Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 7, Juli 2018, hlm. 2843-2850
e-ISSN: 2548-964X http://j-ptiik.ub.ac.id
Klasifikasi Penyimpangan Tumbuh Kembang pada Anak Menggunakan Metode Neighbor Weighted K-Nearest Neighbor (NWKNN) Afrizal Rivaldi1, Putra Pandu Adikara2, Sigit Adinugroho3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email:
[email protected],
[email protected],
[email protected] Abstrak Manusia selama hidupnya pasti mengalami fase pertumbuhan dan perkembangan. Fase pertumbuhan dan perkembangan ini sangat berpengaruh terhadap kualitas pertumbuhan anak. Masa kritis dari pertumbuhan dan perkembangan ini terjadi pada tahun-tahun pertama kehidupan seorang anak. Pada usia dini, proses tumbuh kembang fisik, mental, dan psikologi berlangsung dengan sangat cepat sehingga membutuhkan perhatian lebih dari orang tua. Pada fase tumbuh kembang bisa saja terdapat penyimpangan dimana proses pertumbuhan dan perkembangan anak terhambat atau tidak wajar. Penyimpangan tumbuh kembang yang sering ditemui adalah autisme, ADHD, dan down syndrome. Pada penelitian ini akan dilakukan klasifikasi penyimpangan tumbuh kembang berdasarkan gejala yang muncul menggunakan metode Neighbor Weighted K-nearest Neighbor (NWKNN). Metode NWKNN merupakan pengembangan dari metode KNN, dimana diberikan pembobotan pada setiap kelas yang akan diklasifikasikan. Pada penelitian ini akan dilakukan klasifikasi jenis penyimpangan tumbuh kembang yang meliputi autisme, ADHD, down syndrome dan normal. Hasil penelitian ini menunjukkan bahwa metode NWKNN dapat melakukan klasifikasi penyimpangan tumbuh kembang dengan baik ketika menggunakan data latih sebanyak 80 data dan data uji sebanyak 20 data, nilai K=10, dan nilai E=4 dengan akurasi mencapai 95%. Penelitian ini juga membuktikan bahwa metode NWKNN memiliki rata-rata akurasi 3% lebih baik dari metode KNN dalam melakukan klasifikasi penyimpangan tumbuh kembang pada anak. Kata kunci: tumbuh kembang, anak usia dini, klasifikasi, NWKNN
Abstract Humans during life must experienced a phase of growth and development. This growth and development phase is very influential on the quality of child growth. The critical period of growth and development occurs in the first years of a child's life. At an early age, the process of growing physical, mental, and psychological development is very fast so that requires more attention from parents. In the development phase may occur disorders where the process of growth and development of children obstructed or unnatural. Development disorders are often encountered autism, ADHD, and Down syndrome. This study will classify development disorders based on symptoms that appear using Neighbor's Nearest KNeighbor (NWKNN). The NWKNN method is the development of the KNN method, which is weighted on each class to be classified. In this research will be classify various types of development disorderds that include autism, ADHD, Down syndrome and normal. The results of this study indicate that the NWKNN method can classify well by using 80 training data and 20 test data, K = 10, and E = 4 with 95% up to accuracy. This study also proved NWKNN method which has 3% average of accuracy better than KNN method in doing classification of growth and development of child. Keywords: growth, early childhood, classification, NWKNN
1.
