Program studi informatika fakultas teknologi informasi dan elektro universitas teknologi yogyakarta

Manfaat Penelitian

Dengan adanya sistem yang dapat mengidentifikasi jenis gangguan makan mana yang diderita agar dapat ditanggulangi atau diatasi lebih awal sehingga tidak menyebabkan berbagai masalah kesehatan lain, seperti gangguan pencernaan, malnutrisi dan gangguan pertumbuhan.

6. 
   Sistematika Penulisan
   

Untuk memudahkan pemahaman dalam penyusunan laporan Tugas Akhir ini, maka sistematika penulisan laporan adalah sebagai berikut:

BAB I. PENDAHULUAN

Bab ini akan menjelaskan mengenai latar belakang masalah, rumusan masalah, batasan masalah, tujuan penelitian, dan sistematika penuliisan.

BAB II. LANDASAN TEORI

Bab ini berisi sekumpulan teori dan dan pembahasan yang diteliti serta memabahas penelitian-penelitian terdahulu yang memiliki keterkaitan dengan penelitian yang sedang dilakukan penulis.

BAB III. METODE PENELITIAN

Bab ini akan memaparkan bagaimana sistem dibangun dari awal, mulai dari analisis data hingga pengujian pada sistem telah selesai dibuat.

BAB IV. ANALISIS DAN PERANCANGAN SISTEM

Menjelaskan tentang perancangan dari system pendeteksi kecenderungan gangguan makan.

BAB V. IMPLEMENTASI DAN PEMBAHASAN

Menguraikan tentang cara kerja dari sistem, bagaimana cara menggunakan system serta melakukan pengujan sistem.

BAB VI. PENUTUP

Berisi kesimpulan dan saran berdasarkan penelitian yang telah dilakukan.

DAFTAR PUSTAKA

Berisi tentang kumpulan sumber yang digunakan sebagai acuan penulisan laporan.

LAMPIRAN

Berisi lampiran sourcode program yang dibuat.

BAB II

LANDASAN TEORI

1. 
   Kajian Hasil Penelitian
   

Beberapa hasil penelitian yang pernah dilakukan oleh peneliti sebelumnya dan menjadi acuan dan sumber referensi dalam penelitian ini adalah :

1. 
   Penelitian oleh Yudhawati (2014), dengan judul Implementasi Jaringan Saraf Tiruan untuk Mendeteksi Daya Tahan Terhadap Stres pada Mahasiswa Tingkat Akhir menggunakan Metode Backpropagation. Penelitian tersebut membahas tentang bagaimana cara mendeteksi daya tahan terhadap stres pada mahasiswa tingkat menggunkan metode backpropagation. Seorang mahasiswa tingkat akhir haruslah memiliki daya tahan yang tinggi berkaitan dengan kemampuan menghadapi stres, selain itu harus memiliki motivasi yang tinggi serta mengendalikan tingkah laku. Setelah sukses mendeteksi tingkat stres maka sistem akan memberikan penanganan atau solusi kepada mahasiswa.
   
2. 
   Penelitian oleh Andrian dan Wahyudi (2014), dengan judul Anaisis Kinerja Jaringan Saraf Tiruan Metode Backpropagation dalam memprediksi cuaca di Kota Medan. Penelitian tersebut membahas tentang bagaimana cara memprediksi perkiraan cuaca mendatang menggunakan metode backpropagation. Parameter data yang digunakan dalam memprediksi cuaca yaitu data curah hujan, data suhu, serta data kelembaban pada tahun 1997-2013. Jaringan saraf tiruan metode backpropagation dapat mengenali pola data yang telah diberikan dengan baik.
   
3. 
   Penelitian oleh Siswoyo dkk. (2014), dengan judul Klasifikasi Sinyal Otak Menggunkan Metode Logika Fuzzy dengan Neurosky Mindset. Penelitian ini membahas tentang bagaimana mengetahui informasi sinyal apa yang terdapat pada otak manusia. Tujuan aplikasi ini dikembangkan yaitu untuk menerjemahkan sinyal EEG sehingga dapat melakukan pengontrolan suatu perangkat. Metode yang digunkan adalah fuzzy mamdani. klasifikasi sinyal otak ini berupa sinyal yang berbeda antara lain Alfa, Beta, Theta, Gama, Attention, Meditasi.
   

