PREDIKSI TINGKAT KEMAMPUAN ANAK BERDASARKAN ASPEK PSIKOMOTORIK DENGAN MENGGUNAKAN DATA MINING METODE BACKPROPAGATION Relita Buaton Nurul Ramadani Program Studi Teknik Informatika STMIK KAPUTAMA Jl. Veteran No. 4A-9A, Binjai,Sumatera Utara Email:
[email protected] ABSTRACT Perkembangan psikomotorik berhubungan dengan kejiwaan atau mental dan gerakan. Psikomotorik adalah berhubungan dengan proses aktivitas fisik yang berkaitan dengan proses mental dan psikologi. Emosi anak tampak mencolok pada anak-anak usia 2,5 sampai 3,5 tahun dan 5,5 sampai 6,5 tahun. Selama masa kanak-kanak emosi mereka sangat kuat, ini merupakan saat ketidakseimbangan, dalam arti bahwa anak mudah terbawa ledakan-ledakan emosional sehingga sulit dibimbing dan diarahkan. Yang umum terjadi dalam masa perkembangan sosial anak adalah bahwa anak lebih menyukai kontak sosial yang sejenis dari pada kelompok yang berlawanan. Anak pada usia 4 sampai dengan 5 tahun merupakan usia yang paling tepat dalam mengoptimalkan segala aspek perkembangan, khususnya perkembangan psikomotorik anak. Hasil belajar psikomotorik sangat berarti bagi kehidupan anak karena langsung mempengaruhi perilaku dan perbuatannya. Sehingga perkembangan psikomotorik anak perlu diketahui, karena sangat mempengaruhi kejiwaan, mental, psikologi dan perilaku. Data mining merupakan penambangan atau penemuan informasi baru dengan memprediksi, mencari pola atau aturan tertentu dari sejumlah data dalam jumlah besar yang diharapkan dapat mengatasi kondisi tersebut. Untuk itu perlu dirumuskan bagaimana memprediksi tingkat kemampuan anak berdasarkan aspek psikomotorik. Aplikasi memprediksi kemampuan aspek psikomotorik ini menggunakan jaringan saraf tiruan dengan memakai metode Backpropagation. Hasil analisis penelitian menunjukan bahwa: 1) Prediksi kemampuan anak pada aspek psikomotorik dapat dilakukan dengan jaringan syarat tiruan menggunakan metode backpropagation. 2) Pada saat pengujian yang paling terbaik, diberikan maksimum epoch 100000, konstanta belajar 0.01, galat yang diijinkan 0.1 dan diberikan lapisan tersembunyi 70 dapat diketahui bahwa dari 20 data yang diujikan ada 1 data yang tidak sesuai dengan output yang diinginkan. Sedangkan ada 19 data yang sesuai dengan output yang diinginkan maka didapat hasil persentase 95% kebenaran. Kata kunci : prediksi psikomotorik anak, data mining, backpropagation.
1
penyebab kemerosotan atau peningkatan kemampuan anak. 3. Pengambilan data dilakukan pada anak usia 4-5 tahun. 4. Kriteria atau variabel yang digunakan adalah Reflek Segmental, Reflek Intersegmenta, Gerak Lokomotor, Diskriminasi Kinestesis, Diskriminasi Visual, Ketahanan,Kekuatan, keterampilan Adaptif, Keterampilan Adaptif Kompleks, Gerakan Ekspresif Manfaat yang dicapai dari penelitian ini adalah: 1. Mengetahui tingkat ketercapaian kemampuan dasar anak dan perkembangan kemampuan anak berdasarkan aspek psikomotorik. 2. Untuk guru, supaya mengetahui perkembangan kemampuan anak didiknya sehingga mendorong pendidik untuk mengajar dan mendidik lebih baik. 3. Untuk orang tua, supaya mengetahui perkembangan kemampuan anak sehingga dapat membantu mengoptimalkan perkembangan psikomotorik anaknya lebih terarah.
I. PENDAHULUAN Psikomotorik berhubungan dengan proses aktivitas fisik yang berkaitan dengan proses mental dan psikologi. Emosi anak tampak mencolok pada anak-anak usia 2,5 sampai 3,5 tahun dan 5,5 sampai 6,5 tahun. Selama masa kanak-kanak emosi mereka sangat kuat, ini merupakan saat ketidakseimbangan. Dalam arti bahwa anak mudah terbawa ledakan-ledakan emosional sehingga sulit dibimbing dan diarahkan. Meskipun hal ini berlaku pada hampir seluruh periode awal masa kanak-kanak. Hasil belajar psikomotorik sangat berarti bagi kehidupan anak karena langsung mempengaruhi perilaku dan perbuatannya. Sehingga perkembangan psikomotorik anak perlu diketahui, karena sangat mempengaruhi kejiwaan, mental, psikologi dan perilaku. Prediksi tingkat kemampuan anak dalam penelitian ini adalah mencari jumlah nilai setiap anak berdasarkan aspek psikomotorik. Dengan demikian diharapkan akan muncul suatu pola dimana dengan pola masukan berupa nilai-nilai yang ada pada aspek psikomotorik dan komputer akan memberikan pola keluaran prediksi sesuai dengan data yang dilatihkan. Hasil dari pengembangan metode pada penelitian ini diharapkan dapat memberikan manfaat untuk mengetahui tingkat ketercapaian kompetensi dasar anak, mengetahui perkembangan kemampuan anak berdasarkan aspek psikomotoriknya. Berdasarkan latar belakang, maka identifikasi masalahnya adalah: 1. Bagaimana menganalisis variabel yang digunakan untuk memprediksi tingkat kemampuan anak agar bisa mengetahui perkembangan kemampuan anak berdasarkan aspek psikomotorik ? 2. Bagaimana memprediksi tingkat kemampuan anak berdasarkan aspek psikomotorik ? Dengan lingkup permasalahan adalah 1. Prediksi tingkat kemampuan anak mengacu pada penilaian pada aspek psikomotorik. 2. Prediksi dilakukan dengan tidak mempertimbangkan faktor-faktor lain
II. PENELITIAN TERDAHULU Penelitian ini diperkuat oleh jurnal Media Informatika ( Vol. 2, No. 2, Desember 2004 : 1-11, oleh Kiki, Sri Kusumadewi, judul : Jaringan Saraf Tiruan Dengan Metode Backpropogation Untuk Mendeteksi Gangguan Psikologi) yang menyatakan bahwa metode Backpropagation dapat digunakan untuk melakukan pendeteksian suatu jenis penyakit, gangguan, maupun kasus yang memiliki data masa lalu, dan dengan menggunakan metode Backpropagation, target output yang diinginkan lebih mendekati ketepatan dalam malakukan pengujian, karena terjadi penyesuaian nilai bobot dan bias yang semakin baik pada proses pelatihan. Jurnal Teknik Informatika ( Vol. 7, No. 3, Desember 2009 : 195 – 200, oleh Yeni Nuraeni, judul : Penerapan Jaringan Saraf Tiruan Untuk Mengukur Tingkat Korelasi Antara NEM dengan IPK Kelulusan Mahasiswa ) juga menyatakan dalam penelitiannya menggunakan tahapan 2
pengembangan aplikasi jaringan saraf tiruan umpan-maju perambatan-balik (JST-PB), dalam penelitiannya digunakan metode JSTPB dengan pertimabangan metode ini sangat baik dalam menangani masalah pengenalan pola-pola kompleks dan non-linier. III. DATA MINING Menurut Kusrini dan luthfi (2009, h.3) Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar. Menurut Kusrini dan luthfi (2009, h.3) data mining didefinisikan sebagai suatu proses menemukan hubungan yang berarti, pola, dan kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik statisik dan matematika. Selain definisi diatas beberapa definisi juga diberikan seperti tertera dibawah ini : 1. Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual. 2. Data mining merupakan bidang dari beberapa bidang keilmuan yang menyatukan teknik dari pembelajaran mesin, pengenalan pola, statistik, database, dan visualisasi untuk pengenalan permasalahan pengambilan informasi dari database yang besar. Menurut Kusrini dan luthfi (2009, h.4), kemajuan luar biasa yang terus berlanjut dalam bidang data mining didorong oleh beberapa faktor, antara lain : 1. Pertumbuhan yang cepat dalam pengumpulan data. 2. Penyimpangan data dalam data warehouse, sehingga seluruh perusahaan memiliki akses kedalam database yang handal. 3. Adanya peningkatan akses data melalui navigasi web dan intranet.
