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

  Vol. 1, No. 7, Juni 2017, hlm. 602-610 http://j-ptiik.ub.ac.id

  

Sistem Pendukung Keputusan Penentuan Tingkat Keparahan Autis

Menggunakan Metode Fuzzy K-Nearest Neighbor

_{1 2 3} Robbiyatul Munawarah , M. Tanzil Furqon , Lailil Muflikhah

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: robbiyatulm@gmail.com, m.tanzil.furqon@gmail.com, lailil@ub.ac.id

  

Abstrak

  Autis atau yang biasa disebut Autistic Spectrum Disorders (ASD) merupakan istilah umum mengacu pada gangguan perkembangan otak seseorang yang sudah tidak asing lagi di telinga masyarakat Indonesia. Sampai saat ini, sudah banyak penelitian dilakukan dengan jalan membangun sistem kecerdasan buatan dengan berbagai teknik yang digunakan untuk mempermudah proses prediksi ada atau tidaknya gangguan ini. Namun sangat jarang ditemukan sistem yang dapat menentukan tingkat keparahan autis. Padahal, kemajuan penelitian pada bidang autis sudah tidak lagi berfokus pada autis atau tidaknya seorang anak, namun lebih kepada ‘adakah perbedaan antara anak autis yang satu dengan lainnya?’ sehingga muncul label ‘tingkat keparahan’ sesuai dengan perilaku tertentu yang anak tunjukkan. Untuk mempermudah menentukan tingkat keparahan autis, maka dibuatlah sistem pendukung keputusan dengan memanfaatkan salah satu metode implementasi data mining yaitu metode

  

Fuzzy K-Nearest Neighbor (FK-NN). Fuzzy K-Nearest Neighbor (FK-NN) adalah metode gabungan

  dari K-Nearest Neighbor yang digabungkan dengan teori Fuzzy dalam memberikan definisi pemberian label kelas pada data uji yang diprediksi. Terdapat 14 gejala dan 3 tingkat keparahan yang dapat digunakan sebagai parameter dalam pengembangan sistem. Keluaran yang akan dihasilkan sistem pendukung keputusan berupa tingkat keparahan autis. Berdasarkan pada skenario pengujian yang dilakukan memperoleh hasil rata-rata akurasi maksimum 90,83% serta akurasi minimum sebesar 82,50%. Berdasarkan hasil tersebut, sistem yang menggunakan metode Fuzzy K-Nearest Neighbor (FK- NN) dapat di implementasikan pada kehidupan sehari-hari.

  Kata Kunci: Fuzzy K-Nearest Neighbor (FK-NN), Autis, Sistem Pendukung Keputusan.

  

Abstract

Autistic or Autistic Spectrum Disorders (ASD) is a general term referring to a neurodevelopmental

disorder that is well known among Indonesian. Many researches on autism detection have been done

by designing artificial intelligence systems with a variety of techniques used to make it easier for society

to predict this kind of disorder. However, we hardly ever seen a system that can determine the severity

of autism. In fact, the progress of the research in this field is no longer focused on whether a child is

autistic individual or not, but rather to questioning about “Is there anything in autistic children that

makes them different from one another?” as the ‘severity’ label appear to give them spesific class under

certain behaviour they shown. To make it easier to determine the severity of autism, decision support

system will be designed using one of data mining method called Fuzzy K-Nearest Neighbor (FK-NN).

Fuzzy K-Nearest Neighbor (FK-NN) is K-Nearest Neighbor method combine with Fuzzy theory that

gives value of membership on every predicted data.. There are 14 symptoms and 3 types of severity used

as a parameter in the development of the system. The output of this decision support system is autism

severity level. The results of the system shows that the average maximum accuracy is 90.83% while the

average minimum accuracy is 82.50%. Based on those results, the uses of Fuzzy K-Nearest Neighbor

(FK-NN) method can be implemented in our daily life.

