PREDIKSI TINGKAT KEMAMPUAN ANAK BERDASAR
PREDIKSI TINGKAT KEMAMPUAN ANAK BERDASARKAN ASPEK
PSIKOMOTORIK DENGAN MENGGUNAKAN DATA MINING METODE
BACKPROPAGATION
Relita Buaton
Nurul Ramadani
Program Studi Teknik Informatika
STMIK KAPUTAMA
Jl. Veteran No. 4A-9A, Binjai,Sumatera Utara
Email:fredy_smart04@yahoo.com
ABSTRACT
Perkembangan psikomotorik berhubungan dengan kejiwaan atau mental dan gerakan.
Psikomotorik adalah berhubungan dengan proses aktivitas fisik yang berkaitan dengan proses
mental dan psikologi. Emosi anak tampak mencolok pada anak-anak usia 2,5 sampai 3,5
tahun dan 5,5 sampai 6,5 tahun. Selama masa kanak-kanak emosi mereka sangat kuat, ini
merupakan saat ketidakseimbangan, dalam arti bahwa anak mudah terbawa ledakan-ledakan
emosional sehingga sulit dibimbing dan diarahkan. Yang umum terjadi dalam masa
perkembangan sosial anak adalah bahwa anak lebih menyukai kontak sosial yang sejenis dari
pada kelompok yang berlawanan. Anak pada usia 4 sampai dengan 5 tahun merupakan usia
yang paling tepat dalam mengoptimalkan segala aspek perkembangan, khususnya
perkembangan psikomotorik anak. Hasil belajar psikomotorik sangat berarti bagi kehidupan
anak karena langsung mempengaruhi perilaku dan perbuatannya. Sehingga perkembangan
psikomotorik anak perlu diketahui, karena sangat mempengaruhi kejiwaan, mental, psikologi
dan perilaku.
Data mining merupakan penambangan atau penemuan informasi baru dengan
memprediksi, mencari pola atau aturan tertentu dari sejumlah data dalam jumlah besar yang
diharapkan dapat mengatasi kondisi tersebut. Untuk itu perlu dirumuskan bagaimana
memprediksi tingkat kemampuan anak berdasarkan aspek psikomotorik. Aplikasi
memprediksi kemampuan aspek psikomotorik ini menggunakan jaringan saraf tiruan dengan
memakai metode Backpropagation.
Hasil analisis penelitian menunjukan bahwa: 1) Prediksi kemampuan anak pada aspek
psikomotorik dapat dilakukan dengan jaringan syarat tiruan menggunakan metode
backpropagation. 2) Pada saat pengujian yang paling terbaik, diberikan maksimum epoch
100000, konstanta belajar 0.01, galat yang diijinkan 0.1 dan diberikan lapisan tersembunyi 70
dapat diketahui bahwa dari 20 data yang diujikan ada 1 data yang tidak sesuai dengan output
yang diinginkan. Sedangkan ada 19 data yang sesuai dengan output yang diinginkan maka
didapat hasil persentase 95% kebenaran.
Kata kunci : prediksi psikomotorik anak, data mining, backpropagation.
1
penyebab
kemerosotan
atau
peningkatan kemampuan anak.
3. Pengambilan data dilakukan pada anak
usia 4-5 tahun.
4. Kriteria atau variabel yang digunakan
adalah Reflek Segmental, Reflek
Intersegmenta, Gerak Lokomotor,
Diskriminasi Kinestesis, Diskriminasi
Visual,
Ketahanan,Kekuatan,
keterampilan Adaptif, Keterampilan
Adaptif Kompleks, Gerakan Ekspresif
Manfaat yang dicapai dari penelitian ini
adalah:
1. Mengetahui
tingkat
ketercapaian
kemampuan
dasar
anak
dan
perkembangan
kemampuan
anak
berdasarkan aspek psikomotorik.
2. Untuk
guru, supaya mengetahui
perkembangan
kemampuan
anak
didiknya sehingga mendorong pendidik
untuk mengajar dan mendidik lebih baik.
3. Untuk orang tua, supaya mengetahui
perkembangan
kemampuan
anak
sehingga
dapat
membantu
mengoptimalkan
perkembangan
psikomotorik anaknya lebih terarah.
I.
PENDAHULUAN
Psikomotorik berhubungan dengan
proses aktivitas fisik yang berkaitan dengan
proses mental dan psikologi. Emosi anak
tampak mencolok pada anak-anak usia 2,5
sampai 3,5 tahun dan 5,5 sampai 6,5 tahun.
Selama masa kanak-kanak emosi mereka
sangat
kuat,
ini
merupakan
saat
ketidakseimbangan. Dalam arti bahwa anak
mudah terbawa ledakan-ledakan emosional
sehingga sulit dibimbing dan diarahkan.
Meskipun hal ini berlaku pada hampir
seluruh periode awal masa kanak-kanak.
Hasil belajar psikomotorik sangat berarti bagi
kehidupan
anak
karena
langsung
mempengaruhi perilaku dan perbuatannya.
Sehingga perkembangan psikomotorik anak
perlu diketahui, karena sangat mempengaruhi
kejiwaan, mental, psikologi dan perilaku.
Prediksi tingkat kemampuan anak
dalam penelitian ini adalah mencari jumlah
nilai setiap anak berdasarkan aspek
psikomotorik. Dengan demikian diharapkan
akan muncul suatu pola dimana dengan pola
masukan berupa nilai-nilai yang ada pada
aspek psikomotorik dan komputer akan
memberikan pola keluaran prediksi sesuai
dengan data yang dilatihkan. Hasil dari
pengembangan metode pada penelitian ini
diharapkan dapat memberikan manfaat untuk
mengetahui tingkat ketercapaian kompetensi
dasar anak, mengetahui perkembangan
kemampuan anak berdasarkan aspek
psikomotoriknya.
Berdasarkan latar belakang, maka
identifikasi masalahnya adalah:
1. Bagaimana menganalisis variabel yang
digunakan untuk memprediksi tingkat
kemampuan
anak
agar
bisa
mengetahui perkembangan kemampuan
anak berdasarkan aspek psikomotorik ?
2. Bagaimana
memprediksi
tingkat
kemampuan anak berdasarkan aspek
psikomotorik ?
Dengan lingkup permasalahan adalah
1. Prediksi tingkat kemampuan anak
mengacu pada penilaian pada aspek
psikomotorik.
2. Prediksi dilakukan dengan tidak
mempertimbangkan faktor-faktor lain
II. PENELITIAN TERDAHULU
Penelitian ini diperkuat oleh jurnal
Media Informatika ( Vol. 2, No. 2, Desember
2004 : 1-11, oleh Kiki, Sri Kusumadewi,
judul : Jaringan Saraf Tiruan Dengan Metode
Backpropogation
Untuk
Mendeteksi
Gangguan Psikologi) yang menyatakan
bahwa metode Backpropagation dapat
digunakan untuk melakukan pendeteksian
suatu jenis penyakit, gangguan, maupun
kasus yang memiliki data masa lalu, dan
dengan
menggunakan
metode
Backpropagation, target output yang
diinginkan lebih mendekati ketepatan dalam
malakukan pengujian,
karena terjadi
penyesuaian nilai bobot dan bias yang
semakin baik pada proses pelatihan.
Jurnal Teknik Informatika ( Vol. 7, No.
3, Desember 2009 : 195 – 200, oleh Yeni
Nuraeni, judul : Penerapan Jaringan Saraf
Tiruan Untuk Mengukur Tingkat Korelasi
Antara NEM dengan IPK Kelulusan
Mahasiswa ) juga menyatakan dalam
penelitiannya
menggunakan
tahapan
2
4. Tekanan kompetisi bisnis untuk
meningkatkan penguasaan pasar
dalam globalisasi ekonomi.
5. Perkembangan teknologi perangkat
lunak untuk data mining (ketersediaan
teknologi).
6. Perkembangan yang hebat dalam
kemampuan
komputasi
dan
pengembangan
kapasitas
media
penyimpanan.
Dari definisi-definisi yang telah
disampaikan, hal penting yang terkait dengan
data mining adalah :
1. Data mining merupakan suatu proses
otomatis terhadap data yang sudah
ada.
2. Data yang akan diproses berupa data
yang sangat besar.
3. Tujuan
data
mining
adalah
mendapatkan hubungan atau pola
yang mungkin memberikan indikasi
yang bermanfaat.
A. Tahapan Data Mining
Ada beberapa tahapan proses dalam
data
mining.
Diagram
dibawah
menggambarkan beberapa tahap / proses
yang berlangsung dalam data mining. Fase
awal dimulai dari data sumber dan berakhir
dengan adanya informasi dihasilkan dari
beberapa tahapan, yaitu terlihat pada gambar
1sebagai berikut :
pengembangan aplikasi jaringan saraf tiruan
umpan-maju perambatan-balik (JST-PB),
dalam penelitiannya digunakan metode JSTPB dengan pertimabangan metode ini sangat
baik dalam menangani masalah pengenalan
pola-pola kompleks dan non-linier.
III. DATA MINING
Menurut Kusrini dan luthfi (2009, h.3)
Data mining adalah suatu istilah yang
digunakan untuk menguraikan penemuan
pengetahuan di dalam database. Data mining
adalah proses yang menggunakan teknik
statistik, matematika, kecerdasan buatan, dan
machine learning untuk mengekstraksi dan
mengidentifikasi informasi yang bermanfaat
dan pengetahuan yang terkait dari berbagai
database besar.
Menurut Kusrini dan luthfi (2009, h.3)
data mining didefinisikan sebagai suatu
proses menemukan hubungan yang berarti,
pola, dan kecenderungan dengan memeriksa
dalam sekumpulan besar data yang tersimpan
dalam penyimpanan dengan menggunakan
teknik pengenalan pola seperti teknik statisik
dan matematika.
Selain definisi diatas beberapa definisi
juga diberikan seperti tertera dibawah ini :
1. Data mining adalah serangkaian proses
untuk menggali nilai tambah dari suatu
kumpulan data berupa pengetahuan
yang selama ini tidak diketahui secara
manual.
2. Data mining merupakan bidang dari
beberapa bidang keilmuan yang
menyatukan teknik dari pembelajaran
mesin, pengenalan pola, statistik,
database, dan visualisasi untuk
pengenalan permasalahan pengambilan
informasi dari database yang besar.
Menurut Kusrini dan luthfi (2009, h.4),
kemajuan luar biasa yang terus berlanjut
dalam bidang data mining didorong oleh
beberapa faktor, antara lain :
1. Pertumbuhan yang cepat dalam
pengumpulan data.
2. Penyimpangan data dalam data
warehouse,
sehingga
seluruh
perusahaan memiliki akses kedalam
database yang handal.
3. Adanya peningkatan akses data
melalui navigasi web dan intranet.
Gambar 1. Tahap - Tahap Data Mining
Dalam aplikasinya, data mining
sebenarnya merupakan salah satu bagian
proses Knowledge Discovery in Database
(KDD) yang bertugas untuk mengekstrak
pola atau model dari data dengan
menggunakan suatu algoritma yang spesifik.
3
Adapun proses KDD dijelaskan sebagai
berikut :
1. Data Selection(Seleksi Data)
Pemilihan data dari sekumpulan data
operasional perlu dilakukan sebelum
tahap penggalian informasi dalam KDD
dimulai.
2. Preprocessing / Cleaning (pemilihan
data)
Sebelum proses data mining dapat
dilaksanakan, perlu dilakukan proses
cleaning
dengan
tujuan
untuk
membuang duplikasi data, memeriksa
data yang inkonsisten, dan memperbaiki
kesalahan pada data, seperti kesalahan
cetak (tipografi). Juga dilakukan proses
enrichment, yaitu proses “memperkaya”
data yang sudah ada dengan data atau
informasi lain yang relevan dan
diperlukan untuk KDD, seperti data atau
informasi eksternal.
3. Transformation (Transformasi)
Adalah proses coding pada data yang
telah dipilih, sehingga data tersebut
sesuai untuk proses data mining. Proses
coding dalam KDD merupakan proses
kreatif dan sangat tergantung pada jenis
atau pola informasi yang akan dicari
dalam database.
4. Data mining
Proses mencari pola atau informasi
menarik dalam data terpilih dengan
menggunakan teknik atau metode
tertentu.
5. Interpretation / Evaluation
Pola informasi yang dihasilkan dari
proses data mining perlu ditampilkan
dalam bentuk yang mudah dimengerti
oleh pihak yang berkepentingan. Tahap
ini merupakan bagian dari proses KDD
yang disebut dengan interpretation.
Tahap ini mencakup pemeriksaan
apakah pola atau informasi yang
ditemukan bertentangan dengan fakta
atau hipotesa yang ada sebelumnya atau
tidak.
B. Defenisi Prediksi Secara Umum
Prediksi adalah sama dengan ramalan
atau perkiraan. Menurut kamus besar bahasa
indonesia, prediksi adalah hasil dari kegiatan
memprediksi
atau
meramal
atau
memperkirakan. Prediksi bisa berdasarkan
metode ilmiah ataupun subjektif belaka.
Ambil contoh, prediksi cuaca selalu
berdasarkan data dan informasi terbaru yang
yang didasarkan pengamatan termasuk oleh
satelit. Istilah prediksi akan sangat
tergantung
pada
konteks
atau
permasalahannya.
Berbeda
dengan
pengertian prediksi secara bahasa yang
berarti ramalan atau perkiraan yang sudah
menjadi pengertian yang baku.
C. Pengertian Psikomotorik
Psikomotor berasal dari kata Psyche
dan Motor. Psyche artinya kejiwaan atau
mental, sedangkan Motor artinya gerakan.
Jadi, perkembangan psikomotorik berarti
perkembangan yang berhubungan dengan
kejiwaan atau mental dan gerakan.
“Psikomotorik adalah berhubungan dengan
proses aktivitas fisik yang berkaitan dengan
proses mental dan psikologi.”
Ada 4 jenis perkembangan seorang
anak, yaitu:
1. Perkembangan Fisik dan Motorik
Perkembangan
motorik
meliputi
motorik kasar dan motorik halus. Menurut
Elisabeth B. Hurlock dan diterjemahkan oleh
istiwidayanti dan soedjarwo (2008, h. 81), “
Motorik kasar adalah gerakan tubuh yang
dipengaruhi oleh kematangan anak itu
sendiri, sedangkan motorik halus adalah
gerakan yang menggunakan otot halus atau
sebagian anggota tubuh tertentu dipengaruhi
oleh kesempatan belajar dan berlatih.”
Adapun macam-macam pola motorik
yang umum pada masa anak-anak yaitu ;
melihat,
tersenyum,
menahan
kepala,berguling, duduk, mengerakan kaki
dan tangan, berdiri, berjalan, berlari,
melompat dan sebagainya.
2.
Perkembangan Kognitif/Intelektual
Menurut Imam Musbikin (2012, h.
17-50), “Perkembangan kognitif merupakan
salah satu perkembangan manusia yang
berkaitan dengan pengetahuan, yakni semua
proses psikologis yang berkaitan dengan
yang bagaimana individu mempelajari dan
memikirkan lingkungannya.” Kemampuan
kognitif
merupakan
sesuatu
yang
fundamental dengan kemampuan kognitif ini
akan dipandang sebagai individu yang secara
aktif membangun sendiri pengetahuan
4
sosial biasanya dimaksudkan sebagai
perkembangan tingkah laku anak dalam
menyesuaikan diri dengan aturan-aturan yang
berlaku di dalam masyarakat di mana anak
berada. Reaksi mereka terhadap rasa dingin,
sakit, bosan atau lapar berupa tangisan yang
sulit dibedakan. Tetapi dengan berjalannya
waktu para pengasuh dapat membedakan
reaksi anak terhadap stimulinya.
Adapun macam-macam pola prilaku
sosial yang umum pada masa anak-anak
yaitu persaingan, kerjasama, meniru, simpati,
empati, membagi, prilaku akrab dan
sebagainya.
D. Pengukuran Aspek Psikomotorik
Menurut Sugiyanto dan Sudjarwo
(1993, h.219-223 ), untuk lebih jelas
memahami tentang penilaian psikomotorik
dijelaskan
definisi
dari
penilaian
psikomotorik, yaitu:
1. Reflek segmental adalah gerakan
Reflek yang melibatkan satu ruas
tulang belakang.
2. Reflek intersegmental adalah gerakan
reflek yang melibatkan lebih dari satu
ruas tulang belakang.
3. Gerak
lokomotor adalah gerak
berpindah dari satu tempat ketempat
lain. Misalnya : merangkak, berjalan
dan berlari.
4. Diskriminasi kinestetis merupakan
perasaan yang sangat kompleks yang
ditimbulkan oleh rangsangan di otot,
urat, dan pergelangan.
5. Diskriminasi
visual
merupakan
kemampuan untuk memahami atau
menginterpretasikan segala sesuatu
yang dilihat.
6. Ketahanan atau sering disebut daya
tahan fisik adalah kemampuan untuk
melakukan aktivitas dalam jangka
waktu yang lama.
7. Kekuatan
adalah
kemampuan
menggunakan otot untuk menahan atau
melawan beban.
8. Keterampilan adaptif sederhana adalah
keterampilan yang dihasilkan dari
penyesuaian gerak dasar fundamental
dengan situasi atau kondisi tertentu
pada saat melakukan gerakan.
9. Keterampilan adaptif kompleks adalah
keterampilan
yang
memerlukan
mereka tentang dunia. Adapun macammacam pola kognitif yang umum pada masa
anak-anak misalnya : anak mulai mengenal
nama hari, mengenal perbedaan bentuk,
mulai mengenal warna dan sebagainya.
3.
Perkembangan Bahasa Anak
Menurut Elisabeth B. Hurlock dan
diterjemahkan oleh Istiwidayanti dan
Soedjarwo (2008, h.82), “Semua anak harus
dapat menguasai dua fungsi yang berbeda
dalam teknik bicara, kemampuan menangkap
maksud yang ingin di komunikasikan dengan
orang lain dan kemampuan untuk
berkomunikasi dengan orang lain sedemikian
rupa
sehingga
dapat
dimengerti.”
Kemampuan
berbahasa
merupakan
kemampuan manusia yang membedakannya
dengan makhluk lain. Bicara merupakan
salah satu sarana oleh manusia untuk
melakukan komunikasi dengan orang lain.