4. Tekanan kompetisi bisnis untuk meningkatkan penguasaan pasar dalam globalisasi ekonomi. 5. Perkembangan teknologi perangkat lunak untuk data mining (ketersediaan teknologi). 6. Perkembangan yang hebat dalam kemampuan komputasi dan pengembangan kapasitas media penyimpanan. Dari definisi-definisi yang telah disampaikan, hal penting yang terkait dengan data mining adalah : 1. Data mining merupakan suatu proses otomatis terhadap data yang sudah ada. 2. Data yang akan diproses berupa data yang sangat besar. 3. Tujuan data mining adalah mendapatkan hubungan atau pola yang mungkin memberikan indikasi yang bermanfaat. A. Tahapan Data Mining Ada beberapa tahapan proses dalam data mining. Diagram dibawah menggambarkan beberapa tahap / proses yang berlangsung dalam data mining. Fase awal dimulai dari data sumber dan berakhir dengan adanya informasi dihasilkan dari beberapa tahapan, yaitu terlihat pada gambar 1sebagai berikut :
Gambar 1. Tahap - Tahap Data Mining Dalam aplikasinya, data mining sebenarnya merupakan salah satu bagian proses Knowledge Discovery in Database (KDD) yang bertugas untuk mengekstrak pola atau model dari data dengan menggunakan suatu algoritma yang spesifik. 3
Adapun proses KDD dijelaskan sebagai berikut : 1. Data Selection(Seleksi Data) Pemilihan data dari sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam KDD dimulai. 2. Preprocessing / Cleaning (pemilihan data) Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaning dengan tujuan untuk membuang duplikasi data, memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi). Juga dilakukan proses enrichment, yaitu proses “memperkaya” data yang sudah ada dengan data atau informasi lain yang relevan dan diperlukan untuk KDD, seperti data atau informasi eksternal. 3. Transformation (Transformasi) Adalah proses coding pada data yang telah dipilih, sehingga data tersebut sesuai untuk proses data mining. Proses coding dalam KDD merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam database. 4. Data mining Proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. 5. Interpretation / Evaluation Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut dengan interpretation. Tahap ini mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesa yang ada sebelumnya atau tidak. B. Defenisi Prediksi Secara Umum Prediksi adalah sama dengan ramalan atau perkiraan. Menurut kamus besar bahasa indonesia, prediksi adalah hasil dari kegiatan memprediksi atau meramal atau
memperkirakan. Prediksi bisa berdasarkan metode ilmiah ataupun subjektif belaka. Ambil contoh, prediksi cuaca selalu berdasarkan data dan informasi terbaru yang yang didasarkan pengamatan termasuk oleh satelit. Istilah prediksi akan sangat tergantung pada konteks atau permasalahannya. Berbeda dengan pengertian prediksi secara bahasa yang berarti ramalan atau perkiraan yang sudah menjadi pengertian yang baku. C. Pengertian Psikomotorik Psikomotor berasal dari kata Psyche dan Motor. Psyche artinya kejiwaan atau mental, sedangkan Motor artinya gerakan. Jadi, perkembangan psikomotorik berarti perkembangan yang berhubungan dengan kejiwaan atau mental dan gerakan. “Psikomotorik adalah berhubungan dengan proses aktivitas fisik yang berkaitan dengan proses mental dan psikologi.” Ada 4 jenis perkembangan seorang anak, yaitu: 1. Perkembangan Fisik dan Motorik Perkembangan motorik meliputi motorik kasar dan motorik halus. Menurut Elisabeth B. Hurlock dan diterjemahkan oleh istiwidayanti dan soedjarwo (2008, h. 81), “ Motorik kasar adalah gerakan tubuh yang dipengaruhi oleh kematangan anak itu sendiri, sedangkan motorik halus adalah gerakan yang menggunakan otot halus atau sebagian anggota tubuh tertentu dipengaruhi oleh kesempatan belajar dan berlatih.” Adapun macam-macam pola motorik yang umum pada masa anak-anak yaitu ; melihat, tersenyum, menahan kepala,berguling, duduk, mengerakan kaki dan tangan, berdiri, berjalan, berlari, melompat dan sebagainya. 2. Perkembangan Kognitif/Intelektual Menurut Imam Musbikin (2012, h. 17-50), “Perkembangan kognitif merupakan salah satu perkembangan manusia yang berkaitan dengan pengetahuan, yakni semua proses psikologis yang berkaitan dengan yang bagaimana individu mempelajari dan memikirkan lingkungannya.” Kemampuan kognitif merupakan sesuatu yang fundamental dengan kemampuan kognitif ini akan dipandang sebagai individu yang secara aktif membangun sendiri pengetahuan 4
mereka tentang dunia. Adapun macammacam pola kognitif yang umum pada masa anak-anak misalnya : anak mulai mengenal nama hari, mengenal perbedaan bentuk, mulai mengenal warna dan sebagainya. 3. Perkembangan Bahasa Anak Menurut Elisabeth B. Hurlock dan diterjemahkan oleh Istiwidayanti dan Soedjarwo (2008, h.82), “Semua anak harus dapat menguasai dua fungsi yang berbeda dalam teknik bicara, kemampuan menangkap maksud yang ingin di komunikasikan dengan orang lain dan kemampuan untuk berkomunikasi dengan orang lain sedemikian rupa sehingga dapat dimengerti.” Kemampuan berbahasa merupakan kemampuan manusia yang membedakannya dengan makhluk lain. Bicara merupakan salah satu sarana oleh manusia untuk melakukan komunikasi dengan orang lain. Ini termasuk juga merupakan bagian dari tahapan perkembangan anak. Ada tiga hal yang terlibat dalam belajar bicara anak yaitu : pengucapan, membangun kosakata, dan menghubungkan kata-kata sehingga menjadi sebuah kalimat. 4. Perkembangan Emosi Anak Menurut Elisabeth B. Hurlock dan diterjemahkan oleh Istiwidayanti dan Soedjarwo (2008, h. 114), “Emosi anak tampak mencolok pada anak-anak usia 2,5 sampai 3,5 tahun dan 5,5 sampai 6,5 tahun.” Selama masa kanak-kanak emosi mereka sangat kuat, ini merupakan saat ketidakseimbangan. Dalam arti bahwa anak mudah terbawa ledakan-ledakan emosional sehingga sulit dibimbing dan diarahkan. Meskipun hal ini berlaku pada hampir seluruh periode awal masa kanak-kanak. Adapun macam-macam pola emosi yang umum pada masa anak-anak yaitu : kemarahan, ketakutan, rasa ingin tahu, kegembiraan, kesedihan, afeksi dan sebagainya. 5. Perkembangan Sosial Anak Menurut Elisabeth B. Hurlock dan diterjemahkan oleh Istiwidayanti dan Soedjarwo (2008, h.118) , “Yang umum terjadi dalam masa perkembangan sosial anak adalah bahwa anak lebih menyulai kontak sosial yang sejenis dari pada kelompok yang berlawanan .” Perkembangan
sosial biasanya dimaksudkan sebagai perkembangan tingkah laku anak dalam menyesuaikan diri dengan aturan-aturan yang berlaku di dalam masyarakat di mana anak berada. Reaksi mereka terhadap rasa dingin, sakit, bosan atau lapar berupa tangisan yang sulit dibedakan. Tetapi dengan berjalannya waktu para pengasuh dapat membedakan reaksi anak terhadap stimulinya. Adapun macam-macam pola prilaku sosial yang umum pada masa anak-anak yaitu persaingan, kerjasama, meniru, simpati, empati, membagi, prilaku akrab dan sebagainya. D. Pengukuran Aspek Psikomotorik Menurut Sugiyanto dan Sudjarwo (1993, h.219-223 ), untuk lebih jelas memahami tentang penilaian psikomotorik dijelaskan definisi dari penilaian psikomotorik, yaitu: 1. Reflek segmental adalah gerakan Reflek yang melibatkan satu ruas tulang belakang. 2. Reflek intersegmental adalah gerakan reflek yang melibatkan lebih dari satu ruas tulang belakang. 3. Gerak lokomotor adalah gerak berpindah dari satu tempat ketempat lain. Misalnya : merangkak, berjalan dan berlari. 4. Diskriminasi kinestetis merupakan perasaan yang sangat kompleks yang ditimbulkan oleh rangsangan di otot, urat, dan pergelangan. 5. Diskriminasi visual merupakan kemampuan untuk memahami atau menginterpretasikan segala sesuatu yang dilihat. 6. Ketahanan atau sering disebut daya tahan fisik adalah kemampuan untuk melakukan aktivitas dalam jangka waktu yang lama. 7. Kekuatan adalah kemampuan menggunakan otot untuk menahan atau melawan beban. 8. Keterampilan adaptif sederhana adalah keterampilan yang dihasilkan dari penyesuaian gerak dasar fundamental dengan situasi atau kondisi tertentu pada saat melakukan gerakan. 9. Keterampilan adaptif kompleks adalah keterampilan yang memerlukan 5
