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

Bilah Samping Artikel

PDF
Diterbitkan: Jul 25, 2017
DOI: https://doi.org/10.17933/iptekkom.19.1.2017.39-50
Kata Kunci:
data tak seimbang, Learning Vector Quantization, SMOTE, undersampling, status gizi balita
Dimensions
Altmetrics
Statistics
Read Counter : 964
Download : 998
Crossmark/ Data Version

Isi Artikel Utama

Ade Yuni Triyanto
Universities Diponegoro
Retno Kusumaningrum
Departemen Ilmu Komputer/Informatika Universitas Diponegoro

Abstrak

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%.

Rincian Artikel

Terbitan
Vol 19 No 1 (2017): Jurnal IPTEK-KOM (Jurnal Ilmu Pengetahuan dan Teknologi Komunikasi)
Bagian
Articles

Jurnal IPTEK-KOM menggunakan kebijakan akses terbuka. Syarat yang harus dipenuhi oleh Penulis sebagai berikut:

  1. Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Commons Attribution License yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
  2. Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
  3. Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).

Referensi

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