  Keywords: Fuzzy K-Nearest Neighbor (FK-NN), Autism, Decision Support System Fakultas Ilmu Komputer Universitas Brawijaya

  

602

1. PENDAHULUAN

  Autis atau yang biasa disebut Autistic

  Spectrum Disorders (ASD) merupakan istilah

  umum yang mengacu pada gangguan perkembangan otak seseorang. Gangguan ini mengakibatkan hambatan dalam kemampuan seseorang saat berinteraksi sosial, berkomunikasi secara verbal maupun non-verbal serta perilaku repetitif (berulang-ulang) yang kerap dilakukan oleh para penderita autis (Kanner, 1943). Pada umumnya penderita autis mengacuhkan suara atau kejadian yang melibatkan mereka, dan menghindari kontak sosial misalnya pandangan mata serta kontak fisik dengan sesamanya. Penyebab gangguan autis pun terbilang kompleks. Beberapa penelitian menyebutkan bahwa penyebab autis adalah adanya gangguan susunan syaraf pusat yang disebabkan oleh kelainan stuktur otak. Bahkan ahli yang lain menyimpulkan bahwa autis disebabkan oleh kombinasi makanan yang salah atau karena lingkungan yang terkontaminasi zat beracun sehingga menyebabkan masalah dalam tingkah laku. Faktor lainnya yaitu faktor genetik yang juga memegang peran dalam munculnya autis pada anak. Masyarakat kerap memahami bahwa anak penderita autis merupakan anak dengan sikap pembawaan muram serta cara berpikir yang lamban. Pada kenyataannya, para pengindap autis merupakan individual dengan kebutuhan khusus yang memerlukan pendekatan dengan metode berbeda untuk mempermudah proses adaptasi dan pembelajaran dalam kehidupan mereka sehari-hari. Karena pada dasarnya pendekatan normal untuk anak pada umumnya tidak akan membantu pengembangan ataupun peningkatan keterampilan sosial dan penalaran anak penderita autis.

• –V) untuk acuan tingkat keparahan autisme anak.

  Menurut National Database for Autism Research (NDAR), dari 127.013 subjek penelitian gangguan autis berdasarkan umur menunjukkan sebanyak 25,1% berada ditingkatan autism berat, 9,1% berada ditingkatan sedang, dan 3,2% berada ditingkatan ringan (NDAR, 2016). NDAR merupakan repositori data berbgai macam penelitian terkait kesehatan yang didanai oleh National Institutes of Health (NIH) dengan tujuan untuk mempercepat kemajuan dalam penelitian Autism Spectrum Disorder dengan berbagi data, data harmonisasi dan laporan hasil penelitian.

  Dari data pemetaan anak berkebutuhan khusus di Indonesia, diperkirakan terdapat 139.000 penyandang autis dari 400.000 anak berkebutuhan khusus (RBK, 2015).

  Banyak penelitian telah dilakukan pada anak-anak dengan autis serta pembangunan sistem kecerdasan buatan dengan berbagai teknik yang digunakan untuk mempermudah proses prediksi ada atau tidaknya gangguan ini. Namun demikian masih ada kekurangan dalam penelitian dan pengembangan sistem untuk menentukan tingkat keparahan anak-anak autis ini. Penelitian-penelitian terbaru lebih berfokus pada teori dan bukan melalui pengembangan sistem sehingga menimbulkan kesulitan jika ingin melakukan deteksi tingkat keparahan autis pada anak-anak. Tingkat keparahan anak autis sangat penting untuk diidentifikasi dan merupakan salah satu aspek yang perlu dipertimbangkan agar pengasuh maupun orang tua dapat membimbing dan mengayomi anak penderita autis. Oleh karena itu, ada kebutuhan untuk mengklasifikasikan tingkat keparahan anak autis ini dengan metode klasifikasi yang cocok agar dapat mempermudah orang tua dan guru untuk membantu anak-anak autistik dalam proses pertumbuhan masa depan mereka.

  Berdasarkan permasalahan diatas, penulis mengajukan penelitian berjudul “SISTEM PENDUKUNG KEPUTUSAN PENENTUAN TINGKAT KEPARAHAN AUTIS MENGGUNAKAN METODE FUZZY K-

  NEAREST NEIGHBOR

  ” dengan menggunakan acuan Diagnostic and Statistical Manual of Mental Disorder Fifth Edition (DSM

  2. TINJAUAN PUSTAKA

  2.1. Autis World Health Organization (WHO) International Classification of Diseases (ICD-

  10) mengartikan autisme masa kanak-kanak sebagai adanya sikap abnormaL atau gangguan perkembangan pada anak yang muncul sebelum anak berusia tiga tahun dengan tipe karakteristik pada tiga bidang yaitu interaksi sosial, komunikasi, dan perilaku yang diulang-ulang (WHO, 2016). Berikut bentuk perilaku-perilaku unik yang sering terlihat pada anak-anak autis antara lain (NAS, 2016): 1.

