Identifikasi Penyimpangan Tumbuh Kembang Anak Dengan Algoritme Backpropagation

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 5, Mei 2018, hlm. 1778-1786

e-ISSN: 2548-964X http://j-ptiik.ub.ac.id

Identifikasi Penyimpangan Tumbuh Kembang Anak Dengan Algoritme Backpropagation Fadhilla P. Cahyani1, M. Tanzil Furqon2, Bayu Rahayudi3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: [email protected], [email protected], [email protected] Abstrak Pertumbuhan dan perkembangan merupakan dua proses yang saling bergantung satu sama lain dan tidak dapat dipisahkan. Pertumbuhan dan perkembangan anak sangat mempengaruhi kualitas tumbuh kembang anak kedepannya. Pada fase perkembangan seringkali ditemui gangguan yang menyebabkan keterlambatan tumbuh kembang anak jika dibandingkan anak seusianya. Gangguan tumbuh kembang yang sering dialami pada anak diantaranya adalah autisme, Attention Deficit Disorder (ADHD), dan Down Syndrome. Penelitian ini bertujuan untuk mengidentifikasi jenis penyimpangan tumbuh kembang anak berdasarkan gejala yang muncul menggunakan algoritme Backpropagation. Algoritme Backpropagation merupakan salah satu algoritme Jaringan Syaraf Tiruan yang memiliki kemampuan menyelesaikan permasalahan kompleks yang tidak dapat diselesaikan dengan teknik pembelajaran konvensional. Arsitektur jaringan yang digunakan pada penelitian ini adalah 38 neuron input, 5 neuron hidden, dan 3 neuron output. Hasil dari penelitian ini menunjukkan bahwa algoritme Backpropagation dapat melakukan identifikasi penyimpangan tumbuh kembang anak dengan baik dengan rata-rata akurasi 91.11% pada pengujian data latih sebesar 81, data uji 9, learning rate 0,1, dan batas error 0,0009. Kata kunci: anak usia dini, identifikasi, tumbuh kembang, algoritme backpropagation Abstract Growth and development are two processes that are interdependent and inseparable. Growth and development of children greatly affect the quality of growth and development of children in the future. In the development phase, often encountered irregularities that cause delay in child development when compared to children of the same age. Developmental disorders that often occurred in children are such as autism, Attention Deficit Disorder (ADHD), and Down Syndrome. This study aims to identify the type of development disorder of children based on symptoms that appear using Backpropagation algorithm. Backpropagation algorithm is one of Artificial Neural Network algorithm that has ability to solve complex problems that can not be solved by conventional learning technique. The network architectures used in this study are 38 input neurons, 5 hidden neurons, and 3 output neurons. The results of this study indicate that Backpropagation algorithm can identify the development disorder of children well with the average accuracy of 91,11% in the test of training data of 81, 9 testing data, learning rate 0,1, and 0,0009 minimun error. Keywords: early childhood, identification, growth, backpropagation algorithm Perkembangan anak dapat dibagi menjadi lima periode, yaitu periode pra lahir, periode bayi yang baru lahir, masa bayi, masa kanak-kanak, dan masa puber (Hurlock, 1993). Masa kanakkanak dapat dibagi menjadi 2 bagian yaitu masa kanak-kanak dini dan akhir. Masa kanak-kanak dini adalah masa anak saat berusia 2 hingga 6 tahun, atau dapat juga disebut sebagai masa prasekolah. Masa kanak-kanak akhir merupakan masa anak berusia 6 hingga 13 tahun, yang disebut sebagai usia sekolah. Perkembangan pada masa kanak-kanak merupakan landasan

1. PENDAHULUAN Pertumbuhan adalah suatu proses perubahan yang bersifat kuantitatif, yaitu bertambahnya ukuran dan struktur (Somantri, 2006). Sedangkan perkembangan dapat didefinisikan sebagai perubahan dan perluasan bertahap, dari kompleksitas rendah ke kompleksitas yang lebih tinggi, juga perluasan kapasitas seseorang melalui pertumbuhan, pematangan serta pembelajaran (Wong, 2008). Fakultas Ilmu Komputer Universitas Brawijaya