penguasaan berbentuk gerakan dan koordinasi tubuh yang kompleks. 10. Gerakan ekspresif meliputi gerakangerakan yang bisa digunakan untuk mengkomunikasikan maksud tertentu yang digunakan dalam kehidupan. E. Metode Backpropogation Menurut Kusumadewi (2003, h.236238), Backpropagation merupakan algoritma pembelajaran yang terwarisi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma backpropagation menggunakan error output untuk mengubah nilai-nilai bobotnya dalam arah mundur (backward). Tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu untuk mendapatkan nilai error tersebut. Saat perambatan maju neuronneuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid biner yaitu:
2. Tiap-tiap unit tersembunyi (Zi, j=1,2,3,...,p) menjumlahkan sinyal-sinyal input terbobot: …………..(1) gunakan fungsi aktivasi untuk menghitung sinyal outputnya: zj = f(z_inj)………………..(2) dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output). a. Tiap-tiap unit output (Yk, k=1,2,3,...,m) menjumlahkan sinyal-sinyal input terbobot. ..……..(3) gunakan fungsi aktivasi untuk menghitung sinyal outputnya: yk = f(y_ink)………………(4) dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output). b. Tiap-tiap unit output (Yk, k=1,2,3,...,m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi errornya: k = (tk – yk) f’(y_ink)…..(5) kemudian hitung koreksi bobot (digunakan untuk memperbaiki nilai wjk): wjk = k zj…………...(6) hitung juga koreksi bias (digunakan untuk memperbaiki nilai w0k): w0k = k …………….(7) kirimkan k ini ke unit-unit yang ada di lapisan bawahnya. c. Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p) menjumlahkan delta inputnya (dari unit-unit yang berada pada lapisan di atasnya): _ = ∑ …………………….(8) kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error: j = _inj f’(z_inj…(9) kemudian hitung koreksi bobot (digunakan untuk memperbaiki nilai vij): vjk = j xi……(10) hitung juga koreksi bias (digunakan untuk memperbaiki nilai v0j): v0j = j …….(11) d. Tiap-tiap unit output (Yk, k=1,2,3,...,m) memperbaiki bias dan bobotnya (j=0,1,2,...,p): wjk(baru) = wjk(lama) + wjk ……12)
Arsitektur jaringan backpropogation seperti terlihat pada gambar 2 sebagai berikut
Gambar 2. Arsitektur Jaringan Backpropagation, Kusumadewi (2003, h.236) Dari arsitektur Jaringan Backpropagation pada gambar 2 dapat dijelaskan: a. Inisialisasi bobot (gunakan bobot awal dengan nilai random cukup kecil) b. Kerjakan lakukan-langkah berikut, selama kondisi berhenti bernilai FALSE. Feed forward: 1. Tiap-tiap unit input (Xi, i=1,2,3,...,n) menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi). 6
Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p) memperbaiki bias dan bobotnya (i=0,1,2,...,n): vij(baru) = vij(lama) + vij……….(13) IV. METODOLOGI PENELITIAN 1. Jenis penelitian Ditinjau dari jenis datanya maka penelitian ini adalah penelitian kuantitatif karena penelitian ini membutuhkan data dalam bentuk angka – angka/ nilai, atau data dalam bentuk informasi , komentar , pendapat atau kalimat namun dikuantitatifkan. 2. Pengumpulan data a. Studi literature Pengumpulan data yang diperoleh dengan mengumpulkan berbagai sumber kepustakaan, baik berupa bukubuku, browsing di internet, jurnal, laporan penelitian dan lain sebagainya untuk ditelaah lebih lanjut sebagai bahan pendukung penelitian. b. Pengumpulan data lapangan Metode pengumpulan data lapangan digunakan untuk mengumpulkan data– data yang dibutuhkan dalam penelitian. c. Dialog, diskusi dan konsultasi Metode dialog, diskusi dan konsultasi dilakukan dengan cara melakukan konsultasi dengan dokter anak serta melakukan dialog maupun diskusi dengan sumber–sumber lain yang berhubungan dengan penelitian ini. 3. Menganalisa dan melakukan perancangan sistem untuk mempelajari pola data prediksi tingkat kemampuan anak berdasarkan aspek psikomotorik dengan metode backpropagation. 4. Mengimplementasikan hasil analisa dan rancangan yang dilakukan pada tahap sebelumnya menjadi perangkat lunak untuk memprediksi tingkat kemampuan anak berdasarkan aspek psikomotorik. 5. Melakukan uji coba melalui system yang dirancang. 6. Mengevaluasi hasil analisa yang dilakukan oleh sistem berdasarkan pola data yang dihasilkan dari proses uji coba. V. ANALISIS SISTEM
1. Dilakukan analisis sistem terhadap teknik peramalan atau prediksi data psikomotorik anak menggunakan software MATLAB 6.5 yang menyediakan fungsi-fungsi pelatihan dan pengujian pada Jaringan Saraf Tiruan 2. Menentukan kebutuhan sistem sehingga dapat dilakukan penganalisaan prediksi dari data psikomotorik menggunakan algoritma backpropagation. 3. Data nilai pada psikomotorik anak sebagai data masukan yaitu data latih dan target latih, yang kemudian diproses dan dilatih dengan algoritma backpropagation, kemudian dilakukan pengujian data baru sebagai perbandingan dengan data yang telah dilatihkan sebelumnya. Setelah itu didapat hasil keluaran yang diuji kemudian bandingkan dengan target uji. A. Analisis Data Mining Perolehan nilai prediksi berdasarkan tingkat kemampuan bersasarkan aspek psikomotorik, yaitu Gerak Reflek Segmental, Gerak Reflek Intersegmental, Gerakan Lokomotor, Deskriminasi Kinestesis, Diskriminasi Visual, Ketahanan, Kekuatan, Keterampilan Adaptif, Keterampilan Adaptif Kompleks, Gerakan Ekspresif. Data kriteria aspek psikomotorik didapat dari seorang psikolog yang telah melakukan penilaian dan penelitian sebelumnya. Dalam penelitian ini, tidak semua anak akan dicari prediksinya untuk data tingkat kemampuan psikomotoriknya, hanya data 100 orang anak yang diambil secara acak dan 1000 datanya yang diolah untuk dilakukan analisis prediksi apakah seorang anak itu psikomotoriknya sangat bagus, bagus, cukup atau kurang melalui kerja jaringan syaraf.
7
langkah yang dilakukan sama dengan proses pelatihan, namun prosesnya hanya pada proses feedforward. Dan bobot yang digunakan adalah bobot terakhir dari hasil pelatihan. Selanjutnya ditentukan threshold. Disini ditetapkan threshold=0,5, yang artinya jika nilai y ≥ 0.5, maka output yang diberikan adalah 1, dan jika y≤ 0.5, maka output yang diberikan adalah 0. B. Perancangan Proses Data yang diperlukan dalam proses analisis jaringan syaraf tiruan menggunakan metode backpropogation adalah penilaian untuk setiap kriteria aspek psikomotorik anak sebagai input dan presentase total jumlah nilai untuk mendapatkan hasil penilaian sesungguhnya sebagai output. Data tersebut diambil secara acak dari 100 orang anak dengan jumlah yang dilatihkan pada jaringan sebanyak 80 orang anak, dan 20 orang anak sebagai data yang akan digunakan untuk menguji keakuratan sistem didalam mengenali masukan data yang lain. Tabel 1. Kriteria Psikomotorik No Kriteria Psikomotorik Inputan 1 Reflek Segmental X1 2 Reflek Intersegmental X2 3 Gerakan Lokomotor X3 4 Diskriminasi Kinestestis X4 5 Diskriminasi Visual X5 6 Ketahanan X6 7 Kekuatan X7 8 Keterampilan Adaptif X8 9 Keterampilan Adaptif X9 Kompleks 10 Gerakan Ekspresif X10 Tahapan pengembangan system sebagai berikut : 1. Tahapan Pertama Tabel 2. Data Psikomotorik
Mulai
Input Data Variabel psikomotorik (Dt Lth)
Proses Database sebagai Data Latih
Tidak
Latih
Konver gen Ya Input Data Variabel Psikomotorik (Dt Uji)
Proses Database sebagai Data Uji
Uji
Target Diketahui
Selesai
Data Nilai Variabel Psikomotorik X1 X6 X2 X7 X3 X8 X4 X9 X5 X10
Gambar 3. Flowchart Proses Pelatihan Dan Pengujian Selain banyaknya data yang dilatihkan, iterasi epoch yang semakin banyak juga cenderung akan menghasilkan nilai eror yang semakin kecil. Tetapi pelatihan yang optimal dipengaruhi oleh banyaknya faktor seperti penentuan learning rate, serta arsitektur jaringannya sendiri. Untuk proses pengujian,
2. Tahapan Kedua Tabel 3. Penentuan Variabel Psikomotorik 8
C. Penentuan Variabel Seluruh data yang terkumpul dipisahkan menjadi 2 bagian, yaitu masukan dan keluaran. Yang tergolong masukan secara berurutan adalah : 1. Gerak Reflek Segmental disimpan pada variabel X1 2. Gerak Reflek Intersegmental disimpan pada variabel X2 3. Gerakan Lokomotor disimpan pada variabel X3 4. Diskriminasi Kinestesis disimpan pada variabel X4 5. Diskrimninasi Visual disimpan pada variabel X5 6. Ketahanan disimpan pada variabel X6 7. Kekuatan disimpan pada variabel X7 8. Keterampilan Adaptif disimpan pada variabel X8 9. Keterampilan Adaftif Kompleks disimpan pada variabel X9 10. Gerakan Ekspresif disimpan pada variabel X10 Kesepuluh variabel dengan jumlah 80 responden yang akan dilatihkan disusun menjadi suatu matriks P, dengan ukuran 10 x 80, dan 20 responden sebagai data penguji ke dalam matriks Q dengan ukuran 10 x 20.
