2. jurnal andi syaramadani nasution

8/18/2019 2. Jurnal Andi Syaramadani Nasution

http://slidepdf.com/reader/full/2-jurnal-andi-syaramadani-nasution 1/4

Volume : V, Nomor : 2 , Januari 2015 Majalah Ilmiah

Informasi dan Teknologi Ilmiah (INTI)ISSN : 2339-210X

Penerapan Algoritma Modified K-Nearest Neigho!r "M#nn$ %nt!# Peng#lasifi#asian Pen&a#it Attention

'efi(it )ipera(ti*e 'isorder "A')'$ Pada Ana#+ ,leh : Andi S&aramadani Nas!tion

PENERAPAN ALGORITMA MODIFIED K-NEAREST NEIGHBOUR

(MKNN) UNTUK PENGKLASIFIKASIAN PENYAKIT ATTENTION

DEFICIT HIPERACTIVE

DISORDER (ADHD) PADA ANAK

Andi Syaramadani Nasution (1011127)

Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma MedanJln. Sisingamangaraja No. 338 Simpang Limun Medan

www.stmik-budidarma.ac.id // Email : [email protected]

ABSTRAK

Masa anak-anak adalah masa mereka mengamati semua yang ada di sekelilingnya untuk belajar,

mengalami, dan tumbuh. Anak merupakan sumber daya manusia yang harus sejak dini disiapkan untuk dapat

berkembang secara optimal sesuai kemampuan yang dimilikinya, namun tidak setiap anak terlahir dalam

kondisi normal.

Metode MKNN diimplementasikan untuk penentuan potensi ADHD dengan menggunakan 3 parameter

data, yaitu usia, jenis kelamin, dan Score Nilai. Dalam penelitian ini digunakan teknik klasifikasi Modified k –

Nearest Neighbor (MKNN) dengan menggunakan dua kriteria, berpotensi ADHD dan tidak berpotensi ADHD. MKNN merupakan modifikasi dari teknik klasifikasi k – Nearest Neighbor (KNN) yang akan digunakan untuk

mengolah fitur-fitur dari data yang ada menjadi sebuah keputusan.

Kata kunci : ADHD, Score Nilai, klasifikasi, k – Nearest Neighbor (KNN), Modified k – Nearest Neighbor

(MKNN).

1. PENDAHULUAN1.1 Latar Belakang

Masa anak-anak adalah masa mereka

mengamati semua yang ada di sekelilingnya untuk

belajar, mengalami, dan tumbuh. Anak merupakan

sumber daya manusia yang harus sejak dini

disiapkan untuk dapat berkembang secara optimal

sesuai kemampuan yang dimilikinya, namun tidaksetiap anak terlahir dalam kondisi normal. Akan

tetapi yang menjadi permasalahan adalah ketika

anak memiliki karakter atau kepribadian yang

berbeda dari anak-anak pada umumnya, anaktersebut dapat dikatakan telah memiliki gangguan

jika telah memenuhi kriteria dari gangguan itu

sendiri. Gangguan pemusatan perhatian dan

hiperaktif yang sering disebut sebagai Attention

Deficit Hyperactive Disorder (ADHD) yaitu suatu

sindrom neuropsikiatrik yang akhir-akhir ini

banyak ditemukan pada anak-anak, biasanya

disertai dengan gejala hiperaktif dan tingkah laku

yang implusif.

Klasifikasi adalah teknik memetakan(mengklasifikasikan) data ke dalam satu atau

beberapa kelas yang sudah didefinisikansebelumnya. Ada banyak teknik klasifikasi yang

dapat digunakan, diantaranya adalah Naïve Bayes,

k-Nearest Neighbor , dan Artificial Neural Network .

Penggunaan algoritma yang tepat dapat

meningkatkan keakuratan keputusan yang diambil.

Metode klasifikasi yang akan digunakan oleh

penulis adalah Modified k-Nearest Neighbour

(MKNN).

