Klasifikasi Kemampuan Perawatan Diri Anak dengan Disabilitas Menggunakan Neural Network dan Greedy Stepwise Sebagai Seleksi Fitur
Abstract
Disabilitas merupakan gangguan, keterbatasan aktivitas dan pembatasan partisipasi. Disabilitas disebut juga interaksi antara individu dengan kondisi kesehatan seperti (Cerebral palsy, sindrom Down dan depresi), faktor pribadi dan lingkungan seperti sikap negatif. Disabilitas dapat mengganggu perkembangan alami tubuh tergantung pada jenis kelamin, usia dan lingkungan. Penderita disabilitas merupakan kelompok minoritas terbesar didunia, 80% penderita berasal dari negara-negara berkembang. Selain itu Anak-anak menempati menyandang disabilitas dengan jumlah sepertiga dari jumlah keseluruhan penyandang disabilitas di dunia. Pada penerapannya proses diagnosis dan klasifikasi dimensi disabilitas membutuhkan ahli terapis okupasi. Teknik data mining dapat digunakan untuk membantu proses diagnosis yang bertujuan untuk menghindari kesalahan dalam diagnosis. Tujuan penelitian ini adalah untuk mengklasifikasikan masalah kemampuan perawatan diri anak disabilitas menjadi 7 kelas. Penelitian ini menggunakan dataset yang merepresentasikan masalah kemampuan perawatan diri anak dengan disabilitas. Dataset yang akan digunakan memiliki permasalahan multidimensional dataset dimana dataset memiliki fitur yang lebih banyak dibandingkan dengan jumlah datanya. Multidimensional dataset dilihat dari Jumlah fitur yang dimiliki yaitu 205 fitur dan 1 label dengan jumlah data sebanyak 70. Metode yang diusulkan pada penelitian ini yaitu greedy stepwise sebagai metode untuk mengatasi masalah multidimensional dataset dengan menyeleksi fitur bertujuan memilih fitur yang paling relevan. Selain greedy stepwise diterapkan juga metode neural network yang digunakan sebagai algoritme klasifikasi. Hasil penelitian menunjukan bahwa metode seleksi fitur greedy stepwise dengan penerapan neural network memperoleh nilai akurasi sebesar 84.2857% yang bisa disimpulkan hasil akurasinya baik.
Keywords
Full Text:
PDF (Bahasa Indonesia)References
Fitriyani. (2015). Integrasi Bagging Dan Greedy Forward Selection Pada Prediksi Cacat Software Menggunakan Naïve Bayes. STMIK Nusa Mandiri.
Fitriyani, & Wahono, R. S. (2015). Integrasi Bagging dan Greedy Forward Selection pada Prediksi Cacat Software dengan Menggunakan Naive Bayes. Journal of Software Engineering, 1(2).
Han, J., & Kamber, M. (2006). Data Mining Concepts and Techniques Second Edition. San Francisco: Diane Cerra.
Han, J., Kamber, M., & Pei, J. (2012). Data Mining Concepts and Techniques. San Fransisco: Morgan Kauffman.
Hermanto, R. R. (2010). Neural Network dan Implementasinya Dalam Data Mining.
Kemenkes. (2014). Penyandang Disabilitas Pada Anak. Pusat Data dan Informasi Kementrian Kesehatan RI.
Kusrini, & Luthfi, E. T. (2009). Algoritma Data Mining. Yogyakarta: Penerbit Andi.
Kusumadewi, S. (2004). Membangun Jaringan Syaraf Tiruan Menggunakan Matlab & Excel Link. Yogyakarta: Graha Ilmu.
Larose, D. T. (2006). Discovering Knowledge in Data: An Introduction to Data Mining. New Jersey: John Wiley & Sons, Inc.
Mongkareng, D., Setiawan, N. A., & Permanasari, A. E. (2017). Implementasi Data Mining dengan Seleksi Fitur untuk Klasifikasi Serangan pada Intrusion Detection System (IDS). Citee, (gambar 2), 314–321.
Myatt, G. J. (2007). Making Sense of Data: A Practical Guide to Exploratory Data Analysis and Data Mining. New Jersey: John Wiley & Sons, Inc.
Ramdhani, Y., & Riana, D. (2017). Hierarchical Decision Approach based on Neural Network and Genetic Algorithm method for single image classification of Pap smear. In In Informatics and Computing (ICIC), 2017 Second International Conference on (pp. 1–6). IEEE.
Soni, J., Ujma, A., Dipesh, S., & Sunita, S. (2011). Predictive Data Mining for Medical Diagnosis: An Overview of Heart Disease Prediction. International Journal of Computer Applications, 17(8), 43–48. Retrieved from https://pdfs.semanticscholar.org/fbd6/5a18f6653b56138cd5196d20e2f39de189e3.pdf
Spruyt, V. (2014). The Curse of Dimensionality in classification. Retrieved April 1, 2018, from http://www.visiondummy.com/2014/04/curse-dimensionality-affect-classification/
Suhartono, D. (2012). Dasar Pemahaman Neural Network. Retrieved July 1, 2018, from http://socs.binus.ac.id/2012/07/26/konsep-neural-network/
Susanti, S. (2019). Klasifikasi Kemampuan Perawatan Diri Anak dengan Disabilitas Menggunakan SMOTE Berbasis Neural Network. Jurnal Informatika, 6(2), 175–184. https://doi.org/10.31311/ji.v6i2.5798
WHO. (2007). ICF-CY (International Classification of Functioning, Disability and Health for Children and Youth). Switzerland: World Health Organization.
WHO. (2018). Disabilities. Retrieved May 4, 2018, from http://www.who.int/news-room/facts-in-pictures/detail/disabilities
Yeh, Y., Hou, T., & Chang, W. (2012). Expert Systems with Applications An intelligent model for the classification of children ’ s occupational therapy problems. Expert Systems With Applications, 39(5), 5233–5242. https://doi.org/10.1016/j.eswa.2011.11.016
Zarchi, M. S., Bushehri, F., & Dehghanizadeh, M. (2018). SCADI: International Journal of Medical Informatics, 114(2), 1–28. https://doi.org/10.1016/j.ijmedinf.2018.03.003
DOI: https://doi.org/10.31294/ji.v8i1.8986
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution 4.0 International License.
Index by:
 |  |  |  |  |
 |  |  |  |  |
 |  |  |
Published by Department of Research and Public Service (LPPM) Universitas Bina Sarana Informatika with supported Relawan Jurnal Indonesia
Jl. Kramat Raya No.98, Kwitang, Kec. Senen, Kota Jakarta Pusat, DKI Jakarta 10450
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License