perubahan ini dikenal dua macam perubahan yaitu pertumbuhan dan perkembangan. Proses pertumbuhan dan perkembangan ini bersifat interdependen, saling bergantung antara satu dan lainnya (Kartono, 2007). Perubahan bersifat kuantitatif yang ditandai dengan bertambahnya
PENDAHULUAN
Selama hidupnya, manusia pasti selalu mengalami perubahan, sejak lahir hingga akhirnya meninggal nanti. Dalam fase Fakultas Ilmu Komputer Universitas Brawijaya
2843
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
ukuran dan struktur tubuh disebut dengan pertumbuhan, sedangkan perkembangan diartikan sebagai perubahan yang bersifat kualitatif, ditandai dengan perubahan pada manusia secara progresif, koheren, dan teratur (Somantri, 2007). Fase yang sangat kritis dan penting bagi orang tua adalah pada tahun-tahun pertama kehidupan seorang anak di mana pada usia dini seperti ini tumbuh kembangnya mental, fisik, dan psikologi berlangsung dengan sangat cepat sehingga perlu mendapat perhatian lebih (Putri & Maharani, 2013) Faktor resiko kelainan pada pertumbuhan dan perkembangan anak sering terabaikan karena kurangnya pengetahuan orang tua, baik permasalahan fisik maupun psikis. Semua fenomena ini menunjukkan perlunya pemahaman yang komprehensif terhadap perkembangan seorang anak. Salah satu cara yang dapat dilakukan oleh orang tua adalah dengan melakukan deteksi dini tumbuh kembang anak. Selama ini deteksi dini tumbuh kembang anak masih menitikberatkan pada perkembangan fisik semata dan cenderung mengabaikan aspek perkembangan lainnya. Kebiasaan yang berlangsung di posyandu menunjukkan dengan jelas bagaimana masih rendahnya kesadaran masyarakat terhadap aspek perkembangan yang menyeluruh tentang seorang anak (Hidayat, 2008) Seperti yang disampaikan sebelumnya, karena kurangnya pemahaman orang tua bisa jadi seorang anak mengalami perilaku yang abnormal, yang mungkin saja termasuk ke dalam salah satu jenis penyimpangan tumbuh kembang anak. Atau orang tua telah menyadari bahwa anaknya mengalami penyimpangan tumbuh kembang namun tidak mengetahui secara pasti jenis penyimpangan tumbuh kembang yang diderita sang anak. Telah banyak penelitian yang dilakukan untuk menyelesaikan permasalahan tersebut. Pertama penelitian yang dilakukan oleh Edi Faizal, 2015 dengan judul “Integrasi Case Based Reasoning dan Rule Based Reasoning untuk Pengembangan Sistem Pendeteksi Dini Gangguan Tumbuh Kembang Anak”. Teknik Case Based Reasoning (CBR) dan Rule Based Reasoning (RBR) diterapkan pada penelitian ini dimana untuk pencocokan antara kasus lama dan kasus baru menggunakan weighted minkowski, referensi pengetahuannya berasal dari pakar berdasarkan data gejala yang ada. Dengan penerapan metode ini pada sistem yang dibangun memberikan hasil akurasi keluaran sistem sebesar 78,33% (Faizal, 2015). Fakultas Ilmu Komputer, Universitas Brawijaya
2844
Untuk melakukan identifikasi ataupun klasifikasi, bisa memanfaatkan salah satu metode yang ada di Data Mining. Dalam mengklasifikasikan suatu data, ada yang namanya data tidak seimbang (data yang pendistribusiannya tidak merata). Sama halnya untuk mengidentifikasi jenis penyimpangan tumbuh kembang anak data yang ada mungkin saja tidak seimbang. Pemecahan masalah untuk data yang tidak seimbang bisa menggunakan metode Neighbor Weighted K-Nearest Neighbor (NWKNN) yang dikenalkan oleh Songbo Tan pada tahun 2005 melalui penelitiannya terkait corpus berbahasa Inggris dan berbasa Mandarin (Arissaputra, 2015). Metode NWKNN juga telah diterapkan pada penelitian yang dilakukan oleh Ridok dan Latifah (2015) dengan judul “Klasifikasi Teks Bahasa Indonesia Pada Corpus Tak Seimbang Menggunakan NWKNN”. Penelitian ini mengklasifikasikan dokumen teks berbahasa Indonesia dengan corpus yang tidak seimbang. Data yang digunakan terdiri atas 14 kategori/famili dengan jumlah data dari tiap kategorinya berbeda-beda. Dengan menggunakan Metode NWKNN untuk klasifikasi dokumen ini menunjukkan nilai rata rata precision, recall dan F1 measure masingmasing sebesar 84.2%, 86.7% dan 84.3% (Ridok & Latifah, 2015). Pada penelitian ini penulis menggunakan data terkait penyimpangan tumbuh kembang anak yang pembagian datanya tidak seimbang disetiap kelas/jenis penyimpangan pada data yang ada. Terlihat perbedaan jumlah data antara kelas Autisme, ADHD, Down Syndrome dan normal sehingga terlihat adanya kelas mayoritas dan kelas minoritas. Berdasarkan paparan sebelumnya bahwasanya masalah data tidak seimbang dapat diselesaikan dengan menerapkan metode NWKNN, maka penulis mengusulkan penelitian dengan judul “Klasifikasi Penyimpangan Tumbuh Kembang pada Anak menggunakan Metode Neighbor Weighted K-Nearest Neighbor (NWKNN)”. 2.