Tabel 2.1 Perbandingan Tinjauan Pustaka

No.	Judul	Penulis	Metode	Hasil Kesimpulan
11.	Implementasi Jaringan Saraf Tiruan untuk Mendeteksi Daya Tahan Terhadap Stress pada Mahasiswa Tingkat Akhir menggunakan Metode Backpropagation	Yudhawati (2014)	Algoritma Backpropagation	Setelah dilakukan pelatihan dengan diberikan beberapa parameter berupa jumlah hiden layer, jumlah iterasi maksimal, konstanta belajar, selang tampilan dan SSE yang diijinkan maka tingkat keakuratan sistem ini terletak pada iterasi 10,334 atau hanya sekitar 75% dari tahap pengujian.
22.	Analisis Kinerja Jaringan Saraf Tiruan Metode Backpropagation dalam mempresiksi cuaca di Kota Medan	Andrian, Wayuhdi (2014)	Algoritma Backpropagation	Jaringan saraf tiruan metode backpropagation dapat mengenali pola data yang telah diberikan dengan baik. Tingkat keaurasian terbesar pada proses pengujian prediksi cuaca di Kota Medan degan jaringan saraf tiruan metode backpropagation adalah pada data kelembaban 86,28% pada kuadrat error 0,01.
33.	Klasifikasi Sinyal Otak Menggunkan Metode Logika Fuzzy dengan Neurosky Mindset	Siswoyo dkk. (2014)	Logika Fuzzy	Hasil penelitian menunjukan bahwa hasil pengklasifikasian adalah pilihan untuk klasifikasi data BCL Logika Fuzzy dalam mengontrol nyala lampu LED berhasil dipakai dengan sebuah klasifikasi sinyal otak. Dengan kondisi konsentrasi pemakai dapat mengatur nyala lampu. Ketika kondisi konsentrsi pemakai rendah makan LED redup dan jika konsentrasi pemakai tinggi maka nyala LED akan terang.

Seperti terlihat pada table 2.1 perbedaan dari ketiga referensi dengan judul yang diangkat oleh penulis terletak pada tema dan metode yang digunakan, yaitu Backpropagation untuk mendeteksi kecenderungan makan pada remaja..

2. 
   Kajian Teori
   
   1. 
      Jaringan Saraf Tiruan
      

Menurut Hermawan (2006), Jaringan saraf tiruan didefinisikan sebagai suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan saraf manusia. Jaringan saraf tiruan tercipta sebagai suatu geeralisasi model matematis dari pemahaman manusia (human cognition) yang didasarkan data asumsi sebagai berikut:

1. 
   Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron.
   
2. 
   Isyarat mengalir diantara sel saraf/neuron melalui suatu sambungan penghubung.
   
3. 
   Setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot ini akan digunakan untuk menggandakan atau mengalikan isyarat yang dikirim melaluinya.
   
4. 
   Setiap sel saraf akan menerapkan fungsi aktivasi terhadap isyarat hasil penjumlahan berbobot yang masuk kepadanya untuk menentukan isyarat keluarannya.
   

Jaringan saraf tiruan merupakan sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel saraf biologis di dalam otak, yang merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelajaran pada otak manusia tersebut. Jaringan saraf tiruan dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi non-linear, klasifikasi data cluster dan regresi non-parametrik atau sebuah simulasi dari koleksi model saraf biologi (Hermawan, 2006).

2. 
   Perambatan Galat Mundur (Backpropagation)
   

Jaringan perambatan galat mundur (backpropagation) memiliki algoritma pelatihan dengan menggunakan metode belajar terbimbing pada jaringan diberikan sepasang pola yang terdiri atas pola masukan dan pola yang diinginkan ketika suatu pola diberikan kepada jaringan, bobot-bobot diubah untuk memperkecil perbedaan pola keluaran dan pola yang diinginkan latihan ini dilakukan secara berulang-ulang agar semua pola yang dikeluarkan jaringan dapat memenuhi pola yang diinginkan (Hermawan, 2006).