Ini termasuk juga merupakan bagian dari
tahapan perkembangan anak. Ada tiga hal
yang terlibat dalam belajar bicara anak yaitu :
pengucapan, membangun kosakata, dan
menghubungkan kata-kata sehingga menjadi
sebuah kalimat.
4.
Perkembangan Emosi Anak
Menurut Elisabeth B. Hurlock dan
diterjemahkan oleh Istiwidayanti dan
Soedjarwo (2008, h. 114), “Emosi anak
tampak mencolok pada anak-anak usia 2,5
sampai 3,5 tahun dan 5,5 sampai 6,5 tahun.”
Selama masa kanak-kanak emosi mereka
sangat
kuat,
ini
merupakan
saat
ketidakseimbangan. Dalam arti bahwa anak
mudah terbawa ledakan-ledakan emosional
sehingga sulit dibimbing dan diarahkan.
Meskipun hal ini berlaku pada hampir
seluruh periode awal masa kanak-kanak.
Adapun macam-macam pola emosi yang
umum pada masa anak-anak yaitu :
kemarahan, ketakutan, rasa ingin tahu,
kegembiraan,
kesedihan,
afeksi
dan
sebagainya.
5.
Perkembangan Sosial Anak
Menurut Elisabeth B. Hurlock dan
diterjemahkan oleh Istiwidayanti dan
Soedjarwo (2008, h.118) , “Yang umum
terjadi dalam masa perkembangan sosial
anak adalah bahwa anak lebih menyulai
kontak sosial yang sejenis dari pada
kelompok yang berlawanan .” Perkembangan
5
2. Tiap-tiap
unit
tersembunyi
(Zi,
j=1,2,3,...,p) menjumlahkan sinyal-sinyal
input terbobot:
…………..(1)
gunakan fungsi aktivasi untuk menghitung
sinyal outputnya:
zj = f(z_inj)………………..(2)
dan kirimkan sinyal tersebut ke semua unit di
lapisan atasnya (unit-unit output).
a. Tiap-tiap unit output (Yk, k=1,2,3,...,m)
menjumlahkan
sinyal-sinyal
input
terbobot.
..……..(3)
gunakan fungsi aktivasi untuk menghitung
sinyal outputnya:
yk = f(y_ink)………………(4)
dan kirimkan sinyal tersebut ke semua
unit di lapisan atasnya (unit-unit output).
b. Tiap-tiap unit output (Yk, k=1,2,3,...,m)
menerima target pola yang berhubungan
dengan pola input pembelajaran, hitung
informasi errornya:
k = (tk – yk) f’(y_ink)…..(5)
kemudian
hitung
koreksi
bobot
(digunakan untuk memperbaiki nilai wjk):
wjk = k zj…………...(6)
hitung juga koreksi bias (digunakan untuk
memperbaiki nilai w0k):
w0k = k …………….(7)
kirimkan k ini ke unit-unit yang ada di
lapisan bawahnya.
c. Tiap-tiap
unit
tersembunyi
(Zj,
j=1,2,3,...,p) menjumlahkan delta inputnya
(dari unit-unit yang berada pada lapisan di
atasnya):
_
=
…………………….(8)
kalikan nilai ini dengan turunan dari
fungsi aktivasinya untuk menghitung
informasi error:
j = _inj f’(z_inj…(9)
kemudian
hitung
koreksi
bobot
(digunakan untuk memperbaiki nilai vij):
vjk = j xi……(10)
hitung juga koreksi bias (digunakan untuk
memperbaiki nilai v0j):
v0j = j …….(11)
d. Tiap-tiap unit output (Yk, k=1,2,3,...,m)
memperbaiki
bias
dan
bobotnya
(j=0,1,2,...,p):
wjk(baru) = wjk(lama) + wjk ……12)
penguasaan berbentuk gerakan dan
koordinasi tubuh yang kompleks.
10. Gerakan ekspresif meliputi gerakangerakan yang bisa digunakan untuk
mengkomunikasikan maksud tertentu
yang digunakan dalam kehidupan.
E. Metode Backpropogation
Menurut Kusumadewi (2003, h.236238), Backpropagation merupakan algoritma
pembelajaran yang terwarisi dan biasanya
digunakan oleh perceptron dengan banyak
lapisan untuk mengubah bobot-bobot yang
terhubung dengan neuron-neuron yang ada
pada lapisan tersembunyinya. Algoritma
backpropagation menggunakan error output
untuk mengubah nilai-nilai bobotnya dalam
arah mundur (backward). Tahap perambatan
maju (forward propagation) harus dikerjakan
terlebih dahulu untuk mendapatkan nilai
error tersebut. Saat perambatan maju neuronneuron diaktifkan dengan menggunakan
fungsi aktivasi sigmoid biner yaitu:
Arsitektur jaringan backpropogation
seperti terlihat pada gambar 2 sebagai berikut
Gambar 2. Arsitektur Jaringan
Backpropagation,
Kusumadewi (2003, h.236)
Dari arsitektur Jaringan Backpropagation
pada gambar 2 dapat dijelaskan:
a. Inisialisasi bobot (gunakan bobot awal
dengan nilai random cukup kecil)
b. Kerjakan
lakukan-langkah
berikut,
selama kondisi berhenti bernilai FALSE.
Feed forward:
1. Tiap-tiap unit input (Xi, i=1,2,3,...,n)
menerima sinyal xi dan meneruskan sinyal
tersebut ke semua unit pada lapisan yang
ada di atasnya (lapisan tersembunyi).
6
1. Dilakukan analisis sistem terhadap teknik
peramalan atau prediksi data psikomotorik
anak menggunakan software MATLAB
6.5 yang menyediakan fungsi-fungsi
pelatihan dan pengujian pada Jaringan
Saraf Tiruan
2. Menentukan kebutuhan sistem sehingga
dapat dilakukan penganalisaan prediksi
dari data psikomotorik menggunakan
algoritma backpropagation.
3. Data nilai pada psikomotorik anak sebagai
data masukan yaitu data latih dan target
latih, yang kemudian diproses dan dilatih
dengan
algoritma
backpropagation,
kemudian dilakukan pengujian data baru
sebagai perbandingan dengan data yang
telah dilatihkan sebelumnya. Setelah itu
didapat hasil keluaran yang diuji
kemudian bandingkan dengan target uji.
A. Analisis Data Mining
Perolehan nilai prediksi berdasarkan
tingkat kemampuan bersasarkan aspek
psikomotorik, yaitu Gerak Reflek Segmental,
Gerak Reflek Intersegmental, Gerakan
Lokomotor,
Deskriminasi
Kinestesis,
Diskriminasi Visual, Ketahanan, Kekuatan,
Keterampilan Adaptif, Keterampilan Adaptif
Kompleks, Gerakan Ekspresif. Data kriteria
aspek psikomotorik didapat dari seorang
psikolog yang telah melakukan penilaian dan
penelitian sebelumnya.
Dalam penelitian ini, tidak semua anak
akan dicari prediksinya untuk data tingkat
kemampuan psikomotoriknya, hanya data
100 orang anak yang diambil secara acak dan
1000 datanya yang diolah untuk dilakukan
analisis prediksi apakah seorang anak itu
psikomotoriknya sangat bagus, bagus, cukup
atau kurang melalui kerja jaringan syaraf.
Tiap-tiap
unit
tersembunyi
(Zj,
j=1,2,3,...,p) memperbaiki bias dan
bobotnya (i=0,1,2,...,n):
vij(baru) = vij(lama) + vij……….(13)
IV. METODOLOGI PENELITIAN
1. Jenis penelitian
Ditinjau dari jenis datanya maka
penelitian ini adalah penelitian kuantitatif
karena penelitian ini membutuhkan data
dalam bentuk angka – angka/ nilai, atau
data dalam bentuk informasi , komentar ,
pendapat
atau
kalimat
namun
dikuantitatifkan.
2. Pengumpulan data
a. Studi literature
Pengumpulan data yang diperoleh
dengan
mengumpulkan
berbagai
sumber kepustakaan, baik berupa bukubuku, browsing di internet, jurnal,
laporan penelitian dan lain sebagainya
untuk ditelaah lebih lanjut sebagai
bahan pendukung penelitian.
b. Pengumpulan data lapangan
Metode pengumpulan data lapangan
digunakan untuk mengumpulkan data–
data yang dibutuhkan dalam penelitian.
c. Dialog, diskusi dan konsultasi
Metode dialog, diskusi dan konsultasi
dilakukan dengan cara melakukan
konsultasi dengan dokter anak serta
melakukan dialog maupun diskusi
dengan sumber–sumber lain yang
berhubungan dengan penelitian ini.
3. Menganalisa
dan
melakukan
perancangan sistem untuk mempelajari
pola data prediksi tingkat kemampuan
anak berdasarkan aspek psikomotorik
dengan metode backpropagation.
4. Mengimplementasikan hasil analisa
dan rancangan yang dilakukan pada
tahap sebelumnya menjadi perangkat
lunak untuk memprediksi tingkat
kemampuan anak berdasarkan aspek
psikomotorik.
5. Melakukan uji coba melalui system
yang dirancang.
6. Mengevaluasi hasil analisa yang
dilakukan oleh sistem berdasarkan pola
data yang dihasilkan dari proses uji
coba.
V. ANALISIS SISTEM
7
langkah yang dilakukan sama dengan proses
pelatihan, namun prosesnya hanya pada
proses feedforward. Dan bobot yang
digunakan adalah bobot terakhir dari hasil
pelatihan. Selanjutnya ditentukan threshold.
Disini ditetapkan threshold=0,5, yang artinya
jika nilai y ≥ 0.5, maka output yang diberikan
adalah 1, dan jika y≤ 0.5, maka output yang
diberikan adalah 0.
B. Perancangan Proses
Data yang diperlukan dalam proses
analisis jaringan syaraf tiruan menggunakan
metode backpropogation adalah penilaian
untuk setiap kriteria aspek psikomotorik anak
sebagai input dan presentase total jumlah
nilai untuk mendapatkan hasil penilaian
sesungguhnya sebagai output. Data tersebut
diambil secara acak dari 100 orang anak
dengan jumlah yang dilatihkan pada jaringan
sebanyak 80 orang anak, dan 20 orang anak
sebagai data yang akan digunakan untuk
menguji
keakuratan
sistem
didalam
mengenali masukan data yang lain.
Tabel 1. Kriteria Psikomotorik
No
Kriteria Psikomotorik
Inputan
1 Reflek Segmental
X1
2 Reflek Intersegmental
X2
3 Gerakan Lokomotor
X3
4 Diskriminasi Kinestestis
X4
5 Diskriminasi Visual
X5
6 Ketahanan
X6
7 Kekuatan
X7
8 Keterampilan Adaptif
X8
9 Keterampilan
Adaptif
X9
Kompleks
10 Gerakan Ekspresif
X10
Tahapan pengembangan system sebagai
berikut :
1. Tahapan Pertama
Tabel 2. Data Psikomotorik
Mulai
Input Data Variabel
psikomotorik (Dt Lth)
Proses Database
sebagai Data Latih
Tidak
Latih
Konver
gen
Ya
Input Data Variabel
Psikomotorik (Dt Uji)
Proses Database
sebagai Data Uji
Uji
Target Diketahui
Selesai
Data Nilai Variabel
Psikomotorik
X1
X6
X2
X7
X3
X8
X4
X9
X5
X10
Gambar 3. Flowchart Proses Pelatihan Dan
Pengujian
Selain banyaknya data yang dilatihkan,
iterasi epoch yang semakin banyak juga
cenderung akan menghasilkan nilai eror yang
semakin kecil. Tetapi pelatihan yang optimal
dipengaruhi oleh banyaknya faktor seperti
penentuan learning rate, serta arsitektur
jaringannya sendiri. Untuk proses pengujian,
2. Tahapan Kedua
Tabel 3. Penentuan Variabel Psikomotorik
8
C. Penentuan Variabel
Seluruh data
yang terkumpul
dipisahkan menjadi 2 bagian, yaitu masukan
dan keluaran. Yang tergolong masukan
secara berurutan adalah :
1. Gerak Reflek Segmental disimpan pada
variabel X1
2. Gerak Reflek Intersegmental disimpan
pada variabel X2
3. Gerakan Lokomotor disimpan pada
variabel X3
4. Diskriminasi Kinestesis disimpan pada
variabel X4
5. Diskrimninasi Visual disimpan pada
variabel X5
6. Ketahanan disimpan pada variabel X6
7. Kekuatan disimpan pada variabel X7
8. Keterampilan Adaptif disimpan pada
variabel X8
9. Keterampilan
Adaftif
Kompleks
disimpan pada variabel X9
10. Gerakan Ekspresif disimpan pada
variabel X10
Kesepuluh variabel dengan jumlah 80
responden yang akan dilatihkan disusun
menjadi suatu matriks P, dengan ukuran 10 x
80, dan 20 responden sebagai data penguji
ke dalam matriks Q dengan ukuran 10 x 20.
Variabel Input :
Variabel Output :
X1
X6
Sangat Bagus (1 1)
X2
X7
Bagus
(1 0)
X3
X8
Cukup
(0 1)
X4
X9
Kurang
(0 0)
X5
X10
3. Tahapan Ketiga
Arsitektur Jaringan :
1 Lapisan Input Data Psikomotorik:10 Sel
1 Lapisan Tersembunyi
(jumlah sel ditetapkan secara random)
1 Lapisan Output : 2 Sel
Gambar 4. Arsitektur JST.
4. Tahapan Keempat: Pelatihan dan
Pengujian
Tabel 4 Data Latih Berdasarkan Data Variabel Psikomotorik
Kriteria aspek Psikomotorik anak
NO
Nama
X
1
X
2
X
3
X
4
X
5
X
6
X
7
X
8
X
9
X10
Jumlah
Nilai
Target
Sebenar
nya
1
Rafi Pratama
7
7
9
5
4
7
9
8
5
3
64
01
2
Heru Suseno
8
7
8
4
5
6
8
8
6
7
67
10
3
Andika
9
8
6
6
5
7
7
7
6
4
65
10
4
Anggun Anggira
6
6
7
7
5
7
7
7
5
4
61
01
5
Hengki
9
8
8
7
8
8
7
7
7
6
75
11
6
Tasya Amanda
7
7
8
5
4
4
8
8
6
3
60
01
7
Syadiah Nuralifa
6
6
7
2
4
6
7
6
5
2
51
00
8
Elisa Aulia Sari
8
7
9
4
6
5
8
7
6
6
66
10
9
Legi Lestari
9
8
8
7
6
6
7
8
5
7
71
10
10
Dahlia Ayu
5
6
7
4
5
7
8
6
5
4
57
01
9
11
Felita Intan S
7
4
6
5
2
4
6
6
5
3
48
00
12
Aprilina A
8
6
6
5
5
5
6
7
4
5
57
01
13
Adi Yulianto
7
6
6
6
7
6
8
8
7
6
67
10
14
Edo Ponco P
9
8
8
6
7
8
7
8
7
7
75
11
15
Asri Ariesta
7
7
6
5
6
5
7
6
4
6
59
01
16
Astri Agustina
6
6
7
7
8
7
6
6
6
6
65
10
17
Brian Wahyudi
9
8
8
7
5
7
8
7
7
3
69
10
18
Anggun Kusuma
Fatchur Rahmad
6
6
4
6
6
7
6
5
3
4
7
7
7
8
6
7
2
5
1
3
49
19
58
00
01
20
Puspita Sari I
7
6
6
5
3
6
7
6
4
4
54
00
21
Maulana
6
6
8
7
5
6
7
6
4
6
61
01
22
Dwi Saputra
9
7
7
5
5
7
7
7
6
7
67
10
23
Agnarisma Latifa
8
7
7
6
7
8
8
6
7
6
70
10
24
Mardianti Olivia
8
6
8
6
4
7
7
6
8
7
67
10
25
Mira Puji Lestari
7
6
6
6
4
5
6
7
6
5
58
01
26
Nur Azizah
6
8
7
4
3
6
8
6
6
7
61
01
27
Reka Apriawan
6
6
7
5
4
6
6
7
5
5
57
01
28
Rizky
7
9
8
8
8
8
8
9
7
8
80
11
29
Widhyanto
8
7
6
7
5
7
7
7
6
5
65
10
30
Fatir Yudho
9
6
8
8
7
8
8
8
7
8
77
11
31
Sabilah
6
4
6
5
6
8
7
7
8
6
63
01
32
Eksanti Azissa R
7
7
8
4
5
6
6
8
6
6
63
01
33
Salsabila K
8
6
6
7
5
7
7
6
4
4
60
01
34
Sendy Prasetyo
9
6
6
8
7
8
7
7
4
6
68
10
35
Wahyu Pramana
6
7
7
5
5
7
8
7
8
7
67
10
36
Wiranda H
7
7
8
8
4
7
7
8
6
6
68
10
37
Andra W
8
7
6
5
6
8
7
7
5
6
65
10
38
Dwi Ayudhiya C
9
8
7
7
8
6
7
8
9
7
76
39
Prabowo Dimas F
8
9
7
8
8
8
7
7
8
7
77
11
11
40
Rizky Eka R
8
6
6
7
6
7
7
6
4
5
62
01
41
Prahesty Fadila
7
7
7
6
5
6
6
7
3
5
59
01
42
Khoirunnisa H
8
5
6
7
5
4
7
7
5
5
59
01
43
Arroyan R
8
7
6
5
6
6
8
7
7
6
66
10
44
H Irvan Miftahul
7
8
7
6
6
5
7
8
6
6
66
10
45
Ismail Singgih
8
6
8
6
7
6
7
7
4
6
65
10
46
Fajar Romadhony
9
7
6
5
6
7
6
8
6
5
65
10
47
Riki Pratama P
7
7
7
5
6
5
7
7
6
7
64
01
48
Ismawati Sandara
7
6
6
7
5
6
5
7
8
4
61
01
49
Fantika Faadhilah
7
6
5
4
7
7
7
8
7
6
64
01
50
Farrel Hanafi
9
8
7
5
7
8
7
6
7
5
69
10
51
Emitasari Depy
8
6
7
6
7
8
8
6
5
6
67
10
52
Handik Prayoga
8
7
6
5
6
7
7
6
4
5
61
01
53
Ramandani R
6
8
6
3
7
5
7
6
6
5
59
01
11
54
Hanif Yusuf
7
7
7
6
7
8
7
7
7
6
69
10
55
Rahman A
7
8
8
8
8
8
8
8
8
6
77
11
56
Fitriani Puji
7
6
6
6
4
6
7
5
4
3
54
00
57
Ikka Pujiastuti
8
6
6
5
5
6
6
6
6
3
57
01
58
Anggi Putri Dewi
8
7
7
5
3
7
8
6
3
2
56
01
59
Bintang Putra
7
5
7
6
6
7
7
8
6
7
66
10
60
Hadi Setianto
7
6
6
5
4
6
6
7
5
7
59
01
61
Annisa Nur W
8
8
7
7
6
8
8
7
5
7
71
10
62
Lailatus Saadah
7
7
6
7
6
7
7
8
6
6
62
01
63
Mutiara Lutfiatul
7
7
8
6
5
6
6
8
6
5
64
01
64
Bayu Setia Rama
8
7
7
8
6
8
7
6
5
4
66
10
65
Rindiani
6
6
6
5
7
6
6
6
6
5
59
01
66
Yayang Wijaya
6
7
8
6
5
8
8
7
6
3
64
01
67
Novitasari
7
7
6
6
7
7
7
6
6
7
66
10
68
Dimas priyo J
8
7
8
6
6
7
7
6
7
7
69
10
69
Hana Aulia S
6
6
7
8
6
8
6
7
6
5
65
10
70
Murdikatus S
7
6
7
6
6
7
7
7
6
5
64
01
71
Arsyad Widi
7
6
6
6
5
7
6
6
4
2
55
01
72
Firmansyah
7
6
6
8
6
6
7
7
6
6
65
10
73
Duta Dzaky
8
7
7
8
7
8
8
7
7
7
74
11
74
Fidia Ambar
7
8
7
7
6
7
6
6
5
4
63
01
75
Ryandra Irsy
8
8
7
8
7
8
9
8
6
7
76
11
76
Anwar Fathoni
9
8
7
8
7
7
8
8
7
7
76
11
77
Restu Putra
6
8
7
5
6
6
7
7
4
6
62
01
78
Muhammad G
7
7
8
7
7
8
7
6
5
3
65
10
79
Ria Isabella
7
6
7
8
6
6
7
7
3
6
63
01
80
Cyntia Sari
8
7
8
7
7
8
8
6
6
8
73
10
b. Jika persentase seluruh kriteria
psikomotorik 65 s/d 74, maka
dikategorikan
Bagus,
dengan
singkatan BGS.
c. Jika persentase seluruh kriteria
psikomotorik 55 s/d 64, maka
dikategorikan
Cukup,
dengan
singkatan CKP.
d. Jika persentase seluruh kriteria
psikomotorik 0 s/d 54, maka
dikategorikan
Kurang,
dengan
singkatan KRG.