DASAR TEORI
2.1 Penyimpangan Tumbuh Kembang Anak Penyimpangan tumbuh kembang anak adalah keadaan dimana proses pertumbuhan dan perkembangan yang tidak wajar atau terganggu. Beberapa jenis penyimpangan yang sering ditemui pada anak adalah sebagai berikut:
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
2.1.1
Autisme
2.2 K-Nearest Neighbor (KNN)
Autisme adalah gangguan perkembangan pada anak yang gejalanya sudah timbul sebelum anak itu mencapai usia tiga tahun. Penyebab autisme adalah gangguan neurobiologis berat yang mempengaruhi fungsi otak sedemikian rupa sehingga anak tidak mampu berinteraksi dan berkomunikasi dengan dunia luar secara efektif 2.1.2
Attention Deficit Disorder (ADHD)
Hyperactive
Attention Deficit Hyperactivity Disorder (ADHD) merupakan gangguan yang menghambat proses perkembangan seorang anak, dimana anak tersebut mengalami kesulitan dalam berkonsentrasi atau memperhatikan sesuatu secara konsisten. Selain mengganggu tingkat konsentrasi, ADHD juga ditandai dengan adanya perilaku yang berlebihan. ADHD atau bisa disebut dengan gangguan pemusatan perhatian/hiperaktivitas merupakan suatu sindrom yang terjadi pada seorang anak dengan gejala sang anak tersebut tidak bisa diam (hyperactivity), tidak bisa memusatkan perhatian (inattention), dan melakukan segala sesuatu atas kehendak sendiri dan tidak terkontrol dengan baik (impulsif) sehingga perilaku tersebut bisa menghambat perkembangan yang bisa menyebabkan ketidakseimbangan dalam aktivitas mereka, yang pada umumnya seorang anak yang mengalami ADHD dalam proses belajarnya disekolah dan prestasi akademiknya akan terganggu. 2.1.3
2845
Down Syndrome
Down Syndrome (mongoloid) adalah suatu kondisi di mana materi genetik tambahan menyebabkan keterlambatan perkembangan anak, dan kadang mengacu pada retardasi mental. Anak dengan down syndrome memiliki kelainan pada kromosom nomor 21 yang tidak terdiri dari 2 kromosom sebagaimana mestinya, melainkan tiga kromosom (trisomi 21) sehingga informasi genetika menjadi terganggu dan anak juga mengalami penyimpangan fisik. Dahulu orang-orang dengan down syndrome ini disebut sebagai penderita mongolisme atau mongol. Istilah ini muncul karena penderita ini mirip dengan orang-orang Asia (oriental). Istilah syndrome ini seperti sudah usang, sehingga saat ini kita menggunakan istilah down syndrome.
Fakultas Ilmu Komputer, Universitas Brawijaya
K-Nearest Neighbor (KNN) adalah metode yang menggunakan kedekatan nilai kelas/jenis dalam melakukan klasifikasi. Dalam perhitungan kedekatan ketetanggan metode KNN bisa menggunakan Persamaan Cosine Similarity atau Eucledian Distance antara data latih dan data ujinya. Menurut D.A Adeniyi et al (2016) dan Arissaputra (2015) langkah yang terdapat pada Algoritme KNN diawali dengan menetapkan nilai parameter ketetanggaan yang akan digunakan (K) kemudian menghitung nilai kedekatan ketetanggan data uji terhadap data latih. Perhitungan Euclidean Distance dapat diformulasikan pada Persamaan (1).
d ( x1 , x2 )
n
(x i 1
2i
x1i ) 2 (1)
Keterangan: X1 = nilai data latih X2 = nilai data uji n = jumlah atribut pada data Sedangkan untuk perhitungan CosSim diformulasikan dengan Persamaan (2). dj •q CosSim(q, d j ) dj • q
(w • w ) w • w m
i 1
i 1
ij
2
m
ij
(2)
iq
m
i 1
2
iq
q = nilai data uji d j = nilai data latih
dj •q
= hasil perkalian vektor data
latih dan data uji
dj • q
= hasil perkalian vektor antara
data latih dan data uji wij = nilai i pda data latih ke-j
wiq
= nilai i pada data uji ke-q
Setelah didapatkan hasil kedekatan ketetanggan, kemudian dilakukan pengurutan hasil Euclidean Distance dari hasil terkecil ke terbesar atau mengurutkan hasil CosSim dari terbesar ke terkecil. Ketika telah didapatkan hasil K tetangga terdekat dari hasil penurutan tersebut maka dihitung nilai skornya berdasarkan nilai yang ada, perhitungan skor tersebut dapat dilihat ke dalam Persamaan (3) dan (4).