Variabel Input : Variabel Output : X1 X6 Sangat Bagus (1 1) X2 X7 Bagus (1 0) X3 X8 Cukup (0 1) X4 X9 Kurang (0 0) X5 X10 3. Tahapan Ketiga Arsitektur Jaringan : 1 Lapisan Input Data Psikomotorik:10 Sel 1 Lapisan Tersembunyi (jumlah sel ditetapkan secara random) 1 Lapisan Output : 2 Sel
Gambar 4. Arsitektur JST. 4. Tahapan Keempat: Pelatihan dan Pengujian Tabel 4 Data Latih Berdasarkan Data Variabel Psikomotorik Kriteria aspek Psikomotorik anak NO
Nama
X 1
X 2
X 3
X 4
X 5
X 6
X 7
X 8
X 9
X10
Jumlah Nilai
Target Sebenar nya
1
Rafi Pratama
7
7
9
5
4
7
9
8
5
3
64
01
2
Heru Suseno
8
7
8
4
5
6
8
8
6
7
67
10
3
Andika
9
8
6
6
5
7
7
7
6
4
65
10
4
Anggun Anggira
6
6
7
7
5
7
7
7
5
4
61
01
5
Hengki
9
8
8
7
8
8
7
7
7
6
75
11
6
Tasya Amanda
7
7
8
5
4
4
8
8
6
3
60
01
7
Syadiah Nuralifa
6
6
7
2
4
6
7
6
5
2
51
00
8
Elisa Aulia Sari
8
7
9
4
6
5
8
7
6
6
66
10
9
Legi Lestari
9
8
8
7
6
6
7
8
5
7
71
10
10
Dahlia Ayu
5
6
7
4
5
7
8
6
5
4
57
01
9
11
Felita Intan S
7
4
6
5
2
4
6
6
5
3
48
00
12
Aprilina A
8
6
6
5
5
5
6
7
4
5
57
01
13
Adi Yulianto
7
6
6
6
7
6
8
8
7
6
67
10
14
Edo Ponco P
9
8
8
6
7
8
7
8
7
7
75
11
15
Asri Ariesta
7
7
6
5
6
5
7
6
4
6
59
01
16
Astri Agustina
6
6
7
7
8
7
6
6
6
6
65
10
17
Brian Wahyudi
9
8
8
7
5
7
8
7
7
3
69
10
18
Anggun Kusuma Fatchur Rahmad
6 6
4 6
6 7
6 5
3 4
7 7
7 8
6 7
2 5
1 3
49
19
58
00 01
20
Puspita Sari I
7
6
6
5
3
6
7
6
4
4
54
00
21
Maulana
6
6
8
7
5
6
7
6
4
6
61
01
22
Dwi Saputra
9
7
7
5
5
7
7
7
6
7
67
10
23
Agnarisma Latifa
8
7
7
6
7
8
8
6
7
6
70
10
24
Mardianti Olivia
8
6
8
6
4
7
7
6
8
7
67
10
25
Mira Puji Lestari
7
6
6
6
4
5
6
7
6
5
58
01
26
Nur Azizah
6
8
7
4
3
6
8
6
6
7
61
01
27
Reka Apriawan
6
6
7
5
4
6
6
7
5
5
57
01
28
Rizky
7
9
8
8
8
8
8
9
7
8
80
11
29
Widhyanto
8
7
6
7
5
7
7
7
6
5
65
10
30
Fatir Yudho
9
6
8
8
7
8
8
8
7
8
77
11
31
Sabilah
6
4
6
5
6
8
7
7
8
6
63
01
32
Eksanti Azissa R
7
7
8
4
5
6
6
8
6
6
63
01
33
Salsabila K
8
6
6
7
5
7
7
6
4
4
60
01
34
Sendy Prasetyo
9
6
6
8
7
8
7
7
4
6
68
10
35
Wahyu Pramana
6
7
7
5
5
7
8
7
8
7
67
10
36
Wiranda H
7
7
8
8
4
7
7
8
6
6
68
10
37
Andra W
8
7
6
5
6
8
7
7
5
6
65
10
38
Dwi Ayudhiya C
9
8
7
7
8
6
7
8
9
7
76
39
Prabowo Dimas F
8
9
7
8
8
8
7
7
8
7
77
11 11
40
Rizky Eka R
8
6
6
7
6
7
7
6
4
5
62
01
41
Prahesty Fadila
7
7
7
6
5
6
6
7
3
5
59
01
42
Khoirunnisa H
8
5
6
7
5
4
7
7
5
5
59
01
43
Arroyan R
8
7
6
5
6
6
8
7
7
6
66
10
44
H Irvan Miftahul
7
8
7
6
6
5
7
8
6
6
66
10
45
Ismail Singgih
8
6
8
6
7
6
7
7
4
6
65
10
46
Fajar Romadhony
9
7
6
5
6
7
6
8
6
5
65
10
47
Riki Pratama P
7
7
7
5
6
5
7
7
6
7
64
01
48
Ismawati Sandara
7
6
6
7
5
6
5
7
8
4
61
01
49
Fantika Faadhilah
7
6
5
4
7
7
7
8
7
6
64
01
50
Farrel Hanafi
9
8
7
5
7
8
7
6
7
5
69
10
51
Emitasari Depy
8
6
7
6
7
8
8
6
5
6
67
10
52
Handik Prayoga
8
7
6
5
6
7
7
6
4
5
61
01
53
Ramandani R
6
8
6
3
7
5
7
6
6
5
59
01
11
54
Hanif Yusuf
7
7
7
6
7
8
7
7
7
6
69
10
55
Rahman A
7
8
8
8
8
8
8
8
8
6
77
11
56
Fitriani Puji
7
6
6
6
4
6
7
5
4
3
54
00
57
Ikka Pujiastuti
8
6
6
5
5
6
6
6
6
3
57
01
58
Anggi Putri Dewi
8
7
7
5
3
7
8
6
3
2
56
01
59
Bintang Putra
7
5
7
6
6
7
7
8
6
7
66
10
60
Hadi Setianto
7
6
6
5
4
6
6
7
5
7
59
01
61
Annisa Nur W
8
8
7
7
6
8
8
7
5
7
71
10
62
Lailatus Saadah
7
7
6
7
6
7
7
8
6
6
62
01
63
Mutiara Lutfiatul
7
7
8
6
5
6
6
8
6
5
64
01
64
Bayu Setia Rama
8
7
7
8
6
8
7
6
5
4
66
10
65
Rindiani
6
6
6
5
7
6
6
6
6
5
59
01
66
Yayang Wijaya
6
7
8
6
5
8
8
7
6
3
64
01
67
Novitasari
7
7
6
6
7
7
7
6
6
7
66
10
68
Dimas priyo J
8
7
8
6
6
7
7
6
7
7
69
10
69
Hana Aulia S
6
6
7
8
6
8
6
7
6
5
65
10
70
Murdikatus S
7
6
7
6
6
7
7
7
6
5
64
01
71
Arsyad Widi
7
6
6
6
5
7
6
6
4
2
55
01
72
Firmansyah
7
6
6
8
6
6
7
7
6
6
65
10
73
Duta Dzaky
8
7
7
8
7
8
8
7
7
7
74
11
74
Fidia Ambar
7
8
7
7
6
7
6
6
5
4
63
01
75
Ryandra Irsy
8
8
7
8
7
8
9
8
6
7
76
11
76
Anwar Fathoni
9
8
7
8
7
7
8
8
7
7
76
11
77
Restu Putra
6
8
7
5
6
6
7
7
4
6
62
01
78
Muhammad G
7
7
8
7
7
8
7
6
5
3
65
10
79
Ria Isabella
7
6
7
8
6
6
7
7
3
6
63
01
80
Cyntia Sari
8
7
8
7
7
8
8
6
6
8
73
10
b. Jika persentase seluruh kriteria psikomotorik 65 s/d 74, maka dikategorikan Bagus, dengan singkatan BGS. c. Jika persentase seluruh kriteria psikomotorik 55 s/d 64, maka dikategorikan Cukup, dengan singkatan CKP. d. Jika persentase seluruh kriteria psikomotorik 0 s/d 54, maka dikategorikan Kurang, dengan singkatan KRG. 2. Data nilai a. Jika nilai untuk setiap variabel psikomotorik 9 s/d 10, maka dikategorikan Sangat Bagus, dengan singkatan SB.
Keterangan : X1: Gerak Reflek Segmental X2: Gerak Reflek Intersegmental X3: Gerakan Lokomotor X4: Deskriminasi Kinestesis X5: Deskriminasi Visual X6: Ketahanan X7: Kekuatan X8: Keterampilan Adaptif X9: Keterampilan Adaptif Kompleks X10: Gerakan Ekspresif Representasi variable input 1. Data kriteria psikomotorik a. Jika persentase seluruh kriteria psikomotorik 75 s/d 100, maka dikategorikan Sangat Bagus, dengan singkatan SB.
12
b. Jika nilai untuk setiap variabel dikategorikan Kurang, dengan psikomotorik 7 s/d 8, maka singkatan KRG. dikategorikan Bagus, dengan singkatan e. Jika nilai untuk setiap variabel BGS. psikomotorik 1 s/d 2, maka c. Jika nilai untuk setiap variabel dikategorikan Gagal dengan singkatan psikomotorik 5 s/d 6, maka GGL. dikategorikan Cukup, dengan singkatan Berdasarkan representasi masukan berikut CKP. bentuk transformasi dalam bentuk string d. Jika nilai untuk setiap variabel psikomotorik 3 s/d 4, maka Tabel 5. Convert Angka Hasil Rekapitulasi Ke String NO 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35
Kriteria Aspek Psikomotorik Anak
Nama Rafi Pratama Heru Suseno Andika Anggun A Hengki Tasya Amanda Syadiah N Elisa Aulia S Legi Lestari Dahlia Ayu Felita Intan S Aprilina A Adi Yulianto Edo Ponco P Asri Ariesta Astri Agustina Brian Wahyudi Anggun K Fatchur R Puspita Sari I Maulana Dwi Saputra Agnarisma L Mardianti O Mira Puji L Nur Azizah Reka Apriawan Rizky Widhyanto Fatir Yudho Sabilah Eksanti Azissa Salsabila K Sendy Prasetyo Wahyu P
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
BGS BGS SBG CKP SBG BGS CKP BGS SBG CKP BGS BGS BGS SBG BGS CKP SBG CKP CKP BGS CKP SBG BGS BGS BGS CKP CKP BGS BGS SBG CKP BGS BGS SBG CKP
BGS BGS BGS CKP BGS BGS CKP BGS BGS CKP KRG CKP CKP BGS BGS CKP BGS KRG CKP CKP CKP BGS BGS CKP CKP BGS CKP SBG BGS CKP KRG BGS CKP CKP BGS
SBG BGS CKP BGS BGS BGS BGS SBG BGS BGS CKP CKP CKP BGS CKP BGS BGS CKP BGS CKP BGS BGS BGS BGS CKP BGS BGS BGS CKP BGS CKP BGS CKP CKP BGS