2. Data nilai
a. Jika nilai untuk setiap variabel
psikomotorik 9 s/d 10, maka
dikategorikan Sangat Bagus, dengan
singkatan SB.
Keterangan :
X1: Gerak Reflek Segmental
X2: Gerak Reflek Intersegmental
X3: Gerakan Lokomotor
X4: Deskriminasi Kinestesis
X5: Deskriminasi Visual
X6: Ketahanan
X7: Kekuatan
X8: Keterampilan Adaptif
X9: Keterampilan Adaptif Kompleks
X10: Gerakan Ekspresif
Representasi variable input
1. Data kriteria psikomotorik
a. Jika persentase seluruh kriteria
psikomotorik 75 s/d 100, maka
dikategorikan Sangat Bagus, dengan
singkatan SB.
12
b. Jika nilai untuk setiap variabel
dikategorikan
Kurang,
dengan
psikomotorik
7
s/d 8,
maka
singkatan KRG.
dikategorikan Bagus, dengan singkatan
e. Jika nilai untuk setiap variabel
BGS.
psikomotorik
1
s/d 2,
maka
c. Jika nilai untuk setiap variabel
dikategorikan Gagal dengan singkatan
psikomotorik
5
s/d 6,
maka
GGL.
dikategorikan Cukup, dengan singkatan Berdasarkan representasi masukan berikut
CKP.
bentuk transformasi dalam bentuk string
d. Jika nilai untuk setiap variabel
psikomotorik
3
s/d 4,
maka
Tabel 5. Convert Angka Hasil Rekapitulasi Ke String
NO
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
Kriteria Aspek Psikomotorik Anak
Nama
Rafi Pratama
Heru Suseno
Andika
Anggun A
Hengki
Tasya Amanda
Syadiah N
Elisa Aulia S
Legi Lestari
Dahlia Ayu
Felita Intan S
Aprilina A
Adi Yulianto
Edo Ponco P
Asri Ariesta
Astri Agustina
Brian Wahyudi
Anggun K
Fatchur R
Puspita Sari I
Maulana
Dwi Saputra
Agnarisma L
Mardianti O
Mira Puji L
Nur Azizah
Reka Apriawan
Rizky
Widhyanto
Fatir Yudho
Sabilah
Eksanti Azissa
Salsabila K
Sendy Prasetyo
Wahyu P
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
BGS
BGS
SBG
CKP
SBG
BGS
CKP
BGS
SBG
CKP
BGS
BGS
BGS
SBG
BGS
CKP
SBG
CKP
CKP
BGS
CKP
SBG
BGS
BGS
BGS
CKP
CKP
BGS
BGS
SBG
CKP
BGS
BGS
SBG
CKP
BGS
BGS
BGS
CKP
BGS
BGS
CKP
BGS
BGS
CKP
KRG
CKP
CKP
BGS
BGS
CKP
BGS
KRG
CKP
CKP
CKP
BGS
BGS
CKP
CKP
BGS
CKP
SBG
BGS
CKP
KRG
BGS
CKP
CKP
BGS
SBG
BGS
CKP
BGS
BGS
BGS
BGS
SBG
BGS
BGS
CKP
CKP
CKP
BGS
CKP
BGS
BGS
CKP
BGS
CKP
BGS
BGS
BGS
BGS
CKP
BGS
BGS
BGS
CKP
BGS
CKP
BGS
CKP
CKP
BGS
CKP
CKP
CKP
BGS
BGS
CKP
GGL
KRG
BGS
KRG
CKP
CKP
CKP
CKP
CKP
BGS
BGS
CKP
CKP
CKP
BGS
CKP
CKP
CKP
CKP
KRG
CKP
BGS
BGS
BGS
CKP
KRG
BGS
BGS
CKP
KRG
CKP
CKP
CKP
BGS
KRG
KRG
CKP
CKP
CKP
GGL
CKP
BGS
BGS
CKP
BGS
CKP
KRG
KRG
KRG
CKP
CKP
BGS
KRG
KRG
KRG
KRG
BGS
CKP
BGS
CKP
CKP
CKP
BGS
CKP
BGS
CKP
BGS
BGS
BGS
KRG
CKP
CKP
CKP
BGS
KRG
CKP
CKP
BGS
CKP
BGS
BGS
BGS
BGS
CKP
CKP
BGS
BGS
BGS
CKP
CKP
CKP
BGS
BGS
BGS
BGS
CKP
BGS
BGS
BGS
SBG
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
CKP
CKP
BGS
BGS
BGS
CKP
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
CKP
BGS
CKP
BGS
BGS
BGS
BGS
CKP
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
CKP
BGS
BGS
CKP
CKP
BGS
BGS
BGS
CKP
CKP
BGS
CKP
BGS
CKP
CKP
BGS
CKP
CKP
BGS
CKP
BGS
SBG
BGS
BGS
BGS
BGS
CKP
BGS
BGS
CKP
CKP
CKP
CKP
BGS
CKP
CKP
CKP
CKP
CKP
CKP
KRG
BGS
BGS
KRG
CKP
BGS
GGL
CKP
KRG
KRG
CKP
BGS
BGS
CKP
CKP
CKP
BGS
CKP
BGS
BGA
CKP
KRG
KRG
BGS
KRG
BGS
KRG
KRG
CKP
KRG
GGL
CKP
BGS
KRG
KRG
CKP
CKP
BGS
CKP
CKP
KRG
GGL
KRG
KRG
CKP
BGS
CKP
BGS
CKP
BGS
CKP
SBG
CKP
BGS
CKP
CKP
KRG
CKP
BGS
14
Target
Sebenarnya
CKP
BGS
BGS
CKP
SBG
CKP
KRG
BGS
BGS
CKP
KRG
CKP
BGS
SBG
CKP
BGS
BGS
KRG
CKP
KRG
CKP
BGS
BGS
BGS
CKP
CKP
CKP
SBG
BGS
SBG
BGS
BGS
CKP
BGS
BGS
36
37
38
39
40
41
42
Wiranda H
Andra W
Dwi Ayudhiya
Prabowo D
Rizky Eka R
Prahesty Fadila
Khoirunnisa H
43
Arroyan R
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
H Irvan M
Ismail Singgih
Fajar R
Riki Pratama P
Ismawati S
Fantika F
Farrel Hanafi
Emitasari Depy
Handik P
Ramandani R
Hanif Yusuf
Rahman A
Fitriani Puji
Ikka Pujiastuti
Anggi Putri D
Bintang Putra
Hadi Setianto
Annisa Nur W
Lailatus S
Mutiara L
Bayu Setia R
Rindiani
Yayang Wijaya
Novitasari
Dimas priyo J
Hana Aulia S
Murdikatus S
Arsyad Widi
Firmansyah
Duta Dzaky
Fidia Ambar
Ryandra Irsy
Anwar Fathoni
Restu Putra
Muhammad G
Ria Isabella
Cyntia Sari
BGS
BGS
SBG
BGS
BGS
BGS
BGS
BGS
BGS
SBG
CKP
BGS
BGS
CKP
BGS
BGS
CKP
BGS
BGS
CKP
BGS
BGS
BGS
CKP
KRG
CKP
BGS
BGS
CKP
CKP
BGS
BGS
CKP
BGS
BGS
CKP
BGS
BGS
BGS
BGS
BGS
CKP
BGS
BGS
BGS
BGS
CKP
BGS
CKP
CKP
SBG
BGS
KRG
KRG
CKP
CKP
BGS
BGS
CKP
CKP
BGS
BGS
SBG
SBG
CKP
CKP
BGS
CKP
CKP
BGS
CKP
KRG
BGS
BGS
CKP
CKP
CKP
BGA
BGS
BGS
SBG
BGS
BGS
BGS
SBG
BGS
BGS
CKP
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
CKP
CKP
BGS
BGS
CKP
BGS
BGS
BGS
BGS
BGS
BGS
SBG
CKP
BGS
BGS
BGS
BGS
BGS
CKP
BGS
BGS
CKP
CKP
BGS
CKP
BGS
BGS
BGS
BGS
CKP
CKP
BGS
CKP
CKP
BGS
BGS
BGS
BGS
CKP
BGS
BGS
BGS
CKP
CKP
CKP
CKP
BGS
BGS
BGS
BGS
BGS
BGS
CKP
BGS
CKP
BGS
BGS
CKP
BGS
CKP
CKP
BGS
BGS
CKP
CKP
BGS
BGS
CKP
CKP
BGS
BGS
CKP
BGS
CKP
BGS
BGS
CKP
BGS
CKP
BGS
BGS
BGS
CKP
CKP
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
CKP
CKP
CKP
CKP
CKP
BGS
KRG
CKP
CKP
CKP
KRG
CKP
BGS
CKP
CKP
CKP
CKP
CKP
BGS
BGS
CKP
BGS
CKP
CKP
CKP
CKP
BGS
CKP
CKP
BGS
BGS
BGS
BGS
BGS
CKP
BGS
BGS
BGS
CKP
CKP
BGS
CKP
CKP
CKP
BGS
BGS
BGS
CKP
BGS
BGS
BGS
KRG
CKP
KRG
CKP
KRG
CKP
CKP
CKP
CKP
BGS
CKP
BGS
CKP
CKP
CKP
CKP
CKP
BGS
CKP
BGS
BGS
CKP
BGS
CKP
BGS
CKP
CKP
CKP
BGS
CKP
CKP
BGS
BGS
BGS
BGS
CKP
BGS
BGS
CKP
CKP
BGS
BGS
CKP
BGS
BGS
CKP
BGS
CKP
BGS
BGS
BGS
BGS
BGS
BGS
CKP
BGS
BGS
BGS
BGS
CKP
BGS
CKP
BGS
BGS
BGS
BGS
CKP
BGS
CKP
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
CKP
BGS
BGS
CKP
BGS
BGS
CKP
BGS
CKP
BGS
BGS
BGS
CKP
BGS
CKP
BGS
BGS
CKP
SBG
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
CKP
CKP
CKP
CKP
BGS
BGS
CKP
CKP
CKP
BGS
BGS
BGS
BGS
BGS
CKP
CKP
BGS
CKP
CKP
BGS
BGS
CKP
BGS
BGS
CKP
BGS
BGS
BGS
CKP
BGS
CKP
BGS
CKP
KRG
CKP
CKP
BGS
BGS
BGS
CKP
KRG
CKP
BGS
BGS
KRG
CKP
KRG
CKP
CKP
CKP
CKP
CKP
CKP
CKP
CKP
CKP
BGS
CKP
CKP
KRG
CKP
BGS
CKP
CKP
BGS
KRG
CKP
KRG
CKP
CKP
CKP
CKP
CKP
BGS
KRG
CKP
CKP
CKP
CKP
CKP
CKP
CKP
KRG
KRG
GGL
BGS
BGS
BGS
CKP
CKP
KRG
CKP
KRG
BGS
BGS
CKP
CKP
GGL
CKP
BGS
KRG
BGS
BGS
CKP
KRG
CKP
BGS
BGS
BGS
BGS
BGS
CKP
CKP
CKP
BGS
BGS
CKP
CKP
BGS
SBG
KRG
CKP
CKP
BGS
CKP
BGS
CKP
CKP
BGS
CKP
CKP
BGS
BGS
BGS
CKP
CKP
BGS
SGS
CKP
SBG
SBG
CKP
BGS
CKP
BGS
Keterangan :
Nilai
SB
: Sangat Bagus
Jumlah Nilai
SB
: Sangat Bagus
16
BGS
CKP
KRG
GGL
: Bagus
: Cukup
: Kurang
: Gagal
BGS : Bagus
CKP : Cukup
KRG : Kurang
Secara matematis dapat dihitung sebagai
berikut.
X
=
7
8
9
6
9
7
6
T
7
7
8
6
8
7
6
0
1
1
0
1
0
0
9
8
6
7
8
8
7
=
5
4
6
7
7
5
2
4
5
5
5
8
4
4
7
6
7
7
8
4
6
9
8
7
7
7
8
7
8
8
7
7
7
8
6
5
6
6
5
7
6
5
3. Bobot awal hidden ke output
w = 4.1308 2.6079 -2.4325 -3.8168
0.0511 -1.2908 -5.6337
3
7
4
4
6
3
2
1) Penjumlahan berbobot:
Z_in1 = v01 + X11*V11 + X12*V12
X13*V13 + X14*V14
X15*V15 + X16*V16
X17*V17 + X18*V18
X19*V19 + X1-10*V1-10
= -6.6091+ (7*0.8378) +
1
0
0
1
1
1
0
Z_in2 = v02 + X11*V21 + X12*V22
X13*V23 + X14*V24
X15*V25 + X16*V26
X17*V27 + X18*V28
X19*V29 + X1-10*V2-10
= -1.6238 + (7*-0.6603) + (7*
1. Bobot awal input ke hidden
v=
-0.6603 0.9655 -0.1358 0.3510 0.7679 0.2710 -1.0949 -1.1095 1.5906 0.0371
= -8.4458
Z_in3 = v03 + X11*V31 + X12*V32 +
X13*V33 + X14*V34 +
X15*V35 + X16*V36 +
X17*V37 + X18*V38 +
X19*V39 + X1-10*V3-10
= 23.6501 + (7*0.2835 ) + (7* -
0.3063 -0.5155 -0.1786
-1.9295 -0.1354 -0.4735
-0.0330 -1.7006 0.6874 -0.1332 0.6952 0.8656 0.3666 0.8716 -0.2873 0.2432
0.1733) + (9 * 0.3063) + (5 * 0.5155 ) + (4* -0.1786 ) + (7*
0.6233 ) + (9*-1.1993 )+ (8*-
2. Bobot awal bias ke hidden
V0 = -6.6091
0.5616
-1.6238
23.6501
+
+
+
+
0.9655 ) + (9 * -0.1358 ) + (5 *
0.3510) + (4* 0.7679 ) + (7* 0.2710) + (9*-1.0949) + (8*1.1095 ) +(5*1.5906 ) + (3*
0.0371)
1.0924 0.5982 0.4711 0.6079 -1.0082 -0.6360 -0.1533 0.3866
0.2835 -0.1733
0.6233 -1.1993
+
+
+
+
(7*1.0924) + (9*0.5982) +
(5*0.4711) + (4*0.6079) + (7*0.6171) + (9*-1.0082) + (8*0.6360) + (5*-0.1533) +
(3*0.3866)
= -1.0150
a. Jumlah neuron pada input layer = 10
b. Jumlah neuron pada hidden layer = 4
c. Jumlah neuron pada output layer = 2
d. Learning rate (α) = 0.02
e. Maksimum Epoch = 10000
f. Target Error = 0.1
Bobot awal (ditentukan secara acak):
0.8378
0.6171
3.3079
4. Bobot awal bias ke output
2.0603
W0 = -1.5582
Pembelajaran:Epoh ke-1:
Data ke = 1
Operasi pada Hidden Layer
-
17
1 = (0
1.9295 ) + (5*-0.1354 ) + (3* 0.4735)
= -0.0778
1
1.7006) + (9 * 0.6874) + (5 * 0.1332) + (4* 0.6952 ) + (7* 0.8656 ) + (9*0.3666 )+
(8*0.8716 ) + (5*-0.2873 ) +
(3* 0.2432)
= -0.8893
Z2= (
8.4458
Z3= (
+0.0778 )
)=
0.2660
)=
2.1475e-004
= 0.4806
Z4= (
= 0.2913
0.8893 )
Operasi pada Output Layer --->
3) Perkalian:
Y_in1= w01 + Z1*W11 +Z2*W12 +Z3*
W13 + Z4* W14
= -1.5582 + (0.2660* 4.1308) +
(2.1475e-004*2.6079) (0.4806* 2.4325) + (0.2913*-3.8168)
= -2.7397
Y_in2 = w02 + Z1*W21 +Z2*W22 +Z3*
W23 + Z4* W24
= 2.0603+ (0.2660* 0.0511 ) +
(2.1475e-004* -1.2908 )
+(0.4806* -5.6337 ) +
(0.2913*3.3079)
= 0.3297
4) Aktivasi:
Y1 = (
2.7397 )
= 0.0607
Y2 = (
) = 0.5817
.