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Skor( X , Ci ) djKNN ( X ) Keterangan: djKNN(x)
n
(x i 1
2i
i 1 ( x2i x1i ) (d j , Ci ) (3)
2846
atau
n
2
Skor( X , C i ) Weight i ( Sim(q, d j ) (d j , C i ) (7) djNW KNN ( X )
= data latih ke-j pada kumpulan ketetanggaan terdekat dari data uji X
x1i ) 2 = jarak data uji dengan data latih
Keterangan: WeightI = bobot pada kelas i djNWKNN(x) = data latih dj pada kumpulan tetangga terdekat dari data uji X n
( d j , Ci )
= bernilai 1 apabila nilai jarak
(x
Ci
Ci dan akan bernilai 0 apabila nilai jarak Ci = kelas ke-i
( d j , Ci )
i 1
2i
atau
(Sim(q, d
Skor( X , Ci )
j
) (d j , Ci ) (4)
Sim(q,dj)
djKNN( X )
Sim(q,dj)
= nilai CosSim antara data uji dengan data latih. 2.3 Neighbor Weighted K-Nearest Neighbor (NWKNN) Metode NWKNN adalah metode yang dikembangkan dari metode KNN. Metode NWKNN didasari oleh adanya distribusi data secara tidak merata pada data latih. Perbedaan metode NWKNN dan metode KNN adalah adanya pembobotan pada kelas data. Kelas yang paling sedikit (minoritas) akan diberi bobot besar, sedangkan pada kelas yang paling banyak (mayoritas) akan diberi bobot kecil. Perhitungan bobot dapat dilakukan dengan Persamaan (5). 𝟏
𝑊𝑒𝑖𝑔ℎ𝑡𝒊 = (
𝟏/𝒆𝒙𝒑 𝑵𝒖𝒎(𝑪𝒅 𝒊) ) ∗ 𝑴𝒊𝒏{𝑵𝒖𝒎(𝑪𝒅 𝒏 )| 𝒏=𝟏,…,𝑲 }
=
𝑁𝑢𝑚(𝐶𝑗𝑑 )
=
Exp
=
Setiap nilai bobot yang didapatkan akan digunakan untuk menghitung nilai skor data uji terhadap setiap kelas/jenis. Perhitungan score pada metode NWKNN dapat dilakukan dengan Persamaan (6) dan (7). n
(x i 1
2i
x1i ) 2 (d j , Ci )
Fakultas Ilmu Komputer, Universitas Brawijaya
Ci dan bernilai 0 jika nilai jarak Ci = nilai CosSim antara data uji dan data latih. = kelas i
METODOLOGI
3.1 Diagram Blok Sistem Diagram blok sistem merupakan diagram yang berbentuk blok-blok yang menggambarkanaliran proses yang menjelaskan cara kerja sistem secara terstruktur. Diagram blok sistem akan disajikan pada gambar 1.
Gambar 1. Diagram blok proses klasifikasi jenis penyimpangan tumbuh kembang pada anak menggunakan metode NWKNN
jumlah data latih d pada kelas i jumlah data latih d pada kelas j, dimana j terdapat dalam himpunan k Eksponen (exp bernilai lebih dari 1)
Skor( X , Ci ) Weight i djNW KNN( X )
3.
data uji = akan bernilai 1 jika nilai jarak
(5)
Keterangan: 𝑁𝑢𝑚(𝐶𝑖𝑑 )
Ci
x1i ) 2 = jarak antara data latih dan
(6)
Pada gambar 1 menjelaskan diagram blok yang mewakili beberapa komponen sistem klasifikasi penyimpangan tumbu kembang anak dengan menggunakan metode NWKNN yang akan dibangun mulai dari proses input hingga output yang dihasilkan.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
HASIL DAN PEMBAHASAN
Pengaruh Nilai K
4.1 Pengujian dan Analisis Pengaruh Perubahan Jumlah Data Uji dan Data Latih Pengujian ini dilakukan dengan mengubah rasio data dengan nilai 90:10, 80:20, 70:30, 60:40, 50:50, 40:60, 30:70, 20:80, 10:90. Hasil pengujian pengaruh perubahan jumlah data uji dan data latih dapat dilihat pada Gambar 2. Pengaruh Perubahan Jumlah Data Uji dan Data Latih
Akurasi
100%
100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0%
Akurasi
4.
