Klasifikasi Penyimpangan Tumbuh Kembang Anak Menggunakan Metode Extreme Learning Machine (ELM)

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 4, April 2018, hlm. 1620-1629

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

Klasifikasi Penyimpangan Tumbuh Kembang Anak Menggunakan Metode Extreme Learning Machine (ELM) Makrina Christy Ariestyani1, Putra Pandu Adikara2, Rizal Setya Perdana3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: [email protected], [email protected], [email protected] Abstrak Pertumbuhan dan perkembangan anak pada usia dini berpengaruh pada kemampuan pribadi anak di kemudian hari. Setiap anak adalah unik, sehingga perkembangan dan pertumbuhannya pun tidak sama. Pertumbuhan dan perkembangan yang lambat seringkali dianggap normal. Penyimpangan tumbuh kembang anak yang telat diketahui dapat berakibat jangka panjang dan sukar diperbaiki. Berdasarkan permasalahan tersebut, penelitian ini dilakukan dengan menggunakan metode Extreme Learning Machine (ELM) untuk klasifikasi penyimpangan tumbuh kembang anak. Metode ELM terdiri dari proses training sebagai pembelajaran sistem dan testing untuk memperoleh hasil klasifikasi. Pengujian parameter yang dilakukan adalah pengujian rasio data latih dan data uji, pengujian pengaruh jumlah hidden neuron terhadap waktu, dan pengujian perbandingan fungsi aktivasi. Perhitungan akurasi dilakukan dengan menggunakan confusion matrix untuk mengetahui akurasi kerja sistem pada setiap kelasnya. Hasil pengujian parameter menunjukkan bahwa rasio data latih dan data uji dengan perbandingan 70:30, jumlah hidden neuron sebanyak 10 buah, dan fungsi aktivasi biner merupakan parameter dengan nilai akurasi terbaik. Perbandingan dah hasil klasifikasi penyimpangan tumbuh kembang anak dengan bantuan psikolog menunjukkan bahwa sistem menghasilkan akurasi yang kurang baik. Hal ini dapat disebabkan oleh sedikit dan tidak seimbangnya data yang digunakan untuk penelitian. Kata kunci: Extreme Learning Machine, klasifikasi, penyimpangan tumbuh kembang anak

Abstract Growth and development of children at an early age affect the child's personal ability in the future. Every child is unique, so growth and growth are not the same. Slow growth and development are often considered normal. Deviation of late child growth is known to result in long-term and difficult to repair. Based on these problems, this research was conducted by using the Extreme Learning Machine (ELM) method for the classification of child growth deviations. ELM method consists of training process as system learning and testing to obtain the result of classification. The parameters test are test of ratio of training data and test data, testing the influence of number of hidden neurons over time, and comparative test of activation function. Accuracy calculation is done by using confusion matrix to know the accuracy of system work in each class. The result of parameter test shows that the ratio of training data and test data with ratio 70:30, the number of hidden neurons as many as 10 units, and the binary activation function is the parameter with the best accuracy value. The comparison of the result of the classification of child growth deviation with the help of psychologist shows that the system produces poor accuracy. This can be due to the small and unbalanced data used for the research. Keywords: Extreme Learning Machine, classification, growth and development’s chidren deviation

1. PENDAHULUAN

bertumbuh dan berkembang dengan baik. Kualitas dan kemampuan pribadi anak di kemudian hari sangat bergantung pada pertumbuhan dan perkembangan anak pada usia dini. Namun, perkembangan setiap anak

Beberapa tahun belakangan ini kesadaran masyarakat di Indonesia dalam memperhatikan tumbuh kembang anak meningkat. Setiap orangtua mengharapkan anaknya dapat Fakultas Ilmu Komputer Universitas Brawijaya

