Metode Ensemble Classifier untuk Mendeteksi Jenis Attention Deficit Hyperactivity Disorder (SDHD) pada Anak Usia Dini

Penulis

indri - ati, ari kusyanti

Abstrak

Pada awal masa perkembangan, beberapa anak mengalami hambatan diantaranya sulit untuk diam, sulit untuk berkonsentrasi dan mengontrol perilakunya, apabila anak mengalami gangguan pemusatan perhatian dan sulit mengontrol perilaku yang sesuai, dapat disebut dengan ADHD (Attention Deficit Hyperactive Disorder). Ini merupakan masalah yang serius dikarenakan anak penyandang ADHD mengalami masalah perilaku sosial, emosional dan mengalami kesulitan belajar sekolah sehingga akan mempengaruhi perkembangan pada masa dewasa anak penyandang ADHD. Oleh karena itu perlu diketahui gejala ADHD sejak dini, agar dapat dilakukan suatu penanganan dengan cepat dan tepat. Penelitian ini menghasilkan aplikasi yang digunakan untuk mendeteksi jenis ADHD berdasarkan gejala-gejala yang di masukkan oleh pengguna sehingga akan tampil hasil klasifikasi jenis ADHD nya secara otomatis. Aplikasi ini menggunakan metode Ensemble Classifier yaitu metode yang menggabungkan beberapa classifier agar dapat meningkatkan  akurasi yang dihasilkan. Pada tahap klasifikasi setiap data akan dihitung menggunakan  K-Nearest Neighbour (KNN), Fuzzy K-Nearest Neighbour (FKNN) dan Neighbour Weighted K-Nearest Neighbour (NWKNN).  Hasil perhitungan ketiga classifier  tersebut akan diproses kembali dengan metode  Ensemble Classifier dengan menggunakan majority voting untuk penentuan klasnya. Hasil akurasi tertinggi dari metode ensemble classifier yaitu 95% dengan nilai k optimal yaitu k=10. Akan tetapi semakin besar nilai k yaitu diatas k=20 maka nilai akurasi untuk masing-masing algoritme akan semakin turun. Hal ini dikarenakan semua algoritme penentuan klasifikasinya berdasarkan jumlah ketetanggaannya. Maka semakin banyak jumlah tetangga yang diperhitungkan maka kemungkinan salah klasifikasinya semakin besar.

 

Abstract

At the beginning of the development stage, some children experience difficulty to calm, to concentrate and to control their behavior. These symptoms are known as ADHD (Attention Deficit Hyperactive Disorder). This research develops an application that is used to defineADHD based on symptoms that that is entered by the user so that it will show its ADHD type automatically. This application uses the Ensemble Classifier method, in which a method that allows some classifier in order to increase the resulting value. At the classification stage each data will be calculated using K-Nearest Neighbor (KNN), Fuzzy K-Nearest Neighbor (FKNN) and Neighbor Weighted K-Nearest Neighbor (NWKNN). The results of the three classifier calculations will return using the Ensemble Classifier method using the majority voting for class determination. Acceptance results from the ensemble classifier method is 95% with the optimal k value k = 10. However, when the k value, i.e k >=20 then the value for each algorithm will decrease. This is due to the calculation of all the classification algorithm based on the number of its neighbors. Therefore,  the more neighbours that are calculated then the possibility of misclassification is greater.


Teks Lengkap:

PDF

Referensi


ADENIYI, D.A., WEI, Z., & YONGQUAN, Y.,2016. Automated web usage data mining and recommendationsystem using K-Nearest Neighbor (KNN)classification method. Applied Computing and Informatic

GANG, WANG., dkk. 2013. Sentiment Classification: The Contribution of Ensemble.School of Management Hefel University of Technology. China.

HURLOCK,E. 1980. Psikologi Perkembangan Suatu pendekatan Sepanjang Rentang Kehidupan,di Terjemahkan dari bahasa inggris oleh Penerbit Erlangga. Indonesia-Erlangga.

JOWIK, A. 2013. A Learning Scheme for A Fuzzy K-NN Rule. Pattern Recognition Letters. Vol. 1, hal. 287-289.

KUSNAWI. 2007. Pengantar Solusi Data Mining. Seminar Nasional Teknologi 2007 (SNT 2007), Issue ISSN : 1978 – 9777

NADIA FF DA SILVA, EDUARDO, R HRUSCHKA, ESTEVAM R HRUSCHKA.Tweet Sentiment analysis with classifier Ensemble. University of Sao Paulo, Sao Carlos Brazil.

NASUTION, A.S. 2015. Informasi dan Teknologi Ilmiah (INTI): Penerapan Algoritma Modified K-Nearest Neighbour(MKNN) Untuk Pengklasifikasian Penyakit Attentiondeficit Hiperactive Disorder (ADHD) PADA ANAK. 2(5). 7-10.

NEALE, J.M., KRING, A.M. 2004. Psikologi Abnormal.di Terjemahkan dari bahasa inggris oleh Fajar, Jakarta-Indonesia.

PARVIN, H., ALIZADEH, H. & MINATI, B., 2010. A Modification on K-Nearest Neighbor Classifier. Global Journal of Computer Science and Technology, Vol.10(Issue 14).

PUTRI, Y.C., ATASTINA, I., YULITA, I.N. 2012. Analisis Dan Implementasi Teknik Fuzzy K-Nearest Neighbor Pada Kasus Imbalance Class. Universitas Telkom.

PRAMUDIONO, I., 2003. Pengantar Data mining: Menambang Permata Pengetahuan di Gunung Data. IlmuKomputer.com.

TAN, SONGBO. 2005, “Neighbor-weighted K-nearest neighbor for unbalanced text corpus”, Expert Systems with Applications 28 (2005) 667–671.

VERBAETEN, SOFIE DAN ASSCHE, ANNELEEN VAN. 2003. Ensemble Methods for NoiseElimination in Classification Problems. T. Windeatt and F. Roli (Eds.): MCS 2003, LNCS 2709, pp. 317-325

XIA, RUI., ZONG, CHENGQING., LI, SHOUSA. 2010. Ensemble of Feature Set And Algorithm for Sentiment Classification. National Laboratory and Pattern Recognition. China.




DOI: http://dx.doi.org/10.25126/jtiik.2019631313