  Anak dengan autis mengalami kesulitan dalam berkomunikasi.

  2. Anak-anak dengan ASD mungkin tidak mengerti aturan sosial - peraturan tertulis yang mengatur situasi sosial, seperti bagaimana caranya mendengarkan orang lain dalam situasi percakapan.

  3. Anak autis memiliki kekurangan fungsi kognitif yaitu proses intelektual yang membuat seseorang berfikir, beralasan, memahami ide-ide serta mengingat hal-hal. Kekurangan ini membuat anak tidak mengerti konsep waktu serta tidak dapat memprediksi konsekuensi dari apa yang mereka lakukan.

  4. Banyak anak-anak dengan ASD memiliki kesulitan memproses informasi sensorik, contohnya anak tidak dapat menelan makanan dengan rasa atau tekstur yang tidak biasa, atau merasakan sakit saat orang lain menyentuh mereka bahkan sentuhan ringan sekalipun.

  5. Anak autis biasanya kesulitan untuk memberitahu orang lain saat mereka merasa sakit atau menunjukkan bagian mana yang terasa sakit, bahkan dengan kenyataan mereka dapat berkomunikasi cukup baik.

  6. Anak autis bisa saja mengalami obsesi pada objek atau kebiasaan tertentu yang disebabkan karena saat anak kesulitan melakukan interaksi sosial, membicarakan hal yang di sukai mungkin menjadi salah satu cara mereka untuk memulai percakapan. Meskipun seringkali dianggap abnormal, namun individu autis terbukti bukan merupakan seorang dengan pemikiran lamban namun merupakan individu khusus yang jika proses menanganinya sesuai akan menampilkan bakat tersembunyi jika metode yang digunakan untuk mendekati mereka pantas. Oleh karena itu dengan memisahkan autis kedalam tingkat yang sesuai, akan mempermudah bagi tenaga pengajar maupun orang tua bagaimana memperlakukan anak penderita autis sesuai tingkat keparahannya.

  Tingkat keparahan ini di identifikasi untuk mendukung perbedaan penanganan yang dibutuhkan oleh setiap individu autis merujuk pada seberapa parah ASD mereka. Tingkatan yang berbeda untuk ASD membutuhkan tingkat dukungan yang berbeda pula (Association, 2013). Ada tiga tingkat keparahan dalam ASD; tingkat 1, tingkat 2 dan tingkat 3. Berikut tingkat autis menurut literatur Diagnostic and Statistical Manual of Mental Disorder Fifth Edition (DSM-V) ditunjukkan pada Tabel 1.

  Tabel 1. Tingkat Keparahan Autis Tingkat Keparahan

  Autis Komunikasi Sosial Ketertarikan spesifik & Perilaku berulang-ulang Tingkat 3

  Membutuhkan dukungan yang sangat besar Kerusakan parah pada kemampuan komunikasi verbal dan non- verbal yang tidak berfungsi seperti yang seharusnya; interaksi sosial terbatas, menjawab seadanya ketika ditawari bantuan oleh orang lain.

  Asyik sendiri, terpaku pada kebiasaan atau perilaku repetitif. Ditandai dengan ekspresi tertekan ketika ritual atau rutinitas terganggu; sangat sulit untuk diarahkan ketika sudah terpaku pada satu hal. Tingkat 2 Membutuhkan dukungan yang besar

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

  Ritual dan perilaku yang berulang-ulang atau keasyikan sendiri. Ekspresi tertekan atau frustrasi terlihat jelas ketika ritual terganggu; sulit untuk diarahkan ketika sudah terpaku pada sesuatu. Tingkat 1 Membutuhkan dukungan Jika lingkungan tidak mendukung, kekurangan anak dalam ketidakmampua n untuk memulai komunikasi menjadi lebih terlihat. Memiliki kesulitan memulai interaksi sosial dan menjelaskan tentang sesuatu. Sehingga terlihat tidak berminat untuk berinteraksi.

