Identifikasi Gangguan Kepribadian Dramatis Menggunakan Metode Learning Vector Quantization (LVQ)
Vol. 2, No. 9, September 2018, hlm. 3103-3111 http://j-ptiik.ub.ac.id
Identifikasi Gangguan Kepribadian Dramatis Menggunakan Metode
Learning Vector Quantization (LVQ)
1 2 3 M Kevin Pahlevi , Budi Darma Setiawan , Tri AfiriantoProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1 2 3 Email: kevinplevi@gmail.com, s.budidarma@ub.ac.id, tri.afirianto@ub.ac.id
Abstrak
Gangguan kepribadian salah satu masalah kesehatan yang dialami dan dirasakan oleh masyarakat.Kelompok B atau yang disebut dramatis lebih sering terjadi dikarenakan tingkat bunuh diri yang masih meningkat, akses media sosial yang tinggi, masih terjadi tawuran dan kasus bully dimana-mana, lalu banyak fenomena tentang orang yang ingin mencuri perhatian dengan tampilan fisik atau gaya bahasa yang tidak biasa, hal ini dapat meningkatkan resiko masyarakat terkena gangguan kepribadian khususnya kelompok dramatis. Penelitian ini mencoba mengidentifikasi gangguan kepribadian dramatis. Gangguan kepribadian dramatis ini dibagi kedalam 4 kelas. Metode yang digunakan adalah
Learning Vector Quantization . Data didapatkan dari kuisioner dengan menggunakan 32 parameter dan
berhasil mendapatkan data sebanyak 90 data. Peneilitan ini melakukan 4 skenario pengujian yang menghasilkan nilai learning rate 0,2, pengali learning rate 0,4, minimum learning rate 0,001 dan data latih sebesar 60. Hasil akurasi yang didapatkan sebesar 70%.
Kata kunci: gangguan kepribadian, klasifikasi, learning vector quantization
Abstract
Personality disorder is one of the health problems experienced and felt by the community. Group B or
so-called dramatic is more common due to increased suicide rates, high social media access, still
happening brawl and bullying all over, then many phenomena about people who want to steal attention
with a physical look or style of language that is not commonly, this can increase the risk of people
affected personality disorders, especially the dramatic group. This study try to identify dramatic
personality disorders. This dramatic personality disorder is divided into 4 classes. The method used is
Learning Vector Quantization. Data obtained from questionnaires using 32 parameters and managed
to get data as much as 90 data. This research conducts 4 test scenarios that result in a learning rate of
0.2, a multiplier learning rate of 0.4, a minimum learning rate of 0.001, and a training data of 60. The
result of accuracy is 70%.Keywords: personality disorder, classification, learning vector quantization berhubungan dengan orang lain tidak berfungsi.
1.
penderita gangguan kepribadian tidak jarang
PENDAHULUAN
memiliki kesulitan dalam menjalin berhubungan Kesehatan merupakan hal yang terpenting sosial dengan orang di lingkungan rumah, bagi manusia dalam kehidupan, kesehatan sekolah, bisnis, atau pekerjaan yang menjadi sendiri dibedakan menjadi kesehatan tubuh dan terbatas. Bahkan dapat menyebabkan depresi kesehatan jiwa, kesehatan yang susah dirasakan yang dapat memicu bunuh diri adalah kesehatan jiwa atau mental. Manusia
Dalam perkembangan jaman saat ini, sendiri merasa bahwa mereka sehat sehat saja kelompok B atau kelompok dramatis lebih soal kejiwaan dan salah satu contoh hal yang sering muncul, sebagai contohnya tawuran antar dapat merusak kesehatan jiwa adalah gangguan pelajar yang mencirikan bahwa gangguan kepribadian. kepribadian anti sosial masih tinggi, menurut
Gangguan Kepribadian merupakan istilah data kasus pengaduan anak tahun 2011 sampai umum untuk jenis penyakit mental di mana 2016 dari KPAI(Komisi Perlindungan Anak penderita dalam berpikir, memahami situasi, dan
Indonesia) terdapat 443 anak yang menjadi
Fakultas Ilmu Komputer Universitas Brawijaya
3103 pelaku perkelahian atau tawuran, dan sebanyak 449 anak yang menjadi pelaku kekerasan di sekolah atau bulliying. Menurut hasil survei terhadap Data Statistik Pengguna Internet Indonesia tahun 2016 yang dilakukan oleh APJII (Asosiasi Penyelenggara Jasa Internet Indonesia) didapatkan bahwa sebanyak 132,7 juta jiwa masyarakat indonesia menjadi pengguna aktif internet atau sekitar 51,5% dari total jumlah penduduk Indonesia sebesar 256,2 juta. Dan konten sosial media yang paling banyak dikunjungi adalah sosial media Facebook sebesar 71,6 juta pengguna atau 54% dan yang kedua adalah sosial media Instagram mencapai 19,9 juta pengguna atau sebesar 15%. Hal ini dapat meningkatkan resiko masyarakat Indonesia terkena gangguan kepribadian narsistik.
