Klasifikasi Penyimpangan Tumbuh Kembang pada Anak - j

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Vol. 2, No. 7, Juli 2018, hlm. 2843-2850
e-ISSN: 2548-964X
http://j-ptiik.ub.ac.id
Klasifikasi Penyimpangan Tumbuh Kembang pada Anak Menggunakan
Metode Neighbor Weighted K-Nearest Neighbor (NWKNN)
Afrizal Rivaldi1, Putra Pandu Adikara2, Sigit Adinugroho3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: [email protected], [email protected], [email protected]
Abstrak
Manusia selama hidupnya pasti mengalami fase pertumbuhan dan perkembangan. Fase pertumbuhan
dan perkembangan ini sangat berpengaruh terhadap kualitas pertumbuhan anak. Masa kritis dari
pertumbuhan dan perkembangan ini terjadi pada tahun-tahun pertama kehidupan seorang anak. Pada
usia dini, proses tumbuh kembang fisik, mental, dan psikologi berlangsung dengan sangat cepat
sehingga membutuhkan perhatian lebih dari orang tua. Pada fase tumbuh kembang bisa saja terdapat
penyimpangan dimana proses pertumbuhan dan perkembangan anak terhambat atau tidak wajar.
Penyimpangan tumbuh kembang yang sering ditemui adalah autisme, ADHD, dan down syndrome. Pada
penelitian ini akan dilakukan klasifikasi penyimpangan tumbuh kembang berdasarkan gejala yang
muncul menggunakan metode Neighbor Weighted K-nearest Neighbor (NWKNN). Metode NWKNN
merupakan pengembangan dari metode KNN, dimana diberikan pembobotan pada setiap kelas yang
akan diklasifikasikan. Pada penelitian ini akan dilakukan klasifikasi jenis penyimpangan tumbuh
kembang yang meliputi autisme, ADHD, down syndrome dan normal. Hasil penelitian ini menunjukkan
bahwa metode NWKNN dapat melakukan klasifikasi penyimpangan tumbuh kembang dengan baik
ketika menggunakan data latih sebanyak 80 data dan data uji sebanyak 20 data, nilai K=10, dan nilai
E=4 dengan akurasi mencapai 95%. Penelitian ini juga membuktikan bahwa metode NWKNN memiliki
rata-rata akurasi 3% lebih baik dari metode KNN dalam melakukan klasifikasi penyimpangan tumbuh
kembang pada anak.
Kata kunci: tumbuh kembang, anak usia dini, klasifikasi, NWKNN
Abstract
Humans during life must experienced a phase of growth and development. This growth and development
phase is very influential on the quality of child growth. The critical period of growth and development
occurs in the first years of a child's life. At an early age, the process of growing physical, mental, and
psychological development is very fast so that requires more attention from parents. In the development
phase may occur disorders where the process of growth and development of children obstructed or
unnatural. Development disorders are often encountered autism, ADHD, and Down syndrome. This
study will classify development disorders based on symptoms that appear using Neighbor's Nearest KNeighbor (NWKNN). The NWKNN method is the development of the KNN method, which is weighted
on each class to be classified. In this research will be classify various types of development disorderds
that include autism, ADHD, Down syndrome and normal. The results of this study indicate that the
NWKNN method can classify well by using 80 training data and 20 test data, K = 10, and E = 4 with
95% up to accuracy. This study also proved NWKNN method which has 3% average of accuracy better
than KNN method in doing classification of growth and development of child.
Keywords: growth, early childhood, classification, NWKNN
1.
perubahan ini dikenal dua macam perubahan
yaitu pertumbuhan dan perkembangan. Proses
pertumbuhan dan perkembangan ini bersifat
interdependen, saling bergantung antara satu dan
lainnya (Kartono, 2007). Perubahan bersifat
kuantitatif yang ditandai dengan bertambahnya
PENDAHULUAN
Selama hidupnya, manusia pasti selalu
mengalami perubahan, sejak lahir hingga
akhirnya meninggal nanti. Dalam fase
Fakultas Ilmu Komputer
Universitas Brawijaya
2843
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
ukuran dan struktur tubuh disebut dengan
pertumbuhan,
sedangkan
perkembangan
diartikan sebagai perubahan yang bersifat
kualitatif, ditandai dengan perubahan pada
manusia secara progresif, koheren, dan teratur
(Somantri, 2007). Fase yang sangat kritis dan
penting bagi orang tua adalah pada tahun-tahun
pertama kehidupan seorang anak di mana pada
usia dini seperti ini tumbuh kembangnya mental,
fisik, dan psikologi berlangsung dengan sangat
cepat sehingga perlu mendapat perhatian lebih
(Putri & Maharani, 2013)
Faktor resiko kelainan pada pertumbuhan
dan perkembangan anak sering terabaikan
karena kurangnya pengetahuan orang tua, baik
permasalahan fisik maupun psikis. Semua
fenomena
ini
menunjukkan
perlunya
pemahaman yang komprehensif terhadap
perkembangan seorang anak. Salah satu cara
yang dapat dilakukan oleh orang tua adalah
dengan melakukan deteksi dini tumbuh kembang
anak. Selama ini deteksi dini tumbuh kembang
anak masih menitikberatkan pada perkembangan
fisik semata dan cenderung mengabaikan aspek
perkembangan lainnya. Kebiasaan yang
berlangsung di posyandu menunjukkan dengan
jelas bagaimana masih rendahnya kesadaran
masyarakat terhadap aspek perkembangan yang
menyeluruh tentang seorang anak (Hidayat,
2008)
Seperti yang disampaikan sebelumnya,
karena kurangnya pemahaman orang tua bisa
jadi seorang anak mengalami perilaku yang
abnormal, yang mungkin saja termasuk ke dalam
salah satu jenis penyimpangan tumbuh kembang
anak. Atau orang tua telah menyadari bahwa
anaknya mengalami penyimpangan tumbuh
kembang namun tidak mengetahui secara pasti
jenis penyimpangan tumbuh kembang yang
diderita sang anak. Telah banyak penelitian yang
dilakukan untuk menyelesaikan permasalahan
tersebut. Pertama penelitian yang dilakukan oleh
Edi Faizal, 2015 dengan judul “Integrasi Case
Based Reasoning dan Rule Based Reasoning
untuk Pengembangan Sistem Pendeteksi Dini
Gangguan Tumbuh Kembang Anak”. Teknik
Case Based Reasoning (CBR) dan Rule Based
Reasoning (RBR) diterapkan pada penelitian ini
dimana untuk pencocokan antara kasus lama dan
kasus baru menggunakan weighted minkowski,
referensi pengetahuannya berasal dari pakar
berdasarkan data gejala yang ada. Dengan
penerapan metode ini pada sistem yang
dibangun memberikan hasil akurasi keluaran
sistem sebesar 78,33% (Faizal, 2015).
Fakultas Ilmu Komputer, Universitas Brawijaya
2844
Untuk melakukan identifikasi ataupun
klasifikasi, bisa memanfaatkan salah satu
metode yang ada di Data Mining. Dalam
mengklasifikasikan suatu data, ada yang
namanya data tidak seimbang (data yang
pendistribusiannya tidak merata). Sama halnya
untuk mengidentifikasi jenis penyimpangan
tumbuh kembang anak data yang ada mungkin
saja tidak seimbang. Pemecahan masalah untuk
data yang tidak seimbang bisa menggunakan
metode Neighbor Weighted K-Nearest Neighbor
(NWKNN) yang dikenalkan oleh Songbo Tan
pada tahun 2005 melalui penelitiannya terkait
corpus berbahasa Inggris dan berbasa Mandarin
(Arissaputra, 2015).
Metode NWKNN juga telah diterapkan
pada penelitian yang dilakukan oleh Ridok dan
Latifah (2015) dengan judul “Klasifikasi Teks
Bahasa Indonesia Pada Corpus Tak Seimbang
Menggunakan NWKNN”. Penelitian ini
mengklasifikasikan dokumen teks berbahasa
Indonesia dengan corpus yang tidak seimbang.
Data yang digunakan terdiri atas 14
kategori/famili dengan jumlah data dari tiap
kategorinya
berbeda-beda.
Dengan
menggunakan
Metode
NWKNN
untuk
klasifikasi dokumen ini menunjukkan nilai rata rata precision, recall dan F1 measure masingmasing sebesar 84.2%, 86.7% dan 84.3% (Ridok
& Latifah, 2015).
Pada penelitian ini penulis menggunakan
data terkait penyimpangan tumbuh kembang
anak yang pembagian datanya tidak seimbang
disetiap kelas/jenis penyimpangan pada data
yang ada. Terlihat perbedaan jumlah data antara
kelas Autisme, ADHD, Down Syndrome dan
normal sehingga terlihat adanya kelas mayoritas
dan kelas minoritas. Berdasarkan paparan
sebelumnya bahwasanya masalah data tidak
seimbang
dapat
diselesaikan
dengan
menerapkan metode NWKNN, maka penulis
mengusulkan
penelitian
dengan
judul
“Klasifikasi Penyimpangan Tumbuh Kembang
pada Anak menggunakan Metode Neighbor
Weighted K-Nearest Neighbor (NWKNN)”.
2.
DASAR TEORI
2.1 Penyimpangan Tumbuh Kembang Anak
Penyimpangan tumbuh kembang anak
adalah keadaan dimana proses pertumbuhan dan
perkembangan yang tidak wajar atau terganggu.
Beberapa jenis penyimpangan yang sering
ditemui pada anak adalah sebagai berikut:
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
2.1.1
Autisme
2.2 K-Nearest Neighbor (KNN)
Autisme adalah gangguan perkembangan
pada anak yang gejalanya sudah timbul sebelum
anak itu mencapai usia tiga tahun. Penyebab
autisme adalah gangguan neurobiologis berat
yang mempengaruhi fungsi otak sedemikian
rupa sehingga anak tidak mampu berinteraksi
dan berkomunikasi dengan dunia luar secara
efektif
2.1.2
Attention
Deficit
Disorder (ADHD)
Hyperactive
Attention Deficit Hyperactivity Disorder
(ADHD)
merupakan
gangguan
yang
menghambat proses perkembangan seorang
anak, dimana anak tersebut mengalami kesulitan
dalam berkonsentrasi atau memperhatikan
sesuatu secara konsisten. Selain mengganggu
tingkat konsentrasi, ADHD juga ditandai dengan
adanya perilaku yang berlebihan. ADHD atau
bisa disebut dengan gangguan pemusatan
perhatian/hiperaktivitas
merupakan
suatu
sindrom yang terjadi pada seorang anak dengan
gejala sang anak tersebut tidak bisa diam
(hyperactivity), tidak bisa memusatkan perhatian
(inattention), dan melakukan segala sesuatu atas
kehendak sendiri dan tidak terkontrol dengan
baik (impulsif) sehingga perilaku tersebut bisa
menghambat
perkembangan
yang
bisa
menyebabkan
ketidakseimbangan
dalam
aktivitas mereka, yang pada umumnya seorang
anak yang mengalami ADHD dalam proses
belajarnya disekolah dan prestasi akademiknya
akan terganggu.
2.1.3
2845
Down Syndrome
Down Syndrome (mongoloid) adalah suatu
kondisi di mana materi genetik tambahan
menyebabkan keterlambatan perkembangan
anak, dan kadang mengacu pada retardasi
mental. Anak dengan down syndrome memiliki
kelainan pada kromosom nomor 21 yang tidak
terdiri dari 2 kromosom sebagaimana mestinya,
melainkan tiga kromosom (trisomi 21) sehingga
informasi genetika menjadi terganggu dan anak
juga mengalami penyimpangan fisik. Dahulu
orang-orang dengan down syndrome ini disebut
sebagai penderita mongolisme atau mongol.
Istilah ini muncul karena penderita ini mirip
dengan orang-orang Asia (oriental). Istilah
syndrome ini seperti sudah usang, sehingga saat
ini kita menggunakan istilah down syndrome.
Fakultas Ilmu Komputer, Universitas Brawijaya
K-Nearest Neighbor (KNN) adalah metode
yang menggunakan kedekatan nilai kelas/jenis
dalam
melakukan
klasifikasi.
Dalam
perhitungan kedekatan ketetanggan metode
KNN bisa menggunakan Persamaan Cosine
Similarity atau Eucledian Distance antara data
latih dan data ujinya. Menurut D.A Adeniyi et al
(2016) dan Arissaputra (2015) langkah yang
terdapat pada Algoritme KNN diawali dengan
menetapkan nilai parameter ketetanggaan yang
akan digunakan (K) kemudian menghitung nilai
kedekatan ketetanggan data uji terhadap data
latih.
Perhitungan Euclidean Distance dapat
diformulasikan pada Persamaan (1).
d ( x1 , x2 ) 
n
 (x
i 1
2i
 x1i ) 2 (1)
Keterangan:
X1 = nilai data latih
X2 = nilai data uji
n = jumlah atribut pada data
Sedangkan untuk perhitungan CosSim
diformulasikan dengan Persamaan (2).
 
dj •q
CosSim(q, d j )  
 
dj • q
 (w • w )
 w • w
m
i 1
i 1
ij
2
m
ij
(2)
iq
m
i 1
2
iq
q = nilai data uji
d j = nilai data latih
 
dj •q
= hasil perkalian vektor data
latih dan data uji
 
dj • q
= hasil perkalian vektor antara
data latih dan data uji
wij
= nilai i pda data latih ke-j
wiq
= nilai i pada data uji ke-q
Setelah didapatkan hasil kedekatan
ketetanggan, kemudian dilakukan pengurutan
hasil Euclidean Distance dari hasil terkecil ke
terbesar atau mengurutkan hasil CosSim dari
terbesar ke terkecil. Ketika telah didapatkan
hasil K tetangga terdekat dari hasil penurutan
tersebut maka dihitung nilai skornya
berdasarkan nilai yang ada, perhitungan skor
tersebut dapat dilihat ke dalam Persamaan (3)
dan (4).
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

Skor( X , Ci )    

djKNN ( X ) 

Keterangan:
djKNN(x)
n
 (x
i 1
2i


i 1 ( x2i  x1i )    (d j , Ci )  (3)


2846
atau
n
2


Skor( X , C i )  Weight i    ( Sim(q, d j )   (d j , C i )  (7)
djNW
KNN
(
X
)


= data latih ke-j pada kumpulan
ketetanggaan terdekat dari
data uji X
 x1i ) 2 = jarak data uji dengan data latih
Keterangan:
WeightI
= bobot pada kelas i
djNWKNN(x) = data latih dj pada kumpulan
tetangga terdekat dari data uji
X
n
 ( d j , Ci )
= bernilai 1 apabila nilai jarak 
 (x
Ci
Ci dan akan bernilai 0 apabila
nilai jarak  Ci
= kelas ke-i
 ( d j , Ci )
i 1
2i
atau
 (Sim(q, d
Skor( X , Ci ) 
j
)   (d j , Ci ) (4)
Sim(q,dj)
djKNN( X )
Sim(q,dj)
= nilai CosSim antara data uji
dengan data latih.
2.3 Neighbor Weighted K-Nearest Neighbor
(NWKNN)
Metode NWKNN adalah metode yang
dikembangkan dari metode KNN. Metode
NWKNN didasari oleh adanya distribusi data
secara tidak merata pada data latih. Perbedaan
metode NWKNN dan metode KNN adalah
adanya pembobotan pada kelas data. Kelas yang
paling sedikit (minoritas) akan diberi bobot
besar, sedangkan pada kelas yang paling banyak
(mayoritas) akan diberi bobot kecil. Perhitungan
bobot dapat dilakukan dengan Persamaan (5).
𝟏
𝑊𝑒𝑖𝑔ℎ𝑡𝒊 =
(
𝟏/𝒆𝒙𝒑
𝑵𝒖𝒎(𝑪𝒅
𝒊)
)
∗
𝑴𝒊𝒏{𝑵𝒖𝒎(𝑪𝒅
𝒏 )| 𝒏=𝟏,…,𝑲 }
=
𝑁𝑢𝑚(𝐶𝑗𝑑 )
=
Exp
=
Setiap nilai bobot yang didapatkan akan
digunakan untuk menghitung nilai skor data uji
terhadap setiap kelas/jenis. Perhitungan score
pada metode NWKNN dapat dilakukan dengan
Persamaan (6) dan (7).
n
 (x
i 1
2i


 x1i ) 2    (d j , Ci )  




Fakultas Ilmu Komputer, Universitas Brawijaya
 Ci dan bernilai 0 jika nilai
jarak  Ci
= nilai CosSim antara data uji dan
data latih.
= kelas i
METODOLOGI
3.1 Diagram Blok Sistem
Diagram blok sistem merupakan diagram
yang
berbentuk
blok-blok
yang
menggambarkanaliran proses yang menjelaskan
cara kerja sistem secara terstruktur. Diagram
blok sistem akan disajikan pada gambar 1.
Gambar 1. Diagram blok proses klasifikasi jenis
penyimpangan tumbuh kembang pada anak
menggunakan metode NWKNN
jumlah data latih d pada
kelas i
jumlah data latih d pada
kelas j, dimana j terdapat
dalam himpunan k
Eksponen (exp bernilai
lebih dari 1)


Skor( X , Ci )  Weight i     
 djNW KNN( X )  


3.
data uji
= akan bernilai 1 jika nilai jarak
(5)
Keterangan:
𝑁𝑢𝑚(𝐶𝑖𝑑 )
Ci
 x1i ) 2 = jarak antara data latih dan
(6)
Pada gambar 1 menjelaskan diagram blok
yang mewakili beberapa komponen sistem
klasifikasi penyimpangan tumbu kembang anak
dengan menggunakan metode NWKNN yang
akan dibangun mulai dari proses input hingga
output yang dihasilkan.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
HASIL DAN PEMBAHASAN
Pengaruh Nilai K
4.1 Pengujian dan Analisis Pengaruh
Perubahan Jumlah Data Uji dan Data
Latih
Pengujian ini dilakukan dengan mengubah
rasio data dengan nilai 90:10, 80:20, 70:30,
60:40, 50:50, 40:60, 30:70, 20:80, 10:90. Hasil
pengujian pengaruh perubahan jumlah data uji
dan data latih dapat dilihat pada Gambar 2.
Pengaruh Perubahan Jumlah Data Uji
dan Data Latih
Akurasi
100%
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
Akurasi
4.
2847
0
20
Nilai K
40
60
80%
Gambar 3. Grafik hasil pengujian pengaruh nilai K
60%
Dapat dilihat bahwa perubahan pada nilai K
cenderung mempengaruhi hasil akurasi yang
didapatkan. Hasil akurasi dari pengujian
cenderung tidak stabil. Dari nilai K= 2 akurasi
dari sistem cenderung naik hingga mendapatkan
nilai akurasi terbaik saat K= 10, setelahnya saat
nilai K semakin besar akurasi yang dihasilkan
menjadi menurun. Hal Ini disebabkan semakin
besar nilai dari K yang ditentukan, semakin
banyak pula data yang masuk ke dalam
ketetanggaan. Terlebih dengan data yang tidak
merata, kelas yang masuk dalam ketetetanggan
akan cenderung didominasi oleh kelas mayoritas
sehingga saat dilakukan klasifikasi, data uji
menjadi sering masuk kedalam kelas yang salah.
Pada klasifikasi penyimpangan tumbuh
kembang pada anak menggunakan metode
NWKNN ini, data yang ada lebih didominasi
dengan ADHD, sehingga saat dilakukan proses
klasifikasi dengan metode NWKNN, ADHD
yang paling sering muncul dan dituju bila terjadi
kesalahan klasifikasi.
40%
20%
0%
0
50
100
Jumlah Data Latih
5
10
15
Gambar 2. Grafik pengaruh perubahan jumlah data
uji dan data latih
Grafik menunjukkan bahwa semakin
banyak jumlah data latih yang digunakan, maka
akurasi yang didapatkan pun menjadi semakin
baik. Akurasi tertinggi didapatkan pada saat
menggunakan 80 data latih dan akurasi yang
paling rendah didapatkan saat menggunakan 10
data latih. Hal ini menuunjukkan semakin
banyak data latih yang digunakan semakin
banyak, maka perbandingan dengan data uji juga
semakin banyak. Sehingga pada saat nilai
CosSim sudah didapatkan, data yang
mempunyai similarity dengan data uji yang akan
dilakukan klasifikasi lebih banyak masuk ke
dalam ketetanggaannya. Dan sebaliknya jika
data latih sedikit maka data yang dibandingkan
dengan data uji lebih sedikit, terlebih lagi dataset
pada penelitian ini memiliki kelas yang ridak
seimbang sehingga memungkinkan terjadinya
underfitting.
4.2 Pengujian dan Analisis Pengaruh nilai K
Pengujian ini dilakukan dengan mengubah
nilai K secara acak dengan nilai 2, 4, 8, 10, 15,
20, 25, 30, 35, dan 40. Hasil pengujian pengaruh
nilai K dapat dilihat pada grafik pada gambar 3.
Fakultas Ilmu Komputer, Universitas Brawijaya
4.3 Pengujian dan Analisis Pengaruh Nilai E
Pengujian ini dilakukan dengan mengubah
nilai E secara acak dimulai E=1, E=1.5, E=2,
E=2.5, E=3, E=3.5, E=4, E=4.5, E=5, E=5.5 dan
E=6. Hasil pengujian pengaruh nilai E dapat
dilihat pada grafik pada gambar 4.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Pengaruh Nilai E
Akurasi
100%
95%
90%
85%
0
2
4
6
8
Nilai E
Gambar 4. Grafik hasil pengujian pengaruh nilai E
Terlihat
bahwa
pengujian
dengan
mengubah nilai E cenderung memberikan hasil
yang stabil terhadap hasil akurasi pada beberapa
nilai E. Hal ini menunjukkan bahwa perubahan
nilai E tidak begitu memberikan pengaruh yang
besar terhadap lebih baik atau buruknya hasil
akurasi pada klasifikasi jenis penyimpangan
tumbuh kembang anak pada sistem.
4.4 Pengujian dan Analisis Perbandingan
Akurasi Metode KNN dan NWKNN
Pengujian
dilakukan
dengan
membandingan hasil akurasi antara metode
KNN dengan metode NWKNN. Perbandingan
hasil akurasi tersebut dilakukan dengan melihat
selisih hasil akurasi yang diperoleh antara
metode KNN dengan metode NWKNN.
Pengujian dilakukan dengan menggunakan data
latih sejumlah 80 data dan data uji sebanyak 20
data. Hasil pengujian perbandingan akurasi
metode NWKNN dan KNN dapat dilihat pada
grafik pada gambar 5.
Perbandingan akurasi KNN dan
NWKNN
Akurasi
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
0
20
NWKNN
Nilai K
40
60
KNN
Gambar 5. Grafik perbandingan KNN dan
NWKNN
Terlihat pada pada percobaan awal saat
nilai K=2 hasil akurasi yang dihasilkan lebih
Fakultas Ilmu Komputer, Universitas Brawijaya
2848
baik menggunakan metode KNN. Tetapi pada
saat nilai K nya semakin besar akurasi metode
NWKNN lebih baik 5% - 15% dibandingkan
metode KNN. Pada kasus klasifikasi
penyimpangan tumbuh kembang pada anak,
dengan data latih yang digunakan tidak
seimbang metode NWKNN memiliki akurasi
lebih baik jika dibandingkan dengan metode
KNN.
Pada saat pengujian dengan menggunakan
metode NWKNN dan metode KNN data yang
digunakan tidak merata pada setiap kelasnya.
Hal ini mengakibatkan ada data yang masuk
kelas minoritas dan kelas mayoritas. Saat
menghitung nilai ketetanggaan dengan nilai K
yang besar, hasil klasifikasi lebih banyak
menampilkan kelas mayoritas. Hal ini terjadi
karena pada saat mengurutkan nilai CosSim baik
pada metode NWKNN maupun KNN kelas
mayoritas cenderung berada pada urutan teratas
dan kelas minoritas di urutan bawah.
Keunggulan
dari
metode
NWKNN
dibandingkan dengan KNNN adalah adanya
pemberian bobot pada tiap kelas yang ada. Jika
pada KNN hanya menghitung nilai kedekatan
ketetanggan pada saat melakukan perhitungan
skor, pada NWKNN diberikan pembobotan pada
tiap kelas yang ada sehingga dengan pemberian
bobot ini dapat meningkatkan skor kelas
minoritas. Adanya pembobotan ini dapat
membantu kelas minoritas untuk dapat
diklasifikasikan ke dalam kelas yang tepat.
4.5 Pengujian hasil dengan Confusion
Matrix
Pengujian hasil dengan menggunakan
confusion matrix dilakukan untuk mengetahui
nilai recall, precision dan f-measure pada sistem
klasifikasi penyimpangan tumbuh kembang
pada anak dengan menerapkan metode Neighbor
Weighted K-Nearest Neighbor (NWKNN).
Pengujian ini dilakukan dengan mengambil data
yang memiliki tingkat akurasi tertinggi yaitu
pada rasio data latih dan data uji 80:20.
Pengujian ini dilakukan untuk mengetahui nilai
recall, precision, dan f-measure pada tiap
jenis/kelasnya. Pengujian ini menggunakan hasil
akurasi terbaik yaitu pada nilai 95%. Hasil
pengujian dapat dilihat pada Tabel 1.
Tabel 1. Hasil pengujian dengan confusion matrix
Kelas
Precision
Recall
F-Measure
Down Syndrome
100%
100%
100%
Autisme
75%
100%
85,7%
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
ADHD
100%
86%
92,4%
Normal
100%
100%
100%
2849
mengklasifikasi kelas yang berasal dari
kelas minoritas pada data.
Berdasarkan hasil pengujian confusion
matrix pada data yang memiliki akurasi paling
tinggi, yaitu data dengan rasio data latih dan data
uji 80:20 dan nilai K=10 dapat dilihat bahwa
pada kelas down syndrome memiliki nilai
precision 100%, nilai recall 100% dan nilai fmeasure 100%, kelas kelas autisme memiliki
nilai precision 75%, nilai recall 100% dan nilai
f-measure 85,7%, kelas ADHD memiliki nilai
precision 100%, nilai recall 86% dan nilai fmeasure 92,4%, dan kelas normal memiliki nilai
precision 100%, nilai recall 100% dan nilai fmeasure 100%.
DAFTAR PUSTAKA
5.
Chamidah, Atien N., 2009. Deteksi Dini
Gangguan
Pertumbuhan
dan
Perkembangan Anak. Jurnal Pendidikan
Khusus Vol. 5, No. 2
KESIMPULAN
Kesimpulan yang didapatkan setelah
melakukan pengujian dan analiss pada sistem
klasifikasi penyimpangan tumbuh kembang
anak dengan menggunakan metode Neighbor
Weighted K-Nearest Neighbor (NWKNN)
sebagai berikut:
1. Klasifikasi
penyimpangan
tumbuh
kembang pada anak dengan menggunakan
metode NWKNN dilakukan dengan cara
mengubah jawaban dari setiap pernyataan
gejala tumbuh kembang kedalam angka 1
(untuk jawaban iya), dan 0 (untuk jawaban
tidak). Dari tiap gejala yang sudah
dimasukkan
tadi
ditentukan
nilai
similaritynya
terhadap
data
latih,
selanjutnya
data
diproses
hingga
mendapatkan nilai skor, kelas yang
mempunyai nilai skor paling tinggi akan
menjadi hasil klasifikasi.
2. Pengujian yang dilakukan pada klasifikasi
penyimpangan tumbuh kembang anak pada
anak dengan menggunakan metode
NWKNN menunjukkan bahwa hasil
akurasi
terbaik
didapatkan
saat
menggunakan rasio data 80:20, nilai K=10,
nilai E=4 dimana hasil akurasi mencapai
95%
3. Berdasarkan hasil pengujian menunjukkan
bahwa metode NWKNN memberikan hasil
akurasi 5%-15% lebih baik dari pada
metode
KNN.
Metode
NWKNN
memberikan hasil lebih baik daripada
metode KNN ketika nilai K semakin
meningkat (setelah K= 2), hal ini terjadi
karena pada metode NWKNN terdapat
proses pemberian bobot pada setiap kelas
yang dapat membantu mengenali dan
Fakultas Ilmu Komputer, Universitas Brawijaya
Adeniyi, D.A., Wei, Z., & Yongquan, Y.,2016.
Automated web usage data mining and
recommendation system using K-Nearest
Neighbor (KNN) classification method.
Applied Computing and Informatics, [ejournal] 12, 90-108.
Arissaputra, Valerian, 2015. Klasifikasi
Dokumen Tanaman Obat Menggunakan
Metode Neighbor Weighted K-Nearest
Neighbor (NWKNN). S1. Universitas
Brawijaya.
Faizal, Edi., 2015. Integrasi Case-Based
Reasoning dan Rule-Based Reasoning
untuk Pengembangan Sistem Pendeteksi
Dini Gangguan Tumbuh Kembang Anak.
Jurnal Teknologi Informasi dan Ilmu
Komputer Vol. 13, No. 3.
Feizar, Faldy H., 2014. Analisis Sentimen Opini
Film Berbahasa Indonesia Berbasis Kamus
Menggunakan Metode Neighbor-Weighted
K-Nearest Neighbor. S1. Universitas
Brawijaya.
Han, Jiawei, et al, 2012. Data Mining : Concepts
and Techniques third edition. [e-book]
United State of America : Elsavier Inc.
Hidayat, A.A, 2008. Pengantar Ilmu Kesehatan
Anak untuk Pendidikan Kebidanan,
Salemba Medika, Jakarta.
Ikalor, Allvanialista. 2013. Pertumbuhan dan
Perkembangan. Jurnal Pertumbuhan dan
Perkembangan, No. 7.
Irwanto, et al, 2006. Penyimpangan Tumbuh
Kembang Anak. Surabaya: OCMP
Kartono, Kartini. 2007. Perkembangan
Psikologi Anak. Jakarta: Erlangga.
Nasution, Andi S. 2015. Penerapan Algoritme
Modified K-Nearest Neighbor (MKNN)
untuk Pengklasifikasian Penyakit Attention
Deficit Hiperactive Disorder (ADHD) pada
Anak. Informasi dan Teknologi Ilmiah
(INTI), V.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Putri, Hervira A. & Maharani Y., 2013. Pusat
Tumbuh Kembang Anak.
Ridok, Achmad dan Latifah, Retnani. 2015.
Klasifikasi Teks Bahasa Indonesia Pada
Corpus Tak Seimbang Menggunakan
NWKN. Dalam : STMIK STIKOM Bali,
2015.
Konferensi
Nasional
Sistem&Informatika 2015. Bali, 09-10
Oktober 2015.
Somantri, Sutjihati. 2007. Psikologi Anak Luar
Biasa, Bandung: PT. Refika Aditama
Soetjiningsih. 2003. Perkembangan Anak dan
Permasalahannya. Jakarta: EGC.
Tan, Songbo. 2005. Neighbor-weighted Knearest neighbor for unbalanced text
corpus. Elsavier Inc.
Fakultas Ilmu Komputer, Universitas Brawijaya
2850