Klasifikasi Retardasi Mental Anak Menggunakan Backpropagation Momentum

Novi Yanti, Yeni Fariati, Elvia Budianita, Suwanto Sanjaya, Megawati Megawati

Abstract


Terjadinya kendala keterampilan selama masa perkembangan anak, ditandai dengan adanya gangguan perkembangan jiwa yang tidak lengkap atau yang terhenti, hal ini dapat mempengaruhi tingkat emosional dan kecerdasan anak baik sebagian atau keseluruhan yang meliputi kemampuan kognitif, bahasa, motorik, dan sosial. Ciri ini merupakan gangguan retardasi mental pada anak sebelum berusia 18 tahun. Klasifikasi retardasi mental terdiri atas ringan, sedang, berat, dan sangat berat. Klasifikasi menggunakan 17 variabel masukan menerapkan metode backpropagation momentum dengan jumlah data yang digunakan 127 data. Parameter target error 0.001, maksimum epoch 1000, learning rate 0.01, 0.03, 0.05, 0.07, 0.4, jumlah neuron hidden layer 17, momentum 0.1, 0.3, 0.6, 0.8, 0.9 dengan perbandingan data 70:30, 80:20, 90:10. Hasil pengujian data 90:10 dengan parameter learning rate 0.07 dan momentum 0.8 memperoleh nilai akurasi 100%. Sehingga dapat disimpulkan bahwa backpropagation momentum dapat melakukan klasifikasi gangguan retardasi mental dengan sangat baik.

Full Text:

PDF

References


Aji, Deddy Kusbianto Purwoko, dan Nurul Khotimah. 2014. “Prediksi Diskalkulia Menggunakan Jaringan Syaraf Tiruan Backpropagation”, Jurnal SPIRIT 6 (1): 1-10.

Amaliah, Nur, Asahar Johar, dan Wayan Dharmayan. 2017. “Implementasi Metode Case Based Resoning (CBR) dalam Menentukan Klasifikasi Anak Yang Mengalami Retardasi Mental.” Jurnal Rekursif 5 (1): 33-42.

Andrian, Yudhi, dan Purwa Hasan Putra. 2014. “Analisis Penambahan Momentum Pada Proses Prediksi Curah Hujan Kota Medan Menggunakan Metode Backpropagation Neural Network.” Seminar Nasional Informatika, 165-72.

Avianto, Donny. 2016. “Pengenalan pola karakter plat nomor kendraan menggunakan algoritma momentum backpropagation neural network.” Jurnal Informatika 10(1): 1199-1209.

A. Yusuf, R. F. PK, dan H. E. Nihayati, Buku Ajara Keperawatan Kesehatan Jiwa. Jakarta: Salemba Medika, 2015.

D. Avianto, “Pengenalan pola karakter plat nomor kendraan menggunakan algoritma momentum backpropagation neural network,” J. Inform., vol. 10, no. 1, hal. 1199–1209, 2016.

Desiani, Anita, dan Muhammad Arhami. 2006. Konsep Kecerdasan Buatan. Yogyakarta: Andi.

Hermawan, Arif. 2006. Jaringan Syaraf Tiruan dan Aplikasinya. Yogyakarta: Andi.

Indriani, Aida. 2014. “Klasifikasi Data Forum dengan menggunakan Metode Naïve Bayes Classifier.” Seminar Nasional Aplikasi Teknologi Informasi (SNATI), 5-10

Kementerian Kesehatan RI, Buletin Jendela Data dan Informasi Kesehatan: Situasi Penyandang Disabilitas, Semester 2. Jakarta: Kementerian Kesehatan RI, 2014.

Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Aplikasi). Yogyakarta: Graha Ilmu.

Laudon, Kenneth C, dan Jane P Laudon. 2008. Sistem Informasi Manajemen. Diedit oleh Nina Setyaningsih. Ke-10. Jakarta: Salemba Empat.

Maharani, Warih. 2009. “Klasifikasi Data Menggunakan Jaringan Syaraf Tiruan Backpropagation Momentum Dengan Adaptive Learning Rate.” Seminar Nasional informatika 2009 (semnasIF 2009) 2009 (semnasIF): 25-31.

Prasetyo, Eko. 2012. Data Mining Konsep dan Aplikasi menggunakan Matlab. Yogyakarta: Andi.

R. Maslim, Buku Saku Diagnosis Gangguan Jiwa (PPDGJ III). Jakarta: FK Unika Atmajaya, 2001.

Siang, Jong Jek. 2005. Jaringan Syaraf Tiruan Dan Pemrogramannya Menggunakan Matlab. Yogyakarta: Andi.

Siswanto. 2010. Kecerdasan Buatan. Yogyakarta: Graha Ilmu.

Yanti, Novi. 2014. Prediksi Stok Obat di Apotik Menggunakan Metode Neural Network Dengan struktur Backpropagation (Studi kasus: Apotek ABC). Edisi 1. Pekanbaru: Lembaga Penelitian dan Pengabdian Masyarakat.


Refbacks

  • There are currently no refbacks.


FAKULTAS SAINS DAN TEKNOLOGI
UIN SUSKA RIAU
Kampus Raja Ali Haji
Gedung Fakultas Sains & Teknologi UIN Suska Riau
Jl.H.R.Soebrantas No.155 KM 18 Simpang Baru Panam, Pekanbaru 28293
Email: sntiki@uin-suska.ac.id