Indonesia berada pada peringkat delapan kasus bunuh diri terbanyak di Asia Tenggara. Dari data Organisasi Kesehatan Dunia (WHO) 2016, kasus bunuh diri di Indonesia telah mencapai 3,7% per 100.000 penduduk. Hal ini dapat di simpulkan bahwa masih ada masyarakat Indonesia yang beresiko mengalami gangguan kepribadian borderline atau ambang, Kemudian masih banyak fenomena sosial mengenai masyarakat yang ingin mencuri perhatian dengan tampilan fisik atau gaya bahasa yang tidak biasa yang merupakan ciri dari gangguan kepribadian histrionik.
Sebelumnya telah dilakukan penelitian tentang topik gangguan kepribadian, salah satunya dengan judul “Aplikasi Diagnosa G angguan Kepribadian” yang dilakukan oleh Ichsan Taufik. Pada penelitian tersebut, peneliti menggunakan metode forward chaining dalam sistem pakar untuk mendiagnosa gangguan kepribadian ke dalam 10 kelas. Hasil penelitian ini sistem dapat membantu pengguna dalam mengenai diagnosa gangguan kepribadian serta memberikan gejala serta solusi yang baik(Taufik,2014). cenderung aneh, cara bicara yang tidak wajar, memiliki imajinasi yang tinggi dan sering berkhayal misalnya dirinya mempunyai kekuatan super yang tidak orang lain miliki. Dan lebih memilih menghindari dari sosial karena kerap merasa cemas.
Menurut DSM-IV (Diagnostic and Statistical Manual for Mental Disorder edisi 4), aksis II, gangguan kepribadian ini dibagi menjadi 3 kelompok, yang pertama yaitu gangguan kepribadian kelompok A atau disebut kelompok aneh. Jenis-jenis yang terdapat pada kelompok ini adalah: a) Gangguan kepribadian skizotipal. Penderita memiliki tingkah laku yang berbeda dan
2.2.3. Macam Gangguan Kepribadian
Gangguan Kepribadian pada buku PPGDJ-III (Pedoman Penggolongan diagnose Gangguan Jiwa III) adalah istilah umum untuk suatu jenis penyakit mental di mana cara berpikir, memahami situasi, dan berhubungan dengan orang lain tidak berfungsi. Hanya sifat kepribadian yang dirasa mengganggu dirinya sendiri dan orang sekitar maka dapat dimasukkan sebagai kelas gangguan kepribadian. Setiap individu memiliki kepribadian yang ditentukan oleh bagaimana cara mereka berpikir, merasakan, dan berperilaku.
2.2.2. Pengertian Gangguan Kepribadian
Schever Dan Lamm (1998) mengatakan bahwa kepribadian merupakan keseluruhan pola sikap, kebutuhan, ciri-ciri yang kas dan prilaku seseorang. Pola yang dimaksud adalah sesuatu yang sudah menjadi standar atau baku, sehingga kalau di katakan pola sikap, maka sikap itu dilakukan secara terus-menerus dan sudah menjadi kebiasaan.
