahun, maka ia dikatakan PRODUKTIF (µmuda[19thn] = 1). Apabila seseorang berusia 20 tahun kurang 1 hari, maka ia dikatakan TIDAK MUDA (µmuda[20thn 1 hr] = 0). Adanya perubahan kecil saja pada suatu nilai mengakibatkan perbedaan kategori yang cukup signifikan. Himpunan fuzzy digunakan untuk mengantisipasi hal tersebut. Seseorang dapat masuk dalam dua himpunan yang berbeda, MUDA dan PRODUKTIF, PRODUKTIF dan TUA, dan sebagainya. Seberapa besar eksistensinya dalam himpunan tersebut dapat dilihat berdasarkan nilai keanggotaannya. Himpunan fuzzy memiliki dua atribut yakni sebagai berikut : 1. Linguistik adalah penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti : MUDA, PRODUKTIF, dan TUA. 2. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel seperti : 27, 30, 34, dan sebagainya. Ada beberapa gak yang perlu diketahui dalam memahami sistem fuzzy, yaitu : 1. Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy. Contoh : umur, temperatur, permintaan, dan sebagainya. 2. Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. 3. Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. Adakalanya nilai semestea pembicaraan ini tidak dibatasi batas atasnya. 4. Domain himpunan fuzzy adalah keseluruhan nilai yang diizinkan dalam semesta pembicaraan dan boleh dioperasikan dalam himpunan fuzzy. 2.2.4.2. Fungsi Keanggotaan Fungsi Keanggotaan (membership function) adalah suatu kurva yang menunjukan pemetaan titik-titik input data ke dalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 dan sampai 1. Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang bisa digunakan yaitu sebagai berikut : a. Representasi Kurva Travesium 8

Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan satu (Arief, 2013). Untuk Kurva Trapesium dapat dilihat pada Gambar 2.1 Dan untuk fungsi keanggotaan dapat dilihat pada Persamaan 2.1.... (2.1) Gambar 2. 1Representasi Kurva Trapesium b. Representasi Kurva Bahu Daerah yang terletak di tengah-tengah suatu variabel yang dipresentasikan dalam bentuk segitiga, pada sisi kanan dan kirinya akan naik turun. Himpunan fuzzy bahu, bukan segitiga, digunakan untuk mengakhiri variabel suatu daerah fuzzy. Bahu kiri bergerak dari benar ke salah, demikian juga bahu kanan bergerak dari salah kebenar (Kusumadewi & Purnomo, 2004). Representasi Kurva Bahu dapat dilihat pada Gambar 2.2. Gambar 2. 2 Representasi Kurva Bahu 9

2.2.4.3. Operasi Himpunan Fuzzy Seperti halnya himpunan konvensional, ada beberapa operasi yang didefinisikan secara khusus untuk mengkombinasikan dan memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai hasil dari operasi 2 himpunan yang dikenal dengan nama fire strength atau α- predikat. Ada tiga operasi dasar dalam himpunan fuzzy yaitu komplomen, irisan, dan gabungan (union) (Arhami, 2005). Untuk himpunan fuzzy dapat dilihat pada Tabel 2.1. 2.2.4.4. Sistem Inferensi Fuzzy Tabel 2. 1 Operasi dasar dalam himpunan fuzzy Operasi Fungsi Keanggotaan Komplemen [ ] [ ] Irisan ) )) Union ) )) Sistem inferensi fuzzy merupakan kerangka komputasi yang didasarkan pada teori himpunan fuzzy, aturan fuzzy berbentuk IF-THEN, dan penalaran fuzzy (Kusumadewi & Purnomo, 2004). 2.2.4.5. Metode Sugeno Model fuzzy Sugeno merupakan pendekatan sistematis pembangkitan aturan fuzzy dari himpunan data masukan-masukan yang diberikan (Widodo, 2005). Aturan fuzzy nya berbentuk dapat dilihat pada Persamaan 2.2. IF x is A AND y is B THEN z = f(y,x)... (2.2) Dengan A dan B adalah himpunan fuzzy dalam antecedent dan z=f(x,y) adalah fungsi tegas dalam konsekuen. Biasanya f(x,y) adalah polynomial dalam variabel x dan y. Penalaran dengan metode sugeno hamper sama dengan penalaran mamdani, hanya saja output (konsekuen)sistem tidak berupa huimpunan fuzzy, melainkan berupa konstanta atau persamaan linear. Metode ini diperkenalkan oleh Takagi-Sugeno Kang pada tahun 1985, sehingga metode ini sering juga dinamakan dengan Metode TSK. Menurut Cox (1994), Metode TSK terdiri dari 2 jenis, yaitu : a. Model Fuzzy Sugeno Orde-Nol Secara umum bentuk model fuzzy sugeno orde-nol adalah : 10