1.1 Perumusan MasalahAdapun rumusan masalah yang disimpulkan

penulis dalam skripsi ini adalah sebagai berikut :

1. Bagaimana penerapan algoritma Modified K-

Nearest Neighbour untuk mengklasifikasikan

penyakit Attention Deficit Hyperactive Disorder (ADHD) pada anak ?

2. Bagaimana tingkat akurasi pengklasifikasian

penyakit Attention Deficit Hyperactive

Disorder (ADHD) dengan menerapkanalgoritma Modified K-Nearest Neighbour ?

3. Bagaimana perancangan aplikasi

pengklasifikasian penyakit Attention Deficit

Hyperactive Disorder (ADHD) pada anak ?

1.2 Batasan MasalahAdapun batasan masalah yang disimpulkan

penulis dalam skripsi ini adalah sebagai berikut :

1. Penyakit yang dibahas pada sripsi ini adalah

jenis hiperactif dan impulsive. 2. algoritma yang diterapkan adalah algoritma

Modified K-Nearest Neighbour. 3. Batas usia anak yang di teliti oleh penulis

adalah usia 5 sampai 14 tahun.

4. Program menggunakan bahasa pemrograman

Visual Studio 2008 dan Database Microsoft

Access 2007.







.

2. LANDASAN TEORI

2.1 Attention Deficit Hyperactive Disorder

(ADHD)ADHD adalah istilah populer, kependekan

dari Attention Deficit Hyperactivity Disorder,

( Attention = perhatian, Deficit = berkurang,

Hiperactivity = hiperaktif, dan Disorder =gangguan). Dalam bahasa Indonesia, ADHD berarti

gangguan pemusatan perhatian disertai hiperaktif

(Baihaqi & Sugiarmin, 2006). ADHD atau

gangguan pemusatan perhatian/hiperaktivitas ialah

suatu sindrom yang timbul pada anak dengan pola

gejala restless atau tidak bisa diam (hyperactivity),

tidak dapat memusatkan perhatian (inattention),

semaunya sendiri (implusive ) dan perilaku

penghambat atau distruktif yang dapat

menyebabkan ketidakseimbangan sebagian besar

aktivitas hidup mereka yang secara umum dapat

mengganggu proses belajar disekolah dan prestasi akademiknya.

2.2 Algoritma K-Nearest Neighbour

Algoritma k-nearest neighbor (KNN)

adalah sebuah metode untuk melakukan klasifikasi

terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut.

Teknik ini sangat sederhana dan mudah

diimplementasikan.

Mirip dengan teknik klastering,

mengelompokkan suatu data baru berdasarkan jarak

data baru itu ke beberapa data/tetangga (neighbor)

terdekat. Untuk mendefinisikan jarak antara dua

titik yaitu titik pada data training (x) dan titik pada

data testing (y) maka digunakan rumus Euclidean,

seperti yang

ditunjukkan pada persamaan 2.2.1.

dimana x1 dan x2 adalah dua data dengan

n atribut. Normalisasi dilakukan untuk mencegah

atribut yang memiliki rentang terlalu besar dengan

atribut yang bernilai kecil. Perhitungan min-max

normalisasi dapat digunakan untuk mengubah

atribut A dengan nilai v menjadi nilai d ’ dalam

range [0,1]. Perhitungan min-max normalisasi

dengan persamaan :

dimana:

d ’ = nilai normalisasid = nilai data yang akan dinormalisasi

= nilai terendah (minimal) data pada

atribut A

= nilai tertinggi (maximal) data

pada atribut A.

2.3 Modified K-Nearest Neighbour

Ide utama dari metode ini adalah

memasukkan label kelas dari data berdasarkan data

poin pada data latih yang sudah divalidasi dengan

nilai k. Dengan kata lain, pertama dilakukan

perhitungan validitas data pada semua data di data

latih. Selanjutnya, dilakukan perhitungan untuk

mencari Weight Voting pada semua data ujimenggunakan validitas data.

