-
1PREDIKSI TINGKAT KEMAMPUAN ANAK BERDASARKAN ASPEKPSIKOMOTORIK
DENGAN MENGGUNAKAN DATA MINING METODE
BACKPROPAGATION
Relita BuatonNurul Ramadani
Program Studi Teknik InformatikaSTMIK KAPUTAMA
Jl. Veteran No. 4A-9A, Binjai,Sumatera
UtaraEmail:[email protected]
ABSTRACT
Perkembangan psikomotorik berhubungan dengan kejiwaan atau
mental dan gerakan.Psikomotorik adalah berhubungan dengan proses
aktivitas fisik yang berkaitan dengan prosesmental dan psikologi.
Emosi anak tampak mencolok pada anak-anak usia 2,5 sampai 3,5tahun
dan 5,5 sampai 6,5 tahun. Selama masa kanak-kanak emosi mereka
sangat kuat, inimerupakan saat ketidakseimbangan, dalam arti bahwa
anak mudah terbawa ledakan-ledakanemosional sehingga sulit
dibimbing dan diarahkan. Yang umum terjadi dalam masaperkembangan
sosial anak adalah bahwa anak lebih menyukai kontak sosial yang
sejenis daripada kelompok yang berlawanan. Anak pada usia 4 sampai
dengan 5 tahun merupakan usiayang paling tepat dalam mengoptimalkan
segala aspek perkembangan, khususnyaperkembangan psikomotorik anak.
Hasil belajar psikomotorik sangat berarti bagi kehidupananak karena
langsung mempengaruhi perilaku dan perbuatannya. Sehingga
perkembanganpsikomotorik anak perlu diketahui, karena sangat
mempengaruhi kejiwaan, mental, psikologidan perilaku.
Data mining merupakan penambangan atau penemuan informasi baru
denganmemprediksi, mencari pola atau aturan tertentu dari sejumlah
data dalam jumlah besar yangdiharapkan dapat mengatasi kondisi
tersebut. Untuk itu perlu dirumuskan bagaimanamemprediksi tingkat
kemampuan anak berdasarkan aspek psikomotorik. Aplikasimemprediksi
kemampuan aspek psikomotorik ini menggunakan jaringan saraf tiruan
denganmemakai metode Backpropagation.
Hasil analisis penelitian menunjukan bahwa: 1) Prediksi
kemampuan anak pada aspekpsikomotorik dapat dilakukan dengan
jaringan syarat tiruan menggunakan metodebackpropagation. 2) Pada
saat pengujian yang paling terbaik, diberikan maksimum epoch100000,
konstanta belajar 0.01, galat yang diijinkan 0.1 dan diberikan
lapisan tersembunyi 70dapat diketahui bahwa dari 20 data yang
diujikan ada 1 data yang tidak sesuai dengan outputyang diinginkan.
Sedangkan ada 19 data yang sesuai dengan output yang diinginkan
makadidapat hasil persentase 95% kebenaran.
Kata kunci : prediksi psikomotorik anak, data mining,
backpropagation.
-
2I. PENDAHULUANPsikomotorik berhubungan dengan
proses aktivitas fisik yang berkaitan denganproses mental dan
psikologi. Emosi anaktampak mencolok pada anak-anak usia 2,5sampai
3,5 tahun dan 5,5 sampai 6,5 tahun.Selama masa kanak-kanak emosi
merekasangat kuat, ini merupakan saatketidakseimbangan. Dalam arti
bahwa anakmudah terbawa ledakan-ledakan emosionalsehingga sulit
dibimbing dan diarahkan.Meskipun hal ini berlaku pada hampirseluruh
periode awal masa kanak-kanak.Hasil belajar psikomotorik sangat
berarti bagikehidupan anak karena langsungmempengaruhi perilaku dan
perbuatannya.Sehingga perkembangan psikomotorik anakperlu
diketahui, karena sangat mempengaruhikejiwaan, mental, psikologi
dan perilaku.