1778

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

yang memengaruhi perkembangan anak selanjutnya. Pada masa ini orang tua perlu melakukan pengawasan lebih terhadap gejala penyimpangan yang dapat terjadi pada anak agar tidak memengaruhi perkembangan anak kedepannya. Penyimpangan perkembangan yang sering ditemukan pada anak adalah gangguan bicara dan bahasa. Sekitar 1% hingga 32% anak mengalami gangguan bicara dan bahasa pada populasi normal (Soetjiningsih & N, 2014). Gangguan-gangguan tersebut dapat menjadi pertanda penyimpangan tumbuh kembang yang lainnya. Centers for Disease Control and Prevention of America (CDC) menyebutkan pada tahun 2012, 1 dari 68 anak terdeteksi mengalami gangguan autisme. Penelitian lainnya di Amerika menyebutkan 1 dari 6, atau sekitar 15% anak usia 3 sampai 17 tahun mengalami satu atau lebih gangguan perkembangan (Boyle, 2011). Sedangkan di Indonesia, berdasarkan hasil pelayanan Stimulasi Deteksi dan Intervensi Dini Tumbuh Kembang (SDIDTK) sebesar 11,9% dari 500 anak di lima Wilayah DKI Jakarta mengalami kelainan tumbuh kembang (Kementerian Kesehatan Republik Indonesia, 2010). Gangguan tumbuh kembang anak dapat diintervensi dengan cara deteksi dini. Deteksi dini tumbuh kembang anak adalah kegiatan pemeriksaan untuk menemukan secara dini penyimpangan tumbuh kembang pada anak (Kusbiantoro, 2015). Deteksi dini penyimpangan tumbuh kembang anak dapat menjadi perantara untuk menindaklanjuti keluhan orangtua terhadap tumbuh kembang anak. Tindakan deteksi dini dapat menjadi tindakan koreksi untuk memperbaiki penyimpangan yang terdapat pada seorang anak. Koreksi ini diharapkan dapat mengurangi bahkan menghilangkan penyimpangan yang ada jika dilakukan sedini mungkin. Deteksi dini juga dilakukan untuk meningkatkan kualitas tumbuh kembang anak usia dini dan kesiapan anak memasuki jenjang pendidikan formal (Kementerian Hukum dan Hak Asasi Manusia Republik Indonesia, 2014) Dewasa ini, deteksi dini tidak hanya dapat dilakukan oleh tenaga medis atau ahli. Deteksi dini dapat dilakukan melalui suatu sistem komputasi cerdas. Perkembangan ini dapat membantu tenaga ahli untuk pengambilan keputusan dan pertimbangan dalam melakukan diagnosis. Dalam bidang kecerdasan buatan, deteksi dini dapat dilakukan melalui proses Fakultas Ilmu Komputer, Universitas Brawijaya

1779

klasifikasi. Jaringan Syaraf Tiruan (JST) merupakan salah satu algoritme yang dikenal handal untuk mengenali pola dan juga sebagai classifier. Algoritme ini memiliki kelebihan yaitu dapat menyelesaikan permasalahan kompleks yang sulit untuk dimodelkan dan diselesaikan dengan matematika atau prosedur tradisional (Haykin, 1994). Backpropagation Neural Network (BPNN) merupakan salah satu algoritme JST yang telah menarik perhatian dari banyak peneliti di berbagai bidang penerapan (Hameed, Karlik, & Salman, 2016). Algoritme Backpropagation memiliki kemampuan untuk menyelesaikan permasalahan kompleks yang tidak dapat diselesaikan dengan teknik pembelajaran konvensional. Penelitian terkait penerapan algoritme Backpropagation dilakukan oleh Singh pada tahun 2015. Algoritme Backpropagation digunakan untuk mengklasifikasikan tumor payudara berdasarkan 40 tekstur dan bentuk dari dataset diagnosis di Pt. J.N.M Government Medical College Raipur India. Hasil penelitian menunjukkan bahwa Backpropagation berhasil mengklasifikasikan tumor payudara dengan akurasi sebesar 84,6% (Singh, Verma, & Thoke, 2015). Berdasarkan penelitian terkait di atas, dapat ditarik kesimpulan algoritme Backpropagation memiliki performa yang baik dalam melakukan klasifikasi. Pada penelitian ini, penulis menerapkan algoritme Bakpropagation pada sistem klasifikasi penyimpangan tumbuh kembang anak. Sistem ini diharapkan bisa membantu pengguna untuk deteksi dini penyimpangan tumbuh kembang anak, sehingga penanganan dapat dilakukan lebih cepat. 2. DASAR TEORI 2.1 Penyimpangan Tumbuh Kembang Anak Penyimpangan tumbuh kembang anak dapat terjadi pada masa kehamilan maupun pada masa perkembangan. Beberapa jenis penyimpangan yang sering ditemui pada anak adalah sebagai berikut: 2.1.1

