Sistem Pendukung Keputusan Penentuan Tingkat Keparahan Autis Menggunakan Metode Fuzzy K-Nearest Neighbor

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 1, No. 7, Juni 2017, hlm. 602-610

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

Sistem Pendukung Keputusan Penentuan Tingkat Keparahan Autis Menggunakan Metode Fuzzy K-Nearest Neighbor Robbiyatul Munawarah1, M. Tanzil Furqon2, Lailil Muflikhah3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: [email protected], [email protected], [email protected] Abstrak Autis atau yang biasa disebut Autistic Spectrum Disorders (ASD) merupakan istilah umum mengacu pada gangguan perkembangan otak seseorang yang sudah tidak asing lagi di telinga masyarakat Indonesia. Sampai saat ini, sudah banyak penelitian dilakukan dengan jalan membangun sistem kecerdasan buatan dengan berbagai teknik yang digunakan untuk mempermudah proses prediksi ada atau tidaknya gangguan ini. Namun sangat jarang ditemukan sistem yang dapat menentukan tingkat keparahan autis. Padahal, kemajuan penelitian pada bidang autis sudah tidak lagi berfokus pada autis atau tidaknya seorang anak, namun lebih kepada ‘adakah perbedaan antara anak autis yang satu dengan lainnya?’ sehingga muncul label ‘tingkat keparahan’ sesuai dengan perilaku tertentu yang anak tunjukkan. Untuk mempermudah menentukan tingkat keparahan autis, maka dibuatlah sistem pendukung keputusan dengan memanfaatkan salah satu metode implementasi data mining yaitu metode Fuzzy K-Nearest Neighbor (FK-NN). Fuzzy K-Nearest Neighbor (FK-NN) adalah metode gabungan dari K-Nearest Neighbor yang digabungkan dengan teori Fuzzy dalam memberikan definisi pemberian label kelas pada data uji yang diprediksi. Terdapat 14 gejala dan 3 tingkat keparahan yang dapat digunakan sebagai parameter dalam pengembangan sistem. Keluaran yang akan dihasilkan sistem pendukung keputusan berupa tingkat keparahan autis. Berdasarkan pada skenario pengujian yang dilakukan memperoleh hasil rata-rata akurasi maksimum 90,83% serta akurasi minimum sebesar 82,50%. Berdasarkan hasil tersebut, sistem yang menggunakan metode Fuzzy K-Nearest Neighbor (FKNN) dapat di implementasikan pada kehidupan sehari-hari. Kata Kunci: Fuzzy K-Nearest Neighbor (FK-NN), Autis, Sistem Pendukung Keputusan.

Abstract Autistic or Autistic Spectrum Disorders (ASD) is a general term referring to a neurodevelopmental disorder that is well known among Indonesian. Many researches on autism detection have been done by designing artificial intelligence systems with a variety of techniques used to make it easier for society to predict this kind of disorder. However, we hardly ever seen a system that can determine the severity of autism. In fact, the progress of the research in this field is no longer focused on whether a child is autistic individual or not, but rather to questioning about “Is there anything in autistic children that makes them different from one another?” as the ‘severity’ label appear to give them spesific class under certain behaviour they shown. To make it easier to determine the severity of autism, decision support system will be designed using one of data mining method called Fuzzy K-Nearest Neighbor (FK-NN). Fuzzy K-Nearest Neighbor (FK-NN) is K-Nearest Neighbor method combine with Fuzzy theory that gives value of membership on every predicted data.. There are 14 symptoms and 3 types of severity used as a parameter in the development of the system. The output of this decision support system is autism severity level. The results of the system shows that the average maximum accuracy is 90.83% while the average minimum accuracy is 82.50%. Based on those results, the uses of Fuzzy K-Nearest Neighbor (FK-NN) method can be implemented in our daily life. Keywords: Fuzzy K-Nearest Neighbor (FK-NN), Autism, Decision Support System