1620

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

berbeda karena memiliki keunikannya masingmasing. Hal tersebut dipengaruhi oleh faktor internal dan faktor eksternal (Latif, 2014:72). Selain itu, kategori anak-anak yaitu anak berusia 0 - 14 tahun terbilang besar dengan nilai 25.42% (The World Factbook, 2016) dari jumlah populasi di Indonesia sehingga tumbuh kembang anak dirasa perlu mendapat perhatian serius. Masa perkembangan anak ini tidak selalu baik, gangguan atau penyimpangan tumbuh kembang anak mungkin saja terjadi. Seringkali, gejala yang dialami anak tidak disadari oleh orangtua. Hal itu akan berakibat jangka panjang yaitu penyimpangan tumbuh kembang anak sukar diperbaiki. Hal tersebut dapat dicegah dengan deteksi dini yang berguna untuk mengetahui penyimpangan tumbuh kembang anak pada usia dini sehingga upaya pencegahan, upaya stimulasi, dan upaya penyembuhan serta pemulihan dapat diberikan dengan indikasi yang jelas secara dini pada masa-masa kritis proses tumbuh kembang (Gumiri, et al., 2015). Beberapa penyimpangan yang dapat terjadi adalah Down Syndrome, Autisme, dan Attention Deficit Hyperactivity Disorder (ADHD). Penyimpangan ini dapat diketahui sejak dini, oleh karena itu pengawasan orangtua sangat dibutuhkan. Orangtua terkadang mengira bahwa perkembangan yang terlambat adalah hal yang wajar. Namun, ada baiknya jika melakukan deteksi sejak dini. Teknik pengklasifikasian yang dilakukan menggunakan komputer dapat diselesaikan dengan beragam metode, salah satunya adalah metode Extreme Learning Machine (ELM) dimana metode ini memiliki potensi untuk menyelesaikan masalah regresi dan klasifikasi (Huang, et al., 2011). Selain itu, Extreme Learning Machine (ELM) memiliki tingkat pembelajaran yang cepat dan akurasi yang tinggi (Agustina, et al., 2010). Pada ELM, parameter bobot masukan dan hidden bias dipilih secara acak sehingga ELM memiliki learning speed yang cepat dan mampu menghasilkan performance yang baik. Metode ini memiliki model matematis yang lebih sederhana dan efektif dari jaringan syaraf tiruan feedforward (Huang, et al., 2004). Sehingga metode ini dirasa baik digunakan untuk menyelesaikan masalah klasifikasi. Pada penelitian sebelumnya, metode Extreme Learning Machine (ELM) pun telah digunakan dengan judul penelitian “Klasifikasi Aritmia Fakultas Ilmu Komputer, Universitas Brawijaya

1621

pada Sinyal Elektrodiagram Menggunakan Extreme Learning Machine” yang menghasilkan nilai akurasi sistem sebesar 100% pada proses ekstraksi ciri menggunakan STFT dan ELM dengan waktu rata-rata 0.35 detik dan rata-rata 0.070 detik pada proses klasifikasi dengan ELM. Penelitian tersebut juga manghasilkan nilai akurasi sebesar 100% untuk akurasi sensitivitas sistem pada pengujian dengan STFT dan ELM (Nur, et al., 2011). Berdasarkan uraian dari pentingnya mengetahui seorang anak mengalami penyimpangan tumbuh kembang dan keunggulan metode Extreme Learning Machine (ELM) maka penulis membuat penelitian dengan judul “Klasifikasi Penyimpangan Tumbuh Kembang Anak Menggunakan Metode Extreme Learning Machine (ELM)”. Sistem ini diharapkan dapat membantu orangtua atau pendamping anak agar dapat mengetahui secara dini apabila seorang anak mengalami penyimpangan tumbuh kembang sehingga dapat segera dilakukan penanganan dengan tepat oleh pakarnya. Pada penelitian ini, penulis akan menerapkan metode Extreme Learning Machine (ELM) dan mengetahui tingkat akurasinya untuk klasifikasi penyimpangan tumbuh kembang anak. Terdapat batasan-batasan yang diterapkan selama penelitian ini dilakukan, yaitu data yang digunakan berasal dari hasil kuesioner yang diperoleh dari beberapa sekolah luar biasa dan rumah terapis yang kemudian dikonsultasikan dengan psikolog di House of Fatima. Selain itu, terdapat kriteria yang digunakan untuk klasifikasi berupa pernyataan yang berkaitan dengan kriteria jenis penyimpangan tumbuh kembang anak sebanyak 38 buah dan keluaran sistem berupa jenis penyimpangan yang dialami. Sistem yang ada hanya untuk klasifikasi penyimpangan tumbuh kembang anak untuk umur 3 – 10 tahun. 2. PERTUMBUHAN DAN PERKEMBANGAN ANAK Menurut Hurlock (2000) pertumbuhan adalah perubahan kuantatif dalam peningkatan ukuran dan struktur. Anak tidak hanya mengalami perubahan secara fisik, tetapi ukuran dan struktur organ dalam tubuh dan otak juga. Sehingga anak memiliki kemampuan yang lebih baik lagi dalam belajar, mengingat dan berpikir akibat adanya pertumbuhan otak. Perkembangan adalah perubahan kualitatif dan