Error lapisan Y1 = 0 – 0.0607= -0.0607
Jumlah Kuadrat Error = (-0.0607)2 =
0.0037
1
1=
_
1+
1
1 (
)
1+
19
(
1+
1
1
.
)
.
1+
= 0.0035
Error lapisan Y2 = 0 – 0.5817= -0.5817
Jumlah Kuadrat Error = (-0.5817)2 =
0.3384
1
2=
_
1+
1
1 (
)
1+
1
2 = (1 0.5817)
.
1+
1
1 (
)
.
1+
= 0.1018
11 =
1 1
11 = 0.02 ( 0.0035) 0.2660
= 1.8620
005
12 =
2 1
12 = 0.02 (0.1018) 0.2660
= 5.4158
004
21 =
1 2
21 = 0.02 ( 0.0035) 2.1475e
004
= 1.5033
008
22 =
2 2
22 = 0.02 (0.1018) 2.1475e
004 = 4.3723
007
31 =
1 3
31 = 0.02 ( 0.0035) 0.4806
= 3.3642
005
32 =
2 3
32 = 0.02 (0.1018) 0.4806
= 9.7850
004
41 =
1 4
41 = 0.02 ( 0.0035) 0.2913
= 2.0391
005
42 =
2 4
42 = 0.02 (0.1018) 0.2913
= 5.9309
004
01 =
1
01 = 0.02 ( 0.0035)
= 7.0000
005
02 =
2
02 = 0.02 (0.1018) = 0.0020
Z_in4 = v04 + X11*V41 + X12*V42 +
X13*V43+X14*V44 + X15*V45
+X16*V46+X17*V47+X18*V4
8+X19*V49+X1-10*V4-10
= -0.5616+ (7*-0.0330) + (7* -
2) Aktivasi:
Z1= (
+1.0150
0.0607)
11 = 1
11 = 0.0035
4.1308 = -0.0145
12 = 2
21 = 0.1018 0.0511
= 0.0052
21 = 1
12
= 0.0035 2.6079
= 0.0091
22 = 2
22
= 0.1018
1.2908
= 0.1314
31 = 1
13
= 0.0035
2.4325
= 0.0085
32 = 2
23
= 0.1018
5.6337
= 0.5735
41 = 1
14
= 0.0035
3.8168
= 0.0134
42 = 2
24 = 0.1018 3.3079
= 0.3367
1
=
_ 1
1+
1
1 (
)
_ 1
1+
1
= 0.0145
.
1+
1
1 (
)
.
1+
= 0.0036
1
=
_ 1
1+
1
1 (
)
_ 1
1+
1
= 0.0052
.
1+
1
1 (
)
.
1+
= 0.0013
1
=
_
1+
1
1 (
)
_
1+
=
0.0091
1
1+
1
(
1
(
0.1314
1
1+
.
1+
= 0.0328
1
_
1+
=
.
1
= 0.0085
(
1+
(
1
(
1
=
1+
1+
1
1+
1
.
(
1+
= 0.0033
1
_
1+
1
(
1+
1
1
1
)
)
.
_
1
1+
0.1354
1
(
)
)
_
1
(
1
= 0.0134
1
1
1+
1
.
1+
_
1
_
1
.
1
0.5735
=
20
1+
1
1+
= 0.0020
1
_
1+
=
=
1
1+
(
=
)
1+ .
= 0.0023
1
_
1+
=
=
1
.
)
)
.
_
)
)
.
_
)
= 0.3367
1+
1
1
v16 = v16 + v16 = -0.6171 + 0 = -0.6171
v17 = v17 + v17 = -1.0082 + 0 = -1.0082
v18 = v18 + v18 = -0.6360 + 0 = -0.6360
v19 = v19 + v19 = -0.1533 + 0 = -0.1533
v1-10 = v1-10 + v1-10 = 0.3866 + 0 =
0.3866
v21 = v21 + v21 = -0.6603+ 0 = -0.6603
v22 = v22 + v22 = 0.9655 + 0 = 0.9655
v23 = v23 + v23 = -0.1358 + 0 = -0.1358
v24 = v24 + v24 = 0.3510 + 0 = 0.3510
v25 = v25 + v25 = 0.7679 + 0 = 0.7679
v26 = v26 + v26 = -0.2710 + 0 = -0.2710
v27 = v27 + v27 = -1.0949 + 0 = -1.0949
v28 = v28 + v28 = -1.1095 + 0 = -1.1095
v29 = v29 + v29 = 1.5906 + 0 = 1.5906
v2-10 = v2-10 + v2-10 = 0.0371+ 0 = 0.0371
v31 = v31 + v31 = 0.2835 + 0 = 0.2835
v32 = v32 + v32 = -0.1733
+ 0 = 0.1733
v33 = v33 + v33 = 0.3063 + 0 = 0.3063
v34 = v34 + v34 = -0.5155 + 0 = -0.5155
v35 = v35 + v35 = -0.1786
+ 0 = 0.1786
v36 = v36 + v36 = -3.1801 + 0 = -3.1801
v37 = v37 + v37 = 0.6233 + 0 = 0.6233
v38 = v38 + v38 = -1.9295 + 0 = -1.9295
v39 = v39 + v39 = -0.1354 + 0 = -0.1354
v3-10 = v3-10 + v3-10 = -0.4735 + 0 = 0.4735
v41 = v41 + v41 = -0.0330 + 0 = -0.0330
v42 = v42 + v42 = -1.7006
+ 0 = 1.7006
v43 = v43 + v43 = 0.6874 + 0 = 0.6874
v44 = v44 + v44 = -0.1332
+ 0 = 0.1332
v45 = v45 + v45 = 0.6952 + 0 = 0.6952
v46 = v46 + v46 = -0.8656 + 0 = -0.8656
v47 = v47 + v47 = 0.3666 + 0 = 0.3666
v48 = v48 + v48 = 0.8716 + 0 = 0.8716
v49 = v49 + v49 = -0.2873
+ 0 = 0.2873
v4-10 = v4-10 + v4-10 = 0.2432 + 0 = 0.2432
v01 = v011 + v01= -6.6091 7.2000
005 = -6.6092
v02 = v012 + v02 =
-1.6238
4.6000
005= -1.6238
1
)
.
1+
= 0.0824
v11 =
11
= 0.02 ( 0.0036) 7
= 5.0400
004
v12 =
12 11
= 0.02 (0.0013) 7
= 1.8200
004
v21 =
21 11
= 0.02 ( 0.0023) 7
= 3.2200
004
v22 =
22 11
= 0.02 ( 0.0328) 7
= 0.0046
v31 =
31 11
= 0.02 ( 0.0020) 7
= 2.8000
004
v32 =
32 11
= 0.02 ( 0.1354) 7
= 0.0190
v41 =
41 11
= 0.02 (0.0033) 7
= 4.6200
004
v42 =
42 11
= 0.02 (0.0824) 7
= 0.0115
v01 =
11 = 0.02 ( 0.0036)
= 7.2000
005
v02 =
21 = 0.02 ( 0.0023)
= 4.6000
005
v03 =
31 = 0.02 ( 0.0020)
= 4.0000
005
v04 =
41 = 0.02 (0.0033)
= 6.6000
005
v11 = v11 + v11 = 0.8378 + 5.0400
004= 0.8373
v12 = v12 + v12 = 1.0924 + 1.8200
004= 1.0926
v13 = v13 + v13 = 0.5982
3.2200
004 = 0.5979
v14 = v14 + v14 = 0.4711 0.0046 =
0.4665
(
.
v15 = v15 + v15 = 0.6079+ 2.8000
= 0.6082
004
21
v03 = v013 + v03 = 23.6501 + 4.0000
005= 23.6501
v04 = v014 + v04 = -0.5616+ 6.6000
005= -0.5615
w11 = w11 + w11 = 4.1308
1.8620
005= 4.1308
w12 = w21 + w12 = 2.6079
+
5.4158
004= 2.6084
w21 = w31 + w21= -2.4325
1.5033
008= -2.4325
w22 = w41 + w22= -3.8168 + 4.3723
007= -3.8168
w31 = w21 + w31 =
0.0511
3.3642
005= 0.0511
w32 = w21 + w32= -1.2908 + 9.7850
004= -1.2898
w41 = w13 + w41 = -5.6337 2.0391
005= -5.6337
w42 = w14 + w42= 3.3079 + 5.9309
004 = 3.3085
w01 = w01 + w01 =- 1.5582
7.0000
005= -1.5583
Pada data kedua, juga dilakukan
operasi-operasi yang sama dengan
menggunakan bobot-bobot akhir hasil
pengolahan data pertama ini sebagai
bobot-bobot
awalnya.
Proses
ini
dilakukan secara berulang sampai pada
maksimum epoh (100000) atau kuadrat
error < target error (0.1).
Berikut adalah bobot akhir setelah epoh
ke-3425 :
1. Bobot akhir input ke hidden
v =2.1304 1.5128 -0.3753 -1.2563 0.9763
-0.1406 -1.6771 -1.3524 0.0738 1.8141
-0.1996 0.9506 -0.7733 -0.7455 0.6793 0.5000 -1.5514 -1.4870 1.5684 1.0056
1.3177 0.3019 -0.6337 -2.1943 -1.3760
0.4344 -0.8812 -1.4917 -0.0547 0.4877
-0.8815 -2.0950 0.6101 1.3018 0.7690 0.9792 0.0128 0.5692 -0.6195 -1.0256
2. Bobot akhir bias ke hidden
-1.6828 23.7283 -0.6053
V0 = -6.6615
3. Bobot akhir hidden ke output
w = 7.4903 2.4921 -1.3515 -3.7863
-1.0633 -2.0383 -6.8314
w02 = w02 + w02 = 2.0603 + 0.0020 =
2.0623
3.2855
4. Bobot akhir bias ke output
3.9047
W0 = -3.0579
Tabel 6. Data Uji Berdasarkan Kriteria Aspek Psikomotorik
N
O
1
2
Febri Andika
Dedi M
3
4
5
6
7
8
9
10
11
12
13
14
Nurul O
Angga S
Dea Nur P
Muhammad
Fitri Lestari
Meysa A
Guntur
Bima
Siti N
Kiki H
Mahesa
Syah Dewa
15
16
17
18
19
Marlinta
Andrea Putri
Wiranda
Zakarianta
Leliana
Nama
Kriteria aspek Psikomotorik anak
X3 X4 X5 X6 X7 X8 X9
X10
Jumlah
Nilai
8
5
7
7
5
7
6
8
5
6
5
6
70
73
71
68
58
70
7
8
8
8
7
5
8
8
5
5
7
6
7
6
7
6
5
8
7
7
4
5
7
8
5
7
6
6
4
6
7
6
4
6
8
6
72
69
75
68
60
64
75
67
59
62
70
71
6
8
7
70
X1
X2
7
9
8
8
7
7
6
7
6
5
5
8
8
8
8
7
6
7
8
7
6
8
7
8
6
6
7
5
4
7
7
7
9
8
7
8
6
8
8
6
6
6
8
8
7
8
6
6
8
7
9
6
7
8
9
5
6
6
5
8
7
6
8
6
7
8
8
7
7
7
6
8
8
7
7
8
6
6
8
6
4
8
7
6
7
7
8
5
5
6
7
8
6
6
8
8
8
8
6
8
6
4
6
7
8
6
8
6
8
7
8
6
7
6
7
8
7
6
6
7
7
6
8
8
6
7
8
5
8
7
8
8
6
7
8
6
8
6
8
22
Target Uji
Sebenarnya
10
10
10
10
01
10
10
10
11
10
01
01
11
10
01
01
10
10
10
20
Duma P
6
7
8
6
6
Keterangan :
X1
: Gerak Reflek Segmental
X9
: Keterampilan Adaptif Kompleks
X6
: Ketahanan
X3
: Gerakan Lokomotor
X4
: Deskriminasi Kinestesis
8
6
X5
X2
X10
X7
X8
8
8
6
69
10
: Deskriminasi Visual
: Gerak Reflek Intersegmental
: Gerakan Ekspresif
: Kekuatan
: Keterampilan Adaptif
Tabel 7. Convert Angka Hasil Rekapitulasi ke Huruf
NO
Nama
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Febri Andika
Dedi M
Nurul O
Angga S
Dea Nur P
Muhammad
Fitri Lestari
Meysa A
Guntur
Bima
Siti N
Kiki H
Mahesa
Syah Dewa
Marlinta
Andrea Putri
Wiranda
Zakarianta
Leliana
Duma P
X1
BGS
SBG
BGS
BGS
BGS
BGS
BGS
BGS
SBG
CKP
BGS
BGS
SBG
CKP
CKP
CKP
CKP
BGS
CKP
CKP
X2
CKP
BGS
CKP
CKP
CKP
BGS
BGS
CKP
BGS
CKP
BGS
BGS
BGS
BGS
BGS
BGS
CKP
BGS
BGS
BGS
Kriteria aspek Psikomotorik anak
X3
X4
X5
X6
X7
X8
BGS BGS CKP BGS CKP BGS
BGS BGS CKP BGS BGS BGS
BGS CKP BGS SBG BGS BGS
BGS BGS CKP BGS CKP BGS
CKP BGS KRG BGS CKP CKP
BGS BGS BGS BGS CKP CKP
BGS BGS BGS BGS BGS BGS
BGS BGS BGS BGS CKP BGS
BGS BGS CKP BGS BGS BGS
BGS CKP BGS CKP BGS BGS
CKP CKP CKP BGS CKP BGS
CKP CKP KRG CKP BGS CKP
BGS BGS CKP BGS BGS BGS
CKP BGS BGS BGS CKP BGS
KRG CKP BGS BGS BGS CKP
BGS CKP CKP CKP BGS CKP
BGS BGS BGS CKP BGS BGS
CKP BGS CKP BGS BGS CKP
BGS CKP BGS CKP BGS CKP
BGS CKP CKP BGS CKP BGS
X9
BGS
CKP
BGS
BGS
CKP
BGS
BGS
CKP
BGS
CKP
CKP
BGS
BGS
BGS
KRG
CKP
BGS
BGS
BGS
BGS
X10
CKP
BGS
CKP
CKP
CKP
CKP
CKP
BGS
CKP
CKP
KRG
CKP
BGS
CKP
KRG
CKP
BGS
CKP
BGS
CKP
Target Uji
Sebenarnya
BGS
BGS
BGS
BGS
CKP
BGS
BGS
BGS
SBG
BGS
CKP
CKP
SBG
BGS
CKP
CKP
BGS
BGS
BGS
BGS
Keterangan :
Nilai
Jumlah Nilai
SB
: Sangat Bagus
SB
: Sangat Bagus
BGS : Bagus
BGS : Bagus
CKP : Cukup
CKP : Cukup
KRG : Kurang
KRG : Kurang
GGL : Gagal
Tabel 7 di atas merupakan data input yang
belum dikenal oleh jaringan saraf tiruan.
telah ditansformasi menjadi numeric untuk
Jika hasil output memiliki pesentase yang
dilatih. Keluaran atau target yang
sangat tinggi maka sistem yang di buat
diinginkan dibagi menjadi 4 pola keluaran
dikatakan cerdas dan jika hasil presentase
yaitu :
rendah maka sistem yang dibuat belumlah
1. (1 1) = Sangat Bagus
dikatakan cerdas. Oleh sebab itu perlu
2. (1 0) = Bagus
dilakukan pelatihan terhadap data yang
3. (0 1) = Cukup
besar (banyak) agar ketika diujikan data
4. (0 0) = Kurang
yang belum dikenal sistem dapat dikenali
Data uji yang akan diujikan kedalam
dengan cepat dan tepat.
jaringan adalah data yang sama sekali
8
[w1,b1,w2,b2]=initff(p,80,'logsig',t,'logsig'
)
[w1,b1,w2,b2]=trainbp(w1,b1,'logsig',w2,b
2,'logsig',p,t,tp)
l=simuff(p,w1,b1,'logsig',w2,b2,'logsig')
l=l'
Durasi : 17 menit
hasil konvergen pelatihan = 100%
Kemudian
dilanjutkan
dengan
pelatihan ke- 2 yang terlihat pada gambar 6
VI.
PELATIHAN
Data dilatihkan dengan dipengaruhi
oleh model algoritma jaringan yang
digunakan dan jumlah lapisan tersembunyi
data psikomotorik. Untuk menghasilkan
iterasi tercepat, nilai-nilai dari jumlah
lapisan tersembunyi
diubah-ubah.
Perubahan dilakukan dengan memberi nilai
tetap pada salah satu item. Pelatihan data
yang paling cepat konvergen terjadi pada
epoch ke-100000 dengan nilai sbb:
a. Jumlah sel lapisan tersembunyi : 10
s/d 100
b. Maksimum Epoch : 100000
c. Konstanta Belajar : 0.01 s/d 0.07
d. Galat yang diijinkan : 0.1
Hasil pelatihan dilakukan melalui 2
tahap, yaitu pelatihan terhadap data yang
dilatihkan dan pengujian pada data yang
baru yang belum pernah dilatihkan.
Adapun data yang dilatihkan terdiri dari
data 100 orang anak , dimana terdiri dari
data 80 orang anak yang dilatihkan dan
data 20 orang anak yang diujikan
merupakan data yang baru yang belum
dikenal oleh jaringan. Hal tersebut
berfungsi untuk menguji seberapa besar
JST mengenali data yang baru.
A. Data Latih
Gambar 6. Grafik Pelatihan ke-2
Gambar 6, menunjukkan bahwa proses
pelatihan berhenti pada epoch ke 6474
dengan sintaks sebagai berikut :
tp=[50 100000 0.05 0.1]
[w1,b1,w2,b2]=initff(p,90,'logsig',t,'logsig'
)
[w1,b1,w2,b2]=trainbp(w1,b1,'logsig',w2,b
2,'logsig',p,t,tp)
l=simuff(p,w1,b1,'logsig',w2,b2,'logsig')
l=l'
Durasi : 12 menit
hasil konvergen pelatihan = 100%
Setelah itu dilanjutkan dengan pelatihan
ke-3 yang terlihat pada gambar 7:
Gambar 5. Grafik Pelatihan ke 1
PSIKOMOTORIK DENGAN MENGGUNAKAN DATA MINING METODE
BACKPROPAGATION
Relita Buaton
Nurul Ramadani
Program Studi Teknik Informatika
STMIK KAPUTAMA
Jl. Veteran No. 4A-9A, Binjai,Sumatera Utara
Email:fredy_smart04@yahoo.com
ABSTRACT
Perkembangan psikomotorik berhubungan dengan kejiwaan atau mental dan gerakan.