CKP CKP CKP BGS BGS CKP GGL KRG BGS KRG CKP CKP CKP CKP CKP BGS BGS CKP CKP CKP BGS CKP CKP CKP CKP KRG CKP BGS BGS BGS CKP KRG BGS BGS CKP
KRG CKP CKP CKP BGS KRG KRG CKP CKP CKP GGL CKP BGS BGS CKP BGS CKP KRG KRG KRG CKP CKP BGS KRG KRG KRG KRG BGS CKP BGS CKP CKP CKP BGS CKP
BGS CKP BGS BGS BGS KRG CKP CKP CKP BGS KRG CKP CKP BGS CKP BGS BGS BGS BGS CKP CKP BGS BGS BGS CKP CKP CKP BGS BGS BGS BGS CKP BGS BGS BGS
SBG BGS BGS BGS BGS BGS BGS BGS BGS BGS CKP CKP BGS BGS BGS CKP BGS BGS BGS BGS BGS BGS BGS BGS CKP BGS CKP BGS BGS BGS BGS CKP BGS BGS BGS
BGS BGS BGS BGS BGS BGS CKP BGS BGS CKP CKP BGS BGS BGS CKP CKP BGS CKP BGS CKP CKP BGS CKP CKP BGS CKP BGS SBG BGS BGS BGS BGS CKP BGS BGS
CKP CKP CKP CKP BGS CKP CKP CKP CKP CKP CKP KRG BGS BGS KRG CKP BGS GGL CKP KRG KRG CKP BGS BGS CKP CKP CKP BGS CKP BGS BGA CKP KRG KRG BGS
KRG BGS KRG KRG CKP KRG GGL CKP BGS KRG KRG CKP CKP BGS CKP CKP KRG GGL KRG KRG CKP BGS CKP BGS CKP BGS CKP SBG CKP BGS CKP CKP KRG CKP BGS
14
Target Sebenarnya CKP BGS BGS CKP SBG CKP KRG BGS BGS CKP KRG CKP BGS SBG CKP BGS BGS KRG CKP KRG CKP BGS BGS BGS CKP CKP CKP SBG BGS SBG BGS BGS CKP BGS BGS
36 37 38 39 40 41 42
Wiranda H Andra W Dwi Ayudhiya Prabowo D Rizky Eka R Prahesty Fadila Khoirunnisa H
43
Arroyan R
44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80
H Irvan M Ismail Singgih Fajar R Riki Pratama P Ismawati S Fantika F Farrel Hanafi Emitasari Depy Handik P Ramandani R Hanif Yusuf Rahman A Fitriani Puji Ikka Pujiastuti Anggi Putri D Bintang Putra Hadi Setianto Annisa Nur W Lailatus S Mutiara L Bayu Setia R Rindiani Yayang Wijaya Novitasari Dimas priyo J Hana Aulia S Murdikatus S Arsyad Widi Firmansyah Duta Dzaky Fidia Ambar Ryandra Irsy Anwar Fathoni Restu Putra Muhammad G Ria Isabella Cyntia Sari
BGS BGS SBG BGS BGS BGS
BGS BGS BGS SBG CKP BGS
BGS CKP BGS BGS CKP BGS
BGS CKP BGS BGS BGS CKP
KRG CKP BGS BGS CKP CKP
BGS BGS CKP BGS BGS CKP
BGS BGS BGS BGS BGS CKP
BGS BGS BGS BGS CKP BGS
CKP CKP SBG BGS KRG KRG
CKP CKP BGS BGS CKP CKP
BGS BGS SBG SBG CKP CKP
BGS
CKP
CKP
BGS
CKP
KRG
BGS
BGS
CKP
CKP
CKP
BGA BGS BGS SBG BGS BGS BGS SBG BGS BGS CKP BGS BGS BGS BGS BGS BGS BGS BGS BGS BGS BGS CKP CKP BGS BGS CKP BGS BGS BGS BGS BGS BGS SBG CKP BGS BGS BGS
BGS BGS CKP BGS BGS CKP CKP BGS CKP BGS BGS BGS BGS CKP CKP BGS CKP CKP BGS BGS BGS BGS CKP BGS BGS BGS CKP CKP CKP CKP BGS BGS BGS BGS BGS BGS CKP BGS
CKP BGS BGS CKP BGS CKP CKP BGS BGS CKP CKP BGS BGS CKP CKP BGS BGS CKP BGS CKP BGS BGS CKP BGS CKP BGS BGS BGS CKP CKP BGS BGS BGS BGS BGS BGS BGS BGS
CKP CKP CKP CKP CKP BGS KRG CKP CKP CKP KRG CKP BGS CKP CKP CKP CKP CKP BGS BGS CKP BGS CKP CKP CKP CKP BGS CKP CKP BGS BGS BGS BGS BGS CKP BGS BGS BGS
CKP CKP BGS CKP CKP CKP BGS BGS BGS CKP BGS BGS BGS KRG CKP KRG CKP KRG CKP CKP CKP CKP BGS CKP BGS CKP CKP CKP CKP CKP BGS CKP BGS BGS CKP BGS CKP BGS
CKP CKP CKP BGS CKP CKP BGS BGS BGS BGS CKP BGS BGS CKP CKP BGS BGS CKP BGS BGS CKP BGS CKP BGS BGS BGS BGS BGS BGS CKP BGS BGS BGS BGS CKP BGS CKP BGS
BGS BGS BGS CKP BGS CKP BGS BGS BGS BGS BGS BGS BGS BGS CKP BGS BGS CKP BGS BGS CKP BGS CKP BGS BGS BGS CKP BGS CKP BGS BGS CKP SBG BGS BGS BGS BGS BGS
BGS BGS BGS BGS BGS BGS BGS CKP CKP CKP CKP BGS BGS CKP CKP CKP BGS BGS BGS BGS BGS CKP CKP BGS CKP CKP BGS BGS CKP BGS BGS CKP BGS BGS BGS CKP BGS CKP
BGS CKP KRG CKP CKP BGS BGS BGS CKP KRG CKP BGS BGS KRG CKP KRG CKP CKP CKP CKP CKP CKP CKP CKP CKP BGS CKP CKP KRG CKP BGS CKP CKP BGS KRG CKP KRG CKP
CKP CKP CKP CKP BGS KRG CKP CKP CKP CKP CKP CKP CKP KRG KRG GGL BGS BGS BGS CKP CKP KRG CKP KRG BGS BGS CKP CKP GGL CKP BGS KRG BGS BGS CKP KRG CKP BGS
BGS BGS BGS BGS CKP CKP CKP BGS BGS CKP CKP BGS SBG KRG CKP CKP BGS CKP BGS CKP CKP BGS CKP CKP BGS BGS BGS CKP CKP BGS SGS CKP SBG SBG CKP BGS CKP BGS
Keterangan : Nilai SB : Sangat Bagus
Jumlah Nilai SB : Sangat Bagus
16
BGS CKP KRG GGL
: Bagus : Cukup : Kurang : Gagal
BGS : Bagus CKP : Cukup KRG : Kurang
Secara matematis dapat dihitung sebagai berikut. X = 7 8 9 6 9 7 6
7 7 8 6 8 7 6
T
9 8 6 7 8 8 7
5 4 6 7 7 5 2
4 5 5 5 8 4 4
7 6 7 7 8 4 6
9 8 7 7 7 8 7
8 8 7 7 7 8 6
5 6 6 5 7 6 5
3. Bobot awal hidden ke output w = 4.1308 2.6079 -2.4325 -3.8168 0.0511 -1.2908 -5.6337
3 7 4 4 6 3 2
1) Penjumlahan berbobot: Z_in1 = v01 + X11*V11 + X12*V12 X13*V13 + X14*V14 X15*V15 + X16*V16 X17*V17 + X18*V18 X19*V19 + X1-10*V1-10 = -6.6091+ (7*0.8378) +
= 0 1 1 0 1 0 0
1 0 0 1 1 1 0
Z_in2 = v02 + X11*V21 + X12*V22 X13*V23 + X14*V24 X15*V25 + X16*V26 X17*V27 + X18*V28 X19*V29 + X1-10*V2-10 = -1.6238 + (7*-0.6603) + (7*
1. Bobot awal input ke hidden v=
-0.6603 0.9655 -0.1358 0.3510 0.7679 0.2710 -1.0949 -1.1095 1.5906 0.0371
= -8.4458
Z_in3 = v03 + X11*V31 + X12*V32 + X13*V33 + X14*V34 + X15*V35 + X16*V36 + X17*V37 + X18*V38 + X19*V39 + X1-10*V3-10 = 23.6501 + (7*0.2835 ) + (7* -
0.3063 -0.5155 -0.1786 -1.9295 -0.1354 -0.4735
-0.0330 -1.7006 0.6874 -0.1332 0.6952 0.8656 0.3666 0.8716 -0.2873 0.2432
0.1733) + (9 * 0.3063) + (5 * 0.5155 ) + (4* -0.1786 ) + (7* 0.6233 ) + (9*-1.1993 )+ (8*-
2. Bobot awal bias ke hidden V0
= -6.6091 0.5616
-1.6238
23.6501
+ + + +
0.9655 ) + (9 * -0.1358 ) + (5 * 0.3510) + (4* 0.7679 ) + (7* 0.2710) + (9*-1.0949) + (8*1.1095 ) +(5*1.5906 ) + (3* 0.0371)
1.0924 0.5982 0.4711 0.6079 -1.0082 -0.6360 -0.1533 0.3866
0.2835 -0.1733 0.6233 -1.1993
+ + + +
(7*1.0924) + (9*0.5982) + (5*0.4711) + (4*0.6079) + (7*0.6171) + (9*-1.0082) + (8*0.6360) + (5*-0.1533) + (3*0.3866) = -1.0150
a. Jumlah neuron pada input layer = 10 b. Jumlah neuron pada hidden layer = 4 c. Jumlah neuron pada output layer = 2 d. Learning rate (α) = 0.02 e. Maksimum Epoch = 10000 f. Target Error = 0.1 Bobot awal (ditentukan secara acak):
0.8378 0.6171
3.3079
4. Bobot awal bias ke output 2.0603 W0 = -1.5582 Pembelajaran:Epoh ke-1: Data ke = 1 Operasi pada Hidden Layer
-
17
1.9295 ) + (5*-0.1354 ) + (3* 0.4735)
1 = (0 − 0.0607) ∗
= -0.0778
∗ 1−(
1.7006) + (9 * 0.6874) + (5 * 0.1332) + (4* 0.6952 ) + (7* 0.8656 ) + (9*0.3666 )+ (8*0.8716 ) + (5*-0.2873 ) + (3* 0.2432)
= -0.8893
Z2= ( Z3= (
8.4458
+0.0778 )
)=
0.2660
)=
2.1475e-004
= 0.4806
Z4= ( = 0.2913 0.8893 ) Operasi pada Output Layer ---> 3) Perkalian: Y_in1= w01 + Z1*W11 +Z2*W12 +Z3* W13 + Z4* W14 = -1.5582 + (0.2660* 4.1308) + (2.1475e-004*2.6079) (0.4806* 2.4325) + (0.2913*-3.8168) = -2.7397 Y_in2 = w02 + Z1*W21 +Z2*W22 +Z3* W23 + Z4* W24 = 2.0603+ (0.2660* 0.0511 ) + (2.1475e-004* -1.2908 ) +(0.4806* -5.6337 ) + (0.2913*3.3079) = 0.3297 4) Aktivasi: Y1 = (
2.7397 )
1
.
