2. jurnal andi syaramadani nasution
TRANSCRIPT
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.
8/18/2019 2. Jurnal Andi Syaramadani Nasution
http://slidepdf.com/reader/full/2-jurnal-andi-syaramadani-nasution 2/4
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
.
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
8/18/2019 2. Jurnal Andi Syaramadani Nasution
http://slidepdf.com/reader/full/2-jurnal-andi-syaramadani-nasution 3/4
8/18/2019 2. Jurnal Andi Syaramadani Nasution
http://slidepdf.com/reader/full/2-jurnal-andi-syaramadani-nasution 4/4
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
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.