Psikomotorik adalah berhubungan dengan proses aktivitas fisik yang berkaitan dengan proses
mental dan psikologi. Emosi anak tampak mencolok pada anak-anak usia 2,5 sampai 3,5
tahun dan 5,5 sampai 6,5 tahun. Selama masa kanak-kanak emosi mereka sangat kuat, ini
merupakan saat ketidakseimbangan, dalam arti bahwa anak mudah terbawa ledakan-ledakan
emosional sehingga sulit dibimbing dan diarahkan. Yang umum terjadi dalam masa
perkembangan sosial anak adalah bahwa anak lebih menyukai kontak sosial yang sejenis dari
pada kelompok yang berlawanan. Anak pada usia 4 sampai dengan 5 tahun merupakan usia
yang paling tepat dalam mengoptimalkan segala aspek perkembangan, khususnya
perkembangan psikomotorik anak. Hasil belajar psikomotorik sangat berarti bagi kehidupan
anak karena langsung mempengaruhi perilaku dan perbuatannya. Sehingga perkembangan
psikomotorik anak perlu diketahui, karena sangat mempengaruhi kejiwaan, mental, psikologi
dan perilaku.
Data mining merupakan penambangan atau penemuan informasi baru dengan
memprediksi, mencari pola atau aturan tertentu dari sejumlah data dalam jumlah besar yang
diharapkan dapat mengatasi kondisi tersebut. Untuk itu perlu dirumuskan bagaimana
memprediksi tingkat kemampuan anak berdasarkan aspek psikomotorik. Aplikasi
memprediksi kemampuan aspek psikomotorik ini menggunakan jaringan saraf tiruan dengan
memakai metode Backpropagation.
Hasil analisis penelitian menunjukan bahwa: 1) Prediksi kemampuan anak pada aspek
psikomotorik dapat dilakukan dengan jaringan syarat tiruan menggunakan metode
backpropagation. 2) Pada saat pengujian yang paling terbaik, diberikan maksimum epoch
100000, konstanta belajar 0.01, galat yang diijinkan 0.1 dan diberikan lapisan tersembunyi 70
dapat diketahui bahwa dari 20 data yang diujikan ada 1 data yang tidak sesuai dengan output
yang diinginkan. Sedangkan ada 19 data yang sesuai dengan output yang diinginkan maka
didapat hasil persentase 95% kebenaran.
Kata kunci : prediksi psikomotorik anak, data mining, backpropagation.
1
penyebab
kemerosotan
atau
peningkatan kemampuan anak.
3. Pengambilan data dilakukan pada anak
usia 4-5 tahun.
4. Kriteria atau variabel yang digunakan
adalah Reflek Segmental, Reflek
Intersegmenta, Gerak Lokomotor,
Diskriminasi Kinestesis, Diskriminasi
Visual,
Ketahanan,Kekuatan,
keterampilan Adaptif, Keterampilan
Adaptif Kompleks, Gerakan Ekspresif
Manfaat yang dicapai dari penelitian ini
adalah:
1. Mengetahui
tingkat
ketercapaian
kemampuan
dasar
anak
dan
perkembangan
kemampuan
anak
berdasarkan aspek psikomotorik.
2. Untuk
guru, supaya mengetahui
perkembangan
kemampuan
anak
didiknya sehingga mendorong pendidik
untuk mengajar dan mendidik lebih baik.
3. Untuk orang tua, supaya mengetahui
perkembangan
kemampuan
anak
sehingga
dapat
membantu
mengoptimalkan
perkembangan
psikomotorik anaknya lebih terarah.
I.
PENDAHULUAN
Psikomotorik berhubungan dengan
proses aktivitas fisik yang berkaitan dengan
proses mental dan psikologi. Emosi anak
tampak mencolok pada anak-anak usia 2,5
sampai 3,5 tahun dan 5,5 sampai 6,5 tahun.
Selama masa kanak-kanak emosi mereka
sangat
kuat,
ini
merupakan
saat
ketidakseimbangan. Dalam arti bahwa anak
mudah terbawa ledakan-ledakan emosional
sehingga sulit dibimbing dan diarahkan.
Meskipun hal ini berlaku pada hampir
seluruh periode awal masa kanak-kanak.
Hasil belajar psikomotorik sangat berarti bagi
kehidupan
anak
karena
langsung
mempengaruhi perilaku dan perbuatannya.
Sehingga perkembangan psikomotorik anak
perlu diketahui, karena sangat mempengaruhi
kejiwaan, mental, psikologi dan perilaku.
Prediksi tingkat kemampuan anak
dalam penelitian ini adalah mencari jumlah
nilai setiap anak berdasarkan aspek
psikomotorik. Dengan demikian diharapkan
akan muncul suatu pola dimana dengan pola
masukan berupa nilai-nilai yang ada pada
aspek psikomotorik dan komputer akan
memberikan pola keluaran prediksi sesuai
dengan data yang dilatihkan. Hasil dari
pengembangan metode pada penelitian ini
diharapkan dapat memberikan manfaat untuk
mengetahui tingkat ketercapaian kompetensi
dasar anak, mengetahui perkembangan
kemampuan anak berdasarkan aspek
psikomotoriknya.
Berdasarkan latar belakang, maka
identifikasi masalahnya adalah:
1. Bagaimana menganalisis variabel yang
digunakan untuk memprediksi tingkat
kemampuan
anak
agar
bisa
mengetahui perkembangan kemampuan
anak berdasarkan aspek psikomotorik ?
2. Bagaimana
memprediksi
tingkat
kemampuan anak berdasarkan aspek
psikomotorik ?
Dengan lingkup permasalahan adalah
1. Prediksi tingkat kemampuan anak
mengacu pada penilaian pada aspek
psikomotorik.
2. Prediksi dilakukan dengan tidak
mempertimbangkan faktor-faktor lain
II. PENELITIAN TERDAHULU
Penelitian ini diperkuat oleh jurnal
Media Informatika ( Vol. 2, No. 2, Desember
2004 : 1-11, oleh Kiki, Sri Kusumadewi,
judul : Jaringan Saraf Tiruan Dengan Metode
Backpropogation
Untuk
Mendeteksi
Gangguan Psikologi) yang menyatakan
bahwa metode Backpropagation dapat
digunakan untuk melakukan pendeteksian
suatu jenis penyakit, gangguan, maupun
kasus yang memiliki data masa lalu, dan
dengan
menggunakan
metode
Backpropagation, target output yang
diinginkan lebih mendekati ketepatan dalam
malakukan pengujian,
karena terjadi
penyesuaian nilai bobot dan bias yang
semakin baik pada proses pelatihan.
Jurnal Teknik Informatika ( Vol. 7, No.
3, Desember 2009 : 195 – 200, oleh Yeni
Nuraeni, judul : Penerapan Jaringan Saraf
Tiruan Untuk Mengukur Tingkat Korelasi
Antara NEM dengan IPK Kelulusan
Mahasiswa ) juga menyatakan dalam
penelitiannya
menggunakan
tahapan
2
4. Tekanan kompetisi bisnis untuk
meningkatkan penguasaan pasar
dalam globalisasi ekonomi.
5. Perkembangan teknologi perangkat
lunak untuk data mining (ketersediaan
teknologi).
6. Perkembangan yang hebat dalam
kemampuan
komputasi
dan
pengembangan
kapasitas
media
penyimpanan.
Dari definisi-definisi yang telah
disampaikan, hal penting yang terkait dengan
data mining adalah :
1. Data mining merupakan suatu proses
otomatis terhadap data yang sudah
ada.
2. Data yang akan diproses berupa data
yang sangat besar.
3. Tujuan
data
mining
adalah
mendapatkan hubungan atau pola
yang mungkin memberikan indikasi
yang bermanfaat.
A. Tahapan Data Mining
Ada beberapa tahapan proses dalam
data
mining.
Diagram
dibawah
menggambarkan beberapa tahap / proses
yang berlangsung dalam data mining. Fase
awal dimulai dari data sumber dan berakhir
dengan adanya informasi dihasilkan dari
beberapa tahapan, yaitu terlihat pada gambar
1sebagai berikut :
pengembangan aplikasi jaringan saraf tiruan
umpan-maju perambatan-balik (JST-PB),
dalam penelitiannya digunakan metode JSTPB dengan pertimabangan metode ini sangat
baik dalam menangani masalah pengenalan
pola-pola kompleks dan non-linier.
III. DATA MINING
Menurut Kusrini dan luthfi (2009, h.3)
Data mining adalah suatu istilah yang
digunakan untuk menguraikan penemuan
pengetahuan di dalam database. Data mining
adalah proses yang menggunakan teknik
statistik, matematika, kecerdasan buatan, dan
machine learning untuk mengekstraksi dan
mengidentifikasi informasi yang bermanfaat
dan pengetahuan yang terkait dari berbagai
database besar.
Menurut Kusrini dan luthfi (2009, h.3)
data mining didefinisikan sebagai suatu
proses menemukan hubungan yang berarti,
pola, dan kecenderungan dengan memeriksa
dalam sekumpulan besar data yang tersimpan
dalam penyimpanan dengan menggunakan
teknik pengenalan pola seperti teknik statisik
dan matematika.
Selain definisi diatas beberapa definisi
juga diberikan seperti tertera dibawah ini :
1. Data mining adalah serangkaian proses
untuk menggali nilai tambah dari suatu
kumpulan data berupa pengetahuan
yang selama ini tidak diketahui secara
manual.
2. Data mining merupakan bidang dari
beberapa bidang keilmuan yang
menyatukan teknik dari pembelajaran
mesin, pengenalan pola, statistik,
database, dan visualisasi untuk
pengenalan permasalahan pengambilan
informasi dari database yang besar.
Menurut Kusrini dan luthfi (2009, h.4),
kemajuan luar biasa yang terus berlanjut
dalam bidang data mining didorong oleh
beberapa faktor, antara lain :
1. Pertumbuhan yang cepat dalam
pengumpulan data.
2. Penyimpangan data dalam data
warehouse,
sehingga
seluruh
perusahaan memiliki akses kedalam
database yang handal.
3. Adanya peningkatan akses data
melalui navigasi web dan intranet.
Gambar 1. Tahap - Tahap Data Mining
Dalam aplikasinya, data mining
sebenarnya merupakan salah satu bagian
proses Knowledge Discovery in Database
(KDD) yang bertugas untuk mengekstrak
pola atau model dari data dengan
menggunakan suatu algoritma yang spesifik.
3
Adapun proses KDD dijelaskan sebagai
berikut :
1. Data Selection(Seleksi Data)
Pemilihan data dari sekumpulan data
operasional perlu dilakukan sebelum
tahap penggalian informasi dalam KDD
dimulai.
2. Preprocessing / Cleaning (pemilihan
data)
Sebelum proses data mining dapat
dilaksanakan, perlu dilakukan proses
cleaning
dengan
tujuan
untuk
membuang duplikasi data, memeriksa
data yang inkonsisten, dan memperbaiki
kesalahan pada data, seperti kesalahan
cetak (tipografi). Juga dilakukan proses
enrichment, yaitu proses “memperkaya”
data yang sudah ada dengan data atau
informasi lain yang relevan dan
diperlukan untuk KDD, seperti data atau
informasi eksternal.
3. Transformation (Transformasi)
Adalah proses coding pada data yang
telah dipilih, sehingga data tersebut
sesuai untuk proses data mining. Proses
coding dalam KDD merupakan proses
kreatif dan sangat tergantung pada jenis
atau pola informasi yang akan dicari
dalam database.
4. Data mining
Proses mencari pola atau informasi
menarik dalam data terpilih dengan
menggunakan teknik atau metode
tertentu.
5. Interpretation / Evaluation
Pola informasi yang dihasilkan dari
proses data mining perlu ditampilkan
dalam bentuk yang mudah dimengerti
oleh pihak yang berkepentingan. Tahap
ini merupakan bagian dari proses KDD
yang disebut dengan interpretation.
Tahap ini mencakup pemeriksaan
apakah pola atau informasi yang
ditemukan bertentangan dengan fakta
atau hipotesa yang ada sebelumnya atau
tidak.
B. Defenisi Prediksi Secara Umum
Prediksi adalah sama dengan ramalan
atau perkiraan. Menurut kamus besar bahasa
indonesia, prediksi adalah hasil dari kegiatan
memprediksi
atau
meramal
atau
memperkirakan. Prediksi bisa berdasarkan
metode ilmiah ataupun subjektif belaka.
Ambil contoh, prediksi cuaca selalu
berdasarkan data dan informasi terbaru yang
yang didasarkan pengamatan termasuk oleh
satelit. Istilah prediksi akan sangat
tergantung
pada
konteks
atau
permasalahannya.
Berbeda
dengan
pengertian prediksi secara bahasa yang
berarti ramalan atau perkiraan yang sudah
menjadi pengertian yang baku.
C. Pengertian Psikomotorik
Psikomotor berasal dari kata Psyche
dan Motor. Psyche artinya kejiwaan atau
mental, sedangkan Motor artinya gerakan.
Jadi, perkembangan psikomotorik berarti
perkembangan yang berhubungan dengan
kejiwaan atau mental dan gerakan.
“Psikomotorik adalah berhubungan dengan
proses aktivitas fisik yang berkaitan dengan
proses mental dan psikologi.”
Ada 4 jenis perkembangan seorang
anak, yaitu:
1. Perkembangan Fisik dan Motorik
Perkembangan
motorik
meliputi
motorik kasar dan motorik halus. Menurut
Elisabeth B. Hurlock dan diterjemahkan oleh
istiwidayanti dan soedjarwo (2008, h. 81), “
Motorik kasar adalah gerakan tubuh yang
dipengaruhi oleh kematangan anak itu
sendiri, sedangkan motorik halus adalah
gerakan yang menggunakan otot halus atau
sebagian anggota tubuh tertentu dipengaruhi
oleh kesempatan belajar dan berlatih.”
Adapun macam-macam pola motorik
yang umum pada masa anak-anak yaitu ;
melihat,
tersenyum,
menahan
kepala,berguling, duduk, mengerakan kaki
dan tangan, berdiri, berjalan, berlari,
melompat dan sebagainya.
2.
Perkembangan Kognitif/Intelektual
Menurut Imam Musbikin (2012, h.
17-50), “Perkembangan kognitif merupakan
salah satu perkembangan manusia yang
berkaitan dengan pengetahuan, yakni semua
proses psikologis yang berkaitan dengan
yang bagaimana individu mempelajari dan
memikirkan lingkungannya.” Kemampuan
kognitif
merupakan
sesuatu
yang
fundamental dengan kemampuan kognitif ini
akan dipandang sebagai individu yang secara
aktif membangun sendiri pengetahuan
4
sosial biasanya dimaksudkan sebagai
perkembangan tingkah laku anak dalam
menyesuaikan diri dengan aturan-aturan yang
berlaku di dalam masyarakat di mana anak
berada. Reaksi mereka terhadap rasa dingin,
sakit, bosan atau lapar berupa tangisan yang
sulit dibedakan. Tetapi dengan berjalannya
waktu para pengasuh dapat membedakan
reaksi anak terhadap stimulinya.
Adapun macam-macam pola prilaku
sosial yang umum pada masa anak-anak
yaitu persaingan, kerjasama, meniru, simpati,
empati, membagi, prilaku akrab dan
sebagainya.
D. Pengukuran Aspek Psikomotorik
Menurut Sugiyanto dan Sudjarwo
(1993, h.219-223 ), untuk lebih jelas
memahami tentang penilaian psikomotorik
dijelaskan
definisi
dari
penilaian
psikomotorik, yaitu:
1. Reflek segmental adalah gerakan
Reflek yang melibatkan satu ruas
tulang belakang.
2. Reflek intersegmental adalah gerakan
reflek yang melibatkan lebih dari satu
ruas tulang belakang.
3. Gerak
lokomotor adalah gerak
berpindah dari satu tempat ketempat
lain. Misalnya : merangkak, berjalan
dan berlari.
4. Diskriminasi kinestetis merupakan
perasaan yang sangat kompleks yang
ditimbulkan oleh rangsangan di otot,
urat, dan pergelangan.
5. Diskriminasi
visual
merupakan
kemampuan untuk memahami atau
menginterpretasikan segala sesuatu
yang dilihat.
6. Ketahanan atau sering disebut daya
tahan fisik adalah kemampuan untuk
melakukan aktivitas dalam jangka
waktu yang lama.
7. Kekuatan
adalah
kemampuan
menggunakan otot untuk menahan atau
melawan beban.
8. Keterampilan adaptif sederhana adalah
keterampilan yang dihasilkan dari
penyesuaian gerak dasar fundamental
dengan situasi atau kondisi tertentu
pada saat melakukan gerakan.
9. Keterampilan adaptif kompleks adalah
keterampilan
yang
memerlukan
mereka tentang dunia. Adapun macammacam pola kognitif yang umum pada masa
anak-anak misalnya : anak mulai mengenal
nama hari, mengenal perbedaan bentuk,
mulai mengenal warna dan sebagainya.
3.
Perkembangan Bahasa Anak
Menurut Elisabeth B. Hurlock dan
diterjemahkan oleh Istiwidayanti dan
Soedjarwo (2008, h.82), “Semua anak harus
dapat menguasai dua fungsi yang berbeda
dalam teknik bicara, kemampuan menangkap
maksud yang ingin di komunikasikan dengan
orang lain dan kemampuan untuk
berkomunikasi dengan orang lain sedemikian
rupa
sehingga
dapat
dimengerti.”
Kemampuan
berbahasa
merupakan
kemampuan manusia yang membedakannya
dengan makhluk lain. Bicara merupakan
salah satu sarana oleh manusia untuk
melakukan komunikasi dengan orang lain.
Ini termasuk juga merupakan bagian dari
tahapan perkembangan anak. Ada tiga hal
yang terlibat dalam belajar bicara anak yaitu :
pengucapan, membangun kosakata, dan
menghubungkan kata-kata sehingga menjadi
sebuah kalimat.