Down Syndrome

Down syndrome (DS) merupakan penyimpangan genetik yang sangat sering terjadi, yaitu 1 pada 800 hingga 1000 kelahiran. Penelitian menyatakan bahwa 350.000 orang di Amerika menderita Down syndrome. Down syndrome pertama kali diperkenalkan secara detail oleh seorang dokter di Inggris, John


Langdon Down pada tahun 1866. DS disebabkan oleh kelebihan kromosom ke-21 pada sel tubuh. Kelebihan kromosom ini tidak disebabkan oleh kesalahan yang terjadi selama masa kehamilan. Menurut Scottish Down’s Syndrome Association, penderita DS biasanya ditandai dengan penampilan fisiknya yaitu wajah yang bulat dan hidung yang datar, kepala lebih kecil dari ukurang rata-rata, mulut kecil dan lidah tampak menjulur, mata cenderung sipit, serta kaki tangan yang pendek (Scottish Down's Syndrome Association, 2001). 2.1.2

Autisme

Pada Diagnostic and Statistical Manual of Mental Disorders V (DSM-5), autisme didefinisikan sebagai gangguan pada kemampuan komunikasi dan interaksi sosial. Gangguan ini terjadi di berbagai konteks, seperti gangguan dalam hubungan timbal-balik sosial, kemampuan komunikasi nonverbal, kemampuan untuk mengembangkan, menjaga, dan memahami suatu hubungan dengan orang lain. Penderita autisme memiliki tingkah laku, minat, dan kegiatan yang terbatas dan berulang-ulang. Berdasarkan Diagnostic and Statistical of Mental Disorders IV (DSM-IV), beberapa kriteria diagnosis autisme yaitu keterlambatan atau bahkan ketidakmampuan dalam berinteraksi sosial, gerakan motorik yang berulang, dan ketertarikan terhadap suatu hal secara terus-menerus (American Psychiatric Association, 1994). 2.1.3

Attention Deficit Hyperactivity Disorder (ADHD)

Attention Deficit Hyperactivity Disorder (ADHD) merupakan sebuah gangguan pemusatan perhatian yang ditandai dengan perilaku hiperaktif dan terburu-buru (impulsif). Ada pula gangguan yang disebut Attention Deficit Disorder (ADD), gangguan ini merupakan gangguan pemusatan perhatian tanpa disertai hiperaktifitas. Beberapa karakteristik ADHD adalah kurang perhatian, hiperaktivitas impulsifitas, adanya gangguan secara klinis dalam fungsi social, akademik, atau pekerjaan. (American Psychiatric Association, 1994) 3. JARINGAN SYARAF TIRUAN Jaringan syaraf tiruan adalah model analitis yang dibuat untuk menirukan hubungan input/ouput dari jaringan syaraf manusia (Sitton, Zeinali, & Story, 2017). Algoritme ini sangat Fakultas Ilmu Komputer, Universitas Brawijaya

1780

efektif dalam melakukan prediksi dari berbagai data, dimana relasi teoritis antara input dan output sangat rumit (Hossain, Chao, Ismail, & Noroozi, 2017). Jaringan syaraf tiruan mampu memodelkan hubungan fungsional yang bahkan tidak dapat dimodelkan oleh perhitungan matematika. Gagasan dasar dari algoritme Backpropagation adalah untuk meminimalkan kesalahan output secara keseluruhan. Data latih dihitung secara iteratif melalui input layer untuk mendapatkan hasil prediksi yang sesuai dan untuk perbaikan kesalahan (error) dikakukan proses propagasi balik. Tahap perhitungan algoritme Backpropagation meliputi 3 tahap, yaitu feedforward, backpropagation, dan weight update. Langkah-langkah dalam pelatihan Backpropagation ditunjukkan oleh Gambar 1.


1781

a. Inisialisasi bobot 𝑣𝑖𝑗 lama secara acak dengan interval -0,5 sampai 0,5 b. Hitung nilai vektor 𝑣𝑖𝑗 dengan Persamaan (1). ||𝑣𝑖𝑗 || = √𝑉12 𝑗 + 𝑉22 𝑗 + ⋯ . +𝑉𝑛2 𝑗

(1)

Keterangan: ||𝑣𝑖𝑗 || = nilai vektor 𝑣𝑖𝑗 𝑉𝑛2 𝑗 = bobot 𝑣𝑖𝑗 awal sampai ke-n c. Hitung nilai faktor skala (𝛽) dengan Persamaan (2). 𝛽 = 0,7 𝑛√𝑝 (2) Keterangan: 𝛽 = faktor skala 𝑝 = jumlah unit hidden 𝑛 = jumlah unit input d. Hitung nilai 𝑣𝑖𝑗 baru dengan Persamaan (3) 𝑣𝑖𝑗 =

