1778 Identifikasi Penyimpangan Tumbuh Kembang Anak Dengan Algoritme Backpropagation
Vol. 2, No. 5, Mei 2018, hlm. 1778-1786 http://j-ptiik.ub.ac.id
Identifikasi Penyimpangan Tumbuh Kembang Anak Dengan Algoritme
Backpropagation
1 2 3 Fadhilla P. Cahyani , M. Tanzil Furqon , Bayu RahayudiProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1 2 3 Email: fadhillapuji@gmail.com, m.tanzil.furqon@ub.ac.id, ubay1@ub.ac.id
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 1. periode, yaitu periode pra lahir, periode bayi
PENDAHULUAN
yang baru lahir, masa bayi, masa kanak-kanak, Pertumbuhan adalah suatu proses dan masa puber (Hurlock, 1993). Masa kanak- perubahan yang bersifat kuantitatif, yaitu kanak dapat dibagi menjadi 2 bagian yaitu masa bertambahnya ukuran dan struktur (Somantri, kanak-kanak dini dan akhir. Masa kanak-kanak 2006). Sedangkan perkembangan dapat dini adalah masa anak saat berusia 2 hingga 6 didefinisikan sebagai perubahan dan perluasan tahun, atau dapat juga disebut sebagai masa bertahap, dari kompleksitas rendah ke prasekolah. Masa kanak-kanak akhir merupakan kompleksitas yang lebih tinggi, juga perluasan masa anak berusia 6 hingga 13 tahun, yang kapasitas seseorang melalui pertumbuhan, disebut sebagai usia sekolah. Perkembangan pematangan serta pembelajaran (Wong, 2008). pada masa kanak-kanak merupakan landasan
Fakultas 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
Pt. J.N.M Government Medical College Raipur India . Hasil penelitian menunjukkan bahwa Backpropagation berhasil mengklasifikasikan
syndrome pertama kali diperkenalkan secara
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
2.1.1 Down Syndrome Down syndrome (DS) merupakan
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 Penyimpangan Tumbuh Kembang Anak
2. DASAR TEORI
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.
tumor payudara dengan akurasi sebesar 84,6% (Singh, Verma, & Thoke, 2015).
mengklasifikasikan tumor payudara berdasarkan 40 tekstur dan bentuk dari dataset diagnosis di
Prevention of America (CDC) menyebutkan
Backpropagation digunakan untuk
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 Neural Network (BPNN)
. Algoritme ini memiliki kelebihan yaitu dapat menyelesaikan permasalahan kompleks yang sulit untuk dimodelkan dan diselesaikan dengan matematika atau prosedur tradisional (Haykin, 1994).
classifier
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 klasifikasi. Jaringan Syaraf Tiruan (JST) merupakan salah satu algoritme yang dikenal handal untuk mengenali pola dan juga sebagai
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)
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).
detail oleh seorang dokter di Inggris, John Langdon Down pada tahun 1866. DS disebabkan efektif dalam melakukan prediksi dari berbagai oleh kelebihan kromosom ke-21 pada sel tubuh. data, dimana relasi teoritis antara input dan Kelebihan kromosom ini tidak disebabkan oleh output sangat rumit (Hossain, Chao, Ismail, & kesalahan yang terjadi selama masa kehamilan. Noroozi, 2017). Jaringan syaraf tiruan mampu Menurut memodelkan hubungan fungsional yang bahkan
Scottish Down’s Syndrome
Association , penderita DS biasanya ditandai tidak dapat dimodelkan oleh perhitungan
dengan penampilan fisiknya yaitu wajah yang matematika. bulat dan hidung yang datar, kepala lebih kecil Gagasan dasar dari algoritme dari ukurang rata-rata, mulut kecil dan lidah Backpropagation adalah untuk meminimalkan tampak menjulur, mata cenderung sipit, serta kesalahan output secara keseluruhan. Data latih kaki tangan yang pendek (Scottish Down's dihitung secara iteratif melalui input layer untuk Syndrome Association, 2001). mendapatkan hasil prediksi yang sesuai dan untuk perbaikan kesalahan (error) dikakukan
2.1.2 Autisme
proses propagasi balik. Tahap perhitungan algoritme Backpropagation meliputi 3 tahap, Pada Diagnostic and Statistical yaitu feedforward, backpropagation, dan weight
Manual of Mental Disorders V (DSM-5), update . Langkah-langkah dalam pelatihan
autisme didefinisikan sebagai gangguan pada Backpropagation ditunjukkan oleh Gambar 1. 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 a. lama secara acak Inisialisasi bobot dengan interval -0,5 sampai 0,5 b. dengan Persamaan
Hitung nilai vektor (1).
2
2
2
|| || = √ + ⋯ . + + (1)
1
2 Keterangan:
|| || = nilai vektor
2
= bobot awal sampai ke-n c. Hitung nilai faktor skala ( ) dengan Persamaan (2).
(2) = 0,7 √
Keterangan: = faktor skala = jumlah unit hidden = jumlah unit input
d. baru dengan Persamaan (3) Hitung nilai
( )
(3) =
|| ||
e. dengan interval Inisialisasi bobot bias − sampai
.