kuantitatif yang berupa perubahan psikofisis yang merupakan hasil dari proses pematangan fungsi-fungsi yang bersifat psikis dan fisik pada diri anak secara berkelanjutan. Hal tersebut didasari oleh faktor keturunan dan faktor lingkungan. 3. PENYIMPANGAN TUMBUH KEMBANG ANAK Ada banyak contoh penyimpangan pada tumbuh kembang anak, misalnya Down Syndrome, Autisme, dan Attention Deficit Hyperactivity Disorder (ADHD). 3.1. DOWN SYNDROME Down Syndrome adalah suatu kondisi keterbelakangan perkembangan fisik dan mental pada anak yang disebabkan adanya abnormalitas perkembangan kromosom (Cuncha, 1992). Anak cacat mental pada umumnya mempunyai kelainan yang lebih dibandingkan cacat lainnya, terutama intelegensinya. Hampir semua kemampuan kognitif anak cacat mental mengalami kelainan seperti lambat belajar, kemampuan mengatasi masalah, kurang dapat mengadakan hubungan sebab akibat, sehingga penampilan sangat berbeda dengan anak lainnya. Anak cacat mental ditandai dengan lemahnya kontrol motorik, kurangnya kemampuan untuk mengadakan koordinasi, tetapi dipihak lain dia masih bisa dilatih untuk mencapai kemampuan sampai ke titik normal. Selain itu down syndrome disebabkan oleh hasil daripada penyimpangan kromosom semasa konsepsi. 3.2. AUTIS Autisme adalah gangguan perkembangan yang secara umum tampak di tiga tahun pertama kehidupan anak yang berpengaruh pada komunikasi, interaksi sosial, imajinasi, dan sikap (Wright & Chris, 2007). Gangguan perkembangan pervasif yang secara menyeluruh mengganggu fungsi kognitif, emosi, dan psikomotorik anak. 3.3 ADHD Menurut Davidson (2004), ADHD adalah singkatan dari Attention Deficit Hyperactivity Disorder, gangguan perkembangan dalam peningkatan aktifitas motorik anak-anak hingga menyebabkan aktifitas anak-anak yang tidak lazim dan cenderung berlebihan (Putra, 2013). Gangguan ADHD ini dapat terlihat sejak masa Fakultas Ilmu Komputer, Universitas Brawijaya

1622

balita dan dapat dibedakan secara jelas dengan anak-anak pada umumnya. Anak yang menderita ADHD memiliki tampilan perilaku yang tak terkendali dan berlangsung terus menrus di segala situasi (persisten). Tanpa penanganan yang tepat, ADHD dapat menimbulkan konsekuensi yang serius seperti mal-prestasi (under-achievement), kegagalan di sekolah atau pekerjaan, susah menjalin hubungan atau interaksi sosial, rasa tidak percaya diri yang parah dan juga depresi kronis (Hulaifah, et al., 2016). 4. KLASIFIKASI Klasifikasi merupakan salah satu metode yang ada dalam data mining yang bersifat supervised. Dimana kelas telah diketahui atau ditentukan. Dalam klasifikasi telah ditentukan label dari setiap kelas data latihnya. Klasifikasi merupakan proses menemukan model atau fungsi yang menggambarkan atau membedakan kelas atau konsep data yang bisa digunakan untuk memprediksi kelas dari objek yang label kelasnya tidak diketahui. Klasifikasi merupakan suatu bentuk analisis data yang menggambarkan ekstrak model dari suatu data yang penting (Jiawei,2012). 5. JARINGAN SARAF TIRUAN Jaringan saraf adalah suatu kelompok arsitektur saraf tiruan yang saling berhubungan dalam cara yang mirip dengan arsitektur otak manusia (Tarawneh, 2013). Jaringan saraf tiruan pertama kali dibuat pada tahun 1943 oleh seorang neurophysiologist bernama Waren McCulloch dan seorang logician bernama Walter Pits, namun teknologi yang tersedia pada saat itu belum memungkinkan mereka berbuat lebih jauh (Eli Yani, 2003). Untuk lebih mudahnya, anggap saja ada sebuah otak buatan dimana otak buatan ini dapat berpikir seperti manusia. Otak buatan ini mampu menerima inputan-inputan untuk kemudian diproses sehingga mampu menghasilkan suatu kesimpulan. Lalu otak buatan ini direpresentasikan ke dalam sebuah komputer, dimana komputer ini diusahakan mampu mengambil keputusan atau kesimpulan seperti cara berpikir manusia. Caranya adalah dengan mencoba meniru aktivitas-aktivitas dalam sebuah jaringan saraf biologis (Ganidar, 2015).