) . 1+ = −0.0035 Error lapisan Y2 = 0 – 0.5817= -0.5817 Jumlah Kuadrat Error = (-0.5817)2 = 0.3384 1 2= ∗ _ 1+ 1 ∗ 1−( ) 1+ 1 2 = (1 − 0.5817) ∗ . 1+ 1 ∗ 1−( ) . 1+ = 0.1018 ∆ 11 =∝∗ 1 ∗ 1 ∆ 11 = 0.02 ∗ (−0.0035) ∗ 0.2660 = −1.8620 − 005 ∆ 12 =∝∗ 2 ∗ 1 ∆ 12 = 0.02 ∗ (0.1018) ∗ 0.2660 = 5.4158 − 004 ∆ 21 =∝∗ 1 ∗ 2 ∆ 21 = 0.02 ∗ (−0.0035) ∗ 2.1475e − 004 = −1.5033 − 008 ∆ 22 =∝∗ 2 ∗ 2 ∆ 22 = 0.02 ∗ (0.1018) ∗ 2.1475e − 004 = 4.3723 − 007 ∆ 31 =∝∗ 1 ∗ 3 ∆ 31 = 0.02 ∗ (−0.0035) ∗ 0.4806 = −3.3642 − 005 ∆ 32 =∝∗ 2 ∗ 3 ∆ 32 = 0.02 ∗ (0.1018) ∗ 0.4806 = 9.7850 − 004 ∆ 41 =∝∗ 1 ∗ 4 ∆ 41 = 0.02 ∗ (−0.0035) ∗ 0.2913 = −2.0391 − 005 ∆ 42 =∝∗ 2 ∗ 4 ∆ 42 = 0.02 ∗ (0.1018) ∗ 0.2913 = 5.9309 − 004 ∆ 01 =∝∗ 1 ∆ 01 = 0.02 ∗ (−0.0035) = −7.0000 − 005 ∆ 02 =∝∗ 2 ∆ 02 = 0.02 ∗ (0.1018) = 0.0020
Z_in4 = v04 + X11*V41 + X12*V42 + X13*V43+X14*V44 + X15*V45 +X16*V46+X17*V47+X18*V4 8+X19*V49+X1-10*V4-10 = -0.5616+ (7*-0.0330) + (7* -
2) Aktivasi: Z1= ( +1.0150
1+
1
= 0.0607
Y2 = ( ) = 0.5817 . Error lapisan Y1 = 0 – 0.0607= -0.0607 Jumlah Kuadrat Error = (-0.0607)2 = 0.0037 1 1= ∗ _ 1+ 1 ∗ 1−( ) 1+
19
11 = 1 ∗ 11 = −0.0035 ∗ 4.1308 = -0.0145 12 = 2 ∗ 21 = 0.1018 ∗ 0.0511 = 0.0052 21 = 1 ∗ 12 = −0.0035 ∗ 2.6079 = −0.0091 22 = 2 ∗ 22 = 0.1018 ∗ −1.2908 = −0.1314 31 = 1 ∗ 13 = −0.0035 ∗ −2.4325 = 0.0085 32 = 2 ∗ 23 = 0.1018 ∗ −5.6337 = −0.5735 41 = 1 ∗ 14 = −0.0035 ∗ −3.8168 = 0.0134 42 = 2 ∗ 24 = 0.1018 ∗ 3.3079 = 0.3367 1 = ∗ _ 1 1+ 1 ∗ 1−( ) _ 1 1+ 1 = −0.0145 ∗ . 1+ 1 ∗ 1−( ) . 1+ = −0.0036 1 = ∗ _ 1 1+ 1 ∗ 1−( ) _ 1 1+ 1 = 0.0052 ∗ . 1+ 1 ∗ 1−( ) . 1+ = 0.0013 1 = ∗ _ 1+ 1 ∗ 1−( ) _ 1+
= −0.0091 ∗
∗ 1
1+
1
−(
=
∗ 1−( ∗ 1
1
1+
.
1+
−(
.
1+ = −0.0328 1 ∗ _ 1+ ∗ 1−(
= 0.0085 ∗
1+
∗ 1−(
=
)
1+ . = −0.0023 1 ∗ _ 1+
= −0.1314 ∗
=
1
.
1+ 1
∗ 1−(
1
1
=
1+ = −0.1354 1 ∗ _ 1+ ∗ 1−(
= 0.0134 ∗
1+
∗ 1−(
=
20
1+ 1 .
1+ = 0.0033 1 ∗ _ 1+ ∗ 1−(
1+
1 1 1
) )
.
_
1
∗ 1−(
)
_
1
1+ 1 = −0.5735 ∗ . 1+
)
1
.
1+ = 0.0020 1 ∗ _ 1+
1
_
) )
.
_
) )
.
_
)
= 0.3367 ∗
1+
∗ 1−(
1
.
v16 = v16 + v16 = -0.6171 + 0 = -0.6171 v17 = v17 + v17 = -1.0082 + 0 = -1.0082 v18 = v18 + v18 = -0.6360 + 0 = -0.6360 v19 = v19 + v19 = -0.1533 + 0 = -0.1533 v1-10 = v1-10 + v1-10 = 0.3866 + 0 = 0.3866 v21 = v21 + v21 = -0.6603+ 0 = -0.6603 v22 = v22 + v22 = 0.9655 + 0 = 0.9655 v23 = v23 + v23 = -0.1358 + 0 = -0.1358 v24 = v24 + v24 = 0.3510 + 0 = 0.3510 v25 = v25 + v25 = 0.7679 + 0 = 0.7679 v26 = v26 + v26 = -0.2710 + 0 = -0.2710 v27 = v27 + v27 = -1.0949 + 0 = -1.0949 v28 = v28 + v28 = -1.1095 + 0 = -1.1095 v29 = v29 + v29 = 1.5906 + 0 = 1.5906 v2-10 = v2-10 + v2-10 = 0.0371+ 0 = 0.0371 v31 = v31 + v31 = 0.2835 + 0 = 0.2835 v32 = v32 + v32 = -0.1733 + 0 = 0.1733 v33 = v33 + v33 = 0.3063 + 0 = 0.3063 v34 = v34 + v34 = -0.5155 + 0 = -0.5155 v35 = v35 + v35 = -0.1786 + 0 = 0.1786 v36 = v36 + v36 = -3.1801 + 0 = -3.1801 v37 = v37 + v37 = 0.6233 + 0 = 0.6233 v38 = v38 + v38 = -1.9295 + 0 = -1.9295 v39 = v39 + v39 = -0.1354 + 0 = -0.1354 v3-10 = v3-10 + v3-10 = -0.4735 + 0 = 0.4735 v41 = v41 + v41 = -0.0330 + 0 = -0.0330 v42 = v42 + v42 = -1.7006 + 0 = 1.7006 v43 = v43 + v43 = 0.6874 + 0 = 0.6874 v44 = v44 + v44 = -0.1332 + 0 = 0.1332 v45 = v45 + v45 = 0.6952 + 0 = 0.6952 v46 = v46 + v46 = -0.8656 + 0 = -0.8656 v47 = v47 + v47 = 0.3666 + 0 = 0.3666 v48 = v48 + v48 = 0.8716 + 0 = 0.8716 v49 = v49 + v49 = -0.2873 + 0 = 0.2873 v4-10 = v4-10 + v4-10 = 0.2432 + 0 = 0.2432 v01 = v011 + v01= -6.6091 −7.2000 − 005 = -6.6092 v02 = v012 + v02 = -1.6238 −4.6000 − 005= -1.6238
1
) . 1+ = 0.0824 v11 = ∗ 11 ∗ = 0.02 ∗ (−0.0036) ∗ 7 = −5.0400 − 004 v12 = ∗ 12 ∗ 11 = 0.02 ∗ (0.0013) ∗ 7 = 1.8200 − 004 v21 = ∗ 21 ∗ 11 = 0.02 ∗ (−0.0023) ∗ 7 = −3.2200 − 004 v22 = ∗ 22 ∗ 11 = 0.02 ∗ (−0.0328) ∗ 7 = −0.0046 v31 = ∗ 31 ∗ 11 = 0.02 ∗ ( 0.0020) ∗ 7 = 2.8000 − 004 v32 = ∗ 32 ∗ 11 = 0.02 ∗ (−0.1354) ∗ 7 = −0.0190 v41 = ∗ 41 ∗ 11 = 0.02 ∗ (0.0033) ∗ 7 = 4.6200 − 004 v42 = ∗ 42 ∗ 11 = 0.02 ∗ (0.0824) ∗ 7 = 0.0115 v01 = ∗ 11 = 0.02 ∗ (−0.0036) = −7.2000 − 005 v02 = ∗ 21 = 0.02 ∗ (−0.0023) = −4.6000 − 005 v03 = ∗ 31 = 0.02 ∗ ( 0.0020) = 4.0000 − 005 v04 = ∗ 41 = 0.02 ∗ (0.0033) = 6.6000 − 005 v11 = v11 + v11 = 0.8378 + −5.0400 − 004= 0.8373 v12 = v12 + v12 = 1.0924 + 1.8200 − 004= 1.0926 v13 = v13 + v13 = 0.5982 −3.2200 − 004 = 0.5979 v14 = v14 + v14 = 0.4711 −0.0046 = 0.4665
v15 = v15 + v15 = 0.6079+ 2.8000 − 004 = 0.6082
21
v03 = v013 + v03 = 23.6501 + 4.0000 − 005= 23.6501 v04 = v014 + v04 = -0.5616+ 6.6000 − 005= -0.5615 w11 = w11 + w11 = 4.1308 −1.8620 − 005= 4.1308 w12 = w21 + w12 = 2.6079 + 5.4158 − 004= 2.6084 w21 = w31 + w21= -2.4325 − 1.5033 − 008= -2.4325 w22 = w41 + w22= -3.8168 + 4.3723 − 007= -3.8168 w31 = w21 + w31 = 0.0511 −3.3642 − 005= 0.0511 w32 = w21 + w32= -1.2908 + 9.7850 − 004= -1.2898 w41 = w13 + w41 = -5.6337−2.0391 − 005= -5.6337 w42 = w14 + w42= 3.3079 + 5.9309 − 004 = 3.3085 w01 = w01 + w01 =- 1.5582 −7.0000 − 005= -1.5583
Pada data kedua, juga dilakukan operasi-operasi yang sama dengan menggunakan bobot-bobot akhir hasil pengolahan data pertama ini sebagai bobot-bobot awalnya. Proses ini dilakukan secara berulang sampai pada maksimum epoh (100000) atau kuadrat error < target error (0.1). Berikut adalah bobot akhir setelah epoh ke-3425 : 1. Bobot akhir input ke hidden v =2.1304 1.5128 -0.3753 -1.2563 0.9763 -0.1406 -1.6771 -1.3524 0.0738 1.8141 -0.1996 0.9506 -0.7733 -0.7455 0.6793 0.5000 -1.5514 -1.4870 1.5684 1.0056 1.3177 0.3019 -0.6337 -2.1943 -1.3760 0.4344 -0.8812 -1.4917 -0.0547 0.4877 -0.8815 -2.0950 0.6101 1.3018 0.7690 0.9792 0.0128 0.5692 -0.6195 -1.0256
2. Bobot akhir bias ke hidden -1.6828 23.7283 -0.6053 V0 = -6.6615 3. Bobot akhir hidden ke output w = 7.4903 2.4921 -1.3515 -3.7863 -1.0633 -2.0383 -6.8314
w02 = w02 + w02 = 2.0603 + 0.0020 = 2.0623
3.2855
4. Bobot akhir bias ke output 3.9047 W0 = -3.0579
Tabel 6. Data Uji Berdasarkan Kriteria Aspek Psikomotorik N O 1 2
Febri Andika Dedi M
3 4 5 6 7 8 9 10 11 12 13 14