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

2.2. Tingkat Keparahan Autis

  2.3. Fuzzy K-Nearest Neighbor (FK-NN)

  Sistem Pendukung Keputusan merupakan alat bantu yang menggunakan informasi berbasis komputer. Berikut beberapa komponen untuk optimasi proses membuat keputusan dalam

  Decision Support System (Turban, 2007):

  menentukan tingkat keparahan autis. Sistem ini memberikan tingkatan keparahan pada anak autis berupa tingkat ringan, tingkat sedang dan tingkat berat. Data yang akan diolah sistem berupa 14 gejala yang akan mempengaruhi tingkat keparahan dan di klasifikasikan menggunakan metode Fuzzy K-Nearest

  1

  dan

  1. Subsistem manajemen data digunakan untuk manajemen data relevan untuk diolah perangkat lunak Database Management System (DBMS).

2.4. Fuzzy K-Nearest Neighbor (FK-NN)

  Pengambilan Kesimpulan

  Analisis Kebutuhan Sistem Perancangan Sistem Implementasi Sistem Pengujian Sistem

  Fuzzy K-Nearest Neighbor (FK-NN) untuk

  2 ( )

  {

  1, ∈ 0, ∉

  } ( , ) = nilai keanggotaan data ke kelas

  = adalah bobot pangkat yang besarnya > 1, nilai ini diberikan tergantung jumlah kelas target yang dipakai.

  3. METODOLOGI

  Tahapan yang dilakukan pada penelitian ini ditunjukkan pada Gambar 1 berupa Diagram Alir Metodologi Penelitian.

  Gambar 1. Diagram Alir Metodologi Penelitian 4.

  = fitur ke 2 dari vektor n = jumlah fitur pada vektor

  = fitur ke 1 dari vektor

  Sistem yang dikembangkan merupakan sistem yang mengimplementasikan metode

  Neighbor (FK-NN) (Keller, 1985).

  2. Subsistem manajemen basis data model (MBMS) adalah komponen yang dapat terkoneksi ke dalam penyimpanan eksternal yang ada pada model serta dapat di implementasikan pada sistem yang dikembangkan.

  3. Subsistem antarmuka pengguna merupakan susbsistem yang digunakan pengguna berkomunikasi dengan DSS

  4. Subsistem manajemen berbasis- pengetahuan merupakan komponen yang di koneksikan dengan repositori pengetahuan yang disebut dengan basis pengetahuan organisasional.

  Fuzzy K-Nearest Neighbor (FK-NN)

  merupakan metode klasifikasi yang menggabungkan kedua teknik yaitu teknik Fuzzy dengan teknik K-Nearest Neighbor. Algoritma

  Fuzzy K-Nearest Neighbor (FK-NN)

  memberikan nilai keanggotaan kelas pada data uji. Bukan dengan menempatkan suatu data uji pada kelas tertentu. Berikut persamaan yang digunakan pada algoritma Fuzzy K-Nearest

  Persamaan mencari Euclidean Distance antara data uji dan data latih dengan menggunakan persamaan 2.1

  1 ( )

  ( , ) = √∑ (

  1 ( ) −

  2 ( ))

  2 =1 (2.1)

  Dimana:

  ( , )

  = jarak euclidian antara vektor dan

   PERANCANGAN

2 Persamaan hitung nilai keanggotaan

  Dimana: ( , ) = nilai keanggotaan data tetangga dalam K terdekat pada kelas =

  =1 (2.2)

  Neighbor (FK-NN).

  Implementasi yang akan dilakukan pada sistem berupa manajemen data, manajemen model dan antarmuka pengguna. Sistem pendukung keputusan penentuan tingkat keparahan autis memiliki input utama yaitu input data gejala.

  Langkah-langkah algoritma Fuzzy K-

  Nearest Neighbor (FK-NN) yang di Studi Literatur Pengumpulan Data

  ∑ ( , ) −2 ( −1)

  , )∗ ( , ) −2 ( −1)

  ∑ ( =1

  ( , ) pada setiap i, dimana l≤i≤C menggunakan persamaan 2.2. ( , ) = implementasikan pada sistem dapat dilihat pada Gambar 2. 1)

  Perhitungan jarak data uji dengan seluruh data latih Selanjutnya digunakan metode K-Nearest

  Mulai Neighbor yang diawali dengan menghitung jarak

  dari data uji dengan seluruh data latih

  Input Dataset Gejala Autis menggunakan persamaan Euclidean Distance.