Fakultas Ilmu Komputer Universitas Brawijaya

602

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

1. PENDAHULUAN Autis atau yang biasa disebut Autistic Spectrum Disorders (ASD) merupakan istilah umum yang mengacu pada gangguan perkembangan otak seseorang. Gangguan ini mengakibatkan hambatan dalam kemampuan seseorang saat berinteraksi sosial, berkomunikasi secara verbal maupun non-verbal serta perilaku repetitif (berulang-ulang) yang kerap dilakukan oleh para penderita autis (Kanner, 1943). Pada umumnya penderita autis mengacuhkan suara atau kejadian yang melibatkan mereka, dan menghindari kontak sosial misalnya pandangan mata serta kontak fisik dengan sesamanya. Penyebab gangguan autis pun terbilang kompleks. Beberapa penelitian menyebutkan bahwa penyebab autis adalah adanya gangguan susunan syaraf pusat yang disebabkan oleh kelainan stuktur otak. Bahkan ahli yang lain menyimpulkan bahwa autis disebabkan oleh kombinasi makanan yang salah atau karena lingkungan yang terkontaminasi zat beracun sehingga menyebabkan masalah dalam tingkah laku. Faktor lainnya yaitu faktor genetik yang juga memegang peran dalam munculnya autis pada anak. Masyarakat kerap memahami bahwa anak penderita autis merupakan anak dengan sikap pembawaan muram serta cara berpikir yang lamban. Pada kenyataannya, para pengindap autis merupakan individual dengan kebutuhan khusus yang memerlukan pendekatan dengan metode berbeda untuk mempermudah proses adaptasi dan pembelajaran dalam kehidupan mereka sehari-hari. Karena pada dasarnya pendekatan normal untuk anak pada umumnya tidak akan membantu pengembangan ataupun peningkatan keterampilan sosial dan penalaran anak penderita autis. Menurut National Database for Autism Research (NDAR), dari 127.013 subjek penelitian gangguan autis berdasarkan umur menunjukkan sebanyak 25,1% berada ditingkatan autism berat, 9,1% berada ditingkatan sedang, dan 3,2% berada ditingkatan ringan (NDAR, 2016). NDAR merupakan repositori data berbgai macam penelitian terkait kesehatan yang didanai oleh National Institutes of Health (NIH) dengan tujuan untuk mempercepat kemajuan dalam penelitian Autism Spectrum Disorder dengan berbagi data, data harmonisasi dan laporan hasil penelitian. Dari data pemetaan anak berkebutuhan khusus di Fakultas Ilmu Komputer, Universitas Brawijaya

603

Indonesia, diperkirakan terdapat 139.000 penyandang autis dari 400.000 anak berkebutuhan khusus (RBK, 2015). Banyak penelitian telah dilakukan pada anak-anak dengan autis serta pembangunan sistem kecerdasan buatan dengan berbagai teknik yang digunakan untuk mempermudah proses prediksi ada atau tidaknya gangguan ini. Namun demikian masih ada kekurangan dalam penelitian dan pengembangan sistem untuk menentukan tingkat keparahan anak-anak autis ini. Penelitian-penelitian terbaru lebih berfokus pada teori dan bukan melalui pengembangan sistem sehingga menimbulkan kesulitan jika ingin melakukan deteksi tingkat keparahan autis pada anak-anak. Tingkat keparahan anak autis sangat penting untuk diidentifikasi dan merupakan salah satu aspek yang perlu dipertimbangkan agar pengasuh maupun orang tua dapat membimbing dan mengayomi anak penderita autis. Oleh karena itu, ada kebutuhan untuk mengklasifikasikan tingkat keparahan anak autis ini dengan metode klasifikasi yang cocok agar dapat mempermudah orang tua dan guru untuk membantu anak-anak autistik dalam proses pertumbuhan masa depan mereka. Berdasarkan permasalahan diatas, penulis mengajukan penelitian berjudul “SISTEM PENDUKUNG KEPUTUSAN PENENTUAN TINGKAT KEPARAHAN AUTIS MENGGUNAKAN METODE FUZZY KNEAREST NEIGHBOR” dengan menggunakan acuan Diagnostic and Statistical Manual of Mental Disorder Fifth Edition (DSM–V) untuk acuan tingkat keparahan autisme anak. 2. TINJAUAN PUSTAKA 2.1. Autis World Health Organization (WHO) International Classification of Diseases (ICD10) mengartikan autisme masa kanak-kanak sebagai adanya sikap abnormaL atau gangguan perkembangan pada anak yang muncul sebelum anak berusia tiga tahun dengan tipe karakteristik pada tiga bidang yaitu interaksi sosial, komunikasi, dan perilaku yang diulang-ulang (WHO, 2016). Berikut bentuk perilaku-perilaku unik yang sering terlihat pada anak-anak autis antara lain (NAS, 2016): 1. Anak dengan autis mengalami kesulitan dalam berkomunikasi. 2. Anak-anak dengan ASD mungkin tidak mengerti aturan sosial - peraturan tertulis yang mengatur situasi sosial, seperti