1623

Gambar 2. Struktur Extreme Learning Machine (ELM) Gambar 1. Lapisan Jaringan Saraf Tiruan

6. EXTREME LEARNING MACHINE (ELM) Extreme Learning Machine (ELM) yang pertama kali diperkenalkan oleh Huang pada tahun 2004 merupakan metode pembelajaran single-hidden layer feedforward network (SLFN non-parametrik). Secara teori, metode ini mampu melakukan generalisasi dengan baik dalam waktu yang sangat cepat dibandingkan dengan metode Support Vector Machine (SVM) dan Backpropagation (Huang, et al., 2006). Berdasarkan teori Bartlett, bahwa feedforward neural network dapat menjangkau kesalahan pelatihan terkecil, semakin kecil nilai norm bobot, maka kinerja generalisasi jaringan akan semakin baik. (Huang, et al., 2012). Metode pembelajaran ELM ini dibuat untuk mengatasi kelemahan-kelemahan jaringan saraf tiruan feedforward terutama dalam hal kecepatan belajar (learning speed). ELM merupakan salah satu jenis jaringan saraf tiruan yang dapat dilatih dalam melakukan fungsi kompleks di berbagai bidang dengan resolusi linear dan non linear, terutama untuk pengenalan pola dan klasifikasi hal-hal kompleks. Metode ini meninggalkan algoritme tradisional yang menyesuaikan semua parameter jaringan secara iteratif, namun menentukan bobot antara hidden neuron dan output neuron dari lapisan tersembunyi tunggal secara analitis. Parameter-parameter ELM seperti bobot masukan dan bias hidden neuron dipilih secara acak, sehingga ELM memiliki waktu pembelajaran yang cepat dan mampu menghasilkan akurasi tinggi meskipun dengan jumlah data yang besar (Rahma, et al., 2016). Gambar berikut adalah contoh tentang struktur Extreme Learning Machine (ELM) yang sedang dibahas.

Fakultas Ilmu Komputer, Universitas Brawijaya

Menurut Srimuang & Intarasothonchun (2015), beberapa macam fungsi aktivasi, yaitu: 1. Fungsi Sin 𝐻 = sin (𝐻𝑖𝑛𝑖𝑡 )

(1)

2. Fungsi Sigmoid 1

𝐻=

1+ 𝑒𝑥𝑝−𝐻𝑖𝑛𝑖𝑡

(2)

3. Fungsi Hard Limit 𝐻= {

1, 𝑗𝑖𝑘𝑎 𝐻𝑖𝑛𝑖𝑡 ≥ 0 0, 𝑗𝑖𝑘𝑎 𝑡𝑖𝑑𝑎𝑘

(3)

4. Fungsi Triangular Basis 𝐻= {

1 − 𝑎𝑏𝑠 𝐻𝑖𝑛𝑖𝑡 , 𝑗𝑖𝑘𝑎 − 1 ≤ 𝐻𝑖𝑛𝑖𝑡 ≤ 1 0, 𝑗𝑖𝑘𝑎 𝑡𝑖𝑑𝑎𝑘

(4) 5. Fungsi Radial Basis 𝐻 = exp(−(𝐻𝑖𝑛𝑖𝑡 )2 )

(5)

6. Fungsi Linear 𝐻 = 𝐻𝑖𝑛𝑖𝑡

(6)

7. Fungsi Sigmoid 𝐻=

1− 𝑒𝑥𝑝−𝐻𝑖𝑛𝑖𝑡 1+ 𝑒𝑥𝑝−𝐻𝑖𝑛𝑖𝑡

(7)

Menurut Jezowicz (2015), dalam melakukan proses training dibutuhkan input data (D) sebagai training set dan target output (T) untuk klasifikasi. Langkah-langkah training metode Extreme Learning Machine (ELM) adalah sebagai berikut: 1. Memilih secara acak bobot masukan (Wi) dengan range nilai -1 hingga 1 dan hidden bias (bi) dengan range nilai 0 hingga 0.1, i = 1, …., N sejumlah data. 2. Menghitung matriks output hidden neuron (Hinit) Hinit = 𝑋. 𝑊 𝑇 + 𝑏

Keterangan:

(8)


X

1624 𝑌̂ = 𝐻 . 𝛽̂

= data latih

(15)

WT = bobot input yang di-transpose

Keterangan:

b

β = bobot output yang ada pada langkah training

= hidden bias

3. Menghitung matriks output hidden neuron dengan fungsi aktivasi sigmoid biner (H) dengan nilai eksponen = 2.718. H =

1 𝑇 (1+𝑒𝑥𝑝−𝑋.𝑊 +𝑏 )

(9)

4. Menghitung pseudo-inverse dengan MoorePenrose 𝐻 + = (𝐻𝑇 . 𝐻)−1 . 𝐻𝑇

(10)

Keterangan: 𝐻 𝑇 = matriks H yang telah di-transpose 5. Menghitung bobot output dengan nilai T = [t1, …., tN]T 𝛽̂ = 𝐻 + . 𝑇

(11)

Keterangan: T

Akurasi sistem merupakan suatu cara untuk mengetahui seberapa baik sistem dalam melakukan pengklasifikasian data. Confusion matrix adalah salah satu metode yang dapat digunakan dalam melakukan pengukuran kinerja suatu metode klasifikasi. Metode ini pada dasarnya memberikan informasi mengenai perbandingan hasil klasifikasi yang dilakukan oleh sistem dengan hasil klasifikasi yang seharusnya (Prasetyo, 2012). Pada pengukuran kinerja sistem klasifikasi menggunakan confusion matrix, terdapat 4 istilah yang digunakan untuk merepresentasikan hasil proses klasifikasi, yaitu: 1. True Positive (TP), yaitu data positif yang terdeteksi positif.