4.
Perkembangan Emosi Anak
Menurut Elisabeth B. Hurlock dan
diterjemahkan oleh Istiwidayanti dan
Soedjarwo (2008, h. 114), “Emosi anak
tampak mencolok pada anak-anak usia 2,5
sampai 3,5 tahun dan 5,5 sampai 6,5 tahun.”
Selama masa kanak-kanak emosi mereka
sangat
kuat,
ini
merupakan
saat
ketidakseimbangan. Dalam arti bahwa anak
mudah terbawa ledakan-ledakan emosional
sehingga sulit dibimbing dan diarahkan.
Meskipun hal ini berlaku pada hampir
seluruh periode awal masa kanak-kanak.
Adapun macam-macam pola emosi yang
umum pada masa anak-anak yaitu :
kemarahan, ketakutan, rasa ingin tahu,
kegembiraan,
kesedihan,
afeksi
dan
sebagainya.
5.
Perkembangan Sosial Anak
Menurut Elisabeth B. Hurlock dan
diterjemahkan oleh Istiwidayanti dan
Soedjarwo (2008, h.118) , “Yang umum
terjadi dalam masa perkembangan sosial
anak adalah bahwa anak lebih menyulai
kontak sosial yang sejenis dari pada
kelompok yang berlawanan .” Perkembangan
5
2. Tiap-tiap
unit
tersembunyi
(Zi,
j=1,2,3,...,p) menjumlahkan sinyal-sinyal
input terbobot:
…………..(1)
gunakan fungsi aktivasi untuk menghitung
sinyal outputnya:
zj = f(z_inj)………………..(2)
dan kirimkan sinyal tersebut ke semua unit di
lapisan atasnya (unit-unit output).
a. Tiap-tiap unit output (Yk, k=1,2,3,...,m)
menjumlahkan
sinyal-sinyal
input
terbobot.
..……..(3)
gunakan fungsi aktivasi untuk menghitung
sinyal outputnya:
yk = f(y_ink)………………(4)
dan kirimkan sinyal tersebut ke semua
unit di lapisan atasnya (unit-unit output).
b. Tiap-tiap unit output (Yk, k=1,2,3,...,m)
menerima target pola yang berhubungan
dengan pola input pembelajaran, hitung
informasi errornya:
k = (tk – yk) f’(y_ink)…..(5)
kemudian
hitung
koreksi
bobot
(digunakan untuk memperbaiki nilai wjk):
wjk = k zj…………...(6)
hitung juga koreksi bias (digunakan untuk
memperbaiki nilai w0k):
w0k = k …………….(7)
kirimkan k ini ke unit-unit yang ada di
lapisan bawahnya.
c. Tiap-tiap
unit
tersembunyi
(Zj,
j=1,2,3,...,p) menjumlahkan delta inputnya
(dari unit-unit yang berada pada lapisan di
atasnya):
_
=
…………………….(8)
kalikan nilai ini dengan turunan dari
fungsi aktivasinya untuk menghitung
informasi error:
j = _inj f’(z_inj…(9)
kemudian
hitung
koreksi
bobot
(digunakan untuk memperbaiki nilai vij):
vjk = j xi……(10)
hitung juga koreksi bias (digunakan untuk
memperbaiki nilai v0j):
v0j = j …….(11)
d. Tiap-tiap unit output (Yk, k=1,2,3,...,m)
memperbaiki
bias
dan
bobotnya
(j=0,1,2,...,p):
wjk(baru) = wjk(lama) + wjk ……12)
penguasaan berbentuk gerakan dan
koordinasi tubuh yang kompleks.
10. Gerakan ekspresif meliputi gerakangerakan yang bisa digunakan untuk
mengkomunikasikan maksud tertentu
yang digunakan dalam kehidupan.
E. Metode Backpropogation
Menurut Kusumadewi (2003, h.236238), Backpropagation merupakan algoritma
pembelajaran yang terwarisi dan biasanya
digunakan oleh perceptron dengan banyak
lapisan untuk mengubah bobot-bobot yang
terhubung dengan neuron-neuron yang ada
pada lapisan tersembunyinya. Algoritma
backpropagation menggunakan error output
untuk mengubah nilai-nilai bobotnya dalam
arah mundur (backward). Tahap perambatan
maju (forward propagation) harus dikerjakan
terlebih dahulu untuk mendapatkan nilai
error tersebut. Saat perambatan maju neuronneuron diaktifkan dengan menggunakan
fungsi aktivasi sigmoid biner yaitu:
Arsitektur jaringan backpropogation
seperti terlihat pada gambar 2 sebagai berikut
Gambar 2. Arsitektur Jaringan
Backpropagation,
Kusumadewi (2003, h.236)
Dari arsitektur Jaringan Backpropagation
pada gambar 2 dapat dijelaskan:
a. Inisialisasi bobot (gunakan bobot awal
dengan nilai random cukup kecil)
b. Kerjakan
lakukan-langkah
berikut,
selama kondisi berhenti bernilai FALSE.
Feed forward:
1. Tiap-tiap unit input (Xi, i=1,2,3,...,n)
menerima sinyal xi dan meneruskan sinyal
tersebut ke semua unit pada lapisan yang
ada di atasnya (lapisan tersembunyi).
6
1. Dilakukan analisis sistem terhadap teknik
peramalan atau prediksi data psikomotorik
anak menggunakan software MATLAB
6.5 yang menyediakan fungsi-fungsi
pelatihan dan pengujian pada Jaringan
Saraf Tiruan
2. Menentukan kebutuhan sistem sehingga
dapat dilakukan penganalisaan prediksi
dari data psikomotorik menggunakan
algoritma backpropagation.
3. Data nilai pada psikomotorik anak sebagai
data masukan yaitu data latih dan target
latih, yang kemudian diproses dan dilatih
dengan
algoritma
backpropagation,
kemudian dilakukan pengujian data baru
sebagai perbandingan dengan data yang
telah dilatihkan sebelumnya. Setelah itu
didapat hasil keluaran yang diuji
kemudian bandingkan dengan target uji.
A. Analisis Data Mining
Perolehan nilai prediksi berdasarkan
tingkat kemampuan bersasarkan aspek
psikomotorik, yaitu Gerak Reflek Segmental,
Gerak Reflek Intersegmental, Gerakan
Lokomotor,
Deskriminasi
Kinestesis,
Diskriminasi Visual, Ketahanan, Kekuatan,
Keterampilan Adaptif, Keterampilan Adaptif
Kompleks, Gerakan Ekspresif. Data kriteria
aspek psikomotorik didapat dari seorang
psikolog yang telah melakukan penilaian dan
penelitian sebelumnya.
Dalam penelitian ini, tidak semua anak
akan dicari prediksinya untuk data tingkat
kemampuan psikomotoriknya, hanya data
100 orang anak yang diambil secara acak dan
1000 datanya yang diolah untuk dilakukan
analisis prediksi apakah seorang anak itu
psikomotoriknya sangat bagus, bagus, cukup
atau kurang melalui kerja jaringan syaraf.
Tiap-tiap
unit
tersembunyi
(Zj,
j=1,2,3,...,p) memperbaiki bias dan
bobotnya (i=0,1,2,...,n):
vij(baru) = vij(lama) + vij……….(13)
IV. METODOLOGI PENELITIAN
1. Jenis penelitian
Ditinjau dari jenis datanya maka
penelitian ini adalah penelitian kuantitatif
karena penelitian ini membutuhkan data
dalam bentuk angka – angka/ nilai, atau
data dalam bentuk informasi , komentar ,
pendapat
atau
kalimat
namun
dikuantitatifkan.
2. Pengumpulan data
a. Studi literature
Pengumpulan data yang diperoleh
dengan
mengumpulkan
berbagai
sumber kepustakaan, baik berupa bukubuku, browsing di internet, jurnal,
laporan penelitian dan lain sebagainya
untuk ditelaah lebih lanjut sebagai
bahan pendukung penelitian.
b. Pengumpulan data lapangan
Metode pengumpulan data lapangan
digunakan untuk mengumpulkan data–
data yang dibutuhkan dalam penelitian.
c. Dialog, diskusi dan konsultasi
Metode dialog, diskusi dan konsultasi
dilakukan dengan cara melakukan
konsultasi dengan dokter anak serta
melakukan dialog maupun diskusi
dengan sumber–sumber lain yang
berhubungan dengan penelitian ini.
3. Menganalisa
dan
melakukan
perancangan sistem untuk mempelajari
pola data prediksi tingkat kemampuan
anak berdasarkan aspek psikomotorik
dengan metode backpropagation.
4. Mengimplementasikan hasil analisa
dan rancangan yang dilakukan pada
tahap sebelumnya menjadi perangkat
lunak untuk memprediksi tingkat
kemampuan anak berdasarkan aspek
psikomotorik.
5. Melakukan uji coba melalui system
yang dirancang.
6. Mengevaluasi hasil analisa yang
dilakukan oleh sistem berdasarkan pola
data yang dihasilkan dari proses uji
coba.
V. ANALISIS SISTEM
7
langkah yang dilakukan sama dengan proses
pelatihan, namun prosesnya hanya pada
proses feedforward. Dan bobot yang
digunakan adalah bobot terakhir dari hasil
pelatihan. Selanjutnya ditentukan threshold.
Disini ditetapkan threshold=0,5, yang artinya
jika nilai y ≥ 0.5, maka output yang diberikan
adalah 1, dan jika y≤ 0.5, maka output yang
diberikan adalah 0.
B. Perancangan Proses
Data yang diperlukan dalam proses
analisis jaringan syaraf tiruan menggunakan
metode backpropogation adalah penilaian
untuk setiap kriteria aspek psikomotorik anak
sebagai input dan presentase total jumlah
nilai untuk mendapatkan hasil penilaian
sesungguhnya sebagai output. Data tersebut
diambil secara acak dari 100 orang anak
dengan jumlah yang dilatihkan pada jaringan
sebanyak 80 orang anak, dan 20 orang anak
sebagai data yang akan digunakan untuk
menguji
keakuratan
sistem
didalam
mengenali masukan data yang lain.
Tabel 1. Kriteria Psikomotorik
No
Kriteria Psikomotorik
Inputan
1 Reflek Segmental
X1
2 Reflek Intersegmental
X2
3 Gerakan Lokomotor
X3
4 Diskriminasi Kinestestis
X4
5 Diskriminasi Visual
X5
6 Ketahanan
X6
7 Kekuatan
X7
8 Keterampilan Adaptif
X8
9 Keterampilan
Adaptif
X9
Kompleks
10 Gerakan Ekspresif
X10
Tahapan pengembangan system sebagai
berikut :
1. Tahapan Pertama
Tabel 2. Data Psikomotorik
Mulai
Input Data Variabel
psikomotorik (Dt Lth)
Proses Database
sebagai Data Latih
Tidak
Latih
Konver
gen
Ya
Input Data Variabel
Psikomotorik (Dt Uji)
Proses Database
sebagai Data Uji
Uji
Target Diketahui
Selesai
Data Nilai Variabel
Psikomotorik
X1
X6
X2
X7
X3
X8
X4
X9
X5
X10
Gambar 3. Flowchart Proses Pelatihan Dan
Pengujian
Selain banyaknya data yang dilatihkan,
iterasi epoch yang semakin banyak juga
cenderung akan menghasilkan nilai eror yang
semakin kecil. Tetapi pelatihan yang optimal
dipengaruhi oleh banyaknya faktor seperti
penentuan learning rate, serta arsitektur
jaringannya sendiri. Untuk proses pengujian,
2. Tahapan Kedua
Tabel 3. Penentuan Variabel Psikomotorik
8
C. Penentuan Variabel
Seluruh data
yang terkumpul
dipisahkan menjadi 2 bagian, yaitu masukan
dan keluaran. Yang tergolong masukan
secara berurutan adalah :
1. Gerak Reflek Segmental disimpan pada
variabel X1
2. Gerak Reflek Intersegmental disimpan
pada variabel X2
3. Gerakan Lokomotor disimpan pada
variabel X3
4. Diskriminasi Kinestesis disimpan pada
variabel X4
5. Diskrimninasi Visual disimpan pada
variabel X5
6. Ketahanan disimpan pada variabel X6
7. Kekuatan disimpan pada variabel X7
8. Keterampilan Adaptif disimpan pada
variabel X8
9. Keterampilan
Adaftif
Kompleks
disimpan pada variabel X9
10. Gerakan Ekspresif disimpan pada
variabel X10
Kesepuluh variabel dengan jumlah 80
responden yang akan dilatihkan disusun
menjadi suatu matriks P, dengan ukuran 10 x
80, dan 20 responden sebagai data penguji
ke dalam matriks Q dengan ukuran 10 x 20.
Variabel Input :
Variabel Output :
X1
X6
Sangat Bagus (1 1)
X2
X7
Bagus
(1 0)
X3
X8
Cukup
(0 1)
X4
X9
Kurang
(0 0)
X5
X10
3. Tahapan Ketiga
Arsitektur Jaringan :
1 Lapisan Input Data Psikomotorik:10 Sel
1 Lapisan Tersembunyi
(jumlah sel ditetapkan secara random)
1 Lapisan Output : 2 Sel
Gambar 4. Arsitektur JST.
4. Tahapan Keempat: Pelatihan dan
Pengujian
Tabel 4 Data Latih Berdasarkan Data Variabel Psikomotorik
Kriteria aspek Psikomotorik anak
NO
Nama
X
1
X
2
X
3
X
4
X
5
X
6
X
7
X
8
X
9
X10
Jumlah
Nilai
Target
Sebenar
nya
1
Rafi Pratama
7
7
9
5
4
7
9
8
5
3
64
01
2
Heru Suseno
8
7
8
4
5
6
8
8
6
7
67
10
3
Andika
9
8
6
6
5
7
7
7
6
4
65
10
4
Anggun Anggira
6
6
7
7
5
7
7
7
5
4
61
01
5
Hengki
9
8
8
7
8
8
7
7
7
6
75
11
6
Tasya Amanda
7
7
8
5
4
4
8
8
6
3
60
01
7
Syadiah Nuralifa
6
6
7
2
4
6
7
6
5
2
51
00
8
Elisa Aulia Sari
8
7
9
4
6
5
8
7
6
6
66
10
9
Legi Lestari
9
8
8
7
6
6
7
8
5
7
71
10
10
Dahlia Ayu
5
6
7
4
5
7
8
6
5
4
57
01
9
11
Felita Intan S
7
4
6
5
2
4
6
6
5
3
48
00
12
Aprilina A
8
6
6
5
5
5
6
7
4
5
57
01
13
Adi Yulianto
7
6
6
6
7
6
8
8
7
6
67
10
14
Edo Ponco P
9
8
8
6
7
8
7
8
7
7
75
11
15
Asri Ariesta
7
7
6
5
6
5
7
6
4
6
59
01
16
Astri Agustina
6
6
7
7
8
7
6
6
6
6
65
10
17
Brian Wahyudi
9
8
8
7
5
7
8
7
7
3
69
10
18
Anggun Kusuma
Fatchur Rahmad
6
6
4
6
6
7
6
5
3
4
7
7
7
8
6
7
2
5
1
3
49
19
58
00
01
20
Puspita Sari I
7
6
6
5
3
6
7
6
4
4
54
00
21
Maulana
6
6
8
7
5
6
7
6
4
6
61
01
22
Dwi Saputra
9
7
7
5
5
7
7
7
6
7
67
10
23
Agnarisma Latifa
8
7
7
6
7
8
8
6
7
6
70
10
24
Mardianti Olivia
8
6
8
6
4
7
7
6
8
7
67
10
25
Mira Puji Lestari
7
6
6
6
4
5
6
7
6
5
58
01
26
Nur Azizah
6
8
7
4
3
6
8
6
6
7
61
01
27
Reka Apriawan
6
6
7
5
4
6
6
7
5
5
57
01
28
Rizky
7
9
8
8
8
8
8
9
7
8
80
11
29
Widhyanto
8
7
6
7
5
7
7
7
6
5
65
10
30
Fatir Yudho
9
6
8
8
7
8
8
8
7
8
77
11
31
Sabilah
6
4
6
5
6
8
7
7
8
6
63
01
32
Eksanti Azissa R
7
7
8
4
5
6
6
8
6
6
63
01
33
Salsabila K
8
6
6
7
5
7
7
6
4
4
60
01
34
Sendy Prasetyo
9
6
6
8
7
8
7
7
4
6
68
10
35
Wahyu Pramana
6
7
7
5
5
7
8
7
8
7
67
10
36
Wiranda H
7
7
8
8
4
7
7
8
6
6
68
10
37
Andra W
8
7
6
5
6
8
7
7
5
6
65
10
38
Dwi Ayudhiya C
9
8
7
7
8
6
7
8
9
7
76
39
Prabowo Dimas F
8
9
7
8
8
8
7
7
8
7
77
11
11
40
Rizky Eka R
8
6
6
7
6
7
7
6
4
5
62
01
41
Prahesty Fadila
7
7
7
6
5
6
6
7
3
5
59
01
42
Khoirunnisa H
8
5
6
7
5
4
7
7
5
5
59
01
43
Arroyan R
8
7
6
5
6
6
8
7
7
6
66
10
44
H Irvan Miftahul
7
8
7
6
6
5
7
8
6
6
66
10
45
Ismail Singgih
8
6
8
6
7
6
7
7
4
6
65
10
46
Fajar Romadhony
9
7
6
5
6
7
6
8
6
5
65
10
47
Riki Pratama P
7
7
7
5
6
5
7
7
6
7
64
01
48
Ismawati Sandara
7
6
6
7
5
6
5
7
8
4
61
01
49
Fantika Faadhilah
7
6
5
4
7
7
7
8
7
6
64
01
50
Farrel Hanafi
9
8
7
5
7
8
7
6
7
5
69
10
51
Emitasari Depy
8
6
7
6
7
8
8
6
5
6
67
10
52
Handik Prayoga
8
7
6
5
6
7
7
6
4
5
61
01
53
Ramandani R
6
8
6
3
7
5
7
6
6
5
59
01
11
54
Hanif Yusuf
7
7
7
6
7
8
7
7
7
6
69
10
55
Rahman A
7
8
8
8
8
8
8
8
8
6
77
11
56
Fitriani Puji
7
6
6
6
4
6
7
5
4
3
54
00
57
Ikka Pujiastuti
8
6
6
5
5
6
6
6
6
3
57
01
58
Anggi Putri Dewi
8
7
7
5
3
7
8
6
3
2
56
01
59
Bintang Putra
7
5
7
6
6
7
7
8
6
7
66
10
60
Hadi Setianto
7
6
6
5
4
6
6
7
5
7
59
01
61
Annisa Nur W
8
8
7
7
6
8
8
7
5
7
71
10
62
Lailatus Saadah
7
7
6
7
6
7
7
8
6
6
62
01
63
Mutiara Lutfiatul
7
7
8
6
5
6
6
8
6
5
64
01
64
Bayu Setia Rama
8
7
7
8
6
8
7
6
5
4
66
10
65
Rindiani
6
6
6
5
7
6
6
6
6
5
59
01
66
Yayang Wijaya
6
7
8
6
5
8
8
7
6
3
64
01
67
Novitasari
7
7
6
6
7
7
7
6
6
7
66
10
68
Dimas priyo J
8
7
8
6
6
7
7
6
7
7
69
10
69
Hana Aulia S
6
6
7
8
6
8
6
7
6
5
65
10
70
Murdikatus S
7
6
7
6
6
7
7
7
6
5
64
01
71
Arsyad Widi
7
6
6
6
5
7
6
6
4
2
55
01
72
Firmansyah
7
6
6
8
6
6
7
7
6
6
65
10
73
Duta Dzaky
8
7
7
8
7
8
8
7
7
7
74
11
74
Fidia Ambar
7
8
7
7
6
7
6
6
5
4
63
01
75
Ryandra Irsy
8
8
7
8
7
8
9
8
6
7
76
11
76
Anwar Fathoni
9
8
7
8
7
7
8
8
7
7
76
11
77
Restu Putra
6
8
7
5
6
6
7
7
4
6
62
01
78
Muhammad G
7
7
8
7
7
8
7
6
5
3
65
10
79
Ria Isabella
7
6
7
8
6
6
7
7
3
6
63
01
80
Cyntia Sari
8
7
8
7
7
8
8
6
6
8
73
10
b. Jika persentase seluruh kriteria
psikomotorik 65 s/d 74, maka
dikategorikan
Bagus,
dengan
singkatan BGS.
c. Jika persentase seluruh kriteria
psikomotorik 55 s/d 64, maka
dikategorikan
Cukup,
dengan
singkatan CKP.
d. Jika persentase seluruh kriteria
psikomotorik 0 s/d 54, maka
dikategorikan
Kurang,
dengan
singkatan KRG.