Nurul O Angga S Dea Nur P Muhammad Fitri Lestari Meysa A Guntur Bima Siti N Kiki H Mahesa Syah Dewa
15 16 17 18 19
Marlinta Andrea Putri Wiranda Zakarianta Leliana
Nama
Kriteria aspek Psikomotorik anak X3 X4 X5 X6 X7 X8 X9
X10
Jumlah Nilai
8 5 7 7 5 7
6 8 5 6 5 6
70 73 71 68 58 70
7 8 8 8 7 5 8 8 5 5 7 6
7 6 7 6 5 8 7 7 4 5 7 8
5 7 6 6 4 6 7 6 4 6 8 6
72 69 75 68 60 64 75 67 59 62 70 71
6
8
7
70
X1
X2
7 9 8 8 7 7
6 7 6 5 5 8
8 8 8 7 6 7
8 7 6 8 7 8
6 6 7 5 4 7
7 7 9 8 7 8
6 8 8 6 6 6
8 8 7 8 6 6
8 7 9 6 7 8 9 5 6 6 5 8
7 6 8 6 7 8 8 7 7 7 6 8
8 7 7 8 6 6 8 6 4 8 7 6
7 7 8 5 5 6 7 8 6 6 8 8
8 8 6 8 6 4 6 7 8 6 8 6
8 7 8 6 7 6 7 8 7 6 6 7
7 6 8 8 6 7 8 5 8 7 8 8
6
7
8
6
8
6
8
22
Target Uji Sebenarnya 10 10 10 10 01 10 10 10 11 10 01 01 11 10 01 01 10 10 10
20
Duma P
6
7
8
6
6
Keterangan : X1 : Gerak Reflek Segmental X9 : Keterampilan Adaptif Kompleks X6 : Ketahanan X3 : Gerakan Lokomotor X4 : Deskriminasi Kinestesis
8
6
X5 X2 X10 X7 X8
8
8
6
69
10
: Deskriminasi Visual : Gerak Reflek Intersegmental : Gerakan Ekspresif : Kekuatan : Keterampilan Adaptif
Tabel 7. Convert Angka Hasil Rekapitulasi ke Huruf NO
Nama
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Febri Andika Dedi M Nurul O Angga S Dea Nur P Muhammad Fitri Lestari Meysa A Guntur Bima Siti N Kiki H Mahesa Syah Dewa Marlinta Andrea Putri Wiranda Zakarianta Leliana Duma P
X1 BGS SBG BGS BGS BGS BGS BGS BGS SBG CKP BGS BGS SBG CKP CKP CKP CKP BGS CKP CKP
X2 CKP BGS CKP CKP CKP BGS BGS CKP BGS CKP BGS BGS BGS BGS BGS BGS CKP BGS BGS BGS
Kriteria aspek Psikomotorik anak X3 X4 X5 X6 X7 X8 BGS BGS CKP BGS CKP BGS BGS BGS CKP BGS BGS BGS BGS CKP BGS SBG BGS BGS BGS BGS CKP BGS CKP BGS CKP BGS KRG BGS CKP CKP BGS BGS BGS BGS CKP CKP BGS BGS BGS BGS BGS BGS BGS BGS BGS BGS CKP BGS BGS BGS CKP BGS BGS BGS BGS CKP BGS CKP BGS BGS CKP CKP CKP BGS CKP BGS CKP CKP KRG CKP BGS CKP BGS BGS CKP BGS BGS BGS CKP BGS BGS BGS CKP BGS KRG CKP BGS BGS BGS CKP BGS CKP CKP CKP BGS CKP BGS BGS BGS CKP BGS BGS CKP BGS CKP BGS BGS CKP BGS CKP BGS CKP BGS CKP BGS CKP CKP BGS CKP BGS
X9 BGS CKP BGS BGS CKP BGS BGS CKP BGS CKP CKP BGS BGS BGS KRG CKP BGS BGS BGS BGS
X10 CKP BGS CKP CKP CKP CKP CKP BGS CKP CKP KRG CKP BGS CKP KRG CKP BGS CKP BGS CKP
Target Uji Sebenarnya BGS BGS BGS BGS CKP BGS BGS BGS SBG BGS CKP CKP SBG BGS CKP CKP BGS BGS BGS BGS
Keterangan : Nilai Jumlah Nilai SB : Sangat Bagus SB : Sangat Bagus BGS : Bagus BGS : Bagus CKP : Cukup CKP : Cukup KRG : Kurang KRG : Kurang GGL : Gagal Tabel 7 di atas merupakan data input yang belum dikenal oleh jaringan saraf tiruan. telah ditansformasi menjadi numeric untuk Jika hasil output memiliki pesentase yang dilatih. Keluaran atau target yang sangat tinggi maka sistem yang di buat diinginkan dibagi menjadi 4 pola keluaran dikatakan cerdas dan jika hasil presentase yaitu : rendah maka sistem yang dibuat belumlah 1. (1 1) = Sangat Bagus dikatakan cerdas. Oleh sebab itu perlu 2. (1 0) = Bagus dilakukan pelatihan terhadap data yang 3. (0 1) = Cukup besar (banyak) agar ketika diujikan data 4. (0 0) = Kurang yang belum dikenal sistem dapat dikenali Data uji yang akan diujikan kedalam dengan cepat dan tepat. jaringan adalah data yang sama sekali
8
[w1,b1,w2,b2]=initff(p,80,'logsig',t,'logsig' ) [w1,b1,w2,b2]=trainbp(w1,b1,'logsig',w2,b 2,'logsig',p,t,tp) l=simuff(p,w1,b1,'logsig',w2,b2,'logsig') l=l' Durasi : 17 menit hasil konvergen pelatihan = 100% Kemudian dilanjutkan dengan pelatihan ke- 2 yang terlihat pada gambar 6
VI. PELATIHAN Data dilatihkan dengan dipengaruhi oleh model algoritma jaringan yang digunakan dan jumlah lapisan tersembunyi data psikomotorik. Untuk menghasilkan iterasi tercepat, nilai-nilai dari jumlah lapisan tersembunyi diubah-ubah. Perubahan dilakukan dengan memberi nilai tetap pada salah satu item. Pelatihan data yang paling cepat konvergen terjadi pada epoch ke-100000 dengan nilai sbb: a. Jumlah sel lapisan tersembunyi : 10 s/d 100 b. Maksimum Epoch : 100000 c. Konstanta Belajar : 0.01 s/d 0.07 d. Galat yang diijinkan : 0.1 Hasil pelatihan dilakukan melalui 2 tahap, yaitu pelatihan terhadap data yang dilatihkan dan pengujian pada data yang baru yang belum pernah dilatihkan. Adapun data yang dilatihkan terdiri dari data 100 orang anak , dimana terdiri dari data 80 orang anak yang dilatihkan dan data 20 orang anak yang diujikan merupakan data yang baru yang belum dikenal oleh jaringan. Hal tersebut berfungsi untuk menguji seberapa besar JST mengenali data yang baru. A. Data Latih
Gambar 6. Grafik Pelatihan ke-2 Gambar 6, menunjukkan bahwa proses pelatihan berhenti pada epoch ke 6474 dengan sintaks sebagai berikut : tp=[50 100000 0.05 0.1] [w1,b1,w2,b2]=initff(p,90,'logsig',t,'logsig' ) [w1,b1,w2,b2]=trainbp(w1,b1,'logsig',w2,b 2,'logsig',p,t,tp) l=simuff(p,w1,b1,'logsig',w2,b2,'logsig') l=l' Durasi : 12 menit hasil konvergen pelatihan = 100% Setelah itu dilanjutkan dengan pelatihan ke-3 yang terlihat pada gambar 7:
Gambar 5. Grafik Pelatihan ke 1 Keterangan Gambar di atas menunjukkan bahwa proses pelatihan berhenti pada epoch ke 12636 dengan sintaks sebagai berikut : tp=[50 100000 0.06 0.1]
8
Gambar 7, menunjukkan bahwa proses pelatihan berhenti pada epoch ke 7610 dengan sintaks sebagai berikut : tp=[50 50000 0.07 0.1] [w1,b1,w2,b2]=initff(p,90,'logsig',t,'logsig' ) [w1,b1,w2,b2]=trainbp(w1,b1,'logsig',w2,b 2,'logsig',p,t,tp) l=simuff(p,w1,b1,'logsig',w2,b2,'logsig') l=l' Durasi : 15 menit hasil konvergen pelatihan = 100%
Gambar 7. Grafik Pelatihan ke-3
Tabel 8. Hasil Pelatihan Data Latih Yang Diambil Secara Acak Yang Diinput Ke Dalam JST Dengan Metode Backpropogation Pola Inpu t P P P P P P P P P P P P P P P P P P P P P P
Pola Outpu t T T T T T T T T T T T T T T T T T T T T T T
Lapisan Tersem bunyi 10 20 70 20 40 80 100 20 50 60 90 60 90 20 50 80 30 60 70 90 60 100
Konsta nta Belajar 0.01 0.01 0.01 0.02 0.02 0.02 0.02 0.03 0.03 0.03 0.03 0.04 0.04 0.05 0.05 0.05 0.06 0.06 0.06 0.06 0.07 0.07
Gala t 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1
