Implementasi Teknik Sampling untuk Mengatasi Imbalanced Data pada Penentuan Status Gizi Balita dengan Menggunakan Learning Vector Quantization

Main Article Content

Ade Yuni Triyanto
Retno Kusumaningrum

Abstract

Balita memerlukan suatu pengawasan khusus karena pada masa-masa tersebut balita rentan terhadap serangan penyakit dan kekurangan gizi. Untuk itu penelitian ini bertujuan untuk menerapkan metode Learning Vector Quantization (LVQ) dalam proses klasifikasi status gizi balita ke dalam gizi lebih, gizi baik, gizi rentan, dan gizi kurang. Data yang digunakan dalam penelitian ini adalah data gizi balita sebanyak 612, terdiri dari 38 data gizi lebih, 491 data gizi baik, 63 gizi rentan, dan 20 data gizi kurang. Data tersebut disebut sebagai data tidak seimbang.  Selanjutnya, penelitian ini menerapkan teknik undersampling dan oversampling untuk mengatasi permasalahan tersebut. Hasil penelitian menunjukkan bahwa penerapan metode LVQ terhadap data tak seimbang menghasilkan nilai akurasi sebesar 84.15 %, tetapi nilai overall accuracy sebesar 43.27%. Sedangkan penerapan metode LVQ terhadap data yang seimbang menghasilkan nilai akurasi dan overall accuracy yang sama yakni sebesar 74.38%.

Dimensions

Article Details

Section
Articles

References

Anggraeni, R., & Indrarti, A. (2010). Klasifikasi Status Gizi Balita Berdasarkan Indeks Antropometri Menggunakan Jaringan Syaraf Tiruan. In Prosiding Seminar Nasional Teknologi Informasi 2010 (SNASTI 2010) (p. ICCS-14 s/d ICCS 18). Surabaya.

Chawla, N. V. (2005). Data Mining for Imbalanced Datasets: An Overview. In Data Mining and Knowledge Discovery Handbook (pp. 853–867).

Chawla, N. V, Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE : Synthetic Minority Over-sampling Technique. Journal of Artificial Intelligence Research, 16, 321–357.

Dharmawan, D. A. (2014). Deteksi kanker serviks otomatis berbasis Jaringan Saraf Tiruan LVQ dan DCT. Jurnal Nasional Teknik Elektro Dan Teknologi Informasi (JNTETI), 3(4), 269–272.

Fitri, Setyawati, O., & S, D. R. (2013). Aplikasi jaringan syaraf tiruan untuk penentuan status gizi balita dan rekomendasi menu makanan yang dibutuhkan. Jurnal EECCIS, 7(2), 119–124.

Hatmojo, Y. I. (2014). Implementasi Wavelet Haar dan Jaringan Tiruan Pada Pengenalan Pola Selaput Pelangi Mata. Jurnal Nasional Teknik Elektro Dan Teknologi Informasi (JNTETI), 3(1), 58–62.

Haykin, S. (2008). Neural Networks and Learning Machines. New Jersey: Prentice Hall.

Khairani, M. (2014). Improvisasi Backpropagation menggunakan penerapan adaptive learning rate dan parallel training. TECHSI -

Jurnal Penelitian Teknik Informatika, 4(1), 157–172.

Muaris, H. (2006). Sarapan Sehat untuk Anak Balita (PT Gramedi). Jakarta.

Wan, X., Liu, J., Cheung, W. K., & Tong, T. (2014). Learning to improve medical decision making from imbalanced data without a priori cost. BMC Medical Informatics and Decision Making, 14(111), 1–9. https://doi.org/10.1186/s12911-014-0111-9

Wankhede, S. B. (2014). Analytical Study of Neural Network Techniques : SOM , MLP and Classifier-A Survey. IOSR Journal of Computer Engineering, 16(3), 86–92.

Wuryandari, M. D., & Afrianto, I. (2012). Perbandingan Metode Jaringan Syaraf Tiruan Backpropagation dan Learning Vector Quantization pada Pengenalan Wajah. Jurnal Komputer Dan Informatika, 1, 45–51.

Yen, S.-J., & Lee, Y.-S. (2009). Cluster-based under-sampling approaches for imbalanced data distributions. Expert Systems with Applications, 36(3), 5718–5727. https://doi.org/10.1016/j.eswa.2008.06.108