1. 
   Algoritma Backpropagation
   

Algoritma pelatihan jaringan saraf backpropagation (perambatan galat mundur) terdiri atas 2 langkah, yaitu perambatan maju dan perambatan mundur. Langkah perambatan maju dan perambatan mundur ini dilakukan pada jaringan untuk setiap pola yang diberikan selama jaringan mengalami pelatihan. Gambar 2.1 telah menunjukkan Jaringan backpropagation dengan 3 lapisan pengolah, yaitu lapisan masukan, lapisan tersembunyi, dan lapisan keluaran. Ketiga lapisan tersebut terhubung secara penuh (Hermawan, 2006).



Gambar 2.1 Tiga Lapisan Perambatan Galat Mundur
Selama perambatan maju, tiap unit masukan xi menerima sebuah masukan sinyal ke masing-masing lapisan tersembunyi z1,…….,zp. Tiap unit tersembunyi ini kemudian menghitung aktivasinya dan mengirimkan sinyalnya (zj) ke tiap unit keluaran. Tiap unit keluaran (yk) menghitung aktivasiya (yk) untuk membentuk respon pada jaringan untuk memberikan pola masukan,

Selama pelatihan, tiap unit keluaran membandingkan perhitungan aktivasinya yk dengan nilai targetnya untuk menentukan kesalahan pola tersebut dengan unit itu. Berdasarkan kesalahan ini, faktor (k = 1,…….,m) dihitung. digunakan untuk menyebarkan kesalahan pada unit keluaran yk kembali kesemua unit pada lapisan sebelunya(unit-unit tersembunyi yang dihubungkan ke yk). Selain itu digunakan untuk memperbaharui bobot-bobot antara keluaran dan lapisan tersembunyi. Dengan cara yang sama, faktor (j = 1,…….p) dihitung untuk tiap unit tersembunyi zj. Tidak perlu untuk menyebarkan kesalahan kembali ke lapisan masukan, tetapi digunakan untuk memperbaharui bobot-bobot antaralapisan tersembunyi dan lapisan masukan.

Setelah seluruh faktor δ ditentukan, bobot untuk semua laisan diatur secara serentak. Pengaturan bobot (dari unit tersembunyi zj ke unit keluaran yk) didasarkan pada faktor dan aktivasi zj dari unit masukan. Untuk langkah selengkapnya adalah sebagai berikut:
Prosedur Pelatihan

Algoritma selengkapnya pelatihan backpropagation adalah sebagai berikut:

Langkah 0 : Inisialisasi bobot-bobot (tetapkan nilai acak kecil)

Langkah 1 : Bila syarat berhenti adalah salah, kerjakan langkah 2

sampai 9.

Langkah 2 : Untuk setiap pasangan pelatihan, kerjakan langkah 3 sampai 8.

Perambatan Maju

Langkah 3 : Tiap unit masukan (x_i, i = 1,…., n) menerima isyarat

masukan x_i dan diteruskan ke unit-unit tersembunyi.

Langkah 4 : Setiap unit tersembunyi (z_i, i=1, … p)

jumlahkan bobot sinyal masukannya,



= bias pada unit j aplikasi fungsi aktifasi menghitung sinyal keluaran dengan menerapkan fungsi aktivasi hitung:

Dan kirimkan sinyal ini keseluruh unit pada lapisan diatasnya (unit-unit keluaran).

Langkah 5 : Tiap unit keluaran (y_k, k=1, … m)

jumlahkan bobot sinyal masukannya.

= Bias pada unit keluaran k dan aplikasi fungsi aktivasinya untuk menghitung sinyalkeluaran dengan menerapkan fungsi aktivasi hitung,



Perambatan Mundur:

Langkah 6 : Tiap unit keluaran (y_k, k=1, …… m) menerima pola target berkaitan dengan masukan pola pelatihan. Hitung galat atau kesalahan informasinya:

Hitung koreksi bobotnya(digunakan untuk memperbaharui nantinya)

Hitung koreksi biasnya(digunakan untuk memperbaharui nantinya dikirimkan ke unit-unit pada lapisan dibawahnya).