  Contoh perhitungan jarak data uji dengan data latih ke-1 yaitu:

  Mencari Jarak menggunakan Euclidean

  2

  22

  2 ((4 − 4) + (4 − 4) + (4 − 4)

  Distance

  2

  2

• (4 − 4) + (3 − 2)

  2

  2 =

• (3 − 4) + (4 − 3)

  (16,1)

  2

  2

  2

  2

• (4 − 1) + (4 − 1) + (4 − 1) + (3 − 4)

  Pengambilan data berdasarkan jumlah k

  2

  2

  2

• (4 − 2) + (4 − 4) + (4 − 1) ) √

  = 6,6332 Menghitung nilai keanggotaan data uji

  2) Pengurutan jarak dari nilai terkecil hingga

  terhadap kelas

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

  Menampilkan Hasil Tingkat Keparahan 4.

  Autis Tabel 4. Pengurutan jarak dari nilai terkecil hingga

  Selesai nilai terbesar

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

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

  Tabel 2. Data Training

  3) Pengambilan data jarak sebanyak k

  Variabel k merupakan variabe jumlah tetangga terdekat dari suatu data uji, dari contoh manualisasi perhitungan Fuzzy K-Nearest

  Neighbor (FK-NN) ini peneliti mengambil nilai k sebanyak 3 sehingga yang dipilih adalah data 3

  pasien dari hasil pengurutan sebelumnya yang Berikut data uji yang digunakan untuk ditunjukkan pada Tabel 5. membangun model yang ditunjukkan pada Tabel 3.

  Tabel 5. Pengambilan data jarak sebanyak k Tabel 3. Data Uji

  Proses yang dilakukan untuk mengolah data 4)

  Hitung nilai keanggotaan jarak kedalam masukan pengguna sehingga dapat masing-masing kelas menghasilkan keluaran berupa tingkat Menghitung nilai keanggotaan jarak keparahan autis. menggunakan Persamaan 2.2. Pada perhitungan ini, nilai m = 3, hal ini dikarenakan ada 3 nilai Training, Penentuan Tingkat Keparahan serta hasil yaitu Autisme Ringan, Autisme Sedang dan Informasi Terkait untuk masing-masing tingkat Autisme Berat. Contoh perhitungan mencari autis. Tampilan halaman Home dapat dilihat nilai keanggotaan kelas, yaitu: pada Gambar 4.

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

  ( ) −2 −2 −2 (3−1) (3−1) (3−1)

  3,7417 + 5,2915 + 5,5678 = 1,000

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

  ( ) −2 −2 −2 (3−1) (3−1) (3−1)

  3,7417 + 5,2915 + 5,5678 = 0,000

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

  ( ) −2 −2 −2 (3−1) (3−1) (3−1)

  3,7417 + 5,2915 + 5,5678 = 0,000

  Jika dibandingkan, nilai keanggotaan kelas Autisme Ringan merupakan nilai keanggotaan

  Gambar 4. Halaman Home

  terbesar dibanding nilai keanggotaan kedua kelas lainnya. Sehingga dapat disimpulkan

  3. Halaman List Gejala bahwa data uji masuk kedalam kelas Autisme Pada halaman List Gejala, sistem akan Ringan. menampilkan Halaman List Gejala akan menampilkan 14 Gejala yang dijadiakan acuan

  5. IMPLEMENTASI sistem yang ditampilkan didalam tabel beserta opsi untuk melakukan Insert, Update dan Delete.

  Antarmuka pada sistem pendukung Tampilan halaman List Gejala dapat dilihat pada keputusan penentuan tingkat keparahan autis ini Gambar 5. berguna sebagai media interaksi antara pengguna dengan sistem agar memberikan kemudahan kepada pengguna dalam menjalankan sistem ini.

  1. Halaman Login Pada halaman Login ini, sistem akan menampilkan halaman untuk melakukan akses kedalam sistem yang terdiri dari textfield username dan password. Tampilan halaman Login dapat dilihat pada Gambar 3.

  Gambar 5. Halaman List Gejala 4.

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

  Gambar 3. Halaman Login 2.

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

  

Gambar 6. Halaman Data Training Gambar 9. Halaman Penentuan Tingkat

Keparahan- Tampilkan Hasil 5.

  Halaman Penentuan Tingkat Keparahan 6.

