Klasifikasi Penyimpangan Tumbuh Kembang Anak Menggunakan Metode Extreme Learning Machine (ELM)

Ariestyani, Makrina Christy (2017) Klasifikasi Penyimpangan Tumbuh Kembang Anak Menggunakan Metode Extreme Learning Machine (ELM). Sarjana thesis, Universitas Brawijaya.

Abstract

Pertumbuhan dan perkembangan anak pada usia dini berpengaruh pada kemampuan pribadi anak di kemudian hari. Setiap anak adalah unik, sehingga perkembangan dan pertumbuhannya pun tidak sama. Pertumbuhan dan perkembangan yang lambat seringkali dianggap normal. Penyimpangan tumbuh kembang anak yang telat diketahui dapat berakibat jangka panjang dan sukar diperbaiki. Berdasarkan permasalahan tersebut, penelitian ini dilakukan dengan menggunakan metode Extreme Learning Machine (ELM) untuk klasifikasi penyimpangan tumbuh kembang anak. Metode ELM terdiri dari proses training sebagai pembelajaran sistem dan testing untuk memperoleh hasil klasifikasi. Pengujian parameter yang dilakukan adalah pengujian rasio data latih dan data uji, pengujian pengaruh jumlah hidden neuron terhadap waktu, dan pengujian perbandingan fungsi aktivasi. Perhitungan akurasi dilakukan dengan menggunakan confusion matrix untuk mengetahui akurasi kerja sistem pada setiap kelasnya. Hasil pengujian parameter menunjukkan bahwa rasio data latih dan data uji dengan perbandingan 70:30, jumlah hidden neuron sebanyak 10 buah, dan fungsi aktivasi biner merupakan parameter dengan nilai akurasi terbaik. Perbandingan dah hasil klasifikasi penyimpangan tumbuh kembang anak dengan bantuan psikolog menunjukkan bahwa sistem menghasilkan akurasi yang kurang baik. Hal ini dapat disebabkan oleh sedikit dan tidak seimbangnya data yang digunakan untuk penelitian.

English Abstract

Growth and development of children at an early age affect the child's personal ability in the future. Every child is unique, so growth and growth are not the same. Slow growth and development are often considered normal. Deviation of late child growth is known to result in long-term and difficult to repair. Based on these problems, this research was conducted by using the Extreme Learning Machine (ELM) method for the classification of child growth deviations. ELM method consists of training process as system learning and testing to obtain the result of classification. The parameters test are test of ratio of training data and test data, testing the influence of number of hidden neurons over time, and comparative test of activation function. Accuracy calculation is done by using confusion matrix to know the accuracy of system work in each class. The result of parameter test shows that the ratio of training data and test data with ratio 70:30, the number of hidden neurons as many as 10 units, and the binary activation function is the parameter with the best accuracy value. The comparison of the result of the classification of child growth deviation with the help of psychologist shows that the system produces poor accuracy. This can be due to the small and unbalanced data used for the research.

Item Type:	Thesis (Sarjana)
Identification Number:	SKR/FTIK/2017/572/051708084
Uncontrolled Keywords:	Extreme Learning Machine, Klasifikasi, Penyimpangan Tumbuh Kembang Anak
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:	03 Oct 2017 07:55
Last Modified:	09 Sep 2020 03:36
URI:	http://repository.ub.ac.id/id/eprint/3205

	Text Bagian Depan.pdf Download (7MB)
	Text BAB I.pdf Download (7MB)
	Text BAB II.pdf Download (7MB)
	Text BAB III.pdf Download (6MB)
	Text BAB IV.pdf Download (7MB)
	Text BAB V.pdf Download (7MB)
	Text BAB VI.pdf Download (8MB)
	Text BAB VII.pdf Download (6MB)
	Text Daftar Pustaka.pdf Download (6MB)

Actions (login required)

View Item