2. Data nilai
a. Jika nilai untuk setiap variabel
psikomotorik 9 s/d 10, maka
dikategorikan Sangat Bagus, dengan
singkatan SB.
Keterangan :
X1: Gerak Reflek Segmental
X2: Gerak Reflek Intersegmental
X3: Gerakan Lokomotor
X4: Deskriminasi Kinestesis
X5: Deskriminasi Visual
X6: Ketahanan
X7: Kekuatan
X8: Keterampilan Adaptif
X9: Keterampilan Adaptif Kompleks
X10: Gerakan Ekspresif
Representasi variable input
1. Data kriteria psikomotorik
a. Jika persentase seluruh kriteria
psikomotorik 75 s/d 100, maka
dikategorikan Sangat Bagus, dengan
singkatan SB.
12
b. Jika nilai untuk setiap variabel
dikategorikan
Kurang,
dengan
psikomotorik
7
s/d 8,
maka
singkatan KRG.
dikategorikan Bagus, dengan singkatan
e. Jika nilai untuk setiap variabel
BGS.
psikomotorik
1
s/d 2,
maka
c. Jika nilai untuk setiap variabel
dikategorikan Gagal dengan singkatan
psikomotorik
5
s/d 6,
maka
GGL.
dikategorikan Cukup, dengan singkatan Berdasarkan representasi masukan berikut
CKP.
bentuk transformasi dalam bentuk string
d. Jika nilai untuk setiap variabel
psikomotorik
3
s/d 4,
maka
Tabel 5. Convert Angka Hasil Rekapitulasi Ke String
NO
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
Kriteria Aspek Psikomotorik Anak
Nama
Rafi Pratama
Heru Suseno
Andika
Anggun A
Hengki
Tasya Amanda
Syadiah N
Elisa Aulia S
Legi Lestari
Dahlia Ayu
Felita Intan S
Aprilina A
Adi Yulianto
Edo Ponco P
Asri Ariesta
Astri Agustina
Brian Wahyudi
Anggun K
Fatchur R
Puspita Sari I
Maulana
Dwi Saputra
Agnarisma L
Mardianti O
Mira Puji L
Nur Azizah
Reka Apriawan
Rizky
Widhyanto
Fatir Yudho
Sabilah
Eksanti Azissa
Salsabila K
Sendy Prasetyo
Wahyu P
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
BGS
BGS
SBG
CKP
SBG
BGS
CKP
BGS
SBG
CKP
BGS
BGS
BGS
SBG
BGS
CKP
SBG
CKP
CKP
BGS
CKP
SBG
BGS
BGS
BGS
CKP
CKP
BGS
BGS
SBG
CKP
BGS
BGS
SBG
CKP
BGS
BGS
BGS
CKP
BGS
BGS
CKP
BGS
BGS
CKP
KRG
CKP
CKP
BGS
BGS
CKP
BGS
KRG
CKP
CKP
CKP
BGS
BGS
CKP
CKP
BGS
CKP
SBG
BGS
CKP
KRG
BGS
CKP
CKP
BGS
SBG
BGS
CKP
BGS
BGS
BGS
BGS
SBG
BGS
BGS
CKP
CKP
CKP
BGS
CKP
BGS
BGS
CKP
BGS
CKP
BGS
BGS
BGS
BGS
CKP
BGS
BGS
BGS
CKP
BGS
CKP
BGS
CKP
CKP
BGS
CKP
CKP
CKP
BGS
BGS
CKP
GGL
KRG
BGS
KRG
CKP
CKP
CKP
CKP
CKP
BGS
BGS
CKP
CKP
CKP
BGS
CKP
CKP
CKP
CKP
KRG
CKP
BGS
BGS
BGS
CKP
KRG
BGS
BGS
CKP
KRG
CKP
CKP
CKP
BGS
KRG
KRG
CKP
CKP
CKP
GGL
CKP
BGS
BGS
CKP
BGS
CKP
KRG
KRG
KRG
CKP
CKP
BGS
KRG
KRG
KRG
KRG
BGS
CKP
BGS
CKP
CKP
CKP
BGS
CKP
BGS
CKP
BGS
BGS
BGS
KRG
CKP
CKP
CKP
BGS
KRG
CKP
CKP
BGS
CKP
BGS
BGS
BGS
BGS
CKP
CKP
BGS
BGS
BGS
CKP
CKP
CKP
BGS
BGS
BGS
BGS
CKP
BGS
BGS
BGS
SBG
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
CKP
CKP
BGS
BGS
BGS
CKP
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
CKP
BGS
CKP
BGS
BGS
BGS
BGS
CKP
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
CKP
BGS
BGS
CKP
CKP
BGS
BGS
BGS
CKP
CKP
BGS
CKP
BGS
CKP
CKP
BGS
CKP
CKP
BGS
CKP
BGS
SBG
BGS
BGS
BGS
BGS
CKP
BGS
BGS
CKP
CKP
CKP
CKP
BGS
CKP
CKP
CKP
CKP
CKP
CKP
KRG
BGS
BGS
KRG
CKP
BGS
GGL
CKP
KRG
KRG
CKP
BGS
BGS
CKP
CKP
CKP
BGS
CKP
BGS
BGA
CKP
KRG
KRG
BGS
KRG
BGS
KRG
KRG
CKP
KRG
GGL
CKP
BGS
KRG
KRG
CKP
CKP
BGS
CKP
CKP
KRG
GGL
KRG
KRG
CKP
BGS
CKP
BGS
CKP
BGS
CKP
SBG
CKP
BGS
CKP
CKP
KRG
CKP
BGS
14
Target
Sebenarnya
CKP
BGS
BGS
CKP
SBG
CKP
KRG
BGS
BGS
CKP
KRG
CKP
BGS
SBG
CKP
BGS
BGS
KRG
CKP
KRG
CKP
BGS
BGS
BGS
CKP
CKP
CKP
SBG
BGS
SBG
BGS
BGS
CKP
BGS
BGS
36
37
38
39
40
41
42
Wiranda H
Andra W
Dwi Ayudhiya
Prabowo D
Rizky Eka R
Prahesty Fadila
Khoirunnisa H
43
Arroyan R
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
H Irvan M
Ismail Singgih
Fajar R
Riki Pratama P
Ismawati S
Fantika F
Farrel Hanafi
Emitasari Depy
Handik P
Ramandani R
Hanif Yusuf
Rahman A
Fitriani Puji
Ikka Pujiastuti
Anggi Putri D
Bintang Putra
Hadi Setianto
Annisa Nur W
Lailatus S
Mutiara L
Bayu Setia R
Rindiani
Yayang Wijaya
Novitasari
Dimas priyo J
Hana Aulia S
Murdikatus S
Arsyad Widi
Firmansyah
Duta Dzaky
Fidia Ambar
Ryandra Irsy
Anwar Fathoni
Restu Putra
Muhammad G
Ria Isabella
Cyntia Sari
BGS
BGS
SBG
BGS
BGS
BGS
BGS
BGS
BGS
SBG
CKP
BGS
BGS
CKP
BGS
BGS
CKP
BGS
BGS
CKP
BGS
BGS
BGS
CKP
KRG
CKP
BGS
BGS
CKP
CKP
BGS
BGS
CKP
BGS
BGS
CKP
BGS
BGS
BGS
BGS
BGS
CKP
BGS
BGS
BGS
BGS
CKP
BGS
CKP
CKP
SBG
BGS
KRG
KRG
CKP
CKP
BGS
BGS
CKP
CKP
BGS
BGS
SBG
SBG
CKP
CKP
BGS
CKP
CKP
BGS
CKP
KRG
BGS
BGS
CKP
CKP
CKP
BGA
BGS
BGS
SBG
BGS
BGS
BGS
SBG
BGS
BGS
CKP
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
CKP
CKP
BGS
BGS
CKP
BGS
BGS
BGS
BGS
BGS
BGS
SBG
CKP
BGS
BGS
BGS
BGS
BGS
CKP
BGS
BGS
CKP
CKP
BGS
CKP
BGS
BGS
BGS
BGS
CKP
CKP
BGS
CKP
CKP
BGS
BGS
BGS
BGS
CKP
BGS
BGS
BGS
CKP
CKP
CKP
CKP
BGS
BGS
BGS
BGS
BGS
BGS
CKP
BGS
CKP
BGS
BGS
CKP
BGS
CKP
CKP
BGS
BGS
CKP
CKP
BGS
BGS
CKP
CKP
BGS
BGS
CKP
BGS
CKP
BGS
BGS
CKP
BGS
CKP
BGS
BGS
BGS
CKP
CKP
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
CKP
CKP
CKP
CKP
CKP
BGS
KRG
CKP
CKP
CKP
KRG
CKP
BGS
CKP
CKP
CKP
CKP
CKP
BGS
BGS
CKP
BGS
CKP
CKP
CKP
CKP
BGS
CKP
CKP
BGS
BGS
BGS
BGS
BGS
CKP
BGS
BGS
BGS
CKP
CKP
BGS
CKP
CKP
CKP
BGS
BGS
BGS
CKP
BGS
BGS
BGS
KRG
CKP
KRG
CKP
KRG
CKP
CKP
CKP
CKP
BGS
CKP
BGS
CKP
CKP
CKP
CKP
CKP
BGS
CKP
BGS
BGS
CKP
BGS
CKP
BGS
CKP
CKP
CKP
BGS
CKP
CKP
BGS
BGS
BGS
BGS
CKP
BGS
BGS
CKP
CKP
BGS
BGS
CKP
BGS
BGS
CKP
BGS
CKP
BGS
BGS
BGS
BGS
BGS
BGS
CKP
BGS
BGS
BGS
BGS
CKP
BGS
CKP
BGS
BGS
BGS
BGS
CKP
BGS
CKP
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
CKP
BGS
BGS
CKP
BGS
BGS
CKP
BGS
CKP
BGS
BGS
BGS
CKP
BGS
CKP
BGS
BGS
CKP
SBG
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
BGS
CKP
CKP
CKP
CKP
BGS
BGS
CKP
CKP
CKP
BGS
BGS
BGS
BGS
BGS
CKP
CKP
BGS
CKP
CKP
BGS
BGS
CKP
BGS
BGS
CKP
BGS
BGS
BGS
CKP
BGS
CKP
BGS
CKP
KRG
CKP
CKP
BGS
BGS
BGS
CKP
KRG
CKP
BGS
BGS
KRG
CKP
KRG
CKP
CKP
CKP
CKP
CKP
CKP
CKP
CKP
CKP
BGS
CKP
CKP
KRG
CKP
BGS
CKP
CKP
BGS
KRG
CKP
KRG
CKP
CKP
CKP
CKP
CKP
BGS
KRG
CKP
CKP
CKP
CKP
CKP
CKP
CKP
KRG
KRG
GGL
BGS
BGS
BGS
CKP
CKP
KRG
CKP
KRG
BGS
BGS
CKP
CKP
GGL
CKP
BGS
KRG
BGS
BGS
CKP
KRG
CKP
BGS
BGS
BGS
BGS
BGS
CKP
CKP
CKP
BGS
BGS
CKP
CKP
BGS
SBG
KRG
CKP
CKP
BGS
CKP
BGS
CKP
CKP
BGS
CKP
CKP
BGS
BGS
BGS
CKP
CKP
BGS
SGS
CKP
SBG
SBG
CKP
BGS
CKP
BGS
Keterangan :
Nilai
SB
: Sangat Bagus
Jumlah Nilai
SB
: Sangat Bagus
16
BGS
CKP
KRG
GGL
: Bagus
: Cukup
: Kurang
: Gagal
BGS : Bagus
CKP : Cukup
KRG : Kurang
Secara matematis dapat dihitung sebagai
berikut.
X
=
7
8
9
6
9
7
6
T
7
7
8
6
8
7
6
0
1
1
0
1
0
0
9
8
6
7
8
8
7
=
5
4
6
7
7
5
2
4
5
5
5
8
4
4
7
6
7
7
8
4
6
9
8
7
7
7
8
7
8
8
7
7
7
8
6
5
6
6
5
7
6
5
3. Bobot awal hidden ke output
w = 4.1308 2.6079 -2.4325 -3.8168
0.0511 -1.2908 -5.6337
3
7
4
4
6
3
2
1) Penjumlahan berbobot:
Z_in1 = v01 + X11*V11 + X12*V12
X13*V13 + X14*V14
X15*V15 + X16*V16
X17*V17 + X18*V18
X19*V19 + X1-10*V1-10
= -6.6091+ (7*0.8378) +
1
0
0
1
1
1
0
Z_in2 = v02 + X11*V21 + X12*V22
X13*V23 + X14*V24
X15*V25 + X16*V26
X17*V27 + X18*V28
X19*V29 + X1-10*V2-10
= -1.6238 + (7*-0.6603) + (7*
1. Bobot awal input ke hidden
v=
-0.6603 0.9655 -0.1358 0.3510 0.7679 0.2710 -1.0949 -1.1095 1.5906 0.0371
= -8.4458
Z_in3 = v03 + X11*V31 + X12*V32 +
X13*V33 + X14*V34 +
X15*V35 + X16*V36 +
X17*V37 + X18*V38 +
X19*V39 + X1-10*V3-10
= 23.6501 + (7*0.2835 ) + (7* -
0.3063 -0.5155 -0.1786
-1.9295 -0.1354 -0.4735
-0.0330 -1.7006 0.6874 -0.1332 0.6952 0.8656 0.3666 0.8716 -0.2873 0.2432
0.1733) + (9 * 0.3063) + (5 * 0.5155 ) + (4* -0.1786 ) + (7*
0.6233 ) + (9*-1.1993 )+ (8*-
2. Bobot awal bias ke hidden
V0 = -6.6091
0.5616
-1.6238
23.6501
+
+
+
+
0.9655 ) + (9 * -0.1358 ) + (5 *
0.3510) + (4* 0.7679 ) + (7* 0.2710) + (9*-1.0949) + (8*1.1095 ) +(5*1.5906 ) + (3*
0.0371)
1.0924 0.5982 0.4711 0.6079 -1.0082 -0.6360 -0.1533 0.3866
0.2835 -0.1733
0.6233 -1.1993
+
+
+
+
(7*1.0924) + (9*0.5982) +
(5*0.4711) + (4*0.6079) + (7*0.6171) + (9*-1.0082) + (8*0.6360) + (5*-0.1533) +
(3*0.3866)
= -1.0150
a. Jumlah neuron pada input layer = 10
b. Jumlah neuron pada hidden layer = 4
c. Jumlah neuron pada output layer = 2
d. Learning rate (α) = 0.02
e. Maksimum Epoch = 10000
f. Target Error = 0.1
Bobot awal (ditentukan secara acak):
0.8378
0.6171
3.3079
4. Bobot awal bias ke output
2.0603
W0 = -1.5582
Pembelajaran:Epoh ke-1:
Data ke = 1
Operasi pada Hidden Layer
-
17
1 = (0
1.9295 ) + (5*-0.1354 ) + (3* 0.4735)
= -0.0778
1
1.7006) + (9 * 0.6874) + (5 * 0.1332) + (4* 0.6952 ) + (7* 0.8656 ) + (9*0.3666 )+
(8*0.8716 ) + (5*-0.2873 ) +
(3* 0.2432)
= -0.8893
Z2= (
8.4458
Z3= (
+0.0778 )
)=
0.2660
)=
2.1475e-004
= 0.4806
Z4= (
= 0.2913
0.8893 )
Operasi pada Output Layer --->
3) Perkalian:
Y_in1= w01 + Z1*W11 +Z2*W12 +Z3*
W13 + Z4* W14
= -1.5582 + (0.2660* 4.1308) +
(2.1475e-004*2.6079) (0.4806* 2.4325) + (0.2913*-3.8168)
= -2.7397
Y_in2 = w02 + Z1*W21 +Z2*W22 +Z3*
W23 + Z4* W24
= 2.0603+ (0.2660* 0.0511 ) +
(2.1475e-004* -1.2908 )
+(0.4806* -5.6337 ) +
(0.2913*3.3079)
= 0.3297
4) Aktivasi:
Y1 = (
2.7397 )
= 0.0607
Y2 = (
) = 0.5817
.