Langkah 7 : Setiap unit lapisan tersembunyi (z_j, j=1, …... p) jumlahkan hasil perubahan masukannya (dari unit-unit dilapisan atasnya).

Hitung galat informasinya:

Hitung koreksi bobot biasnya:

Langkah 8 : Tiap unit keluaran (y_k, k=1, …, m) perbaharui

bobot-bobot dan biasnya (j=0,1, …, p)

Tiap unit tersembunyi (z_j, j=1, …, p) memperbaharui

Bobot dan prasikapnya (i=0,1, … n);

Langkah 9 : Uji syarat berhenti.

1. 
   
   
2. 
   
   
   1. 
      
      

Perhitungan kesalahan merupakan pengukuran bagaimana jaringan dapat belajar dengan baik sehingga jika dibandingkan dengan pola yang baru akan dengan mudah dikenali. Kesalahan pada keluaran jaringan merupakan selisih antara keluaran sebenarnya (current output) dan keluaran yang diinginkan (desired output). Selisih yang dihasilkan antara keduanya biasanya ditentukan dengan cara dihitung menggunakan suatu persamaan. (Hermawan, 2006).

Langkah menghitung Sum Square Error (SSE) adalah sebagai berikut:

1. 
   Hitung keluaran jaringan saraf untuk masukan pertama.
   
2. 
   Hitung selisih antara nilai keluaran jaringan saraf dan nilai target / yang diinginkan untuk setiap keluaran.
   
3. 
   Kuadratkan setiap keluaran kemudian hitung seluruhnya. Ini merupakan kuadrat kesalahan untuk contoh latihan.
   

Adapun rumusnya adalah:

Dengan:

Tjp : nilai keluaran jaringan saraf

Xjp : nilai target / yang diinginkan untuk setiap keluaran

Selain SSE dibutuhkan juga Mean Square Error (MSE) dalam proses pengujian:

1. 
   Hitung SSE.
   
2. 
   Hasilnya dibagi dengan perkalian antara banyaknya data pada pelatihan dan banyaknya keluaran.
   

Rumus:

Dengan:

Tjp : nilai keluaran jaringan saraf

Xjp : nilai target / yang diinginkan untuk setiap keluaran

n : jumlah data pembelajaran

2. 
   Deteksi
   

Poerwadarminta (2007) Dalam Kamus Besar Bahasa Indonesia ketiga. Deteksi adalah usaha untuk menemukan keberadaan, anggapan atau kenyataan. Deteksi umumnya suatu proses untuk memeriksa atau melakukan pemeriksaan terhadap sesuatu dengan menggunakan cara dan teknik tertentu.

2. 
   Remaja
   

Menurut WHO, remaja adalah penduduk dalam jangka usia 10-19 tahun, menurut Peraturan Menteri Kesehatan RI Nomer 25 Tahun 2014, remaja adalah penduduk dalam rentang usia 10-18 tahun dan menurut Badan Kependudukan dan Keluarga Berencana (BKKBN) rentang usia remaja adalah 10-24 tahun dan belum menikah. Jumlah kelompok usia 10-19 tahun di Indonesia menurut Sensus Penduduk 2010 sebanyak 43,5 juta atau sekitar 18% dari jumlah penduduk. Di dunia diperkirakan remaja berjumlah 1,2 milyar atau 18% dari jumlah penduduk dunia(WHO, 2014).

Masa remaja merupakan masa peralihan dari masa kanak-kanak ke dewasa. Selain itu masa ini merupakan periode terjadinya pertumbuhan dan perkembangan baik secara fisik, psikologis maupun intelektual. Sifat khas remaja mempunyai rasa keingintahuan yang besar, menyukai petualangan dan tantangan.

2. 
   Gangguan Makan
   

2. 
   
   
   3. 
      