2.2.1. Kepribadian
2.2. Gangguan Kepribadian
, 0,001 untuk minimum alpha, dan rata- rata nilai akurasi sebesar 93,841% (Agustinus,2018).
epoch
Objek dari penelitian ini adalah penyakit hipertensi. Dalam peneletian ini dihasil beberapa nilai optimal yaitu 0,1 untuk learning rate, 0,2 untuk pengali learning rate, 6 untuk maksimum
Kemudian penelitian dengan judul “Klasifikasi Risiko Hipertensi Menggunakan Metode Learning Vector Quantization (LVQ)”.
”. Hasil yang diberikan memberikan rata-rata akurasi pada pelatihan sebesar 92,23% dan pada pengujian sebesar 41,42%, (Prabahata,2012).
Quantization
2. LANDASAN KEPUSTAKAAN
2.1. Kajian Pustaka
salah satunya. Metode ini telah di gunakan di penilitian dengan judul “Identifikasi Penyakit Kulit Berdasarkan Kombinasi Segmentasi Warna Dan Analisis Tekstur Dengan Deteksi Binary Large Object (Blob) Menggunakan Jaringan Syaraf Tiruan-Learning Vector
Learning Vector Quantization atau LVQ adalah
Di era yang semakin maju dalam hal teknologi ini, teknik pengklasifikasian pun dapat dilakukan oleh komputer dengan menggunakan metode-metode yang berbagai macam. Teknik
b) Gangguan kepribadian skizoid. Penderita akan merasa susah dalam menjalani hal apapun dalam kehidupannya, cenderung tidak peduli ketika orang lain mengkritik atau bahkan memuji mereka, tidak tertarik dalam menjalin hubungan dengan lainnya dan lebih memilih menyendiri.
c) Gangguan kepribadian paranoid. Penderita akan mengalami kecurigaan yang berlebihan dan ketidakpercayaan terhadap orang lain, bahkan pada orang terdekat mereka seperti pasangan mereka, mereka juga merasa takut dimanfaatkan oleh orang lain. Kelompok gangguan kepribadian yang 2 adalah kelompok B atau disebut kelompok dramatis. Jenis-jenis yang terdapat pada kelompok ini adalah: a) Gangguan kepribadian ambang(borderline).
Penderita ini terkadang memiliki niatan untuk menyakiti diri sendiri, perubahan emosi yang tidak menentu.
b) Gangguan kepribadian antisosial. Orang yang menderita kondisi ini sering mengabaikan norma-norma sosial di sekitar dan tidak punya rasa simpati terhadap orang lain, tidak mempunyai penyesalan terhadap perbuatan mereka yang lakukan.
c) Gangguan kepribadian narsistik. Penderita akan merasa sangat percaya diri dan yakin bahwa dirinya lebih unggul dibandingankan orang lain, terlalu berharap akan pujian orang lain. Mereka terlalu membanggakan dan melebih-lebihkan prestasi yang mereka dapatkan dan membuat orang lain mengetahuinya.
d) Gangguan kepribadian histrionik. Penderita ini terlalu memikirkan penampilannya, berperilaku dramatis dalam berbicara, selalu mencari perhatian terhadap sekitar, dan merasa hubungan dengan orang lain lebih dari sekedar teman padahal orang lain tidak merasa begitu.
Kelompok gangguan kepribadian ketiga adalah kelompok C atau kelompok takut. Jenis- jenis yang terdapat pada kelompok ini adalah:
a) Gangguan kepribadian dependen. Penderita sangat menggantungkan hidupnya pada orang lain, bahkan merasa lemah bila ditinggalkan orang lain, susah untuk hidup mandiri, dan terkadang susah dalam mengambil keputusan dan cenderung tidak bertanggung jawab.
b) Gangguan kepribadian menghindar.
Penderita sering melakukan penghindaran terhadap hubungan sosial, terutama dalam kegiatan dengan orang tidak dikenal, sifat ini dikarena mereka merasa tidak percaya diri dan malu terhadap sekitar, padahal sebenernya mereka mempunyai keinginan untuk menjalin hubungan itu namun mereka kesulitan dalam berbaur dan selalu khawatir terhadap penolakan yang akan terjadi.
c) Gangguan kepribadian obsesif kompulsif.