Prediksi tingkat kemampuan anakdalam penelitian ini adalah
mencari jumlahnilai setiap anak berdasarkan aspekpsikomotorik.
Dengan demikian diharapkanakan muncul suatu pola dimana dengan
polamasukan berupa nilai-nilai yang ada padaaspek psikomotorik dan
komputer akanmemberikan pola keluaran prediksi sesuaidengan data
yang dilatihkan. Hasil daripengembangan metode pada penelitian
inidiharapkan dapat memberikan manfaat untukmengetahui tingkat
ketercapaian kompetensidasar anak, mengetahui perkembangankemampuan
anak berdasarkan aspekpsikomotoriknya.
Berdasarkan latar belakang, makaidentifikasi masalahnya
adalah:
1. Bagaimana menganalisis variabel yangdigunakan untuk
memprediksi tingkatkemampuan anak agar bisamengetahui perkembangan
kemampuananak berdasarkan aspek psikomotorik ?
2. Bagaimana memprediksi tingkatkemampuan anak berdasarkan
aspekpsikomotorik ?
Dengan lingkup permasalahan adalah1. Prediksi tingkat kemampuan
anak
mengacu pada penilaian pada aspekpsikomotorik.
2. Prediksi dilakukan dengan tidakmempertimbangkan faktor-faktor
lain
penyebab kemerosotan ataupeningkatan kemampuan anak.
3. Pengambilan data dilakukan pada anakusia 4-5 tahun.
4. Kriteria atau variabel yang digunakanadalah Reflek Segmental,
ReflekIntersegmenta, Gerak Lokomotor,Diskriminasi Kinestesis,
DiskriminasiVisual, Ketahanan,Kekuatan,keterampilan Adaptif,
KeterampilanAdaptif Kompleks, Gerakan Ekspresif
Manfaat yang dicapai dari penelitian iniadalah:
1. Mengetahui tingkat ketercapaiankemampuan dasar anak
danperkembangan kemampuan anakberdasarkan aspek psikomotorik.
2. Untuk guru, supaya mengetahuiperkembangan kemampuan
anakdidiknya sehingga mendorong pendidikuntuk mengajar dan mendidik
lebih baik.
3. Untuk orang tua, supaya mengetahuiperkembangan kemampuan
anaksehingga dapat membantumengoptimalkan perkembanganpsikomotorik
anaknya lebih terarah.
II. PENELITIAN TERDAHULUPenelitian ini diperkuat oleh jurnal
Media Informatika ( Vol. 2, No. 2, Desember2004 : 1-11, oleh
Kiki, Sri Kusumadewi,judul : Jaringan Saraf Tiruan Dengan
MetodeBackpropogation Untuk MendeteksiGangguan Psikologi) yang
menyatakanbahwa metode Backpropagation dapatdigunakan untuk
melakukan pendeteksiansuatu jenis penyakit, gangguan, maupunkasus
yang memiliki data masa lalu, dandengan menggunakan
metodeBackpropagation, target output yangdiinginkan lebih mendekati
ketepatan dalammalakukan pengujian, karena terjadipenyesuaian nilai
bobot dan bias yangsemakin baik pada proses pelatihan.
Jurnal Teknik Informatika ( Vol. 7, No.3, Desember 2009 : 195
200, oleh YeniNuraeni, judul : Penerapan Jaringan SarafTiruan Untuk
Mengukur Tingkat KorelasiAntara NEM dengan IPK KelulusanMahasiswa )
juga menyatakan dalampenelitiannya menggunakan tahapan
-
3pengembangan aplikasi jaringan saraf tiruanumpan-maju
perambatan-balik (JST-PB),dalam penelitiannya digunakan metode
JST-PB dengan pertimabangan metode ini sangatbaik dalam menangani
masalah pengenalanpola-pola kompleks dan non-linier.
III. DATA MININGMenurut Kusrini dan luthfi (2009, h.3)
Data mining adalah suatu istilah yangdigunakan untuk menguraikan
penemuanpengetahuan di dalam database. Data miningadalah proses
yang menggunakan teknikstatistik, matematika, kecerdasan buatan,
danmachine learning untuk mengekstraksi danmengidentifikasi
informasi yang bermanfaatdan pengetahuan yang terkait dari
berbagaidatabase besar.
