Sistem pendataan mengenai balita penderita gizi buruk di Dinas Kesehatan Bangkalan masih dilakukan secara manual dan belum dapat memprediksi berapa jumlah balita penderita gizi buruk pada masa yang akan datang. Di dinas tersebut dibutuhkan suatu sistem peramalan yang mampu memprediksi jumlah balita penderita gizi buruk agar dapat dilakukan antisipasi dan mengambil keputusan dengan lebih efektif dan efisien untuk menanggulangi kasus tersebut. Untuk membangun sistem peramalan tersebut digunakan metode Backpropagation. Pada metode Backpropagation untuk mendapatkan nilai error yang kecil dibutuhkan proses pelatihan bobot yang cukup lama dan kurang efisien terhadap waktu. Untuk mengatasi hal tersebut maka dikembangkanlah metode Backpropagation With Error Modification, perhitungan nilai error dimodifikasi dengan memberikan sedikit fungsi baru. Metode Backpropagation menghasilkan MSE = 0,5833 dengan parameter hidden layer sebanyak 12, iterasi sebanyak 1000, momentum dengan nilai 0,1, learning rate dengan nilai 1 dan toleransi error = 0,0001. Sedangkan metode Backpropagation With Error Modification menghasilkan MSE = 0,1666 dengan parameter hidden layer sebanyak 12, iterasi sebanyak 1000, momentum dengan nilai 0,1, learning rate dengan nilai 1 dan toleransi error = 0,0001. Berdasar pada hasil MSE kedua metode tersebut, metode Backpropagation With Error Modification menunjukkan performa yang lebih baik dibanding metode Backpropagation sebelumnya.

The registry system concerning with infants suffering malnutrition at Health Local Department Bangkalan has been currently done manually and still, cannot predict the number of infants with malnutrition case in the future. At the local department, however, it is apparently needed a system which is able to predict infant malnutrition suffers so that anticipation and decision can be made more effectively and efficiently to deal with the case. To build the forecasting system, a method called Backpropagation is applied. On this method, to acquire a low error rate, it is needed a quite long proportional training, and still, inefficient to the timing. In anticipating to the possible problem, Backpropagation with Error Modification is developed; an error calculation modified by providing a few new functions. Backpropagation method results MSE = 0.5833 with 12 hidden layer parameters, 1,000 iterations, 0.1 for the momentum, learning rate with score 1, and error tolerance = 0.0001. On the other hand, Backpropagation with Error Modification results MSE = 0.1666 with 12 hidden parameters, 1,000 iterations, 0.1 for the momentum, learning rate with score 1, and error tolerance = 0.0001. Based on the second MSE result, the method of Backpropagation with Error Modification performs better than that of the previous one does.