bagaimana caranya mendengarkan orang lain dalam situasi percakapan. 3. Anak autis memiliki kekurangan fungsi kognitif yaitu proses intelektual yang membuat seseorang berfikir, beralasan, memahami ide-ide serta mengingat hal-hal. Kekurangan ini membuat anak tidak mengerti konsep waktu serta tidak dapat memprediksi konsekuensi dari apa yang mereka lakukan. 4. Banyak anak-anak dengan ASD memiliki kesulitan memproses informasi sensorik, contohnya anak tidak dapat menelan makanan dengan rasa atau tekstur yang tidak biasa, atau merasakan sakit saat orang lain menyentuh mereka bahkan sentuhan ringan sekalipun. 5. Anak autis biasanya kesulitan untuk memberitahu orang lain saat mereka merasa sakit atau menunjukkan bagian mana yang terasa sakit, bahkan dengan kenyataan mereka dapat berkomunikasi cukup baik. 6. Anak autis bisa saja mengalami obsesi pada objek atau kebiasaan tertentu yang disebabkan karena saat anak kesulitan melakukan interaksi sosial, membicarakan hal yang di sukai mungkin menjadi salah satu cara mereka untuk memulai percakapan. Meskipun seringkali dianggap abnormal, namun individu autis terbukti bukan merupakan seorang dengan pemikiran lamban namun merupakan individu khusus yang jika proses menanganinya sesuai akan menampilkan bakat tersembunyi jika metode yang digunakan untuk mendekati mereka pantas. Oleh karena itu dengan memisahkan autis kedalam tingkat yang sesuai, akan mempermudah bagi tenaga pengajar maupun orang tua bagaimana memperlakukan anak penderita autis sesuai tingkat keparahannya. 2.2. Tingkat Keparahan Autis Tingkat keparahan ini di identifikasi untuk mendukung perbedaan penanganan yang dibutuhkan oleh setiap individu autis merujuk pada seberapa parah ASD mereka. Tingkatan yang berbeda untuk ASD membutuhkan tingkat dukungan yang berbeda pula (Association, 2013). Ada tiga tingkat keparahan dalam ASD; tingkat 1, tingkat 2 dan tingkat 3. Berikut tingkat autis menurut literatur Diagnostic and Statistical Manual of Mental Disorder Fifth Edition (DSM-V) ditunjukkan pada Tabel 1.

604 Tabel 1. Tingkat Keparahan Autis

Tingkat Keparahan Autis

Komunikasi Sosial

Ketertarikan spesifik & Perilaku berulang-ulang Asyik sendiri, terpaku pada kebiasaan atau perilaku repetitif. Ditandai dengan ekspresi tertekan ketika ritual atau rutinitas terganggu; sangat sulit untuk diarahkan ketika sudah terpaku pada satu hal.

Tingkat 3 Membutuhkan dukungan yang sangat besar

Kerusakan parah pada kemampuan komunikasi verbal dan nonverbal yang tidak berfungsi seperti yang seharusnya; interaksi sosial terbatas, menjawab seadanya ketika ditawari bantuan oleh orang lain.

Tingkat 2 Membutuhkan dukungan yang besar

Ditandai dengan kurangnya kemampuan komunikasi verbal dan nonverbal. Interaksi sosial terbatas serta respon abnomal untuk tawaran bantuan dari orang lain.

Ritual dan perilaku yang berulang-ulang atau keasyikan sendiri. Ekspresi tertekan atau frustrasi terlihat jelas ketika ritual terganggu; sulit untuk diarahkan ketika sudah terpaku pada sesuatu.