IF( is ) o. ( is ) o. ( is )o o( is ) THEN z=k... (2.3) dengan adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah suatu konstanta (tegas) sebagai konsekuen. b. Model Fuzzy Sugeno Orde-Satu Secara umum bentuk model sugeno orde-satu adalah : IF ( is ) o o( is ) THEN z= * + + * + q...(2.4) dengan adalah himpunan fuzzy ke-i sebagai anteseden, dan adalah suatu konstanta (tegas) ke-i dan q juga merupakan konstanta dalam konsekuen. Apalabila komposisi aturan menggunakan metode sugeno, makan defuzzifikasi dilakukan dengan cara mencari nilai rata-ratanya (Kusumadewi & Purnomo, 2013). Berdasarkan model fuzzy tersebut, ada tahapan-tahapan dalam metode Sugeno yatu sebagai berikut: a. Pembentukan Himpunan Fuzzy Pada tahapan ini variabel input dari sistem fuzzy ditransfer ke dalam himpunan fuzzy untuk dapat digunakan dalam perhitungan nilai kebenaran dari premis pada setiap aturan dalam basis pengetahuan. Dengan demikian tahap ini mengambil nilai-nilai tegas dan menentukan derajat di mana nilai tersebut menjadi anggota dari setiap himpunan fuzzy yang sesuai b. Aplikasi Fungsi Implikasi Setiap aturan (proposisi) pada basis pengetahuan fuzzy akan berhubungan dengan suatu relasi fuzzy. Bentuk umum dari aturan yang digunakan dalam fungsi implikasi seperti pada Persamaan 2.5. IF x is A THEN y is B... (2.5) Dengan x dan y adalah skala, dan A dan B adalah himpunan fuzzy. Proposisi yang mengikuti IF disebut sebagai antesenden sedangkan yang mengikuti THEN disebut konsekuen. Proposisi ini dapat diperluas dengan menggunakan operator fuzzy seperti Persamaan 2.6. IF(x1 is A1) o (x2 is A2) o (x3 is A3)o...o(Xn is AN) THEN y is B... (2.6) 11

dengan o adalah operator (misal: OR atau AND). Secara umum fungsi implikasi yang dapat digunakan yaitu: Min (Minimum) Fungsi ini akan memotong output himpunan fuzzy. Dot (Product) Fungsi ini akan menskala output himpunan fuzzy. Pada Metode Sugeno, fungsi implikasi yang digunakan hanyalah fungsi min. c. Defuzzifikasi (Defuzzification) Input dari proses defuzzifikasi adalah himpunan fuzzy yang dihasilkan dari proses komposisi dan output adalah sebuah nilai (crips). Untuk aturan if-then fuzzy dalam persamaan ru(k) =if x1 is a1k and... and Xn IS ank then y is bk, dimana a1k dan bk berturut-turut adalah himpunan fuzzy dalam ui r(u dan v adalah domain fisik), i=1,2,..., n dan x=(x1,x2,..., xn) u dan y v berturut-berturut adalah variabel input dan output (crips) dari sistem fuzzy. Menurut wang, defuzzifier pada persamaan di atas didefinisikan sebagai suatu pemetaan dari himpunan fuzzy bk dalam v r (yang merupakan output dari inferensi fuzzy) ke titik crips y*v (arhami, 2015). Pada metode sugeno defuzzifikasi dilakukan dengan perhitungan Weight Average (WA). 12