PREDIKSI TINGKAT KEMAMPUAN ANAK BERDASARKAN ASPEK PSIKOMOTORIK DENGAN MENGGUNAKAN DATA MINING METODE
BACKPROPAGATION
Relita Buaton Nurul Ramadani
Program Studi Teknik Informatika STMIK KAPUTAMA
Jl. Veteran No. 4A-9A, Binjai,Sumatera Utara Email:[email protected]
ABSTRACT
Perkembangan psikomotorik berhubungan dengan kejiwaan atau mental dan gerakan. Psikomotorik adalah berhubungan dengan proses aktivitas fisik yang berkaitan dengan proses mental dan psikologi. Emosi anak tampak mencolok pada anak-anak usia 2,5 sampai 3,5 tahun dan 5,5 sampai 6,5 tahun. Selama masa kanak-kanak emosi mereka sangat kuat, ini merupakan saat ketidakseimbangan, dalam arti bahwa anak mudah terbawa ledakan-ledakan emosional sehingga sulit dibimbing dan diarahkan. Yang umum terjadi dalam masa perkembangan sosial anak adalah bahwa anak lebih menyukai kontak sosial yang sejenis dari pada kelompok yang berlawanan. Anak pada usia 4 sampai dengan 5 tahun merupakan usia yang paling tepat dalam mengoptimalkan segala aspek perkembangan, khususnya perkembangan psikomotorik anak. Hasil belajar psikomotorik sangat berarti bagi kehidupan anak karena langsung mempengaruhi perilaku dan perbuatannya. Sehingga perkembangan psikomotorik anak perlu diketahui, karena sangat mempengaruhi kejiwaan, mental, psikologi dan perilaku.
Data mining merupakan penambangan atau penemuan informasi baru dengan
memprediksi, mencari pola atau aturan tertentu dari sejumlah data dalam jumlah besar yang diharapkan dapat mengatasi kondisi tersebut. Untuk itu perlu dirumuskan bagaimana memprediksi tingkat kemampuan anak berdasarkan aspek psikomotorik. Aplikasi memprediksi kemampuan aspek psikomotorik ini menggunakan jaringan saraf tiruan dengan memakai metode Backpropagation.
Hasil analisis penelitian menunjukan bahwa: 1) Prediksi kemampuan anak pada aspek psikomotorik dapat dilakukan dengan jaringan syarat tiruan menggunakan metode backpropagation. 2) Pada saat pengujian yang paling terbaik, diberikan maksimum epoch 100000, konstanta belajar 0.01, galat yang diijinkan 0.1 dan diberikan lapisan tersembunyi 70 dapat diketahui bahwa dari 20 data yang diujikan ada 1 data yang tidak sesuai dengan output yang diinginkan. Sedangkan ada 19 data yang sesuai dengan output yang diinginkan maka didapat hasil persentase 95% kebenaran.
I. PENDAHULUAN
Psikomotorik berhubungan dengan proses aktivitas fisik yang berkaitan dengan proses mental dan psikologi. Emosi anak tampak mencolok pada anak-anak usia 2,5 sampai 3,5 tahun dan 5,5 sampai 6,5 tahun. Selama masa kanak-kanak emosi mereka sangat kuat, ini merupakan saat ketidakseimbangan. Dalam arti bahwa anak mudah terbawa ledakan-ledakan emosional sehingga sulit dibimbing dan diarahkan. Meskipun hal ini berlaku pada hampir seluruh periode awal masa kanak-kanak. Hasil belajar psikomotorik sangat berarti bagi kehidupan anak karena langsung mempengaruhi perilaku dan perbuatannya. Sehingga perkembangan psikomotorik anak perlu diketahui, karena sangat mempengaruhi kejiwaan, mental, psikologi dan perilaku.
Prediksi tingkat kemampuan anak dalam penelitian ini adalah mencari jumlah nilai setiap anak berdasarkan aspek psikomotorik. Dengan demikian diharapkan akan muncul suatu pola dimana dengan pola masukan berupa nilai-nilai yang ada pada aspek psikomotorik dan komputer akan memberikan pola keluaran prediksi sesuai dengan data yang dilatihkan. Hasil dari pengembangan metode pada penelitian ini diharapkan dapat memberikan manfaat untuk mengetahui tingkat ketercapaian kompetensi dasar anak, mengetahui perkembangan kemampuan anak berdasarkan aspek psikomotoriknya.
Berdasarkan latar belakang, maka identifikasi masalahnya adalah:
1. Bagaimana menganalisis variabel yang digunakan untuk memprediksi tingkat kemampuan anak agar bisa mengetahui perkembangan kemampuan anak berdasarkan aspek psikomotorik ? 2. Bagaimana memprediksi tingkat
kemampuan anak berdasarkan aspek psikomotorik ?
Dengan lingkup permasalahan adalah
1. Prediksi tingkat kemampuan anak mengacu pada penilaian pada aspek psikomotorik.
2. Prediksi dilakukan dengan tidak mempertimbangkan faktor-faktor lain
penyebab kemerosotan atau peningkatan kemampuan anak.
3. Pengambilan data dilakukan pada anak usia 4-5 tahun.
4. Kriteria atau variabel yang digunakan adalah Reflek Segmental, Reflek Intersegmenta, Gerak Lokomotor, Diskriminasi Kinestesis, Diskriminasi Visual, Ketahanan,Kekuatan, keterampilan Adaptif, Keterampilan Adaptif Kompleks, Gerakan Ekspresif Manfaat yang dicapai dari penelitian ini adalah:
1. Mengetahui tingkat ketercapaian kemampuan dasar anak dan perkembangan kemampuan anak berdasarkan aspek psikomotorik.
2. Untuk guru, supaya mengetahui perkembangan kemampuan anak didiknya sehingga mendorong pendidik untuk mengajar dan mendidik lebih baik. 3. Untuk orang tua, supaya mengetahui perkembangan kemampuan anak sehingga dapat membantu mengoptimalkan perkembangan psikomotorik anaknya lebih terarah.
II. PENELITIAN TERDAHULU
Penelitian ini diperkuat oleh jurnal Media Informatika ( Vol. 2, No. 2, Desember 2004 : 1-11, oleh Kiki, Sri Kusumadewi, judul : Jaringan Saraf Tiruan Dengan Metode Backpropogation Untuk Mendeteksi Gangguan Psikologi) yang menyatakan bahwa metode Backpropagation dapat digunakan untuk melakukan pendeteksian suatu jenis penyakit, gangguan, maupun kasus yang memiliki data masa lalu, dan dengan menggunakan metode
Backpropagation, target output yang diinginkan lebih mendekati ketepatan dalam malakukan pengujian, karena terjadi penyesuaian nilai bobot dan bias yang semakin baik pada proses pelatihan.
pengembangan aplikasi jaringan saraf tiruan umpan-maju perambatan-balik (JST-PB), dalam penelitiannya digunakan metode JST-PB dengan pertimabangan metode ini sangat baik dalam menangani masalah pengenalan pola-pola kompleks dan non-linier.
III. DATA MINING
Menurut Kusrini dan luthfi (2009, h.3)
Data mining adalah suatu istilah yang
digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar.
Menurut Kusrini dan luthfi (2009, h.3)
data mining didefinisikan sebagai suatu
proses menemukan hubungan yang berarti, pola, dan kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik statisik dan matematika.
Selain definisi diatas beberapa definisi juga diberikan seperti tertera dibawah ini :
1. Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual.