Tingkat 1 Membutuhkan dukungan

Jika lingkungan tidak mendukung, kekurangan anak dalam ketidakmampua n untuk memulai komunikasi menjadi lebih terlihat. Memiliki kesulitan memulai interaksi sosial dan menjelaskan tentang sesuatu. Sehingga terlihat tidak berminat untuk berinteraksi.

Ritual dan perilaku yang berulang-ulang menyebabkan gangguan signifikan. Menolak upaya orang lain yang mengganggu ritualnya atau mencoba mengalihkan perhatiannya

2.3. Fuzzy K-Nearest Neighbor (FK-NN) Sistem Pendukung Keputusan merupakan

Fakultas Ilmu Komputer, Universitas Brawijaya


alat bantu yang menggunakan informasi berbasis komputer. Berikut beberapa komponen untuk optimasi proses membuat keputusan dalam Decision Support System (Turban, 2007): 1. Subsistem manajemen data digunakan untuk manajemen data relevan untuk diolah perangkat lunak Database Management System (DBMS). 2. Subsistem manajemen basis data model (MBMS) adalah komponen yang dapat terkoneksi ke dalam penyimpanan eksternal yang ada pada model serta dapat di implementasikan pada sistem yang dikembangkan. 3. Subsistem antarmuka pengguna merupakan susbsistem yang digunakan pengguna berkomunikasi dengan DSS 4. Subsistem manajemen berbasispengetahuan merupakan komponen yang di koneksikan dengan repositori pengetahuan yang disebut dengan basis pengetahuan organisasional.

605 1, 𝑥𝑗 ∈ 𝐶𝑖

{0,

𝑥𝑗 ∉ 𝐶𝑖

}

𝑢(𝑥, 𝑐𝑖 ) = nilai keanggotaan data 𝑥 ke kelas 𝑐𝑖 𝑚 = adalah bobot pangkat yang besarnya 𝑚 > 1, nilai ini diberikan tergantung jumlah kelas target yang dipakai. 3. METODOLOGI Tahapan yang dilakukan pada penelitian ini ditunjukkan pada Gambar 1 berupa Diagram Alir Metodologi Penelitian. Studi Literatur

Pengumpulan Data

Analisis Kebutuhan Sistem

Perancangan Sistem

2.4. Fuzzy K-Nearest Neighbor (FK-NN) Fuzzy K-Nearest Neighbor (FK-NN) merupakan metode klasifikasi yang menggabungkan kedua teknik yaitu teknik Fuzzy dengan teknik K-Nearest Neighbor. Algoritma Fuzzy K-Nearest Neighbor (FK-NN) memberikan nilai keanggotaan kelas pada data uji. Bukan dengan menempatkan suatu data uji pada kelas tertentu. Berikut persamaan yang digunakan pada algoritma Fuzzy K-Nearest Neighbor (FK-NN) (Keller, 1985). Persamaan mencari Euclidean Distance antara data uji dan data latih dengan menggunakan persamaan 2.1 𝑛

𝑑(𝑥𝑖 , 𝑥𝑗 ) = √∑

(𝑎1 (𝑥𝑖 ) − 𝑎2 (𝑥𝑗 ))

2

(2.1)

𝑖=1

Dimana: 𝑑(𝑥𝑖 , 𝑥𝑗 ) = jarak euclidian antara vektor 𝑥𝑖 dan 𝑥𝑗 𝑎1 (𝑥𝑖 ) = fitur ke 1 dari vektor 𝑥𝑖 𝑎2 (𝑥𝑗 ) = fitur ke 2 dari vektor 𝑥𝑗 n = jumlah fitur pada vektor 𝑥1 dan 𝑥2 Persamaan hitung nilai keanggotaan 𝑢(𝑥, 𝑐𝑖 ) pada setiap i, dimana l≤i≤C menggunakan persamaan 2.2. −2

𝑢(𝑥, 𝑐𝑖 ) =

(𝑚−1) ∑𝑘 𝑗=1 𝑢(𝑥𝑗 ,𝑐𝑖 )∗𝑑(𝑥,𝑥𝑗 ) −2

(2.2)

(𝑚−1) ∑𝑘 𝑗=1 𝑑(𝑥,𝑥𝑗 )