Penderita ini memilih mengerjakan atau mengatur segala sesuatu dilakukan seorang diri, bersifat perfeksionis, dan sering merasa stress apabila hasil perkerjaan tidak sesuai yang diharapkan.
2.3. Learning Vector Quantization
LVQ merupakan metode klasifikasi pola masing-masing unit keluaran mewakili kategori atau kelas tertentu (beberapa unit keluaran seharusnya digunakan untuk masing-masing kelas). Keunggulan dari metode LVQ adalah kemampuannya untuk memberikan pelatihan terhadap lapisan-lapisan kompetitif sehingga secara otomatis dapat mengklasifikasikan vektor input yang diberikan(Hamidi,2017)
Gambar 1. Arsitektur jaringan LVQ
W1 yang terdapat pada Gambar 1 adalah bobot pada lapisan kompetitif yang bertugas mengarahkan input menuju output Y1. Pengarahan input yang dilakukan oleh bobot ini jika Ti = Cki maka: disesuaikan dengan perhitungan jarak terdekat
= + 1 (6)
7. nilai akurasi dengan dalam proses kompetisi tersebut, apabila Menghitung perbandingan antara jumlah data(hasil terdapat jarak yang mendekati antara inputan output) yang benar dengan jumlah total data dan bobot maka akan diarahkan pada kelas yang dengan persamaan: bobot tersebut, begitu pula sebaliknya, apabila jarak yang didapatkan berjauhan maka akan
ℎ Akurasi = x 100% (7)
diarahkan pada kelas yang berbeda yang ℎ memiliki kedekatan yang lebih baik.
Pada proses pengujian ini dapat dilihat Langkah-langkah pelatihan metode Learning apakah sistem
“Identifikasi Gangguan
Vector Quantization adalah sebagai berikut
Kepribadian Dramatis Menggunakan Metode (Ganidar, 2015):
Learning Vector Quantization (LVQ)
” 1. Insialisasi nilai nilai learning rate (α), menghasilkan nilai akurasi baik atau buruk. pengali learning rate
(dec α), jumlah data latih, batas epoch maksimal, batas minimal
3. METODOLOGI learning rate
(min α), bobot awal(Wk) yang akan digunakan.
3.1. Data Penelitian 2.
Inisialisasi epoch awal = 0 Data yang digunakan pada penelitian ini 3. Lakukan langkah 4 hingga 5 bila epoch < didapatkan dengan cara melakukan kuisioner
epoch maksimal dan α > minimal α.
secara online, kuisioner ini berisi 32 pertanyaaan 4. Lakukan penambahan epoch yang mencakup gejala-gejala yang terjadi pada
(1) epoch = epoch + 1
ganggunan kepribadian dramatis, data yang 5. Lakukan langkah 6 sampai 8 untuk vektor berhasil didapatkan berjumlah
90 data, data input pada indeks ke i sampai N kemudian dari data ini diambil 30 data uji dan 60 6. Hitung jarak antara data dengan bobot- untuk data latih. Dalam data yang ini terdapat 4 bobot untuk setiap kelas dengan persamaan: kelas yang masing-masing merupakan macam
2 D(k) = (2)
√∑ ( − ) =1 gangguan kepribadian dalam kelompok dramatis
yaitu ambang(borderline), narsistik, antisosial 7. Tentukan nilai minimum dari jarak setiap dan histrionik. kelas sehingga menjadi output (Ck).