2. Data mining merupakan bidang dari beberapa bidang keilmuan yang menyatukan teknik dari pembelajaran mesin, pengenalan pola, statistik, database, dan visualisasi untuk pengenalan permasalahan pengambilan informasi dari database yang besar. Menurut Kusrini dan luthfi (2009, h.4), kemajuan luar biasa yang terus berlanjut dalam bidang data mining didorong oleh beberapa faktor, antara lain :
1. Pertumbuhan yang cepat dalam pengumpulan data.
2. Penyimpangan data dalam data warehouse, sehingga seluruh perusahaan memiliki akses kedalam database yang handal.
3. Adanya peningkatan akses data melalui navigasi web dan intranet.
4. Tekanan kompetisi bisnis untuk meningkatkan penguasaan pasar dalam globalisasi ekonomi.
5. Perkembangan teknologi perangkat lunak untuk data mining (ketersediaan teknologi).
6. Perkembangan yang hebat dalam kemampuan komputasi dan pengembangan kapasitas media penyimpanan.
Dari definisi-definisi yang telah disampaikan, hal penting yang terkait dengan data mining adalah :
1. Data mining merupakan suatu proses otomatis terhadap data yang sudah ada.
2. Data yang akan diproses berupa data yang sangat besar.
3. Tujuan data mining adalah mendapatkan hubungan atau pola yang mungkin memberikan indikasi yang bermanfaat.
A. Tahapan Data Mining
Ada beberapa tahapan proses dalam data mining. Diagram dibawah menggambarkan beberapa tahap / proses yang berlangsung dalam data mining. Fase awal dimulai dari data sumber dan berakhir dengan adanya informasi dihasilkan dari beberapa tahapan, yaitu terlihat pada gambar 1sebagai berikut :
Gambar 1. Tahap - Tahap Data Mining Dalam aplikasinya, data mining
Adapun proses KDD dijelaskan sebagai berikut :
1. Data Selection(Seleksi Data)
Pemilihan data dari sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam KDD dimulai.
2. Preprocessing / Cleaning (pemilihan
data)
Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses
cleaning dengan tujuan untuk membuang duplikasi data, memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi). Juga dilakukan proses
enrichment, yaitu proses “memperkaya” data yang sudah ada dengan data atau informasi lain yang relevan dan diperlukan untuk KDD, seperti data atau informasi eksternal.
3. Transformation (Transformasi)
Adalah proses coding pada data yang telah dipilih, sehingga data tersebut sesuai untuk proses data mining. Proses
coding dalam KDD merupakan proses
kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam database.
4. Data mining
Proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu.
5. Interpretation / Evaluation
Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut dengan interpretation.
Tahap ini mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesa yang ada sebelumnya atau tidak.
B. Defenisi Prediksi Secara Umum
Prediksi adalah sama dengan ramalan atau perkiraan. Menurut kamus besar bahasa indonesia, prediksi adalah hasil dari kegiatan memprediksi atau meramal atau
memperkirakan. Prediksi bisa berdasarkan metode ilmiah ataupun subjektif belaka. Ambil contoh, prediksi cuaca selalu berdasarkan data dan informasi terbaru yang yang didasarkan pengamatan termasuk oleh satelit. Istilah prediksi akan sangat tergantung pada konteks atau permasalahannya. Berbeda dengan pengertian prediksi secara bahasa yang berarti ramalan atau perkiraan yang sudah menjadi pengertian yang baku.
C. Pengertian Psikomotorik
Psikomotor berasal dari kata Psyche dan Motor. Psyche artinya kejiwaan atau mental, sedangkan Motor artinya gerakan. Jadi, perkembangan psikomotorik berarti perkembangan yang berhubungan dengan kejiwaan atau mental dan gerakan. “Psikomotorik adalah berhubungan dengan proses aktivitas fisik yang berkaitan dengan proses mental dan psikologi.”
Ada 4 jenis perkembangan seorang anak, yaitu:
1. Perkembangan Fisik dan Motorik
Perkembangan motorik meliputi motorik kasar dan motorik halus. Menurut Elisabeth B. Hurlock dan diterjemahkan oleh istiwidayanti dan soedjarwo (2008, h. 81), “ Motorik kasar adalah gerakan tubuh yang dipengaruhi oleh kematangan anak itu sendiri, sedangkan motorik halus adalah gerakan yang menggunakan otot halus atau sebagian anggota tubuh tertentu dipengaruhi oleh kesempatan belajar dan berlatih.”
Adapun macam-macam pola motorik yang umum pada masa anak-anak yaitu ; melihat, tersenyum, menahan kepala,berguling, duduk, mengerakan kaki dan tangan, berdiri, berjalan, berlari, melompat dan sebagainya.
2. Perkembangan Kognitif/Intelektual
mereka tentang dunia. Adapun macam-macam pola kognitif yang umum pada masa anak-anak misalnya : anak mulai mengenal nama hari, mengenal perbedaan bentuk, mulai mengenal warna dan sebagainya.
3. Perkembangan Bahasa Anak
Menurut Elisabeth B. Hurlock dan diterjemahkan oleh Istiwidayanti dan Soedjarwo (2008, h.82), “Semua anak harus dapat menguasai dua fungsi yang berbeda dalam teknik bicara, kemampuan menangkap maksud yang ingin di komunikasikan dengan orang lain dan kemampuan untuk berkomunikasi dengan orang lain sedemikian rupa sehingga dapat dimengerti.” Kemampuan berbahasa merupakan kemampuan manusia yang membedakannya dengan makhluk lain. Bicara merupakan salah satu sarana oleh manusia untuk melakukan komunikasi dengan orang lain. Ini termasuk juga merupakan bagian dari tahapan perkembangan anak. Ada tiga hal yang terlibat dalam belajar bicara anak yaitu : pengucapan, membangun kosakata, dan menghubungkan kata-kata sehingga menjadi sebuah kalimat.
4. Perkembangan Emosi Anak
Menurut Elisabeth B. Hurlock dan diterjemahkan oleh Istiwidayanti dan Soedjarwo (2008, h. 114), “Emosi anak tampak mencolok pada anak-anak usia 2,5 sampai 3,5 tahun dan 5,5 sampai 6,5 tahun.” Selama masa kanak-kanak emosi mereka sangat kuat, ini merupakan saat ketidakseimbangan. Dalam arti bahwa anak mudah terbawa ledakan-ledakan emosional sehingga sulit dibimbing dan diarahkan. Meskipun hal ini berlaku pada hampir seluruh periode awal masa kanak-kanak.
Adapun macam-macam pola emosi yang umum pada masa anak-anak yaitu : kemarahan, ketakutan, rasa ingin tahu, kegembiraan, kesedihan, afeksi dan sebagainya.
5. Perkembangan Sosial Anak
Menurut Elisabeth B. Hurlock dan diterjemahkan oleh Istiwidayanti dan Soedjarwo (2008, h.118) , “Yang umum terjadi dalam masa perkembangan sosial anak adalah bahwa anak lebih menyulai kontak sosial yang sejenis dari pada kelompok yang berlawanan .” Perkembangan
sosial biasanya dimaksudkan sebagai perkembangan tingkah laku anak dalam menyesuaikan diri dengan aturan-aturan yang berlaku di dalam masyarakat di mana anak berada. Reaksi mereka terhadap rasa dingin, sakit, bosan atau lapar berupa tangisan yang sulit dibedakan. Tetapi dengan berjalannya waktu para pengasuh dapat membedakan reaksi anak terhadap stimulinya.
Adapun macam-macam pola prilaku sosial yang umum pada masa anak-anak yaitu persaingan, kerjasama, meniru, simpati, empati, membagi, prilaku akrab dan sebagainya.
D. Pengukuran Aspek Psikomotorik
Menurut Sugiyanto dan Sudjarwo (1993, h.219-223 ), untuk lebih jelas memahami tentang penilaian psikomotorik dijelaskan definisi dari penilaian psikomotorik, yaitu:
1. Reflek segmental adalah gerakan Reflek yang melibatkan satu ruas tulang belakang.
2. Reflek intersegmental adalah gerakan reflek yang melibatkan lebih dari satu ruas tulang belakang.
3. Gerak lokomotor adalah gerak berpindah dari satu tempat ketempat lain. Misalnya : merangkak, berjalan dan berlari.
4. Diskriminasi kinestetis merupakan perasaan yang sangat kompleks yang ditimbulkan oleh rangsangan di otot, urat, dan pergelangan.