2847
0
20
Nilai K
40
60
80%
Gambar 3. Grafik hasil pengujian pengaruh nilai K
60%
Dapat dilihat bahwa perubahan pada nilai K cenderung mempengaruhi hasil akurasi yang didapatkan. Hasil akurasi dari pengujian cenderung tidak stabil. Dari nilai K= 2 akurasi dari sistem cenderung naik hingga mendapatkan nilai akurasi terbaik saat K= 10, setelahnya saat nilai K semakin besar akurasi yang dihasilkan menjadi menurun. Hal Ini disebabkan semakin besar nilai dari K yang ditentukan, semakin banyak pula data yang masuk ke dalam ketetanggaan. Terlebih dengan data yang tidak merata, kelas yang masuk dalam ketetetanggan akan cenderung didominasi oleh kelas mayoritas sehingga saat dilakukan klasifikasi, data uji menjadi sering masuk kedalam kelas yang salah. Pada klasifikasi penyimpangan tumbuh kembang pada anak menggunakan metode NWKNN ini, data yang ada lebih didominasi dengan ADHD, sehingga saat dilakukan proses klasifikasi dengan metode NWKNN, ADHD yang paling sering muncul dan dituju bila terjadi kesalahan klasifikasi.
40% 20% 0% 0
50
100
Jumlah Data Latih 5
10
15
Gambar 2. Grafik pengaruh perubahan jumlah data uji dan data latih
Grafik menunjukkan bahwa semakin banyak jumlah data latih yang digunakan, maka akurasi yang didapatkan pun menjadi semakin baik. Akurasi tertinggi didapatkan pada saat menggunakan 80 data latih dan akurasi yang paling rendah didapatkan saat menggunakan 10 data latih. Hal ini menuunjukkan semakin banyak data latih yang digunakan semakin banyak, maka perbandingan dengan data uji juga semakin banyak. Sehingga pada saat nilai CosSim sudah didapatkan, data yang mempunyai similarity dengan data uji yang akan dilakukan klasifikasi lebih banyak masuk ke dalam ketetanggaannya. Dan sebaliknya jika data latih sedikit maka data yang dibandingkan dengan data uji lebih sedikit, terlebih lagi dataset pada penelitian ini memiliki kelas yang ridak seimbang sehingga memungkinkan terjadinya underfitting. 4.2 Pengujian dan Analisis Pengaruh nilai K Pengujian ini dilakukan dengan mengubah nilai K secara acak dengan nilai 2, 4, 8, 10, 15, 20, 25, 30, 35, dan 40. Hasil pengujian pengaruh nilai K dapat dilihat pada grafik pada gambar 3.
Fakultas Ilmu Komputer, Universitas Brawijaya
4.3 Pengujian dan Analisis Pengaruh Nilai E Pengujian ini dilakukan dengan mengubah nilai E secara acak dimulai E=1, E=1.5, E=2, E=2.5, E=3, E=3.5, E=4, E=4.5, E=5, E=5.5 dan E=6. Hasil pengujian pengaruh nilai E dapat dilihat pada grafik pada gambar 4.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Pengaruh Nilai E
Akurasi
100% 95% 90% 85% 0
2
4
6
8
Nilai E Gambar 4. Grafik hasil pengujian pengaruh nilai E
Terlihat bahwa pengujian dengan mengubah nilai E cenderung memberikan hasil yang stabil terhadap hasil akurasi pada beberapa nilai E. Hal ini menunjukkan bahwa perubahan nilai E tidak begitu memberikan pengaruh yang besar terhadap lebih baik atau buruknya hasil akurasi pada klasifikasi jenis penyimpangan tumbuh kembang anak pada sistem. 4.4 Pengujian dan Analisis Perbandingan Akurasi Metode KNN dan NWKNN Pengujian dilakukan dengan membandingan hasil akurasi antara metode KNN dengan metode NWKNN. Perbandingan hasil akurasi tersebut dilakukan dengan melihat selisih hasil akurasi yang diperoleh antara metode KNN dengan metode NWKNN. Pengujian dilakukan dengan menggunakan data latih sejumlah 80 data dan data uji sebanyak 20 data. Hasil pengujian perbandingan akurasi metode NWKNN dan KNN dapat dilihat pada grafik pada gambar 5.