8. Perbaiki bobot W dengan kententuan:
3.2. Perancangan sistem
Jika Ti = Cki maka:
Wkj(baru) = Wkj(lama) +
Perancangan sistem dilakukan untuk
α(Xij – Wkj(lama)) (3)
mempermudah proses implementasi. Pada prose Jika Ti ≠ Cki maka: perancangan sistem merupakan implementasi
Wkj(baru) = Wkj(lama) −
dari teori-teori yang ada, data yang digunakan
α(Xij – Wkj(lama)) (4)
serta ilmu ang sudah didapatkan untuk 9. Lakukan pengalian Lakukan pengalian α merancang sistem identifikasi gangguan dengan dec α setiap sebelum penambahan kepribadian dengan metode Learning Vector
epoch . Dengan persamaan: Quantization . Cara kerja sistem akan menunggu α (baru) = α (lama) x dec α (5)
pengguna memasukan gejala-gejala yang dialami. Kemudian sistem akan memproses Sedangkan untuk pengujian metode Learning inputan tersebut kedalam proses LVQ, lalu akan
Vector Quantization adalah sebagai berikut:
mengeluarkan hasil berupa kelas atau gangguan 1. Insialisasi bobot awal menggunakan bobot kepribadian yang sesuai dengan perhitungan akhir dari proses pelatihan. menggunakan metode LVQ.
2. Inisialisasi kondisi awal benar = 0 3.
Lakukan langkah 6 sampai 8 untuk vektor Gambar 2. Rancangan kerja sistem. data input pada indeks ke i sampai N 4. Hitung jarak antara data dengan bobot- bobot untuk setiap kelas dengan persamaan:
2 D(k) = (2)
√∑ ( − ) =1 5.
Tentukan nilai minimum dari jarak setiap kelas sehingga menjadi output (Ck).
6. Melakukan pengecekan dengan kententuan
4. PERANCANGAN
4.1. Diagram Alir
Proses yang dijalankan pada sistem ini dimulai dengan memasukan input data dengan 32 atribut beserta bobotnya kemudian dilanjutkan dengan proses Learning Vector
Quantization (LVQ) dan lalu didapatkan
keluaran berupa hasil klasifikasi kemudian sistem akan berhenti.
Gambar 3. Rancangan kerja sistem.
4.2. Flowchart Pelatihan LVQ
Flowchart ini digunakan untuk membuat gambaran bagaimana proses perhitungan dalam
Learning Vector Quantization , pada pelatihan
ini berguna untuk mendapatkan bobot optimal dari proses pelatihan yang akan dipakai untuk proses pengujian selanjutnya, dapat dilihat pada Gambar 4 untuk flowchat dari pelatihan metode LVQ sendiri.
4.3. Flowchart Pengujian LVQ
Flowchart ini digunakan untuk membuat gambaran bagaimana proses pengujian dalam
Learning Vector Quantization , pada pengujian
ini berguna untuk mendapatkan nilai akurasi dari proses pengujian LVQ, dapat dilihat pada Gambar 5 untuk flowchart darii pengujian LVQ sendiri.
Gambar 4. Proses pelatihan LVQ yang dihasilkan. Inisialisasi awal dilakukan untuk, menentukan nilai awal dari setiap parameter yang dibutuhkan. Nilai dari paramater tersebut adalah:
1. Learning rate = 0,1 2.
Pengali learning rate = 0.1 3. Maksimum epoch = 1000 4. Minimum learning rate = 0,000000001 5. Jumlah data latih sebanyak 30 di lakukan perandoman sebanyak 5 kali diambil dari 60 data yang telah disiapkan sebagai data latih, maka akan terdapat 5 jenis data latih berbeda yang digunakan dalam pengujian.
6. Jumlah data uji sebanyak 30. Selanjutnya akan dilakukan beberapa percobaan dari masing-masing kriteria untuk mempengaruhi perubahan nilai dari masing- masing tersebut terhadap nilai akurasi yang dihasilkan.
5.1. Pengujian Pengaruh nilai Learning rate
Pengujian ini bertujuan untuk mengetahui pengaruh perubahan nilai learning rate terhadap nilai akurasi yang dihasilkan, pengujian menggunakan nilai learning rate dari 0,1, 0,2, 0,3, 0,4, 0,5, 0,6, 0,7, 0,8, 0,9, dan 1. Proses dilakukan sebanyak 5 kali untuk setiap nilai
learning rate dengan menggunakan data latih dan data uji yang disiapkan sebelumnya.