5. Diskriminasi visual merupakan kemampuan untuk memahami atau menginterpretasikan segala sesuatu yang dilihat.
6. Ketahanan atau sering disebut daya tahan fisik adalah kemampuan untuk melakukan aktivitas dalam jangka waktu yang lama.
7. Kekuatan adalah kemampuan menggunakan otot untuk menahan atau melawan beban.
8. Keterampilan adaptif sederhana adalah keterampilan yang dihasilkan dari penyesuaian gerak dasar fundamental dengan situasi atau kondisi tertentu pada saat melakukan gerakan.
penguasaan berbentuk gerakan dan koordinasi tubuh yang kompleks. 10. Gerakan ekspresif meliputi
gerakan-gerakan yang bisa digunakan untuk mengkomunikasikan maksud tertentu yang digunakan dalam kehidupan.
E. Metode Backpropogation
Menurut Kusumadewi (2003, h.236-238), Backpropagation merupakan algoritma pembelajaran yang terwarisi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma
backpropagation menggunakan error output
untuk mengubah nilai-nilai bobotnya dalam arah mundur (backward). Tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu untuk mendapatkan nilai error tersebut. Saat perambatan maju neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid biner yaitu:
Arsitektur jaringan backpropogation seperti terlihat pada gambar 2 sebagai berikut
Gambar 2. Arsitektur Jaringan
Backpropagation,
Kusumadewi (2003, h.236)
Dari arsitektur Jaringan Backpropagation pada gambar 2 dapat dijelaskan:
a. Inisialisasi bobot (gunakan bobot awal dengan nilai random cukup kecil)
b. Kerjakan lakukan-langkah berikut, selama kondisi berhenti bernilai FALSE.
Feed forward:
1. Tiap-tiap unit input (Xi, i=1,2,3,...,n) menerima sinyal xidan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi).
2. Tiap-tiap unit tersembunyi (Zi, j=1,2,3,...,p) menjumlahkan sinyal-sinyal input terbobot:
…………..(1)
gunakan fungsi aktivasi untuk menghitung sinyal outputnya:
zj= f(z_inj)………..(2) dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output).
a. Tiap-tiap unit output (Yk, k=1,2,3,...,m) menjumlahkan sinyal-sinyal input terbobot.
..……..(3)
gunakan fungsi aktivasi untuk menghitung sinyal outputnya:
yk= f(y_ink)………(4) dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output). b. Tiap-tiap unit output (Yk, k=1,2,3,...,m)
menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi errornya:
k= (tk–yk) f’(y_ink)…..(5) kemudian hitung koreksi bobot (digunakan untuk memperbaiki nilai wjk):
wjk= kzj…………...(6) hitung juga koreksi bias (digunakan untuk memperbaiki nilai w0k):
w0k= k……….(7) kirimkan k ini ke unit-unit yang ada di lapisan bawahnya.
c. Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p) menjumlahkan delta inputnya (dari unit-unit yang berada pada lapisan di atasnya):
_ =
……….(8)
kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error:
j=_injf’(z_inj…(9) kemudian hitung koreksi bobot (digunakan untuk memperbaiki nilai vij):
vjk= jxi……(10) hitung juga koreksi bias (digunakan untuk memperbaiki nilai v0j):
v0j= j…….(11) d. Tiap-tiap unit output (Yk, k=1,2,3,...,m)
memperbaiki bias dan bobotnya (j=0,1,2,...,p):
Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p) memperbaiki bias dan bobotnya (i=0,1,2,...,n):
vij(baru) = vij(lama) +vij……….(13) IV. METODOLOGI PENELITIAN
1. Jenis penelitian
Ditinjau dari jenis datanya maka penelitian ini adalah penelitian kuantitatif karena penelitian ini membutuhkan data dalam bentuk angka – angka/ nilai, atau data dalam bentuk informasi , komentar , pendapat atau kalimat namun dikuantitatifkan.
2. Pengumpulan data a. Studi literature
Pengumpulan data yang diperoleh dengan mengumpulkan berbagai sumber kepustakaan, baik berupa buku-buku, browsing di internet, jurnal, laporan penelitian dan lain sebagainya untuk ditelaah lebih lanjut sebagai bahan pendukung penelitian.
b. Pengumpulan data lapangan
Metode pengumpulan data lapangan digunakan untuk mengumpulkan data– data yang dibutuhkan dalam penelitian. c. Dialog, diskusi dan konsultasi
Metode dialog, diskusi dan konsultasi dilakukan dengan cara melakukan konsultasi dengan dokter anak serta melakukan dialog maupun diskusi dengan sumber–sumber lain yang berhubungan dengan penelitian ini. 3. Menganalisa dan melakukan
perancangan sistem untuk mempelajari pola data prediksi tingkat kemampuan anak berdasarkan aspek psikomotorik dengan metode backpropagation. 4. Mengimplementasikan hasil analisa
dan rancangan yang dilakukan pada tahap sebelumnya menjadi perangkat lunak untuk memprediksi tingkat kemampuan anak berdasarkan aspek psikomotorik.
5. Melakukan uji coba melalui system yang dirancang.
6. Mengevaluasi hasil analisa yang dilakukan oleh sistem berdasarkan pola data yang dihasilkan dari proses uji coba.
V. ANALISIS SISTEM
1. Dilakukan analisis sistem terhadap teknik peramalan atau prediksi data psikomotorik anak menggunakan software MATLAB 6.5 yang menyediakan fungsi-fungsi pelatihan dan pengujian pada Jaringan Saraf Tiruan
2. Menentukan kebutuhan sistem sehingga dapat dilakukan penganalisaan prediksi dari data psikomotorik menggunakan algoritma backpropagation.
3. Data nilai pada psikomotorik anak sebagai data masukan yaitu data latih dan target latih, yang kemudian diproses dan dilatih dengan algoritma backpropagation,
kemudian dilakukan pengujian data baru sebagai perbandingan dengan data yang telah dilatihkan sebelumnya. Setelah itu didapat hasil keluaran yang diuji kemudian bandingkan dengan target uji.
A. Analisis Data Mining
Perolehan nilai prediksi berdasarkan tingkat kemampuan bersasarkan aspek psikomotorik, yaitu Gerak Reflek Segmental, Gerak Reflek Intersegmental, Gerakan Lokomotor, Deskriminasi Kinestesis, Diskriminasi Visual, Ketahanan, Kekuatan, Keterampilan Adaptif, Keterampilan Adaptif Kompleks, Gerakan Ekspresif. Data kriteria aspek psikomotorik didapat dari seorang psikolog yang telah melakukan penilaian dan penelitian sebelumnya.
Gambar 3. Flowchart Proses Pelatihan Dan Pengujian
Selain banyaknya data yang dilatihkan, iterasi epoch yang semakin banyak juga cenderung akan menghasilkan nilai eror yang semakin kecil. Tetapi pelatihan yang optimal dipengaruhi oleh banyaknya faktor seperti penentuan learning rate, serta arsitektur jaringannya sendiri. Untuk proses pengujian,
langkah yang dilakukan sama dengan proses pelatihan, namun prosesnya hanya pada proses feedforward. Dan bobot yang digunakan adalah bobot terakhir dari hasil pelatihan. Selanjutnya ditentukan threshold. Disini ditetapkan threshold=0,5, yang artinya jika nilai y≥ 0.5, maka output yang diberikan adalah 1, dan jika y≤ 0.5, maka output yang diberikan adalah 0.
B. Perancangan Proses
Data yang diperlukan dalam proses analisis jaringan syaraf tiruan menggunakan
metode backpropogation adalah penilaian
untuk setiap kriteria aspek psikomotorik anak sebagai input dan presentase total jumlah nilai untuk mendapatkan hasil penilaian sesungguhnya sebagai output. Data tersebut diambil secara acak dari 100 orang anak dengan jumlah yang dilatihkan pada jaringan sebanyak 80 orang anak, dan 20 orang anak sebagai data yang akan digunakan untuk menguji keakuratan sistem didalam mengenali masukan data yang lain.
Tabel 1. Kriteria Psikomotorik
No Kriteria Psikomotorik Inputan
1 Reflek Segmental X1 2 Reflek Intersegmental X2 3 Gerakan Lokomotor X3 4 Diskriminasi Kinestestis X4 5 Diskriminasi Visual X5
6 Ketahanan X6
7 Kekuatan X7
8 Keterampilan Adaptif X8 9 Keterampilan Adaptif
Kompleks
X9
10 Gerakan Ekspresif X10 Tahapan pengembangan system sebagai berikut :
1. Tahapan Pertama
Tabel 2. Data Psikomotorik
2. Tahapan Kedua
Tabel 3. Penentuan Variabel Psikomotorik
Data Nilai Variabel Psikomotorik
X1 X6 X2 X7 X3 X8 X4 X9 X5 X10
Input Data Variabel psikomotorik (Dt Lth)
Konver
gen
Ya
Tidak Proses Database
sebagai Data Latih
Proses Database
sebagai Data Uji
Target Diketahui
Selesai Mulai
Latih
Input Data Variabel Psikomotorik (Dt Uji)
Variabel Input : Variabel Output :
X1 X6 Sangat Bagus (1 1) X2 X7 Bagus (1 0) X3 X8 Cukup (0 1) X4 X9 Kurang (0 0) X5 X10
3. Tahapan Ketiga
Arsitektur Jaringan :
1 Lapisan Input Data Psikomotorik:10 Sel 1 Lapisan Tersembunyi
(jumlah sel ditetapkan secara random) 1 Lapisan Output : 2 Sel
Gambar 4. Arsitektur JST.
4. Tahapan Keempat: Pelatihan dan Pengujian
C. Penentuan Variabel
Seluruh data yang terkumpul dipisahkan menjadi 2 bagian, yaitu masukan dan keluaran. Yang tergolong masukan secara berurutan adalah :
1. Gerak Reflek Segmental disimpan pada variabel X1
2. Gerak Reflek Intersegmental disimpan pada variabel X2
3. Gerakan Lokomotor disimpan pada variabel X3
4. Diskriminasi Kinestesis disimpan pada variabel X4
5. Diskrimninasi Visual disimpan pada variabel X5
6. Ketahanan disimpan pada variabel X6 7. Kekuatan disimpan pada variabel X7 8. Keterampilan Adaptif disimpan pada
variabel X8
9. Keterampilan Adaftif Kompleks disimpan pada variabel X9
10. Gerakan Ekspresif disimpan pada variabel X10
Kesepuluh variabel dengan jumlah 80 responden yang akan dilatihkan disusun menjadi suatu matriks P, dengan ukuran 10 x 80, dan 20 responden sebagai data penguji ke dalam matriks Q dengan ukuran 10 x 20.
Tabel 4 Data Latih Berdasarkan Data Variabel Psikomotorik
NO Nama
Kriteria aspek Psikomotorik anak
Jumlah Nilai
Target Sebenar
nya X
1 X
2 X
3 X
4 X
5 X
6 X
7 X
8 X
9 X10
1 Rafi Pratama 7 7 9 5 4 7 9 8 5 3 64 0 1
2 Heru Suseno 8 7 8 4 5 6 8 8 6 7 67 1 0
3 Andika 9 8 6 6 5 7 7 7 6 4 65 1 0
4 Anggun Anggira 6 6 7 7 5 7 7 7 5 4 61 0 1
5 Hengki 9 8 8 7 8 8 7 7 7 6 75 1 1
6 Tasya Amanda 7 7 8 5 4 4 8 8 6 3 60 0 1
7 Syadiah Nuralifa 6 6 7 2 4 6 7 6 5 2 51 0 0
8 Elisa Aulia Sari 8 7 9 4 6 5 8 7 6 6 66 1 0
9 Legi Lestari 9 8 8 7 6 6 7 8 5 7 71 1 0
11 Felita Intan S 7 4 6 5 2 4 6 6 5 3 48 0 0
12 Aprilina A 8 6 6 5 5 5 6 7 4 5 57 0 1
13 Adi Yulianto 7 6 6 6 7 6 8 8 7 6 67 1 0
14 Edo Ponco P 9 8 8 6 7 8 7 8 7 7 75 1 1
15 Asri Ariesta 7 7 6 5 6 5 7 6 4 6 59 0 1
16 Astri Agustina 6 6 7 7 8 7 6 6 6 6 65 1 0
17 Brian Wahyudi 9 8 8 7 5 7 8 7 7 3 69 1 0
18 Anggun Kusuma 6 4 6 6 3 7 7 6 2 1 49 0 0
19 Fatchur Rahmad 6 6 7 5 4 7 8 7 5 3 58 0 1
20 Puspita Sari I 7 6 6 5 3 6 7 6 4 4 54 0 0
21 Maulana 6 6 8 7 5 6 7 6 4 6 61 0 1
22 Dwi Saputra 9 7 7 5 5 7 7 7 6 7 67 1 0
23 Agnarisma Latifa 8 7 7 6 7 8 8 6 7 6 70 1 0
24 Mardianti Olivia 8 6 8 6 4 7 7 6 8 7 67 1 0
25 Mira Puji Lestari 7 6 6 6 4 5 6 7 6 5 58 0 1
26 Nur Azizah 6 8 7 4 3 6 8 6 6 7 61 0 1
27 Reka Apriawan 6 6 7 5 4 6 6 7 5 5 57 0 1
28 Rizky 7 9 8 8 8 8 8 9 7 8 80 1 1
29 Widhyanto 8 7 6 7 5 7 7 7 6 5 65 1 0
30 Fatir Yudho 9 6 8 8 7 8 8 8 7 8 77 1 1
31 Sabilah 6 4 6 5 6 8 7 7 8 6 63 0 1
32 Eksanti Azissa R 7 7 8 4 5 6 6 8 6 6 63 0 1
33 Salsabila K 8 6 6 7 5 7 7 6 4 4 60 0 1
34 Sendy Prasetyo 9 6 6 8 7 8 7 7 4 6 68 1 0
35 Wahyu Pramana 6 7 7 5 5 7 8 7 8 7 67 1 0
36 Wiranda H 7 7 8 8 4 7 7 8 6 6 68 1 0
37 Andra W 8 7 6 5 6 8 7 7 5 6 65 1 0
38 Dwi Ayudhiya C 9 8 7 7 8 6 7 8 9 7 76 1 1
39 Prabowo Dimas F 8 9 7 8 8 8 7 7 8 7 77 1 1
40 Rizky Eka R 8 6 6 7 6 7 7 6 4 5 62 0 1
41 Prahesty Fadila 7 7 7 6 5 6 6 7 3 5 59 0 1
42 Khoirunnisa H 8 5 6 7 5 4 7 7 5 5 59 0 1
43 Arroyan R 8 7 6 5 6 6 8 7 7 6 66 1 0
44 H Irvan Miftahul 7 8 7 6 6 5 7 8 6 6 66 1 0
45 Ismail Singgih 8 6 8 6 7 6 7 7 4 6 65 1 0
46 Fajar Romadhony 9 7 6 5 6 7 6 8 6 5 65 1 0
47 Riki Pratama P 7 7 7 5 6 5 7 7 6 7 64 0 1
48 Ismawati Sandara 7 6 6 7 5 6 5 7 8 4 61 0 1
49 Fantika Faadhilah 7 6 5 4 7 7 7 8 7 6 64 0 1
50 Farrel Hanafi 9 8 7 5 7 8 7 6 7 5 69 1 0
51 Emitasari Depy 8 6 7 6 7 8 8 6 5 6 67 1 0
52 Handik Prayoga 8 7 6 5 6 7 7 6 4 5 61 0 1
54 Hanif Yusuf 7 7 7 6 7 8 7 7 7 6 69 1 0
55 Rahman A 7 8 8 8 8 8 8 8 8 6 77 1 1
56 Fitriani Puji 7 6 6 6 4 6 7 5 4 3 54 0 0
57 Ikka Pujiastuti 8 6 6 5 5 6 6 6 6 3 57 0 1
58 Anggi Putri Dewi 8 7 7 5 3 7 8 6 3 2 56 0 1
59 Bintang Putra 7 5 7 6 6 7 7 8 6 7 66 1 0
60 Hadi Setianto 7 6 6 5 4 6 6 7 5 7 59 0 1
61 Annisa Nur W 8 8 7 7 6 8 8 7 5 7 71 1 0
62 Lailatus Saadah 7 7 6 7 6 7 7 8 6 6 62 0 1
63 Mutiara Lutfiatul 7 7 8 6 5 6 6 8 6 5 64 0 1
64 Bayu Setia Rama 8 7 7 8 6 8 7 6 5 4 66 1 0
65 Rindiani 6 6 6 5 7 6 6 6 6 5 59 0 1
66 Yayang Wijaya 6 7 8 6 5 8 8 7 6 3 64 0 1
67 Novitasari 7 7 6 6 7 7 7 6 6 7 66 1 0
68 Dimas priyo J 8 7 8 6 6 7 7 6 7 7 69 1 0
69 Hana Aulia S 6 6 7 8 6 8 6 7 6 5 65 1 0
70 Murdikatus S 7 6 7 6 6 7 7 7 6 5 64 0 1
71 Arsyad Widi 7 6 6 6 5 7 6 6 4 2 55 0 1
72 Firmansyah 7 6 6 8 6 6 7 7 6 6 65 1 0
73 Duta Dzaky 8 7 7 8 7 8 8 7 7 7 74 1 1
74 Fidia Ambar 7 8 7 7 6 7 6 6 5 4 63 0 1
75 Ryandra Irsy 8 8 7 8 7 8 9 8 6 7 76 1 1
76 Anwar Fathoni 9 8 7 8 7 7 8 8 7 7 76 1 1
77 Restu Putra 6 8 7 5 6 6 7 7 4 6 62 0 1
78 Muhammad G 7 7 8 7 7 8 7 6 5 3 65 1 0
79 Ria Isabella 7 6 7 8 6 6 7 7 3 6 63 0 1
80 Cyntia Sari 8 7 8 7 7 8 8 6 6 8 73 1 0
Keterangan :
X1: Gerak Reflek Segmental X2: Gerak Reflek Intersegmental X3: Gerakan Lokomotor
X4: Deskriminasi Kinestesis X5: Deskriminasi Visual X6: Ketahanan
X7: Kekuatan
X8: Keterampilan Adaptif
X9: Keterampilan Adaptif Kompleks X10: Gerakan Ekspresif
Representasi variable input 1. Data kriteria psikomotorik
a. Jika persentase seluruh kriteria psikomotorik 75 s/d 100, maka dikategorikan Sangat Bagus, dengan singkatan SB.
b. Jika persentase seluruh kriteria psikomotorik 65 s/d 74, maka dikategorikan Bagus, dengan singkatan BGS.
c. Jika persentase seluruh kriteria psikomotorik 55 s/d 64, maka dikategorikan Cukup, dengan singkatan CKP.
d. Jika persentase seluruh kriteria psikomotorik 0 s/d 54, maka dikategorikan Kurang, dengan singkatan KRG.
2. Data nilai
b. Jika nilai untuk setiap variabel psikomotorik 7 s/d 8, maka dikategorikan Bagus, dengan singkatan BGS.
c. Jika nilai untuk setiap variabel psikomotorik 5 s/d 6, maka dikategorikan Cukup, dengan singkatan CKP.
d. Jika nilai untuk setiap variabel psikomotorik 3 s/d 4, maka
dikategorikan Kurang, dengan singkatan KRG.
e. Jika nilai untuk setiap variabel psikomotorik 1 s/d 2, maka dikategorikan Gagal dengan singkatan GGL.
Berdasarkan representasi masukan berikut bentuk transformasi dalam bentuk string
Tabel 5. Convert Angka Hasil Rekapitulasi Ke String
NO Nama Kriteria Aspek Psikomotorik Anak Target
Sebenarnya
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
36 Wiranda H BGS BGS BGS BGS KRG BGS BGS BGS CKP CKP BGS 37 Andra W BGS BGS CKP CKP CKP BGS BGS BGS CKP CKP BGS 38 Dwi Ayudhiya SBG BGS BGS BGS BGS CKP BGS BGS SBG BGS SBG 39 Prabowo D BGS SBG BGS BGS BGS BGS BGS BGS BGS BGS SBG 40 Rizky Eka R BGS CKP CKP BGS CKP BGS BGS CKP KRG CKP CKP 41 Prahesty Fadila BGS BGS BGS CKP CKP CKP CKP BGS KRG CKP CKP 42 Khoirunnisa H
BGS CKP CKP BGS CKP KRG BGS BGS CKP CKP CKP 43 Arroyan R
BGA BGS CKP CKP CKP CKP BGS BGS BGS CKP BGS 44 H Irvan M BGS BGS BGS CKP CKP CKP BGS BGS CKP CKP BGS 45 Ismail Singgih BGS CKP BGS CKP BGS CKP BGS BGS KRG CKP BGS 46 Fajar R SBG BGS CKP CKP CKP BGS CKP BGS CKP CKP BGS 47 Riki Pratama P BGS BGS BGS CKP CKP CKP BGS BGS CKP BGS CKP
48 Ismawati S BGS CKP CKP BGS CKP CKP CKP BGS BGS KRG CKP 49 Fantika F BGS CKP CKP KRG BGS BGS BGS BGS BGS CKP CKP 50 Farrel Hanafi SBG BGS BGS CKP BGS BGS BGS CKP BGS CKP BGS 51 Emitasari Depy BGS CKP BGS CKP BGS BGS BGS CKP CKP CKP BGS 52 Handik P BGS BGS CKP CKP CKP BGS BGS CKP KRG CKP CKP 53 Ramandani R CKP BGS CKP KRG BGS CKP BGS CKP CKP CKP CKP 54 Hanif Yusuf BGS BGS BGS CKP BGS BGS BGS BGS BGS CKP BGS 55 Rahman A BGS BGS BGS BGS BGS BGS BGS BGS BGS CKP SBG 56 Fitriani Puji BGS CKP CKP CKP KRG CKP BGS CKP KRG KRG KRG 57 Ikka Pujiastuti BGS CKP CKP CKP CKP CKP CKP CKP CKP KRG CKP 58 Anggi Putri D BGS BGS BGS CKP KRG BGS BGS CKP KRG GGL CKP 59 Bintang Putra BGS CKP BGS CKP CKP BGS BGS BGS CKP BGS BGS 60 Hadi Setianto BGS CKP CKP CKP KRG CKP CKP BGS CKP BGS CKP 61 Annisa Nur W BGS BGS BGS BGS CKP BGS BGS BGS CKP BGS BGS 62 Lailatus S BGS BGS CKP BGS CKP BGS BGS BGS CKP CKP CKP 63 Mutiara L BGS BGS BGS CKP CKP CKP CKP BGS CKP CKP CKP 64 Bayu Setia R BGS BGS BGS BGS CKP BGS BGS CKP CKP KRG BGS
65 Rindiani CKP CKP CKP CKP BGS CKP CKP CKP CKP CKP CKP 66 Yayang Wijaya CKP BGS BGS CKP CKP BGS BGS BGS CKP KRG CKP 67 Novitasari BGS BGS CKP CKP BGS BGS BGS CKP CKP BGS BGS 68 Dimas priyo J BGS BGS BGS CKP CKP BGS BGS CKP BGS BGS BGS 69 Hana Aulia S CKP CKP BGS BGS CKP BGS CKP BGS CKP CKP BGS 70 Murdikatus S BGS CKP BGS CKP CKP BGS BGS BGS CKP CKP CKP 71 Arsyad Widi BGS CKP CKP CKP CKP BGS CKP CKP KRG GGL CKP 72 Firmansyah BGS CKP CKP BGS CKP CKP BGS BGS CKP CKP BGS 73 Duta Dzaky BGS BGS BGS BGS BGS BGS BGS BGS BGS BGS SGS 74 Fidia Ambar BGS BGS BGS BGS CKP BGS CKP CKP CKP KRG CKP 75 Ryandra Irsy BGS BGS BGS BGS BGS BGS SBG BGS CKP BGS SBG 76 Anwar Fathoni SBG BGS BGS BGS BGS BGS BGS BGS BGS BGS SBG 77 Restu Putra CKP BGS BGS CKP CKP CKP BGS BGS KRG CKP CKP 78 Muhammad G BGS BGS BGS BGS BGS BGS BGS CKP CKP KRG BGS 79 Ria Isabella BGS CKP BGS BGS CKP CKP BGS BGS KRG CKP CKP 80 Cyntia Sari BGS BGS BGS BGS BGS BGS BGS CKP CKP BGS BGS Keterangan :
Nilai Jumlah Nilai
BGS : Bagus BGS : Bagus
CKP : Cukup CKP : Cukup
KRG : Kurang KRG : Kurang
GGL : Gagal
Secara matematis dapat dihitung sebagai berikut.