Dimana: 𝑢(𝑥𝑗 , 𝑐𝑖 ) = nilai keanggotaan data tetangga 𝑥𝑗 dalam K terdekat pada kelas 𝑐𝑖 = Fakultas Ilmu Komputer, Universitas Brawijaya

Implementasi Sistem

Pengujian Sistem

Pengambilan Kesimpulan

Gambar 1. Diagram Alir Metodologi Penelitian

4. PERANCANGAN Sistem yang dikembangkan merupakan sistem yang mengimplementasikan metode Fuzzy K-Nearest Neighbor (FK-NN) untuk menentukan tingkat keparahan autis. Sistem ini memberikan tingkatan keparahan pada anak autis berupa tingkat ringan, tingkat sedang dan tingkat berat. Data yang akan diolah sistem berupa 14 gejala yang akan mempengaruhi tingkat keparahan dan di klasifikasikan menggunakan metode Fuzzy K-Nearest Neighbor (FK-NN). Implementasi yang akan dilakukan pada sistem berupa manajemen data, manajemen model dan antarmuka pengguna. Sistem pendukung keputusan penentuan tingkat keparahan autis memiliki input utama yaitu input data gejala. Langkah-langkah algoritma Fuzzy KNearest Neighbor (FK-NN) yang di


implementasikan pada sistem dapat dilihat pada Gambar 2. Mulai

Input Dataset Gejala Autis

Mencari Jarak menggunakan Euclidean Distance

606

1)

Perhitungan jarak data uji dengan seluruh data latih Selanjutnya digunakan metode K-Nearest Neighbor yang diawali dengan menghitung jarak dari data uji dengan seluruh data latih menggunakan persamaan Euclidean Distance. Contoh perhitungan jarak data uji dengan data latih ke-1 yaitu: 2

𝑗𝑎𝑟𝑎𝑘(16,1)

Pengambilan data berdasarkan jumlah k

((4 − 4)2 + (4 − 4)2 + (4 − 4)2 +(4 − 4)2 + (3 − 2)2 = +(3 − 4)2 + (4 − 3)2 +(4 − 1)2 + (4 − 1)2 + (4 − 1)2 + (3 − 4)2 +(4 − 2)2 + (4 − 4)2 + (4 − 1)2) √

= 6,6332 Menghitung nilai keanggotaan data uji terhadap kelas

Menampilkan Hasil Tingkat Keparahan Autis Selesai

2)

Pengurutan jarak dari nilai terkecil hingga nilai terbesar Hasil pengurutan jarak Euclidean dari yang terkecil hingga terbesar ditunjukkan pada Tabel 4. Tabel 4. Pengurutan jarak dari nilai terkecil hingga nilai terbesar

Gambar 2. Diagram Alir Fuzzy K-Nearest Neighbor (FK-NN)

Berikut data training sampel yang digunakan untuk membangun model yang ditunjukkan pada Tabel 2. Tabel 2. Data Training

3)

Berikut data uji yang digunakan untuk membangun model yang ditunjukkan pada Tabel 3.

Pengambilan data jarak sebanyak k Variabel k merupakan variabe jumlah tetangga terdekat dari suatu data uji, dari contoh manualisasi perhitungan Fuzzy K-Nearest Neighbor (FK-NN) ini peneliti mengambil nilai k sebanyak 3 sehingga yang dipilih adalah data 3 pasien dari hasil pengurutan sebelumnya yang ditunjukkan pada Tabel 5. Tabel 5. Pengambilan data jarak sebanyak k

Tabel 3. Data Uji

Proses yang dilakukan untuk mengolah data masukan pengguna sehingga dapat menghasilkan keluaran berupa tingkat keparahan autis. Fakultas Ilmu Komputer, Universitas Brawijaya

4)

Hitung nilai keanggotaan jarak kedalam masing-masing kelas Menghitung nilai keanggotaan jarak menggunakan Persamaan 2.2. Pada perhitungan


ini, nilai m = 3, hal ini dikarenakan ada 3 nilai hasil yaitu Autisme Ringan, Autisme Sedang dan Autisme Berat. Contoh perhitungan mencari nilai keanggotaan kelas, yaitu: −2

−2

607

Training, Penentuan Tingkat Keparahan serta Informasi Terkait untuk masing-masing tingkat autis. Tampilan halaman Home dapat dilihat pada Gambar 4.