Berikut ini adalah algoritma Modified KNN :

Output_label:= MKNN (train_set, test_sample )

Begin

For i := 1 to train_size

Validity(i):= Compute Validity of i-th sample;

End for;

Output_label:=Weighted_KNN(Validity,test_sampl

e);

Return Output_label ;

End.

selanjutnya adalah menjelaskan metode MKNN

secara detail mulai bagaimana menghitung validitas

data sampai menentukan kelas akhir dari datasampel.

2.4 Validitas DataValiditas dari setiap data dihitung

berdasarkan pada tetangganya. Validitas data

dilakukan hanya sekali pada semua data latih.

Setelah dilakukan validasi data selanjutnya data

tersebut digunakan sebagai informasi tambahan.

Rumus yang digunakan untuk menghitung validitas

setiap data latih adalah :

Rumus

…

… (2.4.1.a)

Dimana H adalah nilai dari tetangga yang

dipertimbangkan dan lbl(x) adalah kelas sebenarnya

dari sampel x. Sedangkan Ni(x) adalah kelas

terdekat ke-i dari titik x. Fungsi S sendiri

menyamakan kelas data x dengan kelas data

terdekat ke-i. Fungsi S adalah sebagai berikut :

Rumus …..(2.4.1.b)

2.5 Weight Voting Weight voting KNN adalah salah satu

variasi metode KNN yang menggunakan k tetangga

terdekat, terlepas dari kelas data, akan tetapi

menggunakan weight voting dari masing-masing

data pada data training. Masing-masing datadiberikan weight voting yang biasanya sama dengan

beberapa penurunan fungsi jarak dari data yang

tidak diketahui. Sebagai contoh, voting diatur sama

dengan 1 / (de + 1), dimana de adalah jarak

Euclidian. Weight voting ini kemudian dijumlahkan







10

Pada tab pelatihan terdapat

beberapa menu didalamnya yaitu, usia,

total Nilai, jenis kelamin, proses, hapus,

dan potensi adhd.

Gambar 3 : Tab Pelatihan

c. Menu Utama/ Tab Pengujian

Pada tab pengujian terdapat

beberapa menu yaitu, jumlah dataset,

jumlah data training, nilai k, proses, hapus,

form hasil, dan tingkat akurasi.

Gambar 4 : Tab Pengujian

5. KESIMPULANSetelah melakukan penelitian dan juga

berdasarkan referensi-referensi yang ada, data dan

analisa serta melalui fakta yang telah diuraikanpada bab-bab terdahulu, maka penulis mengangkat

kesimpulan sebagai berikut :

1. Gejala penyakit ADHD yang diperoleh dari

buku kemudian membuat kuisioner dan

ditentukan bobot nilainya untuk menentukan

seorang anak teridentifikasi ADHD dan

menentukan kelasnya dapat menggunakan

algoritma Modified K-Nearest Neighbour.2. Penerapan algoritma Modified K-Nearest

Neighbour adalah pengembangan dari algoritma

KNN yang dimodifikasi dengan menambahkan

perhitungan validasi dan weight voting.

3. Sistem klasifikasi penyakit ADHD dirancang

dengan menggunakan program visual basic.Net

2008 dan database microsoft access 2007.

6. DAFTAR PUSTAKA

[1]. Adi Nugroho. REKAYASA PERANGKAT

LUNAK. Andi. Jogyakarta. 2010.

[2]. Antonius Rachmat C, ALGORITMA

PEMROGRAMAN DENGAN BAHASA C.

Andi Publisher. Jakarta. 2010.

[3]. American Psychiatric Association.

DIAGNOSTIC AND STATISTICAL MANUAL

OF MENTAL DISORDER (4TH ED:

AMERICAN PSYCHIATRIC

ASSOCIATION. ). Washington, DC. 2005.

[4]. Arhami, M. KONSEP DASAR SISTEM

PAKAR. Andi. Bandung. 2005.

[5]. Arhami, M. SISTEM PAKAR ARTIFICIALINTELLIGENCE. Andi. Bandung. 2006.

2. jurnal andi syaramadani nasution

Documents