Menurut Kusrini dan luthfi (2009, h.3)data mining didefinisikan
sebagai suatuproses menemukan hubungan yang berarti,pola, dan
kecenderungan dengan memeriksadalam sekumpulan besar data yang
tersimpandalam penyimpanan dengan menggunakanteknik pengenalan pola
seperti teknik statisikdan matematika.
Selain definisi diatas beberapa definisijuga diberikan seperti
tertera dibawah ini :
1. Data mining adalah serangkaian prosesuntuk menggali nilai
tambah dari suatukumpulan data berupa pengetahuanyang selama ini
tidak diketahui secaramanual.
2. Data mining merupakan bidang daribeberapa bidang keilmuan
yangmenyatukan teknik dari pembelajaranmesin, pengenalan pola,
statistik,database, dan visualisasi untukpengenalan permasalahan
pengambilaninformasi dari database yang besar.Menurut Kusrini dan
luthfi (2009, h.4),
kemajuan luar biasa yang terus berlanjutdalam bidang data mining
didorong olehbeberapa faktor, antara lain :
1. Pertumbuhan yang cepat dalampengumpulan data.
2. Penyimpangan data dalam datawarehouse, sehingga
seluruhperusahaan memiliki akses kedalamdatabase yang handal.
3. Adanya peningkatan akses datamelalui navigasi web dan
intranet.
4. Tekanan kompetisi bisnis untukmeningkatkan penguasaan
pasardalam globalisasi ekonomi.
5. Perkembangan teknologi perangkatlunak untuk data mining
(ketersediaanteknologi).
6. Perkembangan yang hebat dalamkemampuan komputasi
danpengembangan kapasitas mediapenyimpanan.
Dari definisi-definisi yang telahdisampaikan, hal penting yang
terkait dengandata mining adalah :
1. Data mining merupakan suatu prosesotomatis terhadap data yang
sudahada.
2. Data yang akan diproses berupa datayang sangat besar.
3. Tujuan data mining adalahmendapatkan hubungan atau polayang
mungkin memberikan indikasiyang bermanfaat.
A. Tahapan Data MiningAda beberapa tahapan proses dalam
data mining. Diagram dibawahmenggambarkan beberapa tahap /
prosesyang berlangsung dalam data mining. Faseawal dimulai dari
data sumber dan berakhirdengan adanya informasi dihasilkan
daribeberapa tahapan, yaitu terlihat pada gambar1sebagai berikut
:
Gambar 1. Tahap - Tahap Data MiningDalam aplikasinya, data
mining
sebenarnya merupakan salah satu bagianproses Knowledge Discovery
in Database(KDD) yang bertugas untuk mengekstrakpola atau model
dari data denganmenggunakan suatu algoritma yang spesifik.
-
4Adapun proses KDD dijelaskan sebagaiberikut :
1. Data Selection(Seleksi Data)Pemilihan data dari sekumpulan
dataoperasional perlu dilakukan sebelumtahap penggalian informasi
dalam KDDdimulai.
2. Preprocessing / Cleaning (pemilihandata)Sebelum proses data
mining dapatdilaksanakan, perlu dilakukan prosescleaning dengan
tujuan untukmembuang duplikasi data, memeriksadata yang
inkonsisten, dan memperbaikikesalahan pada data, seperti
kesalahancetak (tipografi). Juga dilakukan prosesenrichment, yaitu
proses memperkayadata yang sudah ada dengan data atauinformasi lain
yang relevan dandiperlukan untuk KDD, seperti data atauinformasi
eksternal.
3. Transformation (Transformasi)Adalah proses coding pada data
yangtelah dipilih, sehingga data tersebutsesuai untuk proses data
mining. Prosescoding dalam KDD merupakan proseskreatif dan sangat
tergantung pada jenisatau pola informasi yang akan dicaridalam
database.