= matriks target

6. Menghitung Y prediksi (keluaran output layer) untuk proses training 𝑌̂ = 𝐻 . 𝛽̂

2. False Positive (FP), yaitu data positif yang terdeteksi negatif. (12)

Setelah itu, hasil dari perhitungan Y prediksi digunakan untuk menentukan kelas dengan mencari nilai terbesar dari setiap datanya. Kemudian, dilakukan proses testing dengan langkah-langkah training metode Extreme Learning Machine (ELM) adalah sebagai berikut: 1. Menggunakan bobot input (Wi) yang sama seperti pada proses training dan hidden bias (bi) dengan range nilai 0 hingga 0.1, i = 1, …., N sejumlah data. 2. Menghitung matriks output hidden neuron (Hinit) Hinit = 𝑋. 𝑊 𝑇 + 𝑏

(13)

Keterangan: X = data uji b = hidden bias 3. Menghitung matriks output hidden neuron dengan fungsi aktivasi sigmoid biner (H) H =

7. AKURASI SISTEM

1 𝑇 (1+𝑒𝑥𝑝−𝑋.𝑊 +𝑏 )

(14)

4. Menghitung Y prediksi (keluaran output layer) untuk proses testing Fakultas Ilmu Komputer, Universitas Brawijaya

3. False Negative (FN), yaitu data negatif yang terdeteksi positif. 4. True Negative (TN), yaitu data negatif yang terdeteksi negatif. Tabel 1. Contoh Confusion Matrix Sumber: (Manning & Raghavan, 2009) Assigned Class True Class

money -fx trade interes t wheat

money -fx

trad e

interes t

whea t

95

0

10

0

1

1

90

0

cor n

grai n

0

0

1

0

0

0

13

0

0

0

0

0

1

34

3

7 5 10

corn

1

0

2

13

26

grain

0

0

2

14

5

Menurut Sulistyaningsih (2012), Confusion matrix dalam melakukan pengukuran kinerja metode yang digunakan melakukan 4 perhitungan, yaitu: 1. Recall (Sensitivity), merupakan perbandingan jumlah data yang terklasifikasi dengan benar oleh sistem terhadap jumlah data yang benar.

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 𝑇𝑃

𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑃+𝐹𝑁 x 100%

(16)

1625

8.2. HALAMAN GEJALA

2. Precision merupakan perbandingan jumlah data yang terklasifikasi dengan benar oleh sistem terhadap data benar yang diklasifikasikan oleh sistem. 𝑇𝑃

𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 𝑇𝑃+𝐹𝑃 x 100%

(17)

3. F-Measure merupakan parameter yang digunakan untuk mengukur keberhasilan klasifikasi pada setiap kelas. 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 =

2 x 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 x 𝑅𝑒𝑐𝑎𝑙𝑙 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 + 𝑅𝑒𝑐𝑎𝑙𝑙

x100% (18)

8. IMPLEMENTASI Implementasi terdiri dari empat halaman, yakni halaman awal, halaman gejala, halaman proses klasifikasi, dan halaman hasil klasifikasi. 8.1. HALAMAN AWAL

Gambar 4. Implementasi Halaman Awal

Halaman gejala merupakan halaman yang dapat digunakan oleh pengguna untuk melakukan klasifikasi jenis penyimpangan tumbuh kembang anak dengan menjawab 38 pernyataan yang ada dengan memilih salah satu jawaban dari dua pilihan opsi yang ada. 8.3. HALAMAN PROSES KLASIFIKASI

Gambar 3. Implementasi Halaman Awal

Halaman awal merupakan halaman yang dapat digunakan oleh pengguna untuk memasukkan nilai parameter yang ingin digunakan dalam proses perhitungan untuk klasifikasi penyimpangan tumbuh kembang anak. Pada button Default Parameter, telah di tentukan penggunaan parameter rasio data latih dan data uji dengan perbandingan 70:30, jumlah hidden neuron sebanyak 5 buah, dan menggunakan fungsi aktivasi sigmoid biner.