−2

1 ∗ 3,7417(3−1) + 1 ∗ 5,2915(3−1) + 1 ∗ 5,5678(3−1)

𝜇(𝐴𝑢𝑡𝑖𝑠𝑚𝑒𝑅𝑖𝑛𝑔𝑎𝑛) =

−2 3,7417 (3−1)

+

−2 5,2915(3−1)

+

−2 5,5678 (3−1)

= 1,000 −2

𝜇(𝐴𝑢𝑡𝑖𝑠𝑚𝑒 𝑆𝑒𝑑𝑎𝑛𝑔) =

−2

−2

0 ∗ 3,7417(3−1) + 0 ∗ 5,2915(3−1) + 0 ∗ 5,5678(3−1) −2

−2

−2

3,7417(3−1) + 5,2915(3−1) + 5,5678(3−1)

= 0,000 −2

𝜇(𝐴𝑢𝑡𝑖𝑠𝑚𝑒𝐵𝑒𝑟𝑎𝑡) =

−2

−2

0 ∗ 3,7417(3−1) + 0 ∗ 5,2915(3−1) + 0 ∗ 5,5678(3−1) −2

−2

−2

3,7417 (3−1) + 5,2915(3−1) + 5,5678(3−1)

= 0,000

Jika dibandingkan, nilai keanggotaan kelas Autisme Ringan merupakan nilai keanggotaan terbesar dibanding nilai keanggotaan kedua kelas lainnya. Sehingga dapat disimpulkan bahwa data uji masuk kedalam kelas Autisme Ringan. 5. IMPLEMENTASI Antarmuka pada sistem pendukung keputusan penentuan tingkat keparahan autis ini berguna sebagai media interaksi antara pengguna dengan sistem agar memberikan kemudahan kepada pengguna dalam menjalankan sistem ini. 1. Halaman Login Pada halaman Login ini, sistem akan menampilkan halaman untuk melakukan akses kedalam sistem yang terdiri dari textfield username dan password. Tampilan halaman Login dapat dilihat pada Gambar 3.

Gambar 4. Halaman Home 3.

Halaman List Gejala Pada halaman List Gejala, sistem akan menampilkan Halaman List Gejala akan menampilkan 14 Gejala yang dijadiakan acuan sistem yang ditampilkan didalam tabel beserta opsi untuk melakukan Insert, Update dan Delete. Tampilan halaman List Gejala dapat dilihat pada Gambar 5.

Gambar 5. Halaman List Gejala

4.

Halaman Data Training Pada halaman Data Training, sistem akan menampilkan seluruh data training yang digunakan untuk proses penentuan tingkat keparahan. Tampilan halaman Data Training dapat dilihat pada Gambar 6. Gambar 3. Halaman Login

2.

Halaman Home Pada halaman Home ini, sistem akan menampilkan halaman awal dari sistem pendukung keputusan penentuan tingkat keparahan autis dimana pada halaman ini terdapat pilihan menu pada bagian atas sistem yang terdiri dari menu Home, List Gejala, Data Fakultas Ilmu Komputer, Universitas Brawijaya


Gambar 9. Halaman Penentuan Tingkat Keparahan- Tampilkan Hasil

Gambar 6. Halaman Data Training

5.

6. PENGUJIAN 6.1. Pengujian Pengaruh Nilai k Pengujian ini merupakan pengujian yang dilakukan untuk mengetahui pengaruh nilai k yang berubah-ubah terhadap akurasi. Nilai k yang digunakan pada pengujian ini adalah k=1 hingga k=10. Pengujian ini akan menggunakan data latih 25%, data latih 50%, dan data latih 75%. PENGUJIAN PENGARUH NILAI K TERHADAP AKURASI PERSENTASE (%)

Halaman Penentuan Tingkat Keparahan Pada halaman Penentuan Tingkat Keparahan terdapat pernyataan berupa gejala yang ditujukan kepada pengguna untuk inputan sistem. Sebelum mengisi pernyataan akan ada intruksi serta tombol untuk memulai pengisian pernyataan yang ditunjukkan pada Gambar 7. Pengguna diharuskan mengisi pernyataan sampai selesai dan akan ada tombol Tampilkan Hasil pada Gambar 8. Hasil rekomendasi Tingkat Keparahan Autis ditunjukkan pada Gambar 9 disertai tombol reset untuk melakukan penentuan tingkat keparahan pada data selanjutnya.