4. Data miningProses mencari pola atau informasimenarik dalam
data terpilih denganmenggunakan teknik atau metodetertentu.
5. Interpretation / EvaluationPola informasi yang dihasilkan
dariproses data mining perlu ditampilkandalam bentuk yang mudah
dimengertioleh pihak yang berkepentingan. Tahapini merupakan bagian
dari proses KDDyang disebut dengan interpretation.Tahap ini
mencakup pemeriksaanapakah pola atau informasi yangditemukan
bertentangan dengan faktaatau hipotesa yang ada sebelumnya
atautidak.
B. Defenisi Prediksi Secara UmumPrediksi adalah sama dengan
ramalan
atau perkiraan. Menurut kamus besar bahasaindonesia, prediksi
adalah hasil dari kegiatanmemprediksi atau meramal atau
memperkirakan. Prediksi bisa berdasarkanmetode ilmiah ataupun
subjektif belaka.Ambil contoh, prediksi cuaca selaluberdasarkan
data dan informasi terbaru yangyang didasarkan pengamatan termasuk
olehsatelit. Istilah prediksi akan sangattergantung pada konteks
ataupermasalahannya. Berbeda denganpengertian prediksi secara
bahasa yangberarti ramalan atau perkiraan yang sudahmenjadi
pengertian yang baku.C. Pengertian Psikomotorik
Psikomotor berasal dari kata Psychedan Motor. Psyche artinya
kejiwaan ataumental, sedangkan Motor artinya gerakan.Jadi,
perkembangan psikomotorik berartiperkembangan yang berhubungan
dengankejiwaan atau mental dan gerakan.Psikomotorik adalah
berhubungan denganproses aktivitas fisik yang berkaitan
denganproses mental dan psikologi.
Ada 4 jenis perkembangan seoranganak, yaitu:1. Perkembangan
Fisik dan Motorik
Perkembangan motorik meliputimotorik kasar dan motorik halus.
MenurutElisabeth B. Hurlock dan diterjemahkan olehistiwidayanti dan
soedjarwo (2008, h. 81), Motorik kasar adalah gerakan tubuh
yangdipengaruhi oleh kematangan anak itusendiri, sedangkan motorik
halus adalahgerakan yang menggunakan otot halus atausebagian
anggota tubuh tertentu dipengaruhioleh kesempatan belajar dan
berlatih.
Adapun macam-macam pola motorikyang umum pada masa anak-anak
yaitu ;melihat, tersenyum, menahankepala,berguling, duduk,
mengerakan kakidan tangan, berdiri, berjalan, berlari,melompat dan
sebagainya.2. Perkembangan Kognitif/Intelektual
Menurut Imam Musbikin (2012, h.17-50), Perkembangan kognitif
merupakansalah satu perkembangan manusia yangberkaitan dengan
pengetahuan, yakni semuaproses psikologis yang berkaitan denganyang
bagaimana individu mempelajari danmemikirkan lingkungannya.
Kemampuankognitif merupakan sesuatu yangfundamental dengan
kemampuan kognitif iniakan dipandang sebagai individu yang
secaraaktif membangun sendiri pengetahuan
-
5mereka tentang dunia. Adapun macam-macam pola kognitif yang
umum pada masaanak-anak misalnya : anak mulai mengenalnama hari,
mengenal perbedaan bentuk,mulai mengenal warna dan sebagainya.3.