      
      1. 
         Definisi Gangguan Makan
         

Gangguan makan adalah suatu penyakit mental yang dapat menjadikan ancaman serius bagi seseorang biasanya ditandai dari pola makan orang sehari-hari, seperti makan dalam jumlah yang sangat sedikit atau makan secara berlebihan (National Institute of Mental Health, 2016). Kondisi ini dapat dimulai hanya dari makan terlalu sedikit atau terlalu banyak tetapi memiliki obsesi pada makanan selama kehidupan seseorang yang mengarah pada perubahan yang parah. Selain pola makan abnormal yang berbahaya dan adanya kekhawatiran tentang berat badan atau bentuk tubuh, gangguan ini seringkali terjadi bersama dengan penyakit mental lainnya seperti depresi, penyalahgunaan zat, atau gangguan kecemasan. (National Institute of Mental Health, 2016).

2. 
   
   
   3. 
      
      
      2. 
         Anorexia Nervosa
         

Davison dkk. (2010) menjelaskan anorexia nervosa berasal dari istilah anorexia yang berarti hilangnya selera makan dan nervosa yang berarti dipengaruhi oleh emosional, sehingga anorexia nervosa sering disebut dengan hilangnya selera makan dikarenakan pengaruh emosional. Akan tetapi pengertian tersebut tidak tepat karena sebagian besar penderita anorexia nervosa secara aktual tidak kehilangan selera makan. Anorexia nervosa adalah sindrom dimana seseorang dengan sengaja melaparkan dirinya untuk menjadi kurus, dan mengalami penurunan berat badan yang sangat drastis (Davison dkk. 2010). Selain itu Anorexia nervosa adalah sindrom dimana seseorang mempertahankan berat badanya agar tetap rendah dan biasanya mereka takut akan mengalami kegemukan dan cenderung mempertahankan berat badan agar tetap kurus.

Orang dengan anorexia nervosa mungkin menganggap diri mereka kelebihan berat badan, bahkan saat mereka mengalami kekurangan berat badan. Orang dengan anorexia nervosa biasanya menimbang diri berulang kali, sangat membatasi jumlah makanan yang mereka makan, dan makan dalam jumlah sangat kecil untuk makanan tertentu. Anorexia nervosa memiliki tingkat kematian tertinggi pada setiap gangguan jiwa. Sementara banyak wanita muda dan pria dengan gangguan ini meninggal karena komplikasi yang terkait dengan kelaparan, yang lainnya meninggal karena bunuh diri. Pada wanita, bunuh diri jauh lebih umum pada orang dengan anorexia dibandingkan kebanyakan gangguan jiwa lainnya (National Institute of Mental Health, 2016). Gejalanya meliputi:

1. 
   Sangat terbatas makan.
   
2. 
   Enggan untuk mempertahankan berat badan normal atau sehat.
   
3. 
   Ketakutan yang intens akan pertambahan berat badan.
   
4. 
   Citra tubuh yang menyimpang, harga diri yang sangat dipengaruhi oleh persepsi berat badan dan bentuk tubuh, atau penolakan serius terhadap berat badan yang rendah.
   

Terdapat 4 ciri yang diperlukan untuk menegakkan diagnosis Anorexia nervosa sebagai beikut (Davison dkk. 2010):

1. 
   Penderita menolak untuk mempertahankan berat badan normal, hal ini biasanya berarti bahwa berat badan orang tersebut kurang dari 85% dari berat badan yang dianggap normal bagi usia dan tinggi badannya.
   
2. 
   Penderita sangat takut bila berat badannnya bertambah dan rasa takut tersebut tidak berkurang dengan turunnya berar badan serta tidak pernah merasa cukup kurus.
   
3. 
   Penderita memiliki pandangan yang menyimpang tentangbentuk tubuh mereka. Bahkan dalam kondisi kurus kering mereka tetap merasa bahwa mereka kelebihan berat badan atau beberapa bagian tubuh tertentu, khususnya perut, pantat, dan paha terlalu gemuk.
   
4. 
   Pada penderita perempuan, kondisi tubuh yang sangat kurus menyebabkan amenorea, yaitu berhentinya periode menstruasi.
   