608

95 90 85 80 75 70

25% 50% K = 1 K = 2 K = 3 K = 4 K = 5 K = 6 K = 7 K = 8 K = 9K = 1 0

75%

NILAI K

Gambar 10. Grafik hasil pengujian perubahan nilai k terhadap akurasi

Gambar 7. Halaman Penentuan Tingkat Keparahan-Mulai

Dilihat pada Gambar 10 dapat disimpulkan bahwa untuk pengujian selanjutnya akan menggunakan data latih 75% karena menghasilkan akurasi cenderung lebih tinggi dibandingkan data latih 25% dan data latih 50%. Untuk nilai k yang akan digunakan pada pengujian adalah k=5 sebagai k yang menunjukkan akurasi tertinggi pada data latih 75% yaitu 90,83 % 6.2. Pengujian terhadap sebaran data

Gambar 8. Halaman Penentuan Tingkat Keparahan


Proses pengujian pada sebaran data ini menggunakan jumlah data latih sebanyak 30, 45, dan 60 data dengan jumlah data uji yang sama yaitu 30, 45, dan 60. Pada pengujian ini menggunakan nilai k=5. Uji coba dilakukan sebanyak 3 kali uji coba dengan sebaran data berbeda. Proses pengujian yaitu melakukan


perhitungan terhadap sebaran data seimbang dan tidak seimbang hingga menghasilkan rata-rata untuk akurasi. PENGUJIAN SEBARAN DATA TERHADAP AKURASI

PERSENTASE (%)

90 85 80 75 70 65

30

45

60

Seimbang

78,89

80,00

83,89

Tidak Seimbang

82,22

76,30

75,56

609

Gambar 12. Grafik Pengujian Jumlah Data Latih terhadap Akurasi

Dari pengujian yang dilakukan terlihat bahwa akurasi tertinggi mencapai angka 83,33% pada data latih 60. Hal ini dikarenakan semakin banyak jenis data latih di kelas yang sama dengan data uji digunakan pada proses perhitungan maka proses learning pada metode yang digunakan semakin baik.

JUMLAH DATA LATIH

7. KESIMPULAN DAN SARAN Gambar 11. Grafik Pengujian Sebaran Data

Pada Gambar 11 menunjukkan hasil dari pengujian untuk data latih seimbang dan tidak seimbang terhadap akurasi. Pada jenis data latih yang seimbang terlihat bahwa grafik cenderung meningkat seiring dengan bertambahnya jumlah data latih yang digunakan. Hal ini dikarenakan pada data seimbang menggunakan jumlah tingkat keparahan (kelas) yang berjumlah sama pada masing-masing data latih yang digunakan. Sedangkan pada jenis data latih tidak seimbang mengalami penurunan. Hal ini dikarenakan pada jenis data latih tidak seimbang ini, terdapat dominasi dari tingkat keparahan (kelas) tertentu yang dapat menyebabkan hasil yang tidak akurat dalam proses klasifikasi. 6.3. Pengujian Tehadap Pengaruh Jumlah Data Latih Pada pengujian ini menggunakan jumlah data latih berbeda yaitu 30, 45, dan 60 dengan jumlah data uji yang sama yaitu 30. Pada pengujian ini menggunakan k dari proses pengujian sebelumnya yaitu nilai k=5. Pada masing-masing pengujian jumlah data latih 30, 45 dan 60 dilakukan uji coba sebanyak 3 kali dan akan menghasilkan rata-rata akurasi. Proses pengujian jenis ini melakukan perhitungan terhadap jumlah data latih berbeda dengan jumlah data uji yang sama sehingga menghasilkan nilai akurasi untuk melihat pengaruh dari perubahan jumlah data latih.

