Penggunaan jaringan syaraf tiruan untuk pengklasifikasian status gizi

INDONESIA: Salah satu metode pengelompokan/pengklasifikasian yang sering digunakan adalah analisis diskriminan. Pada analisis diskriminan terdapat asumsi yang harus dipenuhi oleh data, khususnya asumsi bahwa data harus berdistribusi multivariate normal. Selain harus memenuhi asumsi tersebut, data juga harus melalui tahapan uji multikolinieritas dan uji kesamaan vektor rata-rata. Padahal tidak semua data dapat memenuhi asumsi tersebut. Selain itu juga terkadang meskipun data sudah berdistribusi multivariate normal, hasil pengklasifikasian yang diperoleh pun kurang maksimal. Oleh sebab itu, diperlukan adanya solusi untuk mengatasi hal tersebut, salah satunya dengan menggunakan metode jaringan syaraf tiruan. Metode jaringan syaraf tiruan ini adalah suatu metode yang dapat digunakan untuk mengklasifikasikan suatu data tanpa melihat asumsi yang mengikuti data. Tujuan dalam penelitian ini adalah mengetahui arsitektur dari jaringan syaraf tiruan yang paling maksimal dan mengetahui besarnya kemampuan jaringan syaraf tiruan dalam mengklasifikasikan suatu data. Berdasarkan hasil penelitian diketahui bahwa data sudah berdistribusi multivariate normal. Kemudian apabila metode pengklasifikasian yang digunakan adalah analisis diskriminan, maka akan memberikan hasil yang kurang maksimal karena adanya beberapa objek data yang salah pengklasifikasiannya. Setelah mengetahui hal tersebut, maka langkah selanjutnya adalah melakukan pengklasifikasian dengan jaringan syaraf tiruan. Pengklasifikasian menggunakan jaringan syaraf tiruan dengan metode backpropagation memberikan hasil yang maksimal. Hasil yang maksimal ini diperoleh tanpa harus melalui terlebih dahulu uji asumsi pada data yang akan digunakan dalam penelitian, khususnya uji normalitas pada data. Dari hasil pengklasifikasian yang maksimal ini dapat diketahui bahwa arsitektur yang menghasilkan pengklasifikasian terbaik dari data status gizi mahasiswa UIN MALIKI Malang Tahun 2009/2010 adalah arsitektur yang terdiri dari 1 input, 1 hidden layer dengan 3 hidden node, dan 4 output. Dimana arsitektur tersebut menghasilkan kemampuan dalam pengklasifikasian adalah sebesar 0 yang mana nilai MSE tersebut (0) menunjukan bahwa tidak terdapat objek data yang salah diklasifikan ke dalam kelompok lain. ENGLISH: One method of grouping / classification which is often used is discriminant analysis.n discriminant analysis, there are assumptions that must be met by the data, particularly the assumption that the data be multivariate normal distribution.n addition to fulfilling these assumptions, the data also has to pass multicollinearity test phases and test vectors average similarity. Though not all data can meet the assumption. Also sometimes even if the data is multivariate normal distribution, the classification results obtained were not maximal. Therefore, it is necessary to overcome these solutions, one using artificial neural network method. This artificial neural network method is a method that can be used to classify the data without looking at the assumptions that follow the data. The purpose of this study was to determine the architecture of artificial neural networks, the most optimal and know the size of the ability of neural networks in classifying data. Based on survey results revealed that the data have multivariate normal distribution. Then if the classification method used is discriminant analysis, it will give maximum results to be less because some of the wrong data object classification . After knowing this, the next step is to perform classification with artificial neural networks. Classification using neural networks with backpropagation method gives maximum results. Maximum results are obtained without having to go through testing prior assumptions on the data to be used in research, in particular the normality test on data. Based on the results of the classification of this maximum can be seen that the architecture that produces the best classification of nutritional status is the architecture that consists of one input, one hidden layer with three hidden nodes, and four output. Where architecture resulted in the classification capability is 0 for which the MSE (0) indicates that there is no one diklasifikan data object into another group