Sedangkan menurut Diagnostic and Statistical Manual of Mental Disorder IV (DSM-IV) terdapat 4 kriteria untuk menegakkan diagnosis anorexia nervosa yaitu:

1. 
   Menolak mempertahankan berat badan normal.
   
2. 
   Meskipun berat badannya sangat kurang, namun mengalami ketakutan yang amat sangat menjadi gemuk.
   
3. 
   Gangguan citra tubuh.
   
4. 
   Pada perempuan yang telah mengalami menstruasi, terjadi amenorea.
   

3. 
   Bulimia Nervosa
   

Orang dengan bulimia nervosa memiliki episode berulang dan sering makan dalam jumlah besar dan secara cepat dan tidak terkendali. Tindakan tersebut diikuti dengan perilaku berlebihan, seperti muntah paksa, penggunaan obat pencahar atau diuretik yang berlebihan, puasa atau olahraga berlebihan dengan tujuan mencegah bertambahnya berat badan atau kombinasi dari perilaku ini. Tidak seperti anorexia nervosa, orang dengan bulimia nervosa biasanya mempertahankan berat badan yang sehat atau relatif normal (National Institute of Mental Health, 2016).

Menurut Diagnostic and Statistical Manual of Mental Disorder IV (DSM-IV) terdapat beberapa kriteria untuk menegakkan diagnosis bulimia nervosa yaitu:

1. 
   Mengalami periode binge eating berulang kali yang ditandai dengan dua kreiteria berikut:
   

1. 
   Memakan dalam jumlah yang besar (jauh lebih besar dari porsi normal) dalam satu periode waktu tertentu dengan jarak yang cukup dekat, missal setiap 2 jam sekali.
   
2. 
   Memiliki rasa tidak dapat mengontrol perilaku makan berlebihan saat episode berikut berlangsung.
   

2. 
   Melakukan tindakan berlebihan untuk mencegah peningkatan berat badan, seperti muntah dengan sengaja, penyalahgunaan obat pencahar atau diuretik yang berlebihan, puasa atau olahraga berlebihan.
   
3. 
   Terjadinya binge eating dan tindakan berlebihan yang tidak baik setiap 2 kali seminggu dalam 3 bulan.
   
4. 
   Terlalu mengutamakan berat badan dan bentuk tubuh dalam mengevaluasi diri.
   
5. 
   Gangguan ini tidak muncul secara ekslusif pada episode anorexia nervosa.
   

4. 
   Binge Eating Disorder
   

Orang dengan binge eating disorder (BED) kehilangan kendali atas makanannya. Tidak seperti bulimia nervosa, periode binge eating tidak diikuti dengan pembersihan, olah raga berlebihan, atau puasa. Akibatnya, orang dengan gangguan binge eating sering kelebihan berat badan atau obesitas. Binge eating disorder adalah kelainan makan yang paling umum terjadi di Amerika Serikat (National Institute of Mental Health, 2016).

Gejala binge eating disorder (National Institute of Mental Health, 2016) meliputi:

1. 
   Mengonsumsi makanan dalam jumlah besar dalam jumlah waktu tertentu.
   
2. 
   Makan bahkan saat sedang kenyang atau tidak lapar.
   
3. 
   Makan dengan sangat cepat di depan umum.
   
4. 
   Makan sampai merasa tidak nyaman karena kekenyangan.
   
5. 
   Makan sendirian atau diam-diam untuk menghindari rasa malu.
   
6. 
   Merasa tertekan, malu, atau bersalah karena makan berlebihan.
   
7. 
   Sering berdiet, mungkin tanpa penurunan berat badan.
   

2. 
   Data Flow Diagram (DFD)
   

Data Flow Diagram merupakan suatu diagram yang menggambarkan alir data dalam suatu entitas ke sistem atau sistem ke entitas. DFD juga dapat diartikan sebagai teknik grafis yang menggambarkan alir data dan transormasi yng digunakan sebagai perjalanan data dari input atau masukan menuju keluaran atau output (Saputra, 2016).

(Kadir, 2012) DFD adalah suatu model logika data atau proses yang dibuat untuk menggambarkan dari mana asal data dan kemana tujuan data yang keluar dari sistem, dimana data disimpan, proses apa yang menghasilkan data tersebut interaski antara data yang tersimpan dan proses yang dikenakan pada data tersebut.

Simbol-simbol DFD berdasarkan simbol DeMarco dan Yourdon dalam penggambaran DFD ditunjukkan dalam Tabel 2.2.