Persentase (%)

Pengujian Jumlah Data Latih 90 85 80 75

Akurasi

30

45

60

80,00

80,00

83,33

Jumlah Data Latih


7.1. Kesimpulan Berdasarkan pengujian terhadap sistem pendukung keputusan penentuan keparahan autis menggunakan metode Fuzzy K-Nearest Neighbor (FK-NN) dapat diambil kesimpulan sebagai berikut: 1. Perancangan dari sistem ini dimulai dari Manajemen Data, Perancangan Proses, Perancangan Flowchart, Manajemen Model serta Perancangan Antarmuka. 2. Algoritma Fuzzy K-Nearest Neighbor (FKNN) dapat diimplementasikan untuk menentukan tingkat keparahan autis dengan menggunakan 14 gejala dengan 3 tingkat keparahan autis yaitu Autisme Ringan, Autisme Sedang dan Autisme Berat. 3. Dari hasil pengujian yang telah dilakukan menghasilkan kesimpulan sebagai berikut: a) Berdasarkan hasil pengujian pengaruh nilai k didapatkan hasil akurasi maksimum 90,83 % pada data latih 75% yang terdiri dari 115 data latih dan 40 data uji serta akurasi minimum sebesar 82,50%. Dari hasil pengujian menunjukkan bahwa perubahan nilai k berpengaruh pada akurasi. Nilai k terbaik dipengaruhi oleh data yang digunakan. b) Berdasarkan hasil pengujian sebaran data, akurasi yang dihasilkan oleh jenis data latih seimbang mengalami peningkatan. Akurasi tertinggi sebesar 83,89 % pada 60 data latih. Sedangkan pada jenis data latih tidak seimbang peningkatan terjadi kurang stabil dengan akurasi tertinggi pada 30 data latih dengan akurasi sebesar 82,22. Hal ini dikarenakan pada data latih tidak seimbang proses klasifikasi yang terjadi akan cenderung pada kelas yang mendominasi.


c) Berdasarkan hasil pengujian jumlah data latih, akurasi mengalami peningkatan dengan akurasi tertinggi sebesar 83,33% pada 60 data latih. Hal ini menunjukkan bahwa nilai k yang sesuai, sebaran data latih yang seimbang serta jumlah data latih yang besar akan mempengaruhi proses learning pada metode yang digunakan sehingga menjadi semakin baik. 7.2. Saran Saran penulis yang terkait penelitian “Sistem Pendukung Keputusan Penentuan Tingkat Keparahan Autis mengunakan metode Fuzzy K-Nearest Neighbor” untuk penelitian selanjutnya sebagai berikut: 1. Dianjurkan melakukan penambahan parameter serta jumlah data untuk hasil dari proses keputusan yang optimal. Penambahan parameter dapat berupa gejala untuk penelitian kedepannya. 2. Peneliti selanjutnya dapat melakukan pengembangan sistem dengan cara melakukan kombinasi lebih dari satu metode agar hasil yang diperoleh lebih optimum dan efektif.

DAFTAR PUSTAKA Association, A. P., 2013. The Diagnostic and Statistical Manual of Mental Disorders: DSM-5, [e-journal]. Tersedia melalui: bookpointUS [Diakses 11 Agustus 2016] Keller, JM., Gray, MR., Givens, JA., 1985. A Fuzzy K-Nearest Neigbor Algorithm. IEEE Trans System Man Cybernet, 15(4): 580585. doi: 10.1109/TSMC.1985.65313426 NAS., 2016. Behaviour. Tersedia melalui: National Autistic Society [Diakses 13 Agustus 2016] NDAR., 2016. NIMH Data Archive .Tersedia melalui: National Database Autism Research [Diakses 11 Agustus 2016] Prasetyo Eko, 2012. Data Mining : Konsep dan Aplikasi Menggunakan MATLAB. Yogyakarta: Andi. Turban, Efraim & Aronson, Jay E., 2007. Decision Support Systems and Intelligent Systems, 8th edition, Prentice Hall, Upper Saddle River, NJ. Fakultas Ilmu Komputer, Universitas Brawijaya

610

WHO., 2016. Autism spectrum disorders. Tersedia melalui: World Health Organization < http://www.who.int> [Diakses 22 Agustus 2016]

Sistem Pendukung Keputusan Penentuan Tingkat Keparahan Autis Menggunakan Metode Fuzzy K-Nearest Neighbor

Recommend Documents