Perbandingan akurasi KNN dan NWKNN
Akurasi
100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% 0
20 NWKNN
Nilai K
40
60 KNN
Gambar 5. Grafik perbandingan KNN dan NWKNN
Terlihat pada pada percobaan awal saat nilai K=2 hasil akurasi yang dihasilkan lebih Fakultas Ilmu Komputer, Universitas Brawijaya
2848
baik menggunakan metode KNN. Tetapi pada saat nilai K nya semakin besar akurasi metode NWKNN lebih baik 5% - 15% dibandingkan metode KNN. Pada kasus klasifikasi penyimpangan tumbuh kembang pada anak, dengan data latih yang digunakan tidak seimbang metode NWKNN memiliki akurasi lebih baik jika dibandingkan dengan metode KNN. Pada saat pengujian dengan menggunakan metode NWKNN dan metode KNN data yang digunakan tidak merata pada setiap kelasnya. Hal ini mengakibatkan ada data yang masuk kelas minoritas dan kelas mayoritas. Saat menghitung nilai ketetanggaan dengan nilai K yang besar, hasil klasifikasi lebih banyak menampilkan kelas mayoritas. Hal ini terjadi karena pada saat mengurutkan nilai CosSim baik pada metode NWKNN maupun KNN kelas mayoritas cenderung berada pada urutan teratas dan kelas minoritas di urutan bawah. Keunggulan dari metode NWKNN dibandingkan dengan KNNN adalah adanya pemberian bobot pada tiap kelas yang ada. Jika pada KNN hanya menghitung nilai kedekatan ketetanggan pada saat melakukan perhitungan skor, pada NWKNN diberikan pembobotan pada tiap kelas yang ada sehingga dengan pemberian bobot ini dapat meningkatkan skor kelas minoritas. Adanya pembobotan ini dapat membantu kelas minoritas untuk dapat diklasifikasikan ke dalam kelas yang tepat. 4.5 Pengujian hasil dengan Confusion Matrix Pengujian hasil dengan menggunakan confusion matrix dilakukan untuk mengetahui nilai recall, precision dan f-measure pada sistem klasifikasi penyimpangan tumbuh kembang pada anak dengan menerapkan metode Neighbor Weighted K-Nearest Neighbor (NWKNN). Pengujian ini dilakukan dengan mengambil data yang memiliki tingkat akurasi tertinggi yaitu pada rasio data latih dan data uji 80:20. Pengujian ini dilakukan untuk mengetahui nilai recall, precision, dan f-measure pada tiap jenis/kelasnya. Pengujian ini menggunakan hasil akurasi terbaik yaitu pada nilai 95%. Hasil pengujian dapat dilihat pada Tabel 1. Tabel 1. Hasil pengujian dengan confusion matrix Kelas
Precision
Recall
F-Measure
Down Syndrome
100%
100%
100%
Autisme
75%
100%
85,7%
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer ADHD
100%
86%
92,4%
Normal
100%
100%
100%
2849 mengklasifikasi kelas yang berasal dari kelas minoritas pada data.
Berdasarkan hasil pengujian confusion matrix pada data yang memiliki akurasi paling tinggi, yaitu data dengan rasio data latih dan data uji 80:20 dan nilai K=10 dapat dilihat bahwa pada kelas down syndrome memiliki nilai precision 100%, nilai recall 100% dan nilai fmeasure 100%, kelas kelas autisme memiliki nilai precision 75%, nilai recall 100% dan nilai f-measure 85,7%, kelas ADHD memiliki nilai precision 100%, nilai recall 86% dan nilai fmeasure 92,4%, dan kelas normal memiliki nilai precision 100%, nilai recall 100% dan nilai fmeasure 100%.
DAFTAR PUSTAKA
5.