Fungsi Aktivas i Logsig Logsig Logsig Logsig Logsig Logsig Logsig Logsig Logsig Logsig Logsig Logsig Logsig Logsig Logsig Logsig Logsig Logsig Logsig Logsig Logsig Logsig
Tampila n Per – Iterasi 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50
Maksimu m Epoch 100000 100000 100000 100000 100000 100000 100000 100000 100000 100000 100000 100000 100000 100000 100000 100000 100000 100000 100000 100000 100000 100000
Tabel 9. Hasil Pengujian Data Uji ke Dalam JST KB LT 10
0,01
0,02
0,03
0,04
0,05
0,06
0,07
75%
TK
TK
TK
TK
TK
TK
9
Konver gen 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100%
20
80%
85%
70%
TK
85%
TK
TK
30
TK
TK
TK
30%
TK
80%
70%
40
65%
80%
TK
TK
TK
TK
70%
50
TK
65%
85%
65%
75%
TK
75%
60
TK
TK
70%
85%
70%
90%
85%
70
95%
70%
70%
70%
65%
85%
75%
80
TK
80%
TK
70%
75%
60%
70%
90
TK
TK
75%
75%
65%
80%
70%
TK
85%
TK
70%
TK
70%
85%
100 Keterangan : KB : LT : TK :
Konstanta Belajar Lapisan Tersembunyi Tidak Konvergen
Diketahui : Data keberhasilan (Benar) = 19 Data yang salah = 1 Jumlah data = 20 Jadi ; Presentase = 19 x 100 = 95 % 20 Jadi dari hasil perhitungan di atas di dapat hasil prosentase keberhasilannya adalah 95%. Adapun hasil pengujian terhadap data yang baru yang paling konvergen dapat dilihat pada tabel 10
VII. PENGUJIAN Bobot awal pada learning rate 0.01 dan diberikan lapisan tersembunyi 70 pada percobaan ke- 5, yaitu dengan jumlah epoch 35293. Dengan membandingkan hasil perhitungan manual dengan program. Untuk menghitung presentase hasil kebenaran dari aplikasi yang di buat menggunakan rumus sebagai berikut: Data Keberhasilan Presentase = x 100 Jumlah Data
Tabel 10. Hasil Analisa Prediksi Terhadap Data Baru Yang Diuji. Kriteria aspek Psikomotorik anak
NO
Nama
1 2 3 4 5 6 7 8 9
Febri Andika Dedi M Nurul O Angga S Dea Nur P Muhammad Fitri Lestari Meysa A Guntur
10 11
Bima Siti N
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
7 9 8 8 7 7 8 7
6 7 6 5 5 8 7 6
8 8 8 7 6 7 8 7
8 7 6 8 7 8 7 7
6 6 7 5 4 7 8 8
7 7 9 8 7 8 8 7
6 8 8 6 6 6 7 6
8 8 7 8 6 6 7 8
8 5 7 7 5 7 7 6
6 8 5 6 5 6 5 7
9 6 7
8 6 7
7 8 6
8 5 5
6 8 6
8 6 7
8 8 6
8 8 7
7 6 5
6 6 4
8
Target Uji Sebenarn ya 10 10 10 10 01 10 10 10 11 10 01
HP U 10 10 10 10 01 10 10 10 11 10 01
KSB
KJST
Bagus Bagus Bagus Bagus Cukup Bagus Bagus Bagus Sangat Bagus Bagus Cukup
Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar
12 13
Kiki H
14 15 16 17 18 19 20
Syah Dewa Marlinta
8
8
6
6
4
6
7
5
8
6
9 5 6 6 5 8 6 6
8 7 7 7 6 8 7 7
8 6 4 8 7 6 8 8
7 8 6 6 8 8 6 6
6 7 8 6 8 6 8 6
7 8 7 6 6 7 6 8
8 5 8 7 8 8 8 6
8 8 5 5 7 6 6 8
7 7 4 5 7 8 8 8
7 6 4 6 8 6 7 6
Mahesa
Andrea Putri Wiranda Zakarianta Leliana Duma P
01 11
10 11
10 01 01 10 10 10 10
01 01 01 10 10 10 11
Cukup Sangat Bagus Bagus Cukup Cukup Bagus Bagus Bagus Bagus
telah terjadi penyesuaian nilai bobot dan bias yang semakin baik pada proses pelatihan dalam memprediksi tingkat kemampuan anak berdasarkan aspek psikomotorik. Untuk pengembangan lebih lanjut, maka ada beberapa saran yakni: 1. Perlu dilakukan pembelajaran dan pelatihan dengan data yang lebih banyak agar mampu mengenali data uji dengan cepat dan tepat, sehingga pola output yang dihasilkan lebih mendekati target yang diinginkan. 2. Penelitian lebih lanjut diharapkan mampu membuat aplikasi berbasis GUI dengan menggunakan software MatLab untuk mempermudah melakukan prediksi tingkat kemampuan anak berdasarkan aspek psikomotorik. 3. Diharapkan format masukan data tidak hanya berupa Microsoft Excel saja tetapi bisa Microsoft Access, SQL server, dan lain sebagainya.
Keterangan : X1 : Gerak Reflek Segmental X5 : Deskriminasi Visual X9 : Keterampilan Adaptif Kompleks X2 : Gerak Reflek Intersegmental X6 : Ketahanan X10 : Gerakan Ekspresif X3 : Gerakan Lokomotor X7 : Kekuatan X4 : Deskriminasi Kinestesis X8 : Keterampilan Adaptif HPU : Hasil Pengujian KSB : Kondisi Sebenarnya KJST : Ketepatan Jaringan Saraf Tiruan VIII. KESIMPULAN Berdasarkan hasil penelitian dan pembahasan yang telah dilakukan dapat diambil beberapa kesimpulan antara lain : 1. Penerapan data mining dengan jaringan syaraf tiruan dapat memprediksi tingkat kemampuan anak berdasarkan aspek psikomotorik untuk menentukan apakah psikomotorik anak tersebut sangat bagus, bagus, cukup atau kurang. 2. Untuk mendapatkan hasil prediksi yang lebih akurat perlu memperhatikan lapisan tersembunyi, learning rate, galat yang diijinkan dan maksimum epoch. 3. Hasil output pada proses pengujian terhadap data baru yang diprediksi yang diinginkan mendekati ketepatan pada hasil presentase keberhasilan mencapai 95%, karena
DAFTAR PUSTAKA Decaprio, Richard., Aplikasi Teori Pembelajaran Motorik Di Sekolah, DIVA Press, Jokjakarta, 2013 Jurnal Media Informatika ( Vol. 2, No. 2, Desember 2004 : 1-11, oleh Kiki, Sri Kusumadewi, judul : Jaringan Saraf Tiruan Dengan Metode
8
Salah Benar Benar Benar Benar Benar Benar Benar Benar
Backpropogation Untuk Mendeteksi Gangguan Psikologi) Jurnal Teknik Informatika ( Vol. 7, No. 3, Desember 2009 : 195 – 200, oleh Yeni Nuraeni, judul : Penerapan Jaringan Saraf Tiruan Untuk Mengukur Tingkat Korelasi Antara NEM dengan IPK Kelulusan Mahasiswa ) Jurnal SAINTIKOM (Vol. 10, No. 2, Mei 2011 : 111 – 123, oleh Badrul Anwar, judul : Penerapan Algoritma Jaringan Saraf Tiruan Backpropogation Dalam Memprediksi Tingkat Suku Bunga Bank ) Kusumadewi, Sri., Artificial Intelligence (Teknik dan Aplikasinya), Graha Ilmu, Yogyakarta, 2003.
Luthfi, E T., Algoritma Data Mining, Penerbit Andi, STMIK AMIKOM Yogyakarta, 2009. Maimun, Agus., Penilaian Berbasis Kelas di Madrasah, Percetakan Fajar Cemerlang, Malang, 2006. Suyanto, Artificial Intelligemce (Searching, Reasoning, Planning and Learning), Informatika, Bandung, 2007. http://IlmuKomputer.org/diktat-konsepdataMining.pdf/diakses 02/05/2013 http://www.prediksi.web.id/diakses 04/05/2013 http://www.kamusbesar.com/diakses 04/05/2013 http://ppk-hupstegal.weebly.com/diklatmatlab.pdf/diakses 01/05/2013
8