Gambar 6. Grafik hasil pengujian learning rate
Pada Gambar 6 dapat dilihat bahwa nilai
learning rate 0,2 memiliki nilai akurasi terbaik,
maka nilai tersebut akan digunakan untuk proses pengujian selanjutnya. Kemudian dapat disimpulkan bahwa nilai learning rate mempunyai pengaruh terhadap nilai akurasi
Gambar 5. Proses pengujian LVQ karena nilai learning rate berperan dalam proses
update bobot dan bila nilai learning rate terlalu 5.
Pengujian dan Analisis kecil maka nilai bobot akan lebih kecil dari bobot
optimal dan jika terlalu besar maka nilai bobot Pengujian yang akan dilakukan adalah akan menjauhi bobot optimal yang pengujian perubahan nilai beberapa parameter mempengaruhi nilai akurasi. Lalu nilai yang terdapat pada LVQ terhadap nilai akurasi maksimum epoch pada pengujian ini tidak berpengaruh besar karena rata-rata epoch tiap pengujian hanya berkisar 9 epoch maka diputuskan untuk tidak menggunakan epoch untuk pengujian selanjutnya.
5.2 Pengujian Pengaruh nilai pengali
learning rate
Pengujian ini bertujuan untuk mengetahui pengaruh perubahan jumlah data latih terhadap nilai akurasi yang dihasilkan, pengujian menggunakan jumlah data latih 20, 30, 40, 50, dan 60. Proses dilakukan sebanyak 5 kali untuk setiap jumlah data latih dengan menggunakan data latih dan data uji yang disiapkan sebelumnya.
5.4 Pengujian Pengaruh jumlah data latih
menjauhi bobot optimal yang berakibat pada nilai akurasi. jadi dalam pengujian ini 0,001 dipilih sebagai nilai minimum learning rate terbaik dan akan digunakan pada pengujian selanjutnya.
rate yang menyebabkan bobot akhir akan
lebih kecil dari bobot optimal lalu semakin kecil minimum learning rate maka proses akan lebih lama dan mempengaruhi perubahan learning
rate yang menyebabkan bobot akhir menjadi
Pada Gambar 8 dapat dilihat bahwa nilai akurasi tertinggi didapatkan pada 0,001 sampai 0,000000001 sebesar 75,33%. Kemudian disimpulkan bahwa nilai minimum learning rate mempunyai pengaruh terhadap nilai akurasi karena nilai minimum learning rate menjadi batasan proses sistem dimana semakin besar minimum learning rate maka proses akan cepat selesai dan mempengaruhi perubahan learning
Gambar 8. Grafik hasil pengujian minimum learning rate
dengan menggunakan data latih dan data uji yang disiapkan sebelumnya.
Learning rate
Pengujian ini bertujuan untuk mengetahui pengaruh perubahan nilai pengali learning rate terhadap nilai akurasi yang dihasilkan, pengujian menggunakan nilai pengali learning rate dari 0,1, 0,2, 0,3, 0,4, 0,5, 0,6, 0,7, 0,8, 0,9, dan 1. Proses dilakukan sebanyak 5 kali untuk setiap nilai pengali learning rate dengan menggunakan data latih dan data uji yang disiapkan sebelumnya
learning rate dari 0,01, 0,001, 0,0001, 0,00001,
pengujian menggunakan minimum nilai
rate terhadap nilai akurasi yang dihasilkan,
Pengujian ini bertujuan untuk mengetahui pengaruh perubahan nilai minimum learning
5.3 Pengujian Pengaruh nilai minimum Learning rate
tidak kunjung berhenti, diputuskan untuk menggunakan maksimum epoch 1000 dan menghasil nilai akurasi terkecil. Gambar 6 dapat dilihat bahwa nilai pengali learning rate 0,4 dan 0,9 memiliki nilai akurasi terbaik dan 1 memiliki nilai akurasi yang paling rendah. Lalu dapat disimpulkan bahwa nilai pengali learning rate mempunyai pengaruh terhadap nilai akurasi karena nilai pengali learning rate berperan dalam proses perubahan nilai learning rate dan bila nilai pengali learning rate terlalu kecil maka nilai learning rate menjadi kecil dan bobot akan lebih kecil dari bobot optimal dan jika terlalu besar maka nilai learning rate menjadi besar dan bobot akan menjauhi bobot optimal yang mempengaruhi nilai akurasi. Dan didapatkan pengali learning rate 0,4 sebagai nilai terbaik dalam pengujian ini dan nilai tersebut akan digunakan pada pengujian selanjutnya.