𝛽𝑉𝑖𝑗 (𝑙𝑎𝑚𝑎) ||𝑣𝑖𝑗 ||

(3)

e. Inisialisasi bobot bias 𝑣0𝑗 dengan interval −𝛽 sampai 𝛽. 3.2 Algoritme Backpropagation Backpropagation adalah salah satu algoritme yang memiliki peran penting dalam bidang jaringan syaraf tiruan sejak tahun 1980 (Liu, et al., 2016). Algoritme Backpropagation merupakan algoritme pembelajaran terawasi (supervised learning) yang diterapkan pada dataset input dan target output. Algoritme ini biasanya digunakan untuk melakukan prediksi dan klasifikasi (Hameed, Karlik, & Salman, 2016). a. Fase Feedforward Gambar 1. Diagram alir algoritme backpropagation

3.1 Algoritme Nguyen-Widrow Algoritme Nguyen-Widrow diusulkan oleh Nguyen dan Widrow pada tahun 1990 sebagai modifikasi sederhana dari proses inisialisasi acak oleh Fahlman (1988) sebelumnya (Adam, Karras, Magoulas, & Vrahatis, 2014). Penggunaan Nguyen-Widrow pada inisialisasi bobot diharapkan dapat mempercepat iterasi, karena bobot awal sangat memengaruhi kemampuan pembelajaran dari unit hidden. Langkah-langkah Algoritme Nguyen-Widrow adalah sebagai berikut: Fakultas Ilmu Komputer, Universitas Brawijaya

Fase pertama pada algoritme Backpropagation adalah fase feedforward. Pada fase ini, setiap unit input menerima masukkan (𝑥𝑖 , i= 1,….,n) dan meneruskannya ke unit tersembunyi kemudian diteruskan kembali ke unit output. Pertama, hitung output dari unit hidden dengan Persamaan (4). 𝑧_𝑛𝑒𝑡𝑗 = 𝑣𝑗0 + ∑𝑛𝑖=1 𝑥𝑖 𝑣𝑗𝑖 (4) Keterangan: 𝑧_𝑛𝑒𝑡𝑗 = nilai output dari unit hidden 𝑣𝑗0 = bobot bias antara input layer dan hidden layer 𝑥𝑖 = nilai input yang masuk ke input layer


𝑣𝑗𝑖

= bobot antara input layer dan hidden layer Kemudian hitung fungsi aktivasi dengan sigmoid biner seperti pada Persamaan (5). 1 𝑧𝑗 = 𝑓(𝑧_𝑛𝑒𝑡𝑖 ) = (5) (−𝑧𝑛𝑒𝑡𝑖) 1+𝑒 Keterangan: 𝑧𝑗 = nilai fungsi aktivasi hidden layer 𝑒 = bilangan eural bernilai 2.71828 Hitung output dari output layer dengan Peramaan (6). 𝑦_𝑛𝑒𝑡𝑘 = 𝑤0 + ∑𝑛𝑗=1 𝑧𝑗 𝑤𝑘𝑗 (6) Keterangan: 𝑦_𝑛𝑒𝑡𝑘 = nilai output dari output layer 𝑤0 = bobot bias antara hidden layer dan output layer 𝑧𝑗 = nilai aktivasi dari hidden layer 𝑤𝑘𝑗 = bobo tantara hidden layer dan output layer Lalu hitung fungsi aktivasi dari output tersebut dengan Persamaan (7). 1 𝑦𝑘 = 𝑓(𝑦_𝑛𝑒𝑡𝑘 ) = (7) (−𝑦𝑛𝑒𝑡 𝑘) 1+𝑒