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
Fase pertama pada algoritme
Backpropagation adalah fase feedforward. Pada
3.1 Algoritme Nguyen-Widrow
fase ini, setiap unit input menerima masukkan Algoritme Nguyen-Widrow diusulkan oleh (
, i= 1,….,n) dan meneruskannya ke unit tersembunyi kemudian diteruskan kembali ke Nguyen dan Widrow pada tahun 1990 sebagai unit output. Pertama, hitung output dari unit modifikasi sederhana dari proses inisialisasi acak oleh Fahlman (1988) sebelumnya (Adam, hidden dengan Persamaan (4).
Karras, Magoulas, & Vrahatis, 2014).
(4) _ = + ∑
=1
Penggunaan Nguyen-Widrow pada inisialisasi Keterangan: bobot diharapkan dapat mempercepat iterasi,
= nilai output dari unit hidden _ karena bobot awal sangat memengaruhi
= bobot bias antara input layer dan kemampuan pembelajaran dari unit hidden.
hidden layer
Langkah-langkah Algoritme Nguyen-Widrow = nilai input yang masuk ke input layer adalah sebagai berikut:
= bobot antara input layer dan hidden
digunakan untuk memperbarui bobot dan bias awal. Update bobot menggunakan Persamaan (13).
∆ = koreksi bobot 4.
( ) = bobot awal
(14) Keterangan:
= koreksi bobot Update bobot dengan Persamaan (14). ( ) = ( ) + ∆
= bobot awal ∆
Keterangan: ( )
( ) = ( ) + ∆ (13)
layer
Fase Backpropagation
error pada fase backpropagation akan
Fase ketiga adalah weight update. Koreksi
Weight Update
= nilai koreksi bobot = masukan ke-i dari unit input c.
Keterangan: ∆
Hitung hitung faktor dari hidden layer dengan Persamaan (11).
= ( _ ) = (1 − ) (11) Keterangan:
Fase kedua yaitu fase backpropagation atau propagasi balik. Hitung koreksi error berdasarkan kesalahan pada output layer dengan Peramaan (8).
= nilai fungsi aktivasi output layer b.
∆ = (12)
=1
Kemudian hitung fungsi aktivasi dengan sigmoid biner seperti pada Persamaan (5).
= ( _ ) =
1 1+ (− )
(5) Keterangan:
= nilai fungsi aktivasi hidden layer = bilangan eural bernilai 2.71828
Hitung output dari output layer dengan Peramaan (6).
_ = + ∑
(6) Keterangan: _
(7) Keterangan:
= nilai output dari output layer = bobot bias antara hidden layer dan
output layer
= nilai aktivasi dari hidden layer = bobo tantara hidden layer dan output
layer
Lalu hitung fungsi aktivasi dari output tersebut dengan Persamaan (7).
= ( _ ) =
1 1+ (− )
= nilai untuk menghitung Lalu hitung koreksi error bobot dengan Persamaan (12).
METODOLOGI PENELITIAN
layer
(8) Keterangan:
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
4.2 Pengumpulan Data
Penyimpangan tumbuh kembang anak b. Klasifikasi c. Algoritme Backpropagation
Backpropagation, diantaranya: a.
Studi literatur dilakukan untuk mempelajari literatur dari beberapa bidang ilmu terkait pembuatan sistem deteksi dini penyimpangan tumbuh kembang anak dengan algoritme
4.1 Studi Literatur
Metodologi penelitian memaparkan langkah-langkah dalam pembuatan sistem identifikasi penyimpangan tumbuh kembang anak dengan algoritme Backpropagation.
= ( − ) ′( ) = ( − ) (1 − )
= nilai untuk koreksi error = nilai target data = nilai aktivasi output layer
= nilai koreksi error pada unit hidden = bobot antara hidden layer dan output
Lalu hitung koreksi error dengan laju pembelajaran ( ), koreksi error ini digunakan untuk memperbaharui bobot pada fase
weight update . Hitung koreksi error
dengan Persamaan (9). ∆ =
(9) Keterangan: ∆
= nilai koreksi error = learning rate 0 < < 1
_ = ∑
=1
(10) Keterangan: _
Kemudian hitung koreksi error dari unit hidden dengan Persamaan (10). 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
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,
yaitu membandingkan dengan nilai Mean
error merupakan salah satu stopping condition
Pengujian batas error ditujukan untuk mengetahui pengaruh nilai error terhadap akurasi, lama iterasi, dan jumlah iterasi. Nilai
5.2 Hasil dan Analisis Pengujian Batas Error
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.
Gambar 2. Hasil pengujian jumlah data latih dengan data uji konstan
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.
learning rate 0,1, iterasi maksimum 100.000 dan
5.1 Hasil dan Analisis Pengujian Jumlah Data Latih dengan Data Uji Konstan
Pada tahap ini ditentukan kebutuhan yang diperlukan dalam pembuatan sistem identifikasi penyimpangan tumbuh kembang anak dengan algoritme Backpropagation.