Chamidah, Atien N., 2009. Deteksi Dini Gangguan Pertumbuhan dan Perkembangan Anak. Jurnal Pendidikan Khusus Vol. 5, No. 2
KESIMPULAN
Kesimpulan yang didapatkan setelah melakukan pengujian dan analiss pada sistem klasifikasi penyimpangan tumbuh kembang anak dengan menggunakan metode Neighbor Weighted K-Nearest Neighbor (NWKNN) sebagai berikut: 1. Klasifikasi penyimpangan tumbuh kembang pada anak dengan menggunakan metode NWKNN dilakukan dengan cara mengubah jawaban dari setiap pernyataan gejala tumbuh kembang kedalam angka 1 (untuk jawaban iya), dan 0 (untuk jawaban tidak). Dari tiap gejala yang sudah dimasukkan tadi ditentukan nilai similaritynya terhadap data latih, selanjutnya data diproses hingga mendapatkan nilai skor, kelas yang mempunyai nilai skor paling tinggi akan menjadi hasil klasifikasi. 2. Pengujian yang dilakukan pada klasifikasi penyimpangan tumbuh kembang anak pada anak dengan menggunakan metode NWKNN menunjukkan bahwa hasil akurasi terbaik didapatkan saat menggunakan rasio data 80:20, nilai K=10, nilai E=4 dimana hasil akurasi mencapai 95% 3. Berdasarkan hasil pengujian menunjukkan bahwa metode NWKNN memberikan hasil akurasi 5%-15% lebih baik dari pada metode KNN. Metode NWKNN memberikan hasil lebih baik daripada metode KNN ketika nilai K semakin meningkat (setelah K= 2), hal ini terjadi karena pada metode NWKNN terdapat proses pemberian bobot pada setiap kelas yang dapat membantu mengenali dan Fakultas Ilmu Komputer, Universitas Brawijaya
Adeniyi, D.A., Wei, Z., & Yongquan, Y.,2016. Automated web usage data mining and recommendation system using K-Nearest Neighbor (KNN) classification method. Applied Computing and Informatics, [ejournal] 12, 90-108. Arissaputra, Valerian, 2015. Klasifikasi Dokumen Tanaman Obat Menggunakan Metode Neighbor Weighted K-Nearest Neighbor (NWKNN). S1. Universitas Brawijaya.
Faizal, Edi., 2015. Integrasi Case-Based Reasoning dan Rule-Based Reasoning untuk Pengembangan Sistem Pendeteksi Dini Gangguan Tumbuh Kembang Anak. Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 13, No. 3. Feizar, Faldy H., 2014. Analisis Sentimen Opini Film Berbahasa Indonesia Berbasis Kamus Menggunakan Metode Neighbor-Weighted K-Nearest Neighbor. S1. Universitas Brawijaya. Han, Jiawei, et al, 2012. Data Mining : Concepts and Techniques third edition. [e-book] United State of America : Elsavier Inc. Hidayat, A.A, 2008. Pengantar Ilmu Kesehatan Anak untuk Pendidikan Kebidanan, Salemba Medika, Jakarta. Ikalor, Allvanialista. 2013. Pertumbuhan dan Perkembangan. Jurnal Pertumbuhan dan Perkembangan, No. 7. Irwanto, et al, 2006. Penyimpangan Tumbuh Kembang Anak. Surabaya: OCMP Kartono, Kartini. 2007. Perkembangan Psikologi Anak. Jakarta: Erlangga. Nasution, Andi S. 2015. Penerapan Algoritme Modified K-Nearest Neighbor (MKNN) untuk Pengklasifikasian Penyakit Attention Deficit Hiperactive Disorder (ADHD) pada Anak. Informasi dan Teknologi Ilmiah (INTI), V.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Putri, Hervira A. & Maharani Y., 2013. Pusat Tumbuh Kembang Anak. Ridok, Achmad dan Latifah, Retnani. 2015. Klasifikasi Teks Bahasa Indonesia Pada Corpus Tak Seimbang Menggunakan NWKN. Dalam : STMIK STIKOM Bali, 2015. Konferensi Nasional Sistem&Informatika 2015. Bali, 09-10 Oktober 2015. Somantri, Sutjihati. 2007. Psikologi Anak Luar Biasa, Bandung: PT. Refika Aditama Soetjiningsih. 2003. Perkembangan Anak dan Permasalahannya. Jakarta: EGC. Tan, Songbo. 2005. Neighbor-weighted Knearest neighbor for unbalanced text corpus. Elsavier Inc.
Fakultas Ilmu Komputer, Universitas Brawijaya
2850