Error lapisan Y1 = 0 – 0.0607= -0.0607
Jumlah Kuadrat Error = (-0.0607)2 =
0.0037
1
1=
_
1+
1
1 (
)
1+
19
(
1+
1
1
.
)
.
1+
= 0.0035
Error lapisan Y2 = 0 – 0.5817= -0.5817
Jumlah Kuadrat Error = (-0.5817)2 =
0.3384
1
2=
_
1+
1
1 (
)
1+
1
2 = (1 0.5817)
.
1+
1
1 (
)
.
1+
= 0.1018
11 =
1 1
11 = 0.02 ( 0.0035) 0.2660
= 1.8620
005
12 =
2 1
12 = 0.02 (0.1018) 0.2660
= 5.4158
004
21 =
1 2
21 = 0.02 ( 0.0035) 2.1475e
004
= 1.5033
008
22 =
2 2
22 = 0.02 (0.1018) 2.1475e
004 = 4.3723
007
31 =
1 3
31 = 0.02 ( 0.0035) 0.4806
= 3.3642
005
32 =
2 3
32 = 0.02 (0.1018) 0.4806
= 9.7850
004
41 =
1 4
41 = 0.02 ( 0.0035) 0.2913
= 2.0391
005
42 =
2 4
42 = 0.02 (0.1018) 0.2913
= 5.9309
004
01 =
1
01 = 0.02 ( 0.0035)
= 7.0000
005
02 =
2
02 = 0.02 (0.1018) = 0.0020
Z_in4 = v04 + X11*V41 + X12*V42 +
X13*V43+X14*V44 + X15*V45
+X16*V46+X17*V47+X18*V4
8+X19*V49+X1-10*V4-10
= -0.5616+ (7*-0.0330) + (7* -
2) Aktivasi:
Z1= (
+1.0150
0.0607)
11 = 1
11 = 0.0035
4.1308 = -0.0145
12 = 2
21 = 0.1018 0.0511
= 0.0052
21 = 1
12
= 0.0035 2.6079
= 0.0091
22 = 2
22
= 0.1018
1.2908
= 0.1314
31 = 1
13
= 0.0035
2.4325
= 0.0085
32 = 2
23
= 0.1018
5.6337
= 0.5735
41 = 1
14
= 0.0035
3.8168
= 0.0134
42 = 2
24 = 0.1018 3.3079
= 0.3367
1
=
_ 1
1+
1
1 (
)
_ 1
1+
1
= 0.0145
.
1+
1
1 (
)
.
1+
= 0.0036
1
=
_ 1
1+
1
1 (
)
_ 1
1+
1
= 0.0052
.
1+
1
1 (
)
.
1+
= 0.0013
1
=
_
1+
1
1 (
)
_
1+
=
0.0091
1
1+
1
(
1
(
0.1314
1
1+
.
1+
= 0.0328
1
_
1+
=
.
1
= 0.0085
(
1+
(
1
(
1
=
1+
1+
1
1+
1
.
(
1+
= 0.0033
1
_
1+
1
(
1+
1
1
1
)
)
.
_
1
1+
0.1354
1
(
)
)
_
1
(
1
= 0.0134
1
1
1+
1
.
1+
_
1
_
1
.
1
0.5735
=
20
1+
1
1+
= 0.0020
1
_
1+
=
=
1
1+
(
=
)
1+ .
= 0.0023
1
_
1+
=
=
1
.
)
)
.
_
)
)
.
_
)
= 0.3367
1+
1
1
v16 = v16 + v16 = -0.6171 + 0 = -0.6171
v17 = v17 + v17 = -1.0082 + 0 = -1.0082
v18 = v18 + v18 = -0.6360 + 0 = -0.6360
v19 = v19 + v19 = -0.1533 + 0 = -0.1533
v1-10 = v1-10 + v1-10 = 0.3866 + 0 =
0.3866
v21 = v21 + v21 = -0.6603+ 0 = -0.6603
v22 = v22 + v22 = 0.9655 + 0 = 0.9655
v23 = v23 + v23 = -0.1358 + 0 = -0.1358
v24 = v24 + v24 = 0.3510 + 0 = 0.3510
v25 = v25 + v25 = 0.7679 + 0 = 0.7679
v26 = v26 + v26 = -0.2710 + 0 = -0.2710
v27 = v27 + v27 = -1.0949 + 0 = -1.0949
v28 = v28 + v28 = -1.1095 + 0 = -1.1095
v29 = v29 + v29 = 1.5906 + 0 = 1.5906
v2-10 = v2-10 + v2-10 = 0.0371+ 0 = 0.0371
v31 = v31 + v31 = 0.2835 + 0 = 0.2835
v32 = v32 + v32 = -0.1733
+ 0 = 0.1733
v33 = v33 + v33 = 0.3063 + 0 = 0.3063
v34 = v34 + v34 = -0.5155 + 0 = -0.5155
v35 = v35 + v35 = -0.1786
+ 0 = 0.1786
v36 = v36 + v36 = -3.1801 + 0 = -3.1801
v37 = v37 + v37 = 0.6233 + 0 = 0.6233
v38 = v38 + v38 = -1.9295 + 0 = -1.9295
v39 = v39 + v39 = -0.1354 + 0 = -0.1354
v3-10 = v3-10 + v3-10 = -0.4735 + 0 = 0.4735
v41 = v41 + v41 = -0.0330 + 0 = -0.0330
v42 = v42 + v42 = -1.7006
+ 0 = 1.7006
v43 = v43 + v43 = 0.6874 + 0 = 0.6874
v44 = v44 + v44 = -0.1332
+ 0 = 0.1332
v45 = v45 + v45 = 0.6952 + 0 = 0.6952
v46 = v46 + v46 = -0.8656 + 0 = -0.8656
v47 = v47 + v47 = 0.3666 + 0 = 0.3666
v48 = v48 + v48 = 0.8716 + 0 = 0.8716
v49 = v49 + v49 = -0.2873
+ 0 = 0.2873
v4-10 = v4-10 + v4-10 = 0.2432 + 0 = 0.2432
v01 = v011 + v01= -6.6091 7.2000
005 = -6.6092
v02 = v012 + v02 =
-1.6238
4.6000
005= -1.6238
1
)
.
1+
= 0.0824
v11 =
11
= 0.02 ( 0.0036) 7
= 5.0400
004
v12 =
12 11
= 0.02 (0.0013) 7
= 1.8200
004
v21 =
21 11
= 0.02 ( 0.0023) 7
= 3.2200
004
v22 =
22 11
= 0.02 ( 0.0328) 7
= 0.0046
v31 =
31 11
= 0.02 ( 0.0020) 7
= 2.8000
004
v32 =
32 11
= 0.02 ( 0.1354) 7
= 0.0190
v41 =
41 11
= 0.02 (0.0033) 7
= 4.6200
004
v42 =
42 11
= 0.02 (0.0824) 7
= 0.0115
v01 =
11 = 0.02 ( 0.0036)
= 7.2000
005
v02 =
21 = 0.02 ( 0.0023)
= 4.6000
005
v03 =
31 = 0.02 ( 0.0020)
= 4.0000
005
v04 =
41 = 0.02 (0.0033)
= 6.6000
005
v11 = v11 + v11 = 0.8378 + 5.0400
004= 0.8373
v12 = v12 + v12 = 1.0924 + 1.8200
004= 1.0926
v13 = v13 + v13 = 0.5982
3.2200
004 = 0.5979
v14 = v14 + v14 = 0.4711 0.0046 =
0.4665
(
.
v15 = v15 + v15 = 0.6079+ 2.8000
= 0.6082
004
21
v03 = v013 + v03 = 23.6501 + 4.0000
005= 23.6501
v04 = v014 + v04 = -0.5616+ 6.6000
005= -0.5615
w11 = w11 + w11 = 4.1308
1.8620
005= 4.1308
w12 = w21 + w12 = 2.6079
+
5.4158
004= 2.6084
w21 = w31 + w21= -2.4325
1.5033
008= -2.4325
w22 = w41 + w22= -3.8168 + 4.3723
007= -3.8168
w31 = w21 + w31 =
0.0511
3.3642
005= 0.0511
w32 = w21 + w32= -1.2908 + 9.7850
004= -1.2898
w41 = w13 + w41 = -5.6337 2.0391
005= -5.6337
w42 = w14 + w42= 3.3079 + 5.9309
004 = 3.3085
w01 = w01 + w01 =- 1.5582
7.0000
005= -1.5583
Pada data kedua, juga dilakukan
operasi-operasi yang sama dengan
menggunakan bobot-bobot akhir hasil
pengolahan data pertama ini sebagai
bobot-bobot
awalnya.
Proses
ini
dilakukan secara berulang sampai pada
maksimum epoh (100000) atau kuadrat
error < target error (0.1).
Berikut adalah bobot akhir setelah epoh
ke-3425 :
1. Bobot akhir input ke hidden
v =2.1304 1.5128 -0.3753 -1.2563 0.9763
-0.1406 -1.6771 -1.3524 0.0738 1.8141
-0.1996 0.9506 -0.7733 -0.7455 0.6793 0.5000 -1.5514 -1.4870 1.5684 1.0056
1.3177 0.3019 -0.6337 -2.1943 -1.3760
0.4344 -0.8812 -1.4917 -0.0547 0.4877
-0.8815 -2.0950 0.6101 1.3018 0.7690 0.9792 0.0128 0.5692 -0.6195 -1.0256
2. Bobot akhir bias ke hidden
-1.6828 23.7283 -0.6053
V0 = -6.6615
3. Bobot akhir hidden ke output
w = 7.4903 2.4921 -1.3515 -3.7863
-1.0633 -2.0383 -6.8314
w02 = w02 + w02 = 2.0603 + 0.0020 =
2.0623
3.2855
4. Bobot akhir bias ke output
3.9047
W0 = -3.0579
Tabel 6. Data Uji Berdasarkan Kriteria Aspek Psikomotorik
N
O
1
2
Febri Andika
Dedi M
3
4
5
6
7
8
9
10
11
12
13
14
Nurul O
Angga S
Dea Nur P
Muhammad
Fitri Lestari
Meysa A
Guntur
Bima
Siti N
Kiki H
Mahesa
Syah Dewa
15
16
17
18
19
Marlinta
Andrea Putri
Wiranda
Zakarianta
Leliana
Nama
Kriteria aspek Psikomotorik anak
X3 X4 X5 X6 X7 X8 X9
X10
Jumlah
Nilai
8
5
7
7
5
7
6
8
5
6
5
6
70
73
71
68
58
70
7
8
8
8
7
5
8
8
5
5
7
6
7
6
7
6
5
8
7
7
4
5
7
8
5
7
6
6
4
6
7
6
4
6
8
6
72
69
75
68
60
64
75
67
59
62
70
71
6
8
7
70
X1
X2
7
9
8
8
7
7
6
7
6
5
5
8
8
8
8
7
6
7
8
7
6
8
7
8
6
6
7
5
4
7
7
7
9
8
7
8
6
8
8
6
6
6
8
8
7
8
6
6
8
7
9
6
7
8
9
5
6
6
5
8
7
6
8
6
7
8
8
7
7
7
6
8
8
7
7
8
6
6
8
6
4
8
7
6
7
7
8
5
5
6
7
8
6
6
8
8
8
8
6
8
6
4
6
7
8
6
8
6
8
7
8
6
7
6
7
8
7
6
6
7
7
6
8
8
6
7
8
5
8
7
8
8
6
7
8
6
8
6
8
22
Target Uji
Sebenarnya
10
10
10
10
01
10
10
10
11
10
01
01
11
10
01
01
10
10
10
20
Duma P
6
7
8
6
6
Keterangan :
X1
: Gerak Reflek Segmental
X9
: Keterampilan Adaptif Kompleks
X6
: Ketahanan
X3
: Gerakan Lokomotor
X4
: Deskriminasi Kinestesis
8
6
X5
X2
X10
X7
X8
8
8
6
69
10
: Deskriminasi Visual
: Gerak Reflek Intersegmental
: Gerakan Ekspresif
: Kekuatan
: Keterampilan Adaptif
Tabel 7. Convert Angka Hasil Rekapitulasi ke Huruf
NO
Nama
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Febri Andika
Dedi M
Nurul O
Angga S
Dea Nur P
Muhammad
Fitri Lestari
Meysa A
Guntur
Bima
Siti N
Kiki H
Mahesa
Syah Dewa
Marlinta
Andrea Putri
Wiranda
Zakarianta
Leliana
Duma P
X1
BGS
SBG
BGS
BGS
BGS
BGS
BGS
BGS
SBG
CKP
BGS
BGS
SBG
CKP
CKP
CKP
CKP
BGS
CKP
CKP
X2
CKP
BGS
CKP
CKP
CKP
BGS
BGS
CKP
BGS
CKP
BGS
BGS
BGS
BGS
BGS
BGS
CKP
BGS
BGS
BGS
Kriteria aspek Psikomotorik anak
X3
X4
X5
X6
X7
X8
BGS BGS CKP BGS CKP BGS
BGS BGS CKP BGS BGS BGS
BGS CKP BGS SBG BGS BGS
BGS BGS CKP BGS CKP BGS
CKP BGS KRG BGS CKP CKP
BGS BGS BGS BGS CKP CKP
BGS BGS BGS BGS BGS BGS
BGS BGS BGS BGS CKP BGS
BGS BGS CKP BGS BGS BGS
BGS CKP BGS CKP BGS BGS
CKP CKP CKP BGS CKP BGS
CKP CKP KRG CKP BGS CKP
BGS BGS CKP BGS BGS BGS
CKP BGS BGS BGS CKP BGS
KRG CKP BGS BGS BGS CKP
BGS CKP CKP CKP BGS CKP
BGS BGS BGS CKP BGS BGS
CKP BGS CKP BGS BGS CKP
BGS CKP BGS CKP BGS CKP
BGS CKP CKP BGS CKP BGS
X9
BGS
CKP
BGS
BGS
CKP
BGS
BGS
CKP
BGS
CKP
CKP
BGS
BGS
BGS
KRG
CKP
BGS
BGS
BGS
BGS
X10
CKP
BGS
CKP
CKP
CKP
CKP
CKP
BGS
CKP
CKP
KRG
CKP
BGS
CKP
KRG
CKP
BGS
CKP
BGS
CKP
Target Uji
Sebenarnya
BGS
BGS
BGS
BGS
CKP
BGS
BGS
BGS
SBG
BGS
CKP
CKP
SBG
BGS
CKP
CKP
BGS
BGS
BGS
BGS
Keterangan :
Nilai
Jumlah Nilai
SB
: Sangat Bagus
SB
: Sangat Bagus
BGS : Bagus
BGS : Bagus
CKP : Cukup
CKP : Cukup
KRG : Kurang
KRG : Kurang
GGL : Gagal
Tabel 7 di atas merupakan data input yang
belum dikenal oleh jaringan saraf tiruan.
telah ditansformasi menjadi numeric untuk
Jika hasil output memiliki pesentase yang
dilatih. Keluaran atau target yang
sangat tinggi maka sistem yang di buat
diinginkan dibagi menjadi 4 pola keluaran
dikatakan cerdas dan jika hasil presentase
yaitu :
rendah maka sistem yang dibuat belumlah
1. (1 1) = Sangat Bagus
dikatakan cerdas. Oleh sebab itu perlu
2. (1 0) = Bagus
dilakukan pelatihan terhadap data yang
3. (0 1) = Cukup
besar (banyak) agar ketika diujikan data
4. (0 0) = Kurang
yang belum dikenal sistem dapat dikenali
Data uji yang akan diujikan kedalam
dengan cepat dan tepat.
jaringan adalah data yang sama sekali
8
[w1,b1,w2,b2]=initff(p,80,'logsig',t,'logsig'
)
[w1,b1,w2,b2]=trainbp(w1,b1,'logsig',w2,b
2,'logsig',p,t,tp)
l=simuff(p,w1,b1,'logsig',w2,b2,'logsig')
l=l'
Durasi : 17 menit
hasil konvergen pelatihan = 100%
Kemudian
dilanjutkan
dengan
pelatihan ke- 2 yang terlihat pada gambar 6
VI.
PELATIHAN
Data dilatihkan dengan dipengaruhi
oleh model algoritma jaringan yang
digunakan dan jumlah lapisan tersembunyi
data psikomotorik. Untuk menghasilkan
iterasi tercepat, nilai-nilai dari jumlah
lapisan tersembunyi
diubah-ubah.
Perubahan dilakukan dengan memberi nilai
tetap pada salah satu item. Pelatihan data
yang paling cepat konvergen terjadi pada
epoch ke-100000 dengan nilai sbb:
a. Jumlah sel lapisan tersembunyi : 10
s/d 100
b. Maksimum Epoch : 100000
c. Konstanta Belajar : 0.01 s/d 0.07
d. Galat yang diijinkan : 0.1
Hasil pelatihan dilakukan melalui 2
tahap, yaitu pelatihan terhadap data yang
dilatihkan dan pengujian pada data yang
baru yang belum pernah dilatihkan.
Adapun data yang dilatihkan terdiri dari
data 100 orang anak , dimana terdiri dari
data 80 orang anak yang dilatihkan dan
data 20 orang anak yang diujikan
merupakan data yang baru yang belum
dikenal oleh jaringan. Hal tersebut
berfungsi untuk menguji seberapa besar
JST mengenali data yang baru.
A. Data Latih
Gambar 6. Grafik Pelatihan ke-2
Gambar 6, menunjukkan bahwa proses
pelatihan berhenti pada epoch ke 6474
dengan sintaks sebagai berikut :
tp=[50 100000 0.05 0.1]
[w1,b1,w2,b2]=initff(p,90,'logsig',t,'logsig'
)
[w1,b1,w2,b2]=trainbp(w1,b1,'logsig',w2,b
2,'logsig',p,t,tp)
l=simuff(p,w1,b1,'logsig',w2,b2,'logsig')
l=l'
Durasi : 12 menit
hasil konvergen pelatihan = 100%
Setelah itu dilanjutkan dengan pelatihan
ke-3 yang terlihat pada gambar 7:
Gambar 5. Grafik Pelatihan ke 1