Gambar 5. Implementasi Halaman Proses Klasifikasi

Halaman proses klasifikasi merupakan halaman yang berfungsi untuk menampilkan proses klasifikasi berdasarkan perhitungan dengan menggunakan data uji berdasarkan jawaban yang telah dimasukkan oleh pengguna dan telah dihitung menggunakan metode Extreme Learning Machine (ELM).


1626

8.4. HALAMAN HASIL KLASIFIKASI

Gambar 7. Pengujian Perbandingan Rasio Data Latih dan Data Uji

Gambar 6. Implementasi Halaman Hasil Klasifikasi

Halaman hasil klasifikasi merupakan halaman yang berfungsi untuk menampilkan hasil klasifikasi berdasarkan hasil perhitungan dengan menggunakan data uji berdasarkan jawaban yang telah dimasukkan oleh pengguna dan telah dihitung menggunakan metode Extreme Learning Machine (ELM). 9. PENGUJIAN 9.1. PENGUJIAN PERBANDINGAN RASIO DATA LATIH DAN DATA UJI Pengujian perbandingan rasio data latih dan data uji dilakukan untuk mengetahui berpengaruh atau tidaknya rasio data latih dan data uji terhadap hasil akurasi. Pengujian ini dilakukan dengan sudah ditentukan data latih dan data uji pada setiap rasionya yaitu dengan rasio 90%:10%, 80%:20%, 70%:30%, 60%:40%, dan 50%:50%. Inisialisasi parameter yang digunakan pada pengujian ini adalah jumlah hidden neuron sebanyak 10 buah, jumlah input neuron (fitur) sebanyak 38 buah, serta menggunakan fungsi aktivasi sigmoid biner. Setiap rasio data latih dan data uji akan dilakukan pengujian sebanyak 5 kali terhadap data uji dan dengan data latih serta parameter yang sama. Hasil pengujian perbandingan rasio data latih dan data uji dapat dilihat pada Gambar 8.


Berdasarkan hasil pengujian yang telah disajikan pada Gambar 8 terlihat bahwa hasil pengujian perbandingan rasio data latih dan data uji menghasilkan akurasi yang tidak bagus. Perubahan rasio data latih dan data uji hanya berpengaruh sedikit pada akurasi setiap rasionya. Hasil akurasi yang dihasilkan cenderung tidak stabil akan tetapi hasil akurasi terbaik dihasilkan pada penggunaan rasio data latih dan data uji dengan perbandingan 70:30 dengan rata-rata nilai akurasi 67.333%. 9.2. PENGUJIAN PENGARUH JUMLAH HIDDEN NEURON TERHADAP WAKTU Pengujian pengaruh jumlah hidden neuron terhadap waktu dilakukan untuk mengetahui berpengaruh atau tidaknya jumlah hidden neuron terhadap waktu dan hasil akurasi ketika jumlah hidden neuron tersebut diubah. Pengujian ini dilakukan dengan mengubah jumlah hidden neuron secara acak dengan nilai 10, 100, 500, 1000, dan 2000. Setiap jumlah hidden neuron akan dilakukan pengujian sebanyak 5 kali terhadap data uji dan dengan data latih yang sama. Pada pengujian pengaruh jumlah hidden neuron digunakan rasio data latih dan data uji 70:30 dengan fungsi aktivasi biner. Pengujian ini menghasilkan akurasi yang berbeda-beda. Nilai hasil akurasi dapat dilihat pada grafik pengaruh jumlah hidden neuron yang disajikan pada Gambar 8.


Gambar 8. Pengujian Pengaruh Jumlah Hidden Neuron Terhadap Waktu

Berdasarkan Gambar 8 dapat disimpulkan bahwa penambahan jumlah hidden neuron akan berpengaruh juga kepada lama perhitungan metode ELM ini. Semakin banyak jumlah hidden neuron yang digunakan, maka akan semakin lama juga perhitungan metode ini. Dari grafik diatas, diketahui bahwa penggunaan jumlah hidden neuron sebanyak 10 buah yang dapat menghasilkan akurasi terbaik dan perhitungan tercepat dengan rata-rata akurasi 64.666% dan rata-rata waktu 0.33 detik. Pengujian ini menghasilkan kesimpulan bahwa semakin banyaknya jumlah hidden neuron yang digunakan tidak selalu membuat nilai akurasi semakin baik. Tetapi semakin banyaknya jumlah hidden neuron yang digunakan, waktu yang diperlukan untuk perhitungan selalu semakin banyak. 9.3. PENGUJIAN PERBANDINGAN FUNGSI AKTIVASI Pengujian perbandingan fungsi aktivasi dilakukan untuk mengetahui berpengaruh atau tidaknya penggunaan fungsi aktivasi tertentu terhadap hasil akurasi. Pengujian ini dilakukan dengan mengubah fungsi aktivasi pada perhitungan dengan menggunakan fungsi aktivasi sigmoid biner, sigmoid bipolar, hard limit, triangular basis, radial basis, linear, dan sin. Setiap fungsi aktivasi akan dilakukan pengujian sebanyak 5 kali terhadap data uji dengan data latih dan parameter yang sama. Pada pengujian perbandingan fungsi aktivasi ini menggunakan jumlah hidden neuron sebanyak 10 buah dan menggunakan rasio data latih dan data uji 70:30. Pengujian ini menghasilkan akurasi yang berbeda-beda. Nilai hasil pengujian perbandingan fungsi aktivasi dapat dilihat pada Gambar 9 berikut ini.