Perkembangan Bahasa Anak
Menurut Elisabeth B. Hurlock danditerjemahkan oleh Istiwidayanti
danSoedjarwo (2008, h.82), Semua anak harusdapat menguasai dua
fungsi yang berbedadalam teknik bicara, kemampuan menangkapmaksud
yang ingin di komunikasikan denganorang lain dan kemampuan
untukberkomunikasi dengan orang lain sedemikianrupa sehingga dapat
dimengerti.Kemampuan berbahasa merupakankemampuan manusia yang
membedakannyadengan makhluk lain. Bicara merupakansalah satu sarana
oleh manusia untukmelakukan komunikasi dengan orang lain.Ini
termasuk juga merupakan bagian daritahapan perkembangan anak. Ada
tiga halyang terlibat dalam belajar bicara anak yaitu :pengucapan,
membangun kosakata, danmenghubungkan kata-kata sehingga
menjadisebuah kalimat.4. Perkembangan Emosi Anak
Menurut Elisabeth B. Hurlock danditerjemahkan oleh Istiwidayanti
danSoedjarwo (2008, h. 114), Emosi anaktampak mencolok pada
anak-anak usia 2,5sampai 3,5 tahun dan 5,5 sampai 6,5 tahun.Selama
masa kanak-kanak emosi merekasangat kuat, ini merupakan
saatketidakseimbangan. Dalam arti bahwa anakmudah terbawa
ledakan-ledakan emosionalsehingga sulit dibimbing dan
diarahkan.Meskipun hal ini berlaku pada hampirseluruh periode awal
masa kanak-kanak.
Adapun macam-macam pola emosi yangumum pada masa anak-anak yaitu
:kemarahan, ketakutan, rasa ingin tahu,kegembiraan, kesedihan,
afeksi dansebagainya.5. Perkembangan Sosial Anak
Menurut Elisabeth B. Hurlock danditerjemahkan oleh Istiwidayanti
danSoedjarwo (2008, h.118) , Yang umumterjadi dalam masa
perkembangan sosialanak adalah bahwa anak lebih menyulaikontak
sosial yang sejenis dari padakelompok yang berlawanan .
Perkembangan
sosial biasanya dimaksudkan sebagaiperkembangan tingkah laku
anak dalammenyesuaikan diri dengan aturan-aturan yangberlaku di
dalam masyarakat di mana anakberada. Reaksi mereka terhadap rasa
dingin,sakit, bosan atau lapar berupa tangisan yangsulit dibedakan.
Tetapi dengan berjalannyawaktu para pengasuh dapat membedakanreaksi
anak terhadap stimulinya.
Adapun macam-macam pola prilakusosial yang umum pada masa
anak-anakyaitu persaingan, kerjasama, meniru, simpati,empati,
membagi, prilaku akrab dansebagainya.D. Pengukuran Aspek
Psikomotorik
Menurut Sugiyanto dan Sudjarwo(1993, h.219-223 ), untuk lebih
jelasmemahami tentang penilaian psikomotorikdijelaskan definisi
dari penilaianpsikomotorik, yaitu:
1. Reflek segmental adalah gerakanReflek yang melibatkan satu
ruastulang belakang.
2. Reflek intersegmental adalah gerakanreflek yang melibatkan
lebih dari saturuas tulang belakang.
3. Gerak lokomotor adalah gerakberpindah dari satu tempat
ketempatlain. Misalnya : merangkak, berjalandan berlari.
4. Diskriminasi kinestetis merupakanperasaan yang sangat
kompleks yangditimbulkan oleh rangsangan di otot,urat, dan
pergelangan.
5. Diskriminasi visual merupakankemampuan untuk memahami
ataumenginterpretasikan segala sesuatuyang dilihat.
6. Ketahanan atau sering disebut dayatahan fisik adalah
kemampuan untukmelakukan aktivitas dalam jangkawaktu yang lama.
7. Kekuatan adalah kemampuanmenggunakan otot untuk menahan
ataumelawan beban.
8. Keterampilan adaptif sederhana adalahketerampilan yang
dihasilkan daripenyesuaian gerak dasar fundamentaldengan situasi
atau kondisi tertentupada saat melakukan gerakan.
9. Keterampilan adaptif kompleks adalahketerampilan yang
memerlukan
-
6penguasaan berbentuk gerakan dankoordinasi tubuh yang
kompleks.
10. Gerakan ekspresif meliputi gerakan-gerakan yang bisa
digunakan untukmengkomunikasikan maksud tertentuyang digunakan
dalam kehidupan.