a. Jumlah neuron pada input layer = 10 b. Jumlah neuron pada hidden layer = 4 c. Jumlah neuron pada output layer = 2 d. Learning rate (α) = 0.02
e. Maksimum Epoch = 10000 f. Target Error = 0.1
Bobot awal (ditentukan secara acak): 1. Bobot awal input ke hidden v =
0.8378 1.0924 0.5982 0.4711 0.6079 -0.6171 -1.0082 -0.6360 -0.1533 0.3866
0.6603 0.9655 0.1358 0.3510 0.7679 -0.2710 -1.0949 -1.1095 1.5906 0.0371
0.2835 -0.1733 0.3063 -0.5155 -0.1786 0.6233 -1.1993 -1.9295 -0.1354 -0.4735
0.0330 1.7006 0.6874 0.1332 0.6952 -0.8656 0.3666 0.8716 -0.2873 0.2432
2. Bobot awal bias ke hidden
V0 =-6.6091 -1.6238 23.6501
-0.5616
3. Bobot awal hidden ke output w =4.1308 2.6079 -2.4325 -3.8168
0.0511 -1.2908 -5.6337 3.3079
4. Bobot awal bias ke output W0 = -1.5582 2.0603 Pembelajaran:Epoh ke-1:
Data ke = 1
1.9295) + (5*-0.1354) + (3* -Operasi pada Output Layer --->
3) Perkalian:
Y_in1= w01 + Z1*W11 +Z2*W12 +Z3* W13+ Z4* W14
= -1.5582 + (0.2660* 4.1308) + (2.1475e-004*2.6079) (0.4806* -2.4325) + (0.2913*-3.8168)
12 = 0.02 (0.1018) 0.2660 = 5.4158 004
22 = 0.02 (0.1018) 2.1475e 004 = 4.3723 007
31 = 1 3
31 = 0.02 ( 0.0035) 0.4806
= 3.3642 005
32 = 2 3
32 = 0.02 (0.1018) 0.4806 = 9.7850 004
41 = 1 4
41 = 0.02 ( 0.0035) 0.2913
= 2.0391 005
42 = 2 4
11 = 1 11 = 0.0035 4.1308 =-0.0145
12 = 2 21 = 0.1018 0.0511 = 0.0052
21 = 1 12
= 0.0035 2.6079 = 0.0091
22 = 2 22
= 0.1018 1.2908 = 0.1314
31 = 1 13
= 0.0035 2.4325 = 0.0085
32 = 2 23
= 0.1018 5.6337 = 0.5735
41 = 1 14
= 0.0035 3.8168 = 0.0134
42 = 2 24 = 0.1018 3.3079 = 0.3367
= 1 + 1 _ 1
1 (1 + 1 _ 1) = 0.0145 1 + 1 .
1 (1 + 1 . ) = 0.0036
= 1 + 1 _ 1
1 (1 + 1 _ 1) = 0.0052 1 + 1 .
1 (1 + 1 . ) = 0.0013
= 1 + 1 _
1 (1 + 1 _ )
= 0.0091 1 + . 1 1
(1 + .1 )
= 0.0023
= 1 + 1 _
1 (1 + 1 _ ) = 0.1314 1 + .1
1
(1 + .1 )
= 0.0328
= 1 + 1 _
1 (1 + 1 _ ) = 0.0085 1 + 1 .
1 (1 + 1 . ) = 0.0020
= 1 + 1 _
1 (1 + 1 _ ) = 0.5735 1 + 1.
1 (1 + 1 . ) = 0.1354
= 1 + 1 _
1 (1 + 1 _ ) = 0.0134 1 + 1 .
1 (1 + 1 . ) = 0.0033
= 1 + 1 _
v03= v013+v03= 23.6501 +4.0000 005= 23.6501
v04 = v014+ v04= -0.5616+ 6.6000 005= -0.5615
w11 = w11 + w11 = 4.1308 1.8620 005= 4.1308
w12 = w21 + w12 = 2.6079 + 5.4158 004= 2.6084
w21 = w31 + w21= -2.4325 1.5033 008= -2.4325
w22 = w41 + w22= -3.8168 + 4.3723 007= -3.8168
w31 = w21 + w31 = 0.0511 3.3642 005= 0.0511
w32= w21+w32= -1.2908 +9.7850 004= -1.2898
w41= w13 +w41 = -5.6337 2.0391 005= -5.6337
w42 = w14 + w42= 3.3079+ 5.9309 004= 3.3085
w01 = w01 + w01 =- 1.5582 7.0000 005= -1.5583
w02= w02+w02= 2.0603+ 0.0020=
2.0623
Pada data kedua, juga dilakukan operasi-operasi yang sama dengan menggunakan bobot-bobot akhir hasil pengolahan data pertama ini sebagai bobot-bobot awalnya. Proses ini dilakukan secara berulang sampai pada maksimum epoh (100000) atau kuadrat error < target error (0.1).
Berikut adalah bobot akhir setelah epoh ke-3425 :
1. Bobot akhir input ke hidden
v =2.1304 1.5128 -0.3753 -1.2563 0.9763 -0.1406 -1.6771 -1.3524 0.0738 1.8141 0.1996 0.9506 0.7733 0.7455 0.6793 -0.5000 -1.5514 -1.4870 1.5684 1.0056
1.3177 0.3019 -0.6337 -2.1943 -1.3760 0.4344 -0.8812 -1.4917 -0.0547 0.4877
0.8815 2.0950 0.6101 1.3018 0.7690 -0.9792 0.0128 0.5692 -0.6195 -1.0256 2. Bobot akhir bias ke hidden
V0 = -6.6615 -1.6828 23.7283 -0.6053 3. Bobot akhir hidden ke output
w =7.4903 2.4921 -1.3515 -3.7863 -1.0633 -2.0383 -6.8314 3.2855
4. Bobot akhir bias ke output W0 = -3.0579 3.9047 Tabel 6. Data Uji Berdasarkan Kriteria Aspek Psikomotorik
N
O Nama
Kriteria aspek Psikomotorik anak Jumlah
Nilai
Target Uji Sebenarnya
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
1 Febri Andika 7 6 8 8 6 7 6 8 8 6 70 1 0
2 Dedi M 9 7 8 7 6 7 8 8 5 8 73 1 0
3 Nurul O 8 6 8 6 7 9 8 7 7 5 71 1 0
4 Angga S 8 5 7 8 5 8 6 8 7 6 68 1 0
5 Dea Nur P 7 5 6 7 4 7 6 6 5 5 58 0 1
6 Muhammad 7 8 7 8 7 8 6 6 7 6 70 1 0
7 Fitri Lestari 8 7 8 7 8 8 7 7 7 5 72 1 0
8 Meysa A 7 6 7 7 8 7 6 8 6 7 69 1 0
9 Guntur 9 8 7 8 6 8 8 8 7 6 75 1 1
10 Bima 6 6 8 5 8 6 8 8 6 6 68 1 0
11 Siti N 7 7 6 5 6 7 6 7 5 4 60 0 1
12 Kiki H 8 8 6 6 4 6 7 5 8 6 64 0 1
13 Mahesa 9 8 8 7 6 7 8 8 7 7 75 1 1
14 Syah Dewa 5 7 6 8 7 8 5 8 7 6 67 1 0
15 Marlinta 6 7 4 6 8 7 8 5 4 4 59 0 1
16 Andrea Putri 6 7 8 6 6 6 7 5 5 6 62 0 1
17 Wiranda 5 6 7 8 8 6 8 7 7 8 70 1 0
18 Zakarianta 8 8 6 8 6 7 8 6 8 6 71 1 0
20 Duma P 6 7 8 6 6 8 6 8 8 6 69 1 0
Keterangan :
X1 : Gerak Reflek Segmental X5 : Deskriminasi Visual
X9 : Keterampilan Adaptif Kompleks X2 : Gerak Reflek Intersegmental X6 : Ketahanan X10 : Gerakan Ekspresif
X3 : Gerakan Lokomotor X7 : Kekuatan
X4 : Deskriminasi Kinestesis X8 : Keterampilan Adaptif Tabel 7. Convert Angka Hasil Rekapitulasi ke Huruf
NO Nama Kriteria aspek Psikomotorik anak Target Uji
Sebenarnya
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
1 Febri Andika BGS CKP BGS BGS CKP BGS CKP BGS BGS CKP BGS
2 Dedi M SBG BGS BGS BGS CKP BGS BGS BGS CKP BGS BGS
3 Nurul O BGS CKP BGS CKP BGS SBG BGS BGS BGS CKP BGS
4 Angga S BGS CKP BGS BGS CKP BGS CKP BGS BGS CKP BGS
5 Dea Nur P BGS CKP CKP BGS KRG BGS CKP CKP CKP CKP CKP 6 Muhammad BGS BGS BGS BGS BGS BGS CKP CKP BGS CKP BGS 7 Fitri Lestari BGS BGS BGS BGS BGS BGS BGS BGS BGS CKP BGS
8 Meysa A BGS CKP BGS BGS BGS BGS CKP BGS CKP BGS BGS
9 Guntur SBG BGS BGS BGS CKP BGS BGS BGS BGS CKP SBG
10 Bima CKP CKP BGS CKP BGS CKP BGS BGS CKP CKP BGS
11 Siti N BGS BGS CKP CKP CKP BGS CKP BGS CKP KRG CKP
12 Kiki H BGS BGS CKP CKP KRG CKP BGS CKP BGS CKP CKP
13 Mahesa SBG BGS BGS BGS CKP BGS BGS BGS BGS BGS SBG
14 Syah Dewa CKP BGS CKP BGS BGS BGS CKP BGS BGS CKP BGS 15 Marlinta CKP BGS KRG CKP BGS BGS BGS CKP KRG KRG CKP 16 Andrea Putri CKP BGS BGS CKP CKP CKP BGS CKP CKP CKP CKP
17 Wiranda CKP CKP BGS BGS BGS CKP BGS BGS BGS BGS BGS
18 Zakarianta BGS BGS CKP BGS CKP BGS BGS CKP BGS CKP BGS
19 Leliana CKP BGS BGS CKP BGS CKP BGS CKP BGS BGS BGS
20 Duma P CKP BGS BGS CKP CKP BGS CKP BGS BGS CKP BGS
Keterangan :
Nilai Jumlah Nilai
SB : Sangat Bagus SB : Sangat Bagus
BGS : Bagus BGS : Bagus
CKP : Cukup CKP : Cukup
KRG : Kurang KRG : Kurang
GGL : Gagal
Tabel 7 di atas merupakan data input yang telah ditansformasi menjadi numeric untuk dilatih. Keluaran atau target yang diinginkan dibagi menjadi 4 pola keluaran yaitu :
1. (1 1) = Sangat Bagus 2. (1 0) = Bagus
3. (0 1) = Cukup 4. (0 0) = Kurang
Data uji yang akan diujikan kedalam jaringan adalah data yang sama sekali
VI. PELATIHAN
Data dilatihkan dengan dipengaruhi oleh model algoritma jaringan yang digunakan dan jumlah lapisan tersembunyi data psikomotorik. Untuk menghasilkan iterasi tercepat, nilai-nilai dari jumlah lapisan tersembunyi diubah-ubah. Perubahan dilakukan dengan memberi nilai tetap pada salah satu item. Pelatihan data yang paling cepat konvergen terjadi pada
epoch ke-100000 dengan nilai sbb:
a. Jumlah sel lapisan tersembunyi : 10 s/d 100
b. Maksimum Epoch : 100000 c. Konstanta Belajar : 0.01 s/d 0.07 d. Galat yang diijinkan : 0.1
Hasil pelatihan dilakukan melalui 2 tahap, yaitu pelatihan terhadap data yang dilatihkan dan pengujian pada data yang baru yang belum pernah dilatihkan. Adapun data yang dilatihkan terdiri dari data 100 orang anak , dimana terdiri dari data 80 orang anak yang dilatihkan dan data 20 orang anak yang diujikan merupakan data yang baru yang belum dikenal oleh jaringan. Hal tersebut berfungsi untuk menguji seberapa besar JST mengenali data yang baru.
A. Data Latih
Gambar 5. Grafik Pelatihan ke 1
Keterangan
Gambar di atas menunjukkan bahwa proses pelatihan berhenti pada epoch ke 12636 dengan sintaks sebagai berikut :
tp=[50 100000 0.06 0.1]
[w1,b1,w2,b2]=initff(p,80,'logsig',t,'logsig' )
[w1,b1,w2,b2]=trainbp(w1,b1,'logsig',w2,b 2,'logsig',p,t,tp)
l=simuff(p,w1,b1,'logsig',w2,b2,'logsig') l=l'
Durasi : 17 menit
hasil konvergen pelatihan = 100%
Kemudian dilanjutkan dengan pelatihan ke- 2 yang terlihat pada gambar 6
Gambar 6. Grafik Pelatihan ke-2 Gambar 6, menunjukkan bahwa proses pelatihan berhenti pada epoch ke 6474 dengan sintaks sebagai berikut : tp=[50 100000 0.05 0.1]
[w1,b1,w2,b2]=initff(p,90,'logsig',t,'logsig' )
[w1,b1,w2,b2]=trainbp(w1,b1,'logsig',w2,b 2,'logsig',p,t,tp)
l=simuff(p,w1,b1,'logsig',w2,b2,'logsig') l=l'
Durasi : 12 menit
hasil konvergen pelatihan = 100%
Gambar 7. Grafik Pelatihan ke-3
Gambar 7, menunjukkan bahwa proses pelatihan berhenti pada epoch ke 7610 dengan sintaks sebagai berikut : tp=[50 50000 0.07 0.1]
[w1,b1,w2,b2]=initff(p,90,'logsig',t,'logsig' )
[w1,b1,w2,b2]=trainbp(w1,b1,'logsig',w2,b 2,'logsig',p,t,tp)
l=simuff(p,w1,b1,'logsig',w2,b2,'logsig') l=l'
Durasi : 15 menit
hasil konvergen pelatihan = 100%
Tabel 8. Hasil Pelatihan Data Latih Yang Diambil Secara Acak Yang Diinput Ke Dalam JST Dengan Metode Backpropogation