Keterangan: 𝑦𝑘 = nilai fungsi aktivasi output layer b. Fase Backpropagation Fase kedua yaitu fase backpropagation atau propagasi balik. Hitung koreksi error 𝛿 berdasarkan kesalahan pada output layer dengan Peramaan (8). 𝛿𝑘 = (𝑡𝑘 − 𝑦𝑘 )𝑓′(𝑦𝑛𝑒𝑡 𝑘 ) = (𝑡𝑘 − 𝑦𝑘 )𝑦𝑘 (1 − 𝑦𝑘 ) (8) Keterangan: 𝛿𝑘 = nilai untuk koreksi error 𝑡𝑘 = nilai target data 𝑦𝑘 = nilai aktivasi output layer Lalu hitung koreksi error 𝑤𝑘𝑗 dengan laju pembelajaran (𝑎), koreksi error ini digunakan untuk memperbaharui bobot 𝑤𝑘𝑗 pada fase weight update. Hitung koreksi error 𝑤𝑘𝑗 dengan Persamaan (9). ∆𝑤𝑘𝑗 = 𝛼𝛿𝑘 𝑧𝑗 (9) Keterangan: ∆𝑤𝑘𝑗 = nilai koreksi error 𝑤𝑘𝑗 𝛼 = learning rate 0 < 𝛼 < 1 Kemudian hitung koreksi error dari unit hidden dengan Persamaan (10). 𝛿_𝑛𝑒𝑡𝑗 = ∑𝑛𝑘=1 𝛿𝑘 𝑤𝑘𝑗 (10) Keterangan: 𝛿_𝑛𝑒𝑡𝑗 = nilai koreksi error pada unit hidden 𝑤𝑘𝑗 = bobot antara hidden layer dan output layer Fakultas Ilmu Komputer, Universitas Brawijaya

1782

Hitung hitung faktor 𝛿 dari hidden layer dengan Persamaan (11). 𝛿𝑗 = 𝛿𝑛𝑒𝑡 𝑗 𝑓(𝑧_𝑛𝑒𝑡𝑗 ) = 𝛿𝑛𝑒𝑡 𝑗 𝑧𝑗 (1 − 𝑧𝑗 ) (11) Keterangan: 𝛿𝑗 = nilai untuk menghitung 𝛿𝑗 Lalu hitung koreksi error bobot 𝑣𝑖𝑗 dengan Persamaan (12). ∆𝑣𝑖𝑗 = 𝛼𝛿𝑘 𝑥𝑗 (12) Keterangan: ∆𝑣𝑖𝑗 = nilai koreksi bobot 𝑣𝑖𝑗 𝑥𝑗 = masukan ke-i dari unit input c. Weight Update Fase ketiga adalah weight update. Koreksi error pada fase backpropagation akan digunakan untuk memperbarui bobot dan bias awal. Update bobot 𝑣𝑖𝑗 menggunakan Persamaan (13). 𝑣𝑖𝑗 (𝑏𝑎𝑟𝑢) = 𝑣𝑖𝑗 (𝑙𝑎𝑚𝑎) + ∆𝑣𝑖𝑗 (13) Keterangan: 𝑣𝑖𝑗 (𝑙𝑎𝑚𝑎) = bobot 𝑣𝑖𝑗 awal ∆𝑣𝑖𝑗 = koreksi bobot 𝑣𝑖𝑗 Update bobot 𝑤𝑘𝑗 dengan Persamaan (14). 𝑤𝑘𝑗 (𝑏𝑎𝑟𝑢) = 𝑤𝑘𝑗 (𝑙𝑎𝑚𝑎) + ∆𝑤𝑘𝑗 (14) Keterangan: 𝑤𝑘𝑗 (𝑙𝑎𝑚𝑎) = bobot 𝑤𝑘𝑗 awal ∆𝑤𝑘𝑗 = koreksi bobot 𝑤𝑘𝑗 4. METODOLOGI PENELITIAN Metodologi penelitian memaparkan langkah-langkah dalam pembuatan sistem identifikasi penyimpangan tumbuh kembang anak dengan algoritme Backpropagation. 4.1 Studi Literatur Studi literatur dilakukan untuk mempelajari literatur dari beberapa bidang ilmu terkait pembuatan sistem deteksi dini penyimpangan tumbuh kembang anak dengan algoritme Backpropagation, diantaranya: a. Penyimpangan tumbuh kembang anak b. Klasifikasi c. Algoritme Backpropagation 4.2 Pengumpulan Data Pada tahap ini, data terkait penyimpangan tumbuh kembang anak diperoleh dari kuisioner yang disebarkan ke TKLB, SLB, dan rumah terapi di Kota Malang. Kuisioner tersebut berisi pernyataan-pernyataan yang mencakup tipe-tipe penyimpangan tumbuh kembang pada anak


dengan jumlah pernyataan yaitu 38 pernyataan. Jumlah data yang diperoleh sebanyak 90 data dengan responden anak-anak berusia di bawah 10 tahun yang ada di SLB atau TKLB di Malang. Data yang diperoleh dijadikan sebagai data latih dan data uji dalam klasifikasi penyimpangan tumbuh kembang pada anak menggunakan algoritme Backpropagation. 4.3 Analisis Kebutuhan Pada tahap ini ditentukan kebutuhan yang diperlukan dalam pembuatan sistem identifikasi penyimpangan tumbuh kembang anak dengan algoritme Backpropagation. 4.4 Perancangan Sistem Perancangan sistem berguna sebagai acuan masukan dan keluaran sistem guna mempermudah proses implementasi. Pada penelitian ini, perancangan yang dilakukan adalah perancangan antarmuka dan perancangan pengujian.