5. HASIL DAN PEMBAHASAN
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 penyimpangan tumbuh kembang anak pada penelitian selanjutnya.
4.7 Penarikan Kesimpulan
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.
4.6 Pengujian dan Analisis
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.
4.5 Implementasi 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.
4.4 Perancangan Sistem
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,
0,1, data latih 80, data uji 10, dan
learning rate
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 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
Gambar 3. Hasil pengujian batas error
terbaiknya. Begitu pula dengan nilai learning
rate yang terlalu rendah, pelatihan akan berjalan
Dapat dilihat pada Gambar 3, akurasi terus lama dan konvergensi sulit didapatkan. meningkat sampai dengan pengujian batas error 0,001. Akurasi menurun drastis pada pengujian
5.4 Hasil dan Analisis Pengujian dengan
batas error sebesar 0,009. Akurasi tertinggi
Cross Validation
didapatkan pada pengujian batas error 0,0009 dan 0,001 yaitu sebesar 94,67%. Akurasi Pengujian dengan cross validation ini menurun drastis pada batas error 0,009 dapat menggunakan komposisi data latih dan data uji disebabkan karena batas error yang terlalu besar, 9:1 dan data diambil secara acak. Nilai sehingga konvergensi terlalu cepat dicapai. parameter lainnya yang digunakan adalah iterasi
Sedangkan batas error yang terlalu kecil dapat maksimum 100.000, batas error 0,0009, learning menyebabkan pelatihan berlangsung lama dan rate 0,1, dan jumlah neuron hidden 5. Pengujian konvergensi sulit dicapai. dilakukan sebanyak 10 kali dengan bobot awal acak dan berbeda-beda. Hasil pengujian dengan
5.3 Hasil dan Analisis Pengujian Nilai cross validation dapat dilihat pada Tabel 1.
Learning Rate Tabel 1. Hasil pengujian dengan Cross Validation
Pengujian nilai learning rate bertujuan
pengujian pengujian
untuk mengetahui pengaruh dari nilai learning
ke- akurasi waktu jumlah rate terhadap nilai akurasi. Learning rate yang iterasi
1 100% 2,8 detik 628
digunakan pada pengujian ini adalah 0,09, 0,1,
iterasi
0,2, 0,3, dan 0,4. Nilai parameter yang
2 77,79% 1,2 detik 562
digunakan dalam pengujian nilai learning rate
iterasi
adalah: jumlah neuron di hidden layer 5, data
3 100% 0,8 detik 598
latih 60, data uji 30, iterasi maksimum 100.000, iterasi
4 88,89% 0,9 detik 580
dan batas error 0,0009. Percobaan dilakukan
iterasi
sebanyak 5 kali dengan bobot awal tetap. Hasil
5 100% 0,9 detik 644
pengujian nilai learning rate ditunjukkan pada
iterasi Gambar 4. 6 100% 0,77 566 detik iterasi 7 88,89% 0,8 detik 538 iterasi
8 100% 0,7 detik 604 iterasi 9 77,79% 0,7 detik 620 iterasi
American Psychiatric Association. Boyle, C. A. (2011). Center for Disease Control
Kusbiantoro, D. (2015). Pertumbuhan dan Perkembangan Anak Usia Prasekolah di
dari http://www.depkes.go.id/development/s ite/jkn/index.php?cid=1141&id=119%- anak-yang-mengikuti-sdidtk- mengalami-kelainan-tumbuh- kembang.html
Republik Indonesia . Dipetik 2 26, 2017,
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
Hurlock, E. B. (1993). Child Development. New York: Mc Graw Hill Book Company. Kementerian Hukum dan Hak Asasi Manusia
Applied Soft Computing .
Noroozi, S. (2017). Artificial Neural Networks for Vibration based Inverse Parametric Identifications : A Review.
Englewood Cliffs: Macmillan College Publishling Company. Hossain, M. S., Chao, O. Z., Ismail, Z., &
Haykin, S. (1994). Neural Networks: A Comprehensive Foundation.
kembali dari http://www.sciencedirect.com/science/a rticle/pii/S0950705116303811
Knowledge-Based Systems . Diambil
(2016). Back-propagation Algorithm with Variable Adaptive Momentum.
https://www.cdc.gov/nchs/ppt/nchs201 2/ss-22_blumberg.pdf Hameed, A. A., Karlik, B., & Salman, M. S.
and Prevention. Dipetik 2 23, 2017, dari
Diagnostic and Statistical Manual of Mental Disorders (4th ed.). London:
10 77,79% 0,7 detik 674 iterasi rata-rata 91,11% 1,02 detik
American Psychiatric Association. (1994).
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.
7. DAFTAR PUSTAKA
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
learning rate 0,1, iterasi maksimum 100.000, jumlah neuron hidden 5, dan batas error 0,009.
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
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%.
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 menambahkan bobot gejala dengan pernyataan frekuensi terjadinya gejala seperti selalu, kadang-kadang, dan tidak pernah.
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.
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.