Penerapan Learning Vector Quantization (LVQ) untuk Klasifikasi Status Gizi Anak
Elvia Budianita(1*), Widodo Prijodiprodjo(2)
(1) 
(2) 
(*) Corresponding Author
Abstract
Abstrak
Penentuan klasifikasi status gizi anak yang sering dilakukan adalah berdasarkan indeks berat badan menurut tinggi badan (BB/TB). Pada Puskesmas Batupanjang, indeks antropometri tersebut dihitung secara manual untuk menilai status gizi anak sekolah dasar dengan menggunakan daftar tabel z-skor atau simpangan baku / standar deviasi (SD) WHO NCHS (National Centre for Health Statistic).
Metode Learning Vektor Quantization (LVQ) dan salah satu algoritma pengembangannya yaitu LVQ3 digunakan dalam penelitian ini untuk menangani penilaian status gizi anak berdasarkan simpangan baku rujukan terhadap indeks berat badan dan tinggi badan tersebut. Variabel yang digunakan dalam penilaian status gizi anak adalah jenis kelamin, berat badan, tinggi badan, penyakit infeksi, nafsu makan, dan pekerjaan kepala keluarga (KK).
Berdasarkan dari hasil penelitian dan pembahasan yang dilakukan, algoritma LVQ3 lebih baik diterapkan untuk klasifikasi status gizi anak dibandingkan dengan algoritma LVQ1. Penggunaan parameter window (ε) pada jaringan syaraf tiruan LVQ3 memberikan pengaruh positif yakni dapat meningkatkan performa dalam klasifikasi jika dibandingkan tanpa menggunakan window (LVQ1).
Kata kunci— Antropometri, Learning Vektor Quantization, Z-skor.
Abstract
The shortest path determination of child nutrient that common uses is based on body weight index by body high level (BB/BT). In Batupanjang Puskesmas, that anthropometry index is calculated manually for assessing the nutrition of children in elementary school by used z-score table list or deviation standard (SD) WHO NCHS (National Centre for Health Statistic).
Learning Vektor Quantization (LVQ) Method and one of its algorithm, LVQ3 is used for this research to handle appraisal of children nutrition status based on deviation standard reference for that weight and high index. The variable that used in this appraisal are genre, body weight, body high, infection disease, appetite, and father work.
Based on result of this research and discuss that has been done, LVQ3 algorithm is better applied for children nutrient status classification than LVQ1 algorithm. Using of window parameter (ε) in neural network LVQ3 effect positive impact, that is can increase perform in classification than without used window (LVQ1).
Keywords—Anthropometry, Learning Vektor Quantization, Z-score.
Full Text:
PDFDOI: https://doi.org/10.22146/ijccs.3354
Article Metrics
Abstract views : 23508 | views : 27793Refbacks
- There are currently no refbacks.
Copyright (c) 2013 IJCCS - Indonesian Journal of Computing and Cybernetics Systems
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
View My Stats1