1627

Gambar 9. Pengujian Perbandingan Fungsi Aktivasi

Terlihat pada Gambar 9 tersebut bahwa hasil pengujian perbandingan fungsi aktivasi menghasilkan akurasi yang tidak bagus. Perubahan fungsi aktivasi hanya berpengaruh sedikit pada pengujian setiap fungsi aktivasinya. Hasil akurasi yang dihasilkan cenderung tidak stabil akan tetapi hasil akurasi terbaik dihasilkan pada penggunaan fungsi aktivasi sigmoid biner dengan rata-rata nilai akurasi 66.67% dan nilai akurasi tertinggi sebesar 76.67%. Hal ini disebabkan karena setiap fungsi aktivasi memiliki fungsi yang berbeda-beda. Fungsi aktivasi sigmoid biner merupakan fungsi aktivasi yang paling cocok dengan data ini karena data yang digunakan bernilai biner. 9.4. CONFUSION MATRIX DARI PARAMETER YANG PALING OPTIMAL Pengujian confusion matrix dilakukan untuk mengetahui akurasi sistem pada setiap kelasnya. Pengujian ini dilakukan dengan menggunakan nilai dari paramater yang paling optimal, yaitu rasio data latih dan data uji dengan perbandingan 70:30, hidden neuron sebanyak 10 buah, dan menggunakan fungsi aktivasi sigmoid biner. Confusion matrix ini menguji setiap kelas pada penelitian ini untuk mendapatkan nilai recall, precison, dan fmeasure terhadap parameter yang sama. Pada pengujian confusion matrix ini digunakan hasil klasifikasi terbaik yaitu pada nilai akurasi 76.67%.


1628

down syndrome dan autis tidak cukup baik. Hasil pengujian ini hasil akurasinya tidak selalu baik, dikarenakan data yang didapat berjumlah sedikit. Saran yang dapat diberikan pada kelanjutan penelitian ini adalah sebagai berikut: 1.

Pada penelitian ini data yang digunakan hanya 100 data dan bersifat tidak seimbang dengan kriteria berupa 38 pernyataan gejala penyimpangan tumbuh kembang anak dengan batasan usia pada anak usia maksimal 10 tahun, diharapkan untuk penelitian selanjutnya dapat meningkatkan hasil akurasi dengan menambah jumlah data dengan jumlah data seimbang pada setiap kelasnya dan mengambil data dengan melakukan pengamatan secara langsung.

2.

Untuk peneliti selanjutnya diharapkan dapat mengembangkan sistem dengan menggunakan metode yang berbeda atau mengkombinasikan metode Extreme Learning Machine (ELM) dengan metode yang lain agar dapat membantu meningkatkan hasil akurasi.

Gambar 10. Pengujian Confusion Matrix

Terlihat pada Gambar 10 tersebut bahwa kemampuan sistem dengan menggunakan metode ELM ini tidak selalu baik bagi setiap kelasnya. Pada kelas normal dan ADHD, sistem dapat menghasilkan akurasi yang sangat baik yaitu dengan hasil akurasi f-measure 83.3% untuk kelas normal dan 94.7% untuk kelas ADHD. Sedangkan, akurasi pada kelas down syndrome dan autis tidak cukup baik yaitu dengan hasil akurasi f-measure 66.6% untuk kelas down syndrome dan 57.1% untuk kelas autis. Hal tersebut disebabkan karena jumlah data yang digunakan sedikit dan tidak seimbang atau dapat pula dikarenakan oleh data kuesioner yang digunakan kurang akurat. 10. KESIMPULAN

11. DAFTAR PUSTAKA

Berdasarkan hasil pengujian dan analisis dapat disimpulkan bahwa:

Anon., 2016. Central Intelligence Agency. [Online] Available at: https://www.cia.gov/library/publications/th e-world-factbook/geos/id.html

