Arniantya, Raissa (2017) Optimasi Vektor Bobot Pada Learning Vector Quantization Menggunakan Algoritme Genetika Untuk Identifikasi Jenis Attention Deficit Hyperactivity Disorder Pada Anak. Sarjana thesis, Universitas Brawijaya.
Abstract
Attentiion Deficit Hyperactivity Disorder (ADHD) merupakan salah satu gangguan mental yang biasanya dialami oleh anak usia dini (di bawah 7 tahun). Ditandai dengan kurangnya kemampuan berkonsentrasi, munculnya perilaku yang berlebihan (hiperaktif) dan perilaku yang muncul secara tiba-tiba diluar kendali (impulsif). Terdapat 3 jenis ADHD yaitu Inatentif, Hiperaktif, dan Impulsif. Namun belum banyak masyarakat yang paham dengan bahayanya penyakit ini apabila tidak diketahui sejak dini, maka dibutuhkan sistem yang dapat membantu masyarakat awam untuk mengidentifikasi jenis ADHD. Sistem menggunakan salah satu metode klasifikasi yaitu Learning Vector Quantization (LVQ) namun LVQ masih memiliki akurasi yang rendah pada beberapa kasus klasifikasi sehingga dibutuhkan metode optimasi yaitu Algoritme Genetika (AG) yang diharapkan dapat meningkatkan akurasi sistem. AG akan mengoptimasi vektor bobot LVQ melalui proses genetika yaitu membangkitkan populasi, crossover, mutasi, evaluasi dan seleksi. Vektor bobot yang dihasilkan oleh AG digunakan LVQ untuk proses training dan testing. Pengujian terhadap sistem dibagi menjadi 2 yaitu terhadap metode LVQ dan metode LVQ-AG, setelah diuji metode LVQ hanya menghasilkan rata-rata akurasi 77% sedangkan setelah dioptimasi dengan AG rata-rata akurasi meningkat menjadi 92%. Parameter terbaik yang menghasilkan akurasi tertinggi LVQ-AG antara lain ukuran populasi 75, crossover rate 0.6, mutation rate 0.4, jumlah generasi 80, learning rate 0.001 dan pengurang learning rate 0.1. Dapat disimpulkan pengoptimasian vektor bobot LVQ menggunakan AG dapat meningkatkan akurasi meskipun membutuhkan rata-rata waktu komputasi yang cukup lama yaitu 32.29 menit.
English Abstract
Attention Deficit Hyperactivity Disorder (ADHD) is one of the most common mental disorders happened to young children (under 7 years old). Characterized by lack of ability to concentrate, appearance of excessive behavior (hyperactivity), and behavior that appears suddenly out of control (impulsive). There are 3 types of ADHD namely inattention, hyperactive, and impulsive, but not many people are aware about the dangers of this disease if it is not known early. So a system is needed for identify the type of ADHD. The system uses one of classification methods is Learning Vector Quantizaton (LVQ) but LVQ has a low accuracy in some classification cases so it needs an optimization method that is Genetic Algorithm (GA) which is expected to improve system's accuracy. GA will optimize LVQ's weight vectors through genetic processes, those are generate population, crossover, mutation, evaluation, and then selection. The weight vector generated by GA is used LVQ for training and testing process. Testing of the system is devided into LVQ and LVQ-GA after system is tested the accuracy of LVQ is 77% only than LVQ-GA is 92%. The best parameter which is generate highest accuracy are population size is 75, crossover rate is 0.6, mutation rate is 0.4, number of generation is 80, learning rate is 0.001, and decriment learning rate is 0.1. It means LVQ's weight vector optimization using GA can improve accuracy eventhough it requires longer computation time which is 32.29 minutes.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTIK/2017/488/051707810 |
| Uncontrolled Keywords: | Klasifikasi, Attention Deficit Hyperacivity Disorder, Learning Vector Quantization, Optimasi, Algoritme Genetika |
| Subjects: | 000 Computer science, information and general works > 006 Special computer methods > 006.3 Artificial intelligence > 006.31 Machine learning |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Yusuf Dwi N. |
| Date Deposited: | 04 Sep 2017 02:16 |
| Last Modified: | 28 Sep 2020 09:55 |
| URI: | http://repository.ub.ac.id/id/eprint/1993 |
Preview |
Text
Raissa Arniantya.pdf Download (8MB) | Preview |
Actions (login required)
 |
View Item |