Pola Inpu t
Pola Outpu
t
Lapisan Tersem
bunyi
Konsta nta Belajar
Gala t
Fungsi Aktivas
i
Tampila n Per–
Iterasi
Maksimu m Epoch
Konver gen P T 10 0.01 0.1 Logsig 50 100000 100% P T 20 0.01 0.1 Logsig 50 100000 100% P T 70 0.01 0.1 Logsig 50 100000 100% P T 20 0.02 0.1 Logsig 50 100000 100% P T 40 0.02 0.1 Logsig 50 100000 100% P T 80 0.02 0.1 Logsig 50 100000 100% P T 100 0.02 0.1 Logsig 50 100000 100% P T 20 0.03 0.1 Logsig 50 100000 100% P T 50 0.03 0.1 Logsig 50 100000 100% P T 60 0.03 0.1 Logsig 50 100000 100% P T 90 0.03 0.1 Logsig 50 100000 100% P T 60 0.04 0.1 Logsig 50 100000 100% P T 90 0.04 0.1 Logsig 50 100000 100% P T 20 0.05 0.1 Logsig 50 100000 100% P T 50 0.05 0.1 Logsig 50 100000 100% P T 80 0.05 0.1 Logsig 50 100000 100% P T 30 0.06 0.1 Logsig 50 100000 100% P T 60 0.06 0.1 Logsig 50 100000 100% P T 70 0.06 0.1 Logsig 50 100000 100% P T 90 0.06 0.1 Logsig 50 100000 100% P T 60 0.07 0.1 Logsig 50 100000 100% P T 100 0.07 0.1 Logsig 50 100000 100%
Tabel 9. Hasil Pengujian Data Uji ke Dalam JST
KB
LT 0,01 0,02 0,03 0,04 0,05 0,06 0,07
20 80% 85% 70% TK 85% TK TK
30 TK TK TK 30% TK 80% 70%
40 65% 80% TK TK TK TK 70%
50 TK 65% 85% 65% 75% TK 75%
60 TK TK 70% 85% 70% 90% 85%
70 95% 70% 70% 70% 65% 85% 75%
80 TK 80% TK 70% 75% 60% 70%
90 TK TK 75% 75% 65% 80% 70%
100 TK 85% TK 70% TK 70% 85%
Keterangan :
KB : Konstanta Belajar LT : Lapisan Tersembunyi TK : Tidak Konvergen
VII. PENGUJIAN
Bobot awal pada learning rate 0.01 dan diberikan lapisan tersembunyi 70 pada percobaan ke- 5, yaitu dengan jumlah epoch 35293. Dengan membandingkan hasil perhitungan manual dengan program. Untuk menghitung presentase hasil kebenaran dari aplikasi yang di buat menggunakan rumus sebagai berikut:
Presentase =Data KeberhasilanJumlah Data x 100
Diketahui :
Data keberhasilan (Benar) = 19 Data yang salah = 1
Jumlah data = 20 Jadi ;
Presentase = 19 x 100 = 95 % 20
Jadi dari hasil perhitungan di atas di dapat hasil prosentase keberhasilannya adalah 95%. Adapun hasil pengujian terhadap data yang baru yang paling konvergen dapat dilihat pada tabel 10
Tabel 10. Hasil Analisa Prediksi Terhadap Data Baru Yang Diuji.
NO Nama
Kriteria aspek Psikomotorik anak Target Uji Sebenarn
ya
HP
U KSB KJST X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
1 Febri Andika 7 6 8 8 6 7 6 8 8 6 1 0 1 0 Bagus Benar
2 Dedi M 9 7 8 7 6 7 8 8 5 8 1 0 1 0 Bagus Benar
3 Nurul O 8 6 8 6 7 9 8 7 7 5 1 0 1 0 Bagus Benar
4 Angga S 8 5 7 8 5 8 6 8 7 6 1 0 1 0 Bagus Benar
5 Dea Nur P 7 5 6 7 4 7 6 6 5 5 0 1 0 1 Cukup Benar
6 Muhammad 7 8 7 8 7 8 6 6 7 6 1 0 1 0 Bagus Benar
7 Fitri Lestari 8 7 8 7 8 8 7 7 7 5 1 0 1 0 Bagus Benar
8 Meysa A 7 6 7 7 8 7 6 8 6 7 1 0 1 0 Bagus Benar
9 Guntur
9 8 7 8 6 8 8 8 7 6
1 1 1 1 Sangat Bagus
Benar
10 Bima 6 6 8 5 8 6 8 8 6 6 1 0 1 0 Bagus Benar
12 Kiki H 8 8 6 6 4 6 7 5 8 6 0 1 1 0 Cukup Salah
X1 : Gerak Reflek Segmental X5 : Deskriminasi Visual
X9 : Keterampilan Adaptif Kompleks X2 : Gerak Reflek Intersegmental X6 : Ketahanan
X10 : Gerakan Ekspresif X3 : Gerakan Lokomotor X7 : Kekuatan
X4 : Deskriminasi Kinestesis X8 : Keterampilan Adaptif HPU : Hasil Pengujian KSB : Kondisi Sebenarnya
KJST : Ketepatan Jaringan Saraf Tiruan
VIII. KESIMPULAN
Berdasarkan hasil penelitian dan pembahasan yang telah dilakukan dapat diambil beberapa kesimpulan antara lain : 1. Penerapan data mining dengan jaringan syaraf tiruan dapat memprediksi tingkat kemampuan anak berdasarkan aspek psikomotorik untuk menentukan apakah psikomotorik anak tersebut sangat bagus, bagus, cukup atau kurang.
2. Untuk mendapatkan hasil prediksi yang lebih akurat perlu memperhatikan lapisan tersembunyi, learning rate, galat yang diijinkan dan maksimum
epoch.
3. Hasil output pada proses pengujian terhadap data baru yang diprediksi yang diinginkan mendekati ketepatan pada hasil presentase keberhasilan mencapai 95%, karena
telah terjadi penyesuaian nilai bobot dan bias yang semakin baik pada proses pelatihan dalam memprediksi tingkat kemampuan anak berdasarkan aspek psikomotorik.
Untuk pengembangan lebih lanjut, maka ada beberapa saran yakni:
1. Perlu dilakukan pembelajaran dan pelatihan dengan data yang lebih banyak agar mampu mengenali data uji dengan cepat dan tepat, sehingga pola output yang dihasilkan lebih mendekati target yang diinginkan. 2. Penelitian lebih lanjut diharapkan
mampu membuat aplikasi berbasis GUI dengan menggunakan software MatLab untuk mempermudah melakukan prediksi tingkat kemampuan anak berdasarkan aspek psikomotorik.
3. Diharapkan format masukan data
tidak hanya berupa Microsoft
Excel saja tetapi bisa Microsoft
Access, SQL server, dan lain
sebagainya.
DAFTAR PUSTAKA
Decaprio, Richard., Aplikasi Teori Pembelajaran Motorik Di Sekolah, DIVA Press, Jokjakarta, 2013 Jurnal Media Informatika ( Vol. 2, No. 2,
Backpropogation Untuk Mendeteksi Gangguan Psikologi) Jurnal Teknik Informatika ( Vol. 7, No. 3,
Desember 2009 : 195 – 200, oleh Yeni Nuraeni, judul : Penerapan Jaringan Saraf Tiruan Untuk Mengukur Tingkat Korelasi Antara NEM dengan IPK Kelulusan Mahasiswa )
Jurnal SAINTIKOM (Vol. 10, No. 2, Mei 2011 : 111 – 123, oleh Badrul Anwar, judul : Penerapan Algoritma Jaringan Saraf Tiruan Backpropogation Dalam Memprediksi Tingkat Suku Bunga Bank )
Kusumadewi, Sri., Artificial Intelligence (Teknik dan Aplikasinya), Graha Ilmu, Yogyakarta, 2003.
Luthfi, E T., Algoritma Data Mining, Penerbit Andi, STMIK AMIKOM Yogyakarta, 2009.
Maimun, Agus., Penilaian Berbasis Kelas di Madrasah, Percetakan Fajar Cemerlang, Malang, 2006. Suyanto, Artificial Intelligemce
(Searching, Reasoning, Planning and Learning), Informatika, Bandung, 2007.
http://IlmuKomputer.org/diktat-konsep-dataMining.pdf/diakses 02/05/2013 http://www.prediksi.web.id/diakses
04/05/2013
http://www.kamusbesar.com/diakses 04/05/2013