1. Metode Extreme Learning Machine (ELM) dapat digunakan untuk klasifikasi, yaitu dengan cara mengubah pilihan jawaban pada gejala yang dialami oleh anak dengan nilai 1 untuk pilihan ya dan nilai 0 untuk pilihan tidak. Kemudian nilai tersebut diolah dengan menggunakan algoritme ELM hingga didapatkan nilai keluaran output layer. Nilai tersebut akan digunakan untuk menentukan hasil klasifikasi dengan memilih nilai tertinggi. 2. Berdasarkan hasil pengujian, metode ELM dapat melakukan klasifikasi penyimpangan tumbuh kembang anak dengan hasil akurasi terbaik pada saat rasio data latih dan data uji dengan perbandingan 70:30, jumlah hidden neuron sebanyak 10 buah, dan menggunakan fungsi aktivasi sigmoid biner dengan hasil akurasi tertinggi yaitu 76.67%. Pada pengujian confusion matrix dengan menghitung nilai f-measure, diketahui bahwa kelas normal dan ADHD memiliki akurasi data yang baik, sedangkan kelas Fakultas Ilmu Komputer, Universitas Brawijaya

Cuncha, 1992. Gangguan Pemahaman Bahasa pada Anak Down Syndrome. [Online] Available at: http://txwicara.blogspot.co.id/ Gumiri, V. L., Puspitaningrum, D. & Ernawati, 2015. Sistem Pakar Klasifikasi Status Perkembangan Anak Usia Dini dengan Metide Naive Bayes Classifier Berbasis DDST Rules. Jurnal Rekursif, November.Volume 3. Huang, G.-B., Wang, D. H. & Lan, Y., 2011. Extreme Learning Machines : a survey. International Journal of Machine Learning and Cybernetics. Huang, G.-B., Zhou, H., Ding, X. & Zhang, R., 2012. Extreme Learning Machine for Regression and Multiclass Classification. IEEE Transactions on Systems, Man, and Cybernetics - Part B: Cybernetics, April, Volume 42, p. 2.


Huang, G.-B., Zhu, Q.-Y. & Siew, C.-K., 2004. Extreme Learning Machine: A New Learning Scheme of Feedforward Neural Networks. Budapest, Hungary, Proceedings of International Joint Conference on Neural Networks (IJCNN). Huang, G.-B., Zhu, Q.-Y. & Siew, C.-K., 2006. Extreme Learning Machine : Theory and Applications. Neurocomputing, Volume 70, pp. 489-501. Hulaifah, E. D., Nasution, H. & Anra, H. H., 2016. Sistem Pakar Untuk Menentukan Tipe Gangguan ADHD Pada Anak Dengan Metode Naive Bayes. Jurnal Sistem dan Teknologi Informasi, Volume 1, p. 1. Hurlock, E. B., 2000. Perkembangan Anak. Jilid 2 ed. Jakarta: Erlangga. Jezowicz, T., Gajdos, P., Uher, V. & Snasel, V., 2015. Classification with Extreme Learning Machine on GPU. 2015 International Conference on Intelligent Networking and Collaborative Systems. Manning, C. & Raghavan, P., 2009. An Introduction To Information Retrieval. s.l.:s.n. Nur, S. A. F., Rizal, A. & Budiman, G., 2011. Kelas Aritmia pada Sinyal Elektrokardiogram Menggunakan Extreme Learning Machine, Bandung: s.n. Prasetyo, E., 2012. Data Mining: Konsep dan Aplikasi menggunakan Matlab. 1st ed. Yogyakarta: Andi Offset. Putra, E. R., 2013. Sistem Pakar dengan Menggunakan Metode Dempster Shafer untuk Mendeteksi Jenis Perilaku Abnormal ADHD (Attention Deficit Hyperactivity Disorder) pada Anak. Rahma, O. N., Wijaya, S. K. & P., 2016. Implementasi Extreme Learning Machine Sebagai Alat Bantu Klasifikasi Stroke Iskemik Akut dan Normal dengan Metode Brain Symmetry Index, s.l.: s.n. Srimuang, W. & Intarasothonchun, S., 2015. Classification Model of Network Intrusion using Weighted Extreme Learning Machine. International Joint Conference on Computer Science and Software Engineering (JCSSE), Volume 12. Sulistyaningsih, Y., Kusumawardani,

Djunaidy, R. P.,

A.

& 2012.


1629 Pengklasifikasian Pengaduan Masyarakat pada Laman Kantor Pertanahan Kota Surabaya I dengan Metode Pohon Keputusan.

Wright, B. & Chris, W., 2007. How to Live with Autism and Asperger Syndrome, Strategi Praktis Bagi Orang Tua dan Guru Anak Autis. 1 ed. Jakarta: Dian Rakyat.

Klasifikasi Penyimpangan Tumbuh Kembang Anak Menggunakan Metode Extreme Learning Machine (ELM)

Recommend Documents