learning rate bernilai satu terjadi proses yang
Pada proses pengujian pada saat pengali
Gambar 7. Grafik hasil pengujian pengali learning rate
sampai 0,000000001. Proses dilakukan sebanyak 5 kali untuk setiap nilai minimum Gambar 9. Grafik hasil pengujian jumlah data latih
Pada Gambar 9 dapa dilihat bahwa nilai akurasi teringgi didapatkan pada data latih 60 dengan nilai akurasi 76,67%. Kemudian disimpulkan bahwa jumlah data latih mempengaruhi nilai akurasi dimana semakin sedikit data latih maka bobot akan semakin sedikit mengalami perubahan dimana dapat mengakibatkan nilai bobot akhir lebih kecil dari bobot optimal dan semakin banyak data latih maka bobot akan semakin banyak mengalami perubahan dimana dapat mengakibatkan nilai bobot akhir lebih kecil dari bobot optimal, kualitas data sendiri juga mempengaruhi dan hasil dari proses.
jumlah data latih terhadap nilai akurasi didapatkan hasil nilai learning rate 0,2, nilai pengali learning rate 0,4, minimum learning
APJII (Asosiasi Penyelenggara Jasa Internet Indonesia)., 2016. Data Statistik Pengguna
Diagnostic and Statistical Manual of Mental Disorder, Fourth Edition DSM-IV-TR. Washington, DC: American Psychiatric Publishing.
Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya. American Psychiatric Association, 2000.
Quantization (LVQ). Program Studi Teknik
Klasifikasi Risiko Hipertensi Menggunakan Metode Learning Vector
Agustinus, I., Santoso, E., Rahayudi, B. 2018.
[online] Tersedia di: <http://www.alodokter.com/gangguan- kepribadian > [Diakses 10 September 2017].
DAFTAR PUSTAKA Alodokter. Pengertian Gangguan Kepribadian.
dengan akurasi terbaik sebesar 70%. Semua perubahan nilai setiap kriteria yang diujikan memilki pengaruh terhadap nilai akurasi. Saran untuk pengembangan penelitian ini berikutnya adalah dapat menggunakan metode lain seperti LVQ 2 atau LVQ 3 yang dapat menghasilkan akurasi yang lebih dan melakukan optimasi bobot awal untuk metode LVQ dengan menggunakan metode lain untuk proses optimasi.
rate 0,001, dan jumlah data latih sebanyak 60
learning rate , minimum learning rate dan
Pada pengujian terakhir ini dilakukan untuk mengetahui pengaruh perubahan data latih dan data uji terhadap akurasi. Pengujian dilakukan dengan menggunakan 90 data yang dibagi menjadi 5 bagian, masing-masing memiliki jumlah data sebanyak 18 dan diberi nama masing-masing yaitu K1,K2,K3,K4, dan K5. Kemudian dilakukan pengujian dengan memilih 1 dataset untuk dijadikan sebagai data uji dan sisanya sebagai data latih sebanyak 5 kali pengujian atau fold.
Berdasarkan penelitian yang telah dilakukan terdapat beberapa kesimpulan yang dapat diambil yaitu dari hasil pengujian yang dilakukan dengan 4 skenario yang menguji pengaruh perubahan nilai learning rate, pengali
6. PENUTUP
5.5 Pengujian Cross Validation
dihasilkan setiap fold memiliki akurasi yang berbeda dan akurasi terbaik pada fold ke 5 dimana dataset K5 sebagai data uji dan K1,K2,K3,K4 sebagai data latih. Kemudian dilakukan analisis dan didapatkan bahwa perubahan data latih dan data uji berpengaruh terhadap akurasi karena data yang digunakan sendiri belum cukup seimbang terhadap jumlah data tiap kelas yang dimiliki hal ini dapat mempengaruhi akurasi yang dihasilkan. Dan rata-rata akurasi yang didapatkan dari pengujian ini sebesar 70%.