   PENGUJIAN

  Pada halaman Penentuan Tingkat Keparahan terdapat pernyataan berupa gejala

  6.1. Pengujian Pengaruh Nilai k

  yang ditujukan kepada pengguna untuk inputan Pengujian ini merupakan pengujian yang sistem. Sebelum mengisi pernyataan akan ada dilakukan untuk mengetahui pengaruh nilai k intruksi serta tombol untuk memulai pengisian yang berubah-ubah terhadap akurasi. Nilai k pernyataan yang ditunjukkan pada Gambar 7. yang digunakan pada pengujian ini adalah k=1

  Pengguna diharuskan mengisi pernyataan hingga k=10. Pengujian ini akan menggunakan sampai selesai dan akan ada tombol Tampilkan data latih 25%, data latih 50%, dan data latih Hasil pada Gambar 8. Hasil rekomendasi 75%. Tingkat Keparahan Autis ditunjukkan pada Gambar 9 disertai tombol reset untuk melakukan penentuan tingkat keparahan pada data

  P E N G U J I A N P E N G A R U H N I L A I K T E R H A D A P A K U R A S I selanjutnya. _{( % E ) A S E S N T 25% R 80 85 95 75 50% 90} PE ⁷⁰ _{K = 1 K = 2 K = 3 K = 4 K = 5 K = 6 K = 7 K = 8 K = 9K = 1 0 NILAI K 75%} Gambar 10. Grafik hasil pengujian perubahan nilai k terhadap akurasi

  Dilihat pada Gambar 10 dapat disimpulkan bahwa untuk pengujian selanjutnya akan

  Gambar 7. Halaman Penentuan Tingkat

  menggunakan data latih 75% karena

  Keparahan-Mulai

  menghasilkan akurasi cenderung lebih tinggi dibandingkan data latih 25% dan data latih 50%. Untuk nilai k yang akan digunakan pada pengujian adalah k=5 sebagai k yang menunjukkan akurasi tertinggi pada data latih 75% yaitu 90,83 %

  6.2. Pengujian terhadap sebaran data

  Proses pengujian pada sebaran data ini menggunakan jumlah data latih sebanyak 30, 45, dan 60 data dengan jumlah data uji yang sama yaitu 30, 45, dan 60. Pada pengujian ini

  Gambar 8. Halaman Penentuan Tingkat Keparahan

  menggunakan nilai k=5. Uji coba dilakukan sebanyak 3 kali uji coba dengan sebaran data berbeda. Proses pengujian yaitu melakukan perhitungan terhadap sebaran data seimbang dan tidak seimbang hingga menghasilkan rata-rata untuk akurasi.

  Gambar 11.

  sebagai berikut: 1.

  Pengujian Jumlah Data Latih

  b) Berdasarkan hasil pengujian sebaran data, akurasi yang dihasilkan oleh jenis data latih seimbang mengalami peningkatan. Akurasi tertinggi sebesar 83,89 % pada 60 data latih. Sedangkan pada jenis data latih tidak seimbang peningkatan terjadi kurang stabil dengan akurasi tertinggi pada 30 data latih dengan akurasi sebesar 82,22. Hal ini dikarenakan pada data latih tidak seimbang proses klasifikasi yang terjadi akan cenderung pada kelas yang mendominasi. ^{30 45 Tidak Seimbang 60 Seimbang 78,89 80,00 83,89 82,22 76,30 75,56 65 70 75 80 85 RSE 90 PE N TA S E (% ) JUMLAH DATA LATIH P E N G U J I A N S E B A R A N D A T A T E R H A D A P A K U R A S I 30 45 80,00 80,00 83,33 60 Akurasi 75 80 85 (% 90 P e rsent a se ) Jumlah Data Latih}

  Berdasarkan hasil pengujian pengaruh nilai k didapatkan hasil akurasi maksimum 90,83 % pada data latih 75% yang terdiri dari 115 data latih dan 40 data uji serta akurasi minimum sebesar 82,50%. Dari hasil pengujian menunjukkan bahwa perubahan nilai k berpengaruh pada akurasi. Nilai k terbaik dipengaruhi oleh data yang digunakan.

  3. Dari hasil pengujian yang telah dilakukan menghasilkan kesimpulan sebagai berikut: a)

  2. Algoritma Fuzzy K-Nearest Neighbor (FK- NN) dapat diimplementasikan untuk menentukan tingkat keparahan autis dengan menggunakan 14 gejala dengan 3 tingkat keparahan autis yaitu Autisme Ringan, Autisme Sedang dan Autisme Berat.