E. Metode BackpropogationMenurut Kusumadewi (2003, h.236-
238), Backpropagation merupakan algoritmapembelajaran yang
terwarisi dan biasanyadigunakan oleh perceptron dengan
banyaklapisan untuk mengubah bobot-bobot yangterhubung dengan
neuron-neuron yang adapada lapisan tersembunyinya.
Algoritmabackpropagation menggunakan error outputuntuk mengubah
nilai-nilai bobotnya dalamarah mundur (backward). Tahap
perambatanmaju (forward propagation) harus dikerjakanterlebih
dahulu untuk mendapatkan nilaierror tersebut. Saat perambatan maju
neuron-neuron diaktifkan dengan menggunakanfungsi aktivasi sigmoid
biner yaitu:
Arsitektur jaringan backpropogationseperti terlihat pada gambar
2 sebagai berikut
Gambar 2. Arsitektur JaringanBackpropagation,
Kusumadewi (2003, h.236)Dari arsitektur Jaringan
Backpropagationpada gambar 2 dapat dijelaskan:
a. Inisialisasi bobot (gunakan bobot awaldengan nilai random
cukup kecil)
b. Kerjakan lakukan-langkah berikut,selama kondisi berhenti
bernilai FALSE.
Feed forward:1. Tiap-tiap unit input (Xi, i=1,2,3,...,n)
menerima sinyal xi dan meneruskan sinyaltersebut ke semua unit
pada lapisan yangada di atasnya (lapisan tersembunyi).
2. Tiap-tiap unit tersembunyi (Zi,j=1,2,3,...,p) menjumlahkan
sinyal-sinyalinput terbobot:
..(1)gunakan fungsi aktivasi untuk menghitungsinyal
outputnya:
zj = f(z_inj)..(2)dan kirimkan sinyal tersebut ke semua unit
dilapisan atasnya (unit-unit output).a. Tiap-tiap unit output (Yk,
k=1,2,3,...,m)
menjumlahkan sinyal-sinyal inputterbobot.
....(3)gunakan fungsi aktivasi untuk menghitungsinyal
outputnya:
yk = f(y_ink)(4)dan kirimkan sinyal tersebut ke semuaunit di
lapisan atasnya (unit-unit output).
b. Tiap-tiap unit output (Yk, k=1,2,3,...,m)menerima target pola
yang berhubungandengan pola input pembelajaran, hitunginformasi
errornya:
k = (tk yk) f(y_ink)..(5)kemudian hitung koreksi bobot(digunakan
untuk memperbaiki nilai wjk):
wjk = k zj...(6)hitung juga koreksi bias (digunakan
untukmemperbaiki nilai w0k):
w0k = k .(7)kirimkan k ini ke unit-unit yang ada dilapisan
bawahnya.
c. Tiap-tiap unit tersembunyi (Zj,j=1,2,3,...,p) menjumlahkan
delta inputnya(dari unit-unit yang berada pada lapisan diatasnya):
_ = .(8)kalikan nilai ini dengan turunan darifungsi aktivasinya
untuk menghitunginformasi error:
j = _inj f(z_inj(9)kemudian hitung koreksi bobot(digunakan untuk
memperbaiki nilai vij):
vjk = j xi(10)hitung juga koreksi bias (digunakan
untukmemperbaiki nilai v0j):
v0j = j .(11)d. Tiap-tiap unit output (Yk, k=1,2,3,...,m)
memperbaiki bias dan bobotnya(j=0,1,2,...,p):
wjk(baru) = wjk(lama) + wjk 12)
-
7Tiap-tiap unit tersembunyi (Zj,j=1,2,3,...,p) memperbaiki bias
danbobotnya (i=0,1,2,...,n):vij(baru) = vij(lama) + vij.(13)IV.
METODOLOGI PENELITIAN
1. Jenis penelitianDitinjau dari jenis datanya makapenelitian
ini adalah penelitian kuantitatifkarena penelitian ini membutuhkan
datadalam bentuk angka angka/ nilai, ataudata dalam bentuk
informasi , komentar ,pendapat atau kalimat
namundikuantitatifkan.
2. Pengumpulan dataa. Studi literature
Pengumpulