Rahadian, Brillian Aristyo (2017) Implementasi Genetic Algorithm Dan Artificial Neural Network Untuk Deteksi Dini Jenis Attention Deficit Hyperactivity Disorder. Sarjana thesis, Universitas Brawijaya.
Abstract
ADHD (Attention Deficit Hyperactivity Disorder) adalah gangguan motorik yang penderitanya sulit untuk berkonsentrasi dan melakukan sesuatu secara berlebihan. Deteksi jenis ADHD bisa dilakukan oleh pakar seperti dokter, perawat maupun orang psikolog yang menguasai bidang tersebut dan mereka memberikan solusi untuk penyembuhan anak yang terkena ADHD. Namun karena terbatasnya pakar maka cukup sulit untuk konsultasi ke seorang pakar. Maka dari itu bisa dibuat sistem untuk deteksi dini ADHD. Dalam penelitian ini dibuat implementasi metode GA-LVQ2 untuk deteksi dini jenis ADHD. Tahapan dari implementasinya adalah inisialisasi populasi, crossover, mutation, evaluasi, seleksi elitism, dan pelatihan LVQ2. Representasi solusi yang digunakan adalah real coded genetic algorithm. Panjang kromosom pada penelitian ini sebanyak 45 yang merupakan gejala ADHD. Hasil pengujian yang telah dilakukan adalah didapatkan akurasi tertinggi sebesar 95% pada pengujian dengan 20 data uji dengan nilai parameter ukuran populasi 10, crossover rate 0.9, mutation rate 0.1, banyak generasi 40, learning rate 0.1, pengurang learning rate 0.1, nilai konstanta ϵ 0.35. Keluaran sistem berupa bobot LVQ terbaik yang telah diuji dan memiliki akurasi tinggi.
English Abstract
ADHD (Attention Deficit Hyperactivity Disorder) is a psychomotor disorder that the patient is difficult to concentrate and do something excessively. Types of ADHD detection can be done by experts such as doctors, nurses and psychologists who has mastered and give solutions for therapy who affected by ADHD. However due to the limited expertise it’s quite difficult to consultancy with an experts. Therefore can be made a system for early detection of ADHD. In this research, the implementation of GA-LVQ2 methods for early detection of ADHD types. Stages of implementation are population initialization, crossover, mutation, evaluation, elitism selection, and LVQ2 training. Using real coded genetic algorithm as the representation of solution. Chromosome length in this study was 45, which is a symptoms of ADHD. The result of the testing has been done is the highest accuracy reached 95% in the test with 20 data testing with the parameter value of population size 10, crossover rate 0.9, mutation rate 0.1, generations 40, learning rate 0.1, the learning rate reducer 0.1, the constant value ε 0.35. System output is the best LVQ weights that have been tested and have high accuracy.
Item Type: | Thesis (Sarjana) |
---|---|
Identification Number: | SKR/FTIK/2017/442/051707764 |
Uncontrolled Keywords: | Attention Deficit Hyperactivity Disorder (ADHD), Genetic Algorithm (GA), Artificial Neural Network (ANN), Learning Vector Quantization (LVQ), LVQ2, GA-LVQ2 |
Subjects: | 000 Computer science, information and general works > 006 Special computer methods > 006.3 Artificial intelligence > 006.32 Neural nets (neural networks) |
Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
Depositing User: | Yusuf Dwi N. |
Date Deposited: | 18 Sep 2017 07:13 |
Last Modified: | 22 Sep 2020 06:40 |
URI: | http://repository.ub.ac.id/id/eprint/2648 |
![]() |
Text
Rahadian, Brillian Aristyo.pdf Download (6MB) |
Actions (login required)
![]() |
View Item |