  Perancangan dari sistem ini dimulai dari Manajemen Data, Perancangan Proses, Perancangan Flowchart, Manajemen Model serta Perancangan Antarmuka.

  Neighbor (FK-NN) dapat diambil kesimpulan

  Grafik Pengujian Sebaran Data

  Berdasarkan pengujian terhadap sistem pendukung keputusan penentuan keparahan autis menggunakan metode Fuzzy K-Nearest

  7.1. Kesimpulan

  7. KESIMPULAN DAN SARAN

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

  Gambar 12. Grafik Pengujian Jumlah Data Latih terhadap Akurasi

  Pada pengujian ini menggunakan jumlah data latih berbeda yaitu 30, 45, dan 60 dengan jumlah data uji yang sama yaitu 30. Pada pengujian ini menggunakan k dari proses pengujian sebelumnya yaitu nilai k=5. Pada masing-masing pengujian jumlah data latih 30, 45 dan 60 dilakukan uji coba sebanyak 3 kali dan akan menghasilkan rata-rata akurasi. Proses pengujian jenis ini melakukan perhitungan terhadap jumlah data latih berbeda dengan jumlah data uji yang sama sehingga menghasilkan nilai akurasi untuk melihat pengaruh dari perubahan jumlah data latih.

  Pada Gambar 11 menunjukkan hasil dari pengujian untuk data latih seimbang dan tidak seimbang terhadap akurasi. Pada jenis data latih yang seimbang terlihat bahwa grafik cenderung meningkat seiring dengan bertambahnya jumlah data latih yang digunakan. Hal ini dikarenakan pada data seimbang menggunakan jumlah tingkat keparahan (kelas) yang berjumlah sama pada masing-masing data latih yang digunakan. Sedangkan pada jenis data latih tidak seimbang mengalami penurunan. Hal ini dikarenakan pada jenis data latih tidak seimbang ini, terdapat dominasi dari tingkat keparahan (kelas) tertentu yang dapat menyebabkan hasil yang tidak akurat dalam proses klasifikasi.

6.3. Pengujian Tehadap Pengaruh Jumlah Data Latih

  c) Berdasarkan hasil pengujian jumlah data latih, akurasi mengalami peningkatan dengan akurasi tertinggi sebesar 83,33% pada 60 data latih. Hal ini menunjukkan bahwa nilai k yang sesuai, sebaran data latih yang seimbang serta jumlah data latih yang besar akan mempengaruhi proses learning pada metode yang digunakan sehingga menjadi semakin baik.

7.2. Saran

  Saran penulis yang terkait penelitian “Sistem Pendukung Keputusan Penentuan Tingkat Keparahan Autis mengunakan metode

  Fuzzy K-Nearest Neighbor

  ” untuk penelitian selanjutnya sebagai berikut:

  1. Dianjurkan melakukan penambahan parameter serta jumlah data untuk hasil dari proses keputusan yang optimal.

  Penambahan parameter dapat berupa gejala untuk penelitian kedepannya.

  2. Peneliti selanjutnya dapat melakukan pengembangan sistem dengan cara melakukan kombinasi lebih dari satu metode agar hasil yang diperoleh lebih optimum dan efektif.

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

  WHO., 2016. Autism spectrum disorders.

DAFTAR PUSTAKA

  Fuzzy K-Nearest Neigbor Algorithm . IEEE

  NAS., 2016. Behaviour. Tersedia melalui: National Autistic Society <http://www.autism.org.uk/about/behavio ur.aspx> [Diakses 13 Agustus 2016]

  NDAR., 2016. NIMH Data Archive .Tersedia melalui: National Database Autism Research <https://ndar.nih.gov> [Diakses

  11 Agustus 2016] Prasetyo Eko, 2012. Data Mining : Konsep dan Aplikasi Menggunakan MATLAB .

  Yogyakarta: Andi. Turban, Efraim & Aronson, Jay E., 2007.

  Decision Support Systems and Intelligent Systems, 8th edition , Prentice Hall, Upper

  Saddle River, NJ.

  bookpointUS [Diakses 11 Agustus 2016] Keller, JM., Gray, MR., Givens, JA., 1985. A

  Statistical Manual of Mental Disorders : DSM-5 , [e-journal]. Tersedia melalui:

  Association, A. P., 2013. The Diagnostic and

  Trans System Man Cybernet, 15(4): 580- 585. doi: 10.1109/TSMC.1985.65313426