70 Dari Tabel 1 dapat dilihat bahwa akurasi yang
5 K1,K2,K3,K4 K5 83,34 Rata-rata akurasi
4 K1,K2,K3,K5 K4 55,56
3 K1,K2,K4,K5 K3 66,67
2 K1,K3,K4,K5 K2 66,67
1 K2,K3,K4,K5 K1 77,78
Uji Akurasi
Tabel 1. Hasil pengujian Cross Validation Fold Data Latih Data
Internet Indonesia Tahun 2016. Ilmu Komputer, (Online), Azizi, M. F. Q., 2013. Perbandingan Antara (http://ikc.depsos.go.id/umum/iko- metode Backpropagation Dengan Metode datamining.php, diakses 15 Februari 2011).
Learning Vector Quantization(LVQ) Pada Puspitaningrum, D. (2005). PENGANTAR
Pengenalan Citra Barcode. S1. Universitas JARINGAN SARAF TIRUAN. Jurnal Negeri Semarang.
Transformatika, 1(2), 114-124. Departemen Kesehatan RI, 1998. Pedoman Schaefer, R. T., & Lamm, R. P. 1998. Sociology.
Penggolongan dan Diagnosis Gangguan McGraw-Hill. Jiwa di Indonesia (PPDGJ). Edisi III. Dirjen
Taufik, I. 2014. Aplikasi Diagnosa Gangguan Pelayanan Medis RI. Jakarta.
Kepribadian. Program Studi Teknik Detik Health. 50 Fakta gangguan jiwa, [online]
Informatika, Fakultas Sains dan Teknologi, Tersedia di:
Universitas Islam Negeri Sunan Gunung <https://health.detik.com/healthypedia/50f Djati Bandung. aktagangguanjiwa/8209/depresi-picu-
Tarawneh, B., 2013. Soils and Foundations: Pipe bunuh-diri> [Diakses 9 September 2017]. pile setup: Database prediction model using
Docdoc. Apa itu Gangguan Kepribadian: Gejala, artificial neural network pp 607-615. The Penyebab, Diagnosis, dan Cara
Japanese Geotechnical Society. Tersedia di: Mengobati,[online] Tersedia di:
<http://www.scienedirect.com/science/artic <https://www.docdoc.com/id/info/conditio le/pii/S003908080613000759> [diakses 12 n/gangguan-kepribadian> [Diakses
10 november 2017]. September 2017]. Ganidar, F. R., Dewi, C. & Regasari, R. 2015.
Pengklasifikasian Mutu Susu Sapi Menggunakan Learning Vektor Quantization (LVQ) (Studi Kasus: UPT Laboratorium Kesehatan Hewan Malang), Malang: Universitas Brawijaya.
Hamidi, R., Furqon, M. T. & Rahayudi, B. 2017.
Implementasi Learning Vector Quantization (LVQ) untuk Klasifikasi Kualitas Air Sungai. Universitas Brawijaya.
Hermawan,
A. 2006. Jaringan Syaraf Tiruan.Yogayakarta. Kholis, I. 2015. Analisis Variasi Parameter
Learning Vector Quantization Artificial Neural Network Terhadap Pengenalan Pola Data Odor. Universitas 17 Agustus 1945 Jakarta.
KPAI (Komisi Perlindungan Anak Indonesia)., 2016. Data Kasus Pengaduan Anak Tahun 2011-2016.
Maramis. (1990). Ilmu Kedokteran Jiwa.
Surabaya: UNAIR. Prabahata, S A. 2012. Identifikasi Penyakit Kulit
Berdasarkan Kombinasi Segmentasi Warna Dan Analisis Tekstur Dengan Deteksi Binary Large Object (Blob) Menggunakan Jaringan Syaraf Tiruan-Learning Vector Quantization. Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom.
Pramudiono, I. 2003, Pengantar Data Mining,