1783

penyimpangan tumbuh kembang anak pada penelitian selanjutnya. 5. HASIL DAN PEMBAHASAN 5.1 Hasil dan Analisis Pengujian Jumlah

Data Latih dengan Data Uji Konstan Pengujian ini bertujuan untuk mengetahui pengaruh dari jumlah data latih yang berbeda terhadap akurasi. Pengujian ini menggunakan jumlah data latih 30, 50, dan 60. Data uji yang digunakan konstan yaitu sebanyak 30. Nilai parameter yang digunakan untuk pengujian adalah: jumlah neuron di hidden layer 5, learning rate 0,1, iterasi maksimum 100.000 dan batas error 0,0009. Percobaan dilakukan sebanyak 5 kali dengan menggunakan bobot awal yang berbeda-beda. Hasil pengujian jumlah data latih dengan data uji konstan ditunjukkan pada Gambar 2.

4.5 Implementasi Sistem Pada tahap ini dilakukan implementasi sistem sesuai dengan perancangan yang telah dilakukan sebelumnya. Implementasi yang dilakukan adalah implementasi antarmuka dan implementasi algoritme Backpropagation menggunakan bahasa pemrograman java. 4.6 Pengujian dan Analisis Pengujian dilakukan dengan menguji coba sistem terhadap data uji yang dimasukkan. Uji coba ini bertujuan untuk mengetahui kesesuaian sistem yang dibuat dengan spesifikasi kebutuhan yang telah ditentukan. Pengujian juga dilakukan dengan membandingkan hasil klasifikasi data menggunakan sistem dengan kelas klasifikasi data asli. Pengujian ini dibutuhkan untuk menghitung tingkat akurasi sistem. 4.7 Penarikan Kesimpulan Setelah seluruh tahap selesai, penarikan kesimpulan dilakukan terhadap hasil pengujian. Hasil pengujian kemudian dianalisis untuk mengetahui kelebihan dan kekurangan dari metode yang diimplementasikan. Kemudian tahap terakhir yaitu pemberian saran untuk memperbaiki atau melengkapi kekurangan, maupun pengembangan metode yang diimplementasikan dalam klasifikasi

Fakultas Ilmu Komputer, Universitas Brawijaya

Gambar 2. Hasil pengujian jumlah data latih dengan data uji konstan

Berdasarkan Gambar 2, dapat dilihat akurasi yang didapatkan semakin meningkat setiap pertambahan jumlah data latih yang digunakan. Akurasi tertinggi didapatkan dari pengujian data latih sebanyak 60 dengan nilai rata-rata sebesar 85,33%. Pengujian ini menunjukkan bahwa jumlah data latih yang digunakan dapat memengaruhi akurasi. Pada umumnya, semakin banyak jumlah data latih yang digunakan dapat meningkatkan nilai akurasi. Hal ini dikarenakan variasi pola data yang akan masuk ke dalam fase learning semakin banyak. 5.2 Hasil dan Analisis Pengujian Batas Error

Pengujian batas error ditujukan untuk mengetahui pengaruh nilai error terhadap akurasi, lama iterasi, dan jumlah iterasi. Nilai error merupakan salah satu stopping condition yaitu membandingkan dengan nilai Mean Square Error (MSE). Jika nilai MSE telah lebih


kecil atau sama dengan batas error, proses learning akan berhenti. Dalam pengujian ini, batas error yang diuji adalah 0,0001, 0,0005, 0,0009, 0,001, dan 0,009. Nilai parameter yang digunakan dalam pengujian iterasi maksimum adalah: jumlah neuron di hidden layer 5, learning rate 0,1, data latih 80, data uji 10, dan iterasi maksimum 100.000. Percobaan dilakukan sebanyak 5 kali dengan bobot awal acak dan berbeda-beda. Hasil pengujian batas error ditunjukkan pada Gambar 3.

Gambar 3. Hasil pengujian batas error

Dapat dilihat pada Gambar 3, akurasi terus meningkat sampai dengan pengujian batas error 0,001. Akurasi menurun drastis pada pengujian batas error sebesar 0,009. Akurasi tertinggi didapatkan pada pengujian batas error 0,0009 dan 0,001 yaitu sebesar 94,67%. Akurasi menurun drastis pada batas error 0,009 dapat disebabkan karena batas error yang terlalu besar, sehingga konvergensi terlalu cepat dicapai. Sedangkan batas error yang terlalu kecil dapat menyebabkan pelatihan berlangsung lama dan konvergensi sulit dicapai. 5.3 Hasil

dan Analisis Learning Rate

Pengujian

Nilai

Pengujian nilai learning rate bertujuan untuk mengetahui pengaruh dari nilai learning rate terhadap nilai akurasi. Learning rate yang digunakan pada pengujian ini adalah 0,09, 0,1, 0,2, 0,3, dan 0,4. Nilai parameter yang digunakan dalam pengujian nilai learning rate adalah: jumlah neuron di hidden layer 5, data latih 60, data uji 30, iterasi maksimum 100.000, dan batas error 0,0009. Percobaan dilakukan sebanyak 5 kali dengan bobot awal tetap. Hasil pengujian nilai learning rate ditunjukkan pada Gambar 4.


1784

Gambar 4. Hasil pengujian learning rate

Berdasarkan Gambar 4, nilai akurasi tertinggi didapatkan pada pengujian dengan menggunakan learning rate 0,1. Sedangkan akurasi yang didapatkan pada pengujian nilai learning rate 0,2 hingga 0,5 cenderung stabil atau tidak terdapat perubahan yang signifikan. Hal ini menunjukkan bahwa semakin tinggi nilai learning rate, semakin cepat pula proses pelatihan dilakukan. Hal ini dapat menyebabkan proses pelatihan berhenti tidak pada akurasi terbaiknya. Begitu pula dengan nilai learning rate yang terlalu rendah, pelatihan akan berjalan lama dan konvergensi sulit didapatkan. 5.4 Hasil dan Analisis Pengujian dengan

Cross Validation Pengujian dengan cross validation ini menggunakan komposisi data latih dan data uji 9:1 dan data diambil secara acak. Nilai parameter lainnya yang digunakan adalah iterasi maksimum 100.000, batas error 0,0009, learning rate 0,1, dan jumlah neuron hidden 5. Pengujian dilakukan sebanyak 10 kali dengan bobot awal acak dan berbeda-beda. Hasil pengujian dengan cross validation dapat dilihat pada Tabel 1. Tabel 1. Hasil pengujian dengan Cross Validation pengujian ke-

akurasi

pengujian waktu

1

100%

2,8 detik

2

77,79%

1,2 detik

3

100%

0,8 detik

4

88,89%

0,9 detik

5

100%

0,9 detik

6

100%

7

88,89%

0,77 detik 0,8 detik

jumlah iterasi 628 iterasi 562 iterasi 598 iterasi 580 iterasi 644 iterasi 566 iterasi 538 iterasi

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 8

100%

0,7 detik

9

77,79%

0,7 detik

10

77,79%

0,7 detik

rata-rata

91,11%

1,02 detik

604 iterasi 620 iterasi 674 iterasi 601 iterasi

Berdasarkan Tabel 1, didapatkan rata-rata akurasi sebesar 91,11% dengan rata-rata waktu iterasi sebesar 1,02 detik dan rata-rata jumlah iterasi 601 iterasi. Pengujian dengan cross validation ini berfungsi untuk mengevaluasi model dengan cara membagi data latih dan data uji hingga seluruh data memiliki kesempatan untuk divalidasi. 6. KESIMPULAN Algoritme Backpropagation dapat diterapkan untuk identifikasi penyimpangan tumbuh kembang anak. Pada penelitian yang telah dilakukan, bobot awal diinisialisasi menggunakan algoritme Nguyen-Widrow. Bobot yang didapatkan dari fase pelatihan selanjutnya akan digunakan pada fase pengujian. Akurasi didapatkan dengan menghitung jumlah data dan target yang sesuai dibagi dengan jumlah data keseluruhan dan dikalikan 100%. Berdasarkan hasil pengujian jumlah data latih dengan data uji konstan, akurasi terbaik didapatkan dari pengujian jumlah data latih 60 dan data uji 30. Nilai parameter lainnya yaitu learning rate 0,1, iterasi maksimum 100.000, jumlah neuron hidden 5, dan batas error 0,009. Rata-rata akurasi yang diperoleh adalah 85,33%. Hal ini menunjukkan bahwa semakin besar jumlah data latihnya, semakin banyak pula pola data yang akan dilatih pada fase pelatihan. Pengujian batas error menunjukkan hasil akurasi terbaik pada nilai error sebesar 0,0009 dan 0,001 yaitu sebesar 94,67%. Semakin kecil nilai error yang ditetapkan, waktu pelatihan akan semakin lama pula. Sedangkan nilai error yang terlalu besar dapat menyebabkan pelatihan terlalu cepat dan berhenti sebelum akurasi terbaik dicapai. Begitu pula dengan nilai learning rate. Pengujian nilai learning rate mendapatkan akurasi terbaik pada learning rate sebesar 0,1. Penelitian ini menggunakan algoritme nguyen widrow untuk penentuan bobot awal. Pada penelitian selanjutnya, dapat menggunakan algoritme inisialisasi lainnya untuk melihat pengaruh bobot awal terhadap hasil yang didapatkan. Penelitian selanjutnya juga dapat Fakultas Ilmu Komputer, Universitas Brawijaya

1785

menambahkan bobot gejala dengan pernyataan frekuensi terjadinya gejala seperti selalu, kadang-kadang, dan tidak pernah. 7. DAFTAR PUSTAKA Adam, S. P., Karras, D. A., Magoulas, G. D., & Vrahatis, M. N. (2014). Solving The Linear Interval Tolerance Problem for Weight Initialization of Neural Networks. American Psychiatric Association. (1994). Diagnostic and Statistical Manual of Mental Disorders (4th ed.). London: American Psychiatric Association. Boyle, C. A. (2011). Center for Disease Control and Prevention. Dipetik 2 23, 2017, dari https://www.cdc.gov/nchs/ppt/nchs201 2/ss-22_blumberg.pdf Hameed, A. A., Karlik, B., & Salman, M. S. (2016). Back-propagation Algorithm with Variable Adaptive Momentum. Knowledge-Based Systems. Diambil kembali dari http://www.sciencedirect.com/science/a rticle/pii/S0950705116303811 Haykin, S. (1994). Neural Networks: A Comprehensive Foundation. Englewood Cliffs: Macmillan College Publishling Company. Hossain, M. S., Chao, O. Z., Ismail, Z., & Noroozi, S. (2017). Artificial Neural Networks for Vibration based Inverse Parametric Identifications : A Review. Applied Soft Computing. Hurlock, E. B. (1993). Child Development. New York: Mc Graw Hill Book Company. Kementerian Hukum dan Hak Asasi Manusia Republik Indonesia. (2014). Diambil kembali dari Kementerian Hukum dan Hak Asasi Manusia Republik Indonesia: http://www.djpp.kemenkumham.go.id/a rsip/bn/2014/bn1524-2014.pdf Kementerian Kesehatan Republik Indonesia. (2010). Kementerian Kesehatan Republik Indonesia. Dipetik 2 26, 2017, dari http://www.depkes.go.id/development/s ite/jkn/index.php?cid=1141&id=119%anak-yang-mengikuti-sdidtkmengalami-kelainan-tumbuhkembang.html Kusbiantoro, D. (2015). Pertumbuhan dan Perkembangan Anak Usia Prasekolah di


Taman Kanak-Kanak ABA 1 Lamongan. Liu, W., Wang, Z., Liu, X., Zeng, N., Liu, Y., & Alsaadi, F. E. (2016). Survey of Deep Neaural Network Architecture and Their Applications. Neurocomputing, 234, 2. Diambil kembali dari http://www.sciencedirect.com/science/a rticle/pii/S0925231216315533 Scottish Down's Syndrome Association. (2001). Scottish Down's Syndrome Association. Dipetik 2 26, 2017, dari http://www.sdsa.org.uk Singh, B. K., Verma, K., & Thoke, A. S. (2015). Adaptive Gradient Descent Backpropagation for Classification of Breast Tumors in Ultrasound Imaging. Procedia Computer Science. Sitton, J. D., Zeinali, Y., & Story, B. A. (2017). Rapid Soil Classification Using Artificial Neura Network for Use in Constructiong Compressed Earth Blocks. Construction and Building. Diambil kembali dari http://www.sciencedirect.com/science/a rticle/pii/S0950061817301812 Soetjiningsih, I., & N, G. R. (2014). Tumbuh Kembang Anak Edisi 2. Jakarta: EGC. Somantri, S. (2006). Psikologi Anak Luas Biasa. Bandung: PT. Refika Aditama. Wong. (2008). Buku Ajar Keperawatan Pediatrik (1 ed.). Egc.


1786

Identifikasi Penyimpangan Tumbuh Kembang Anak Dengan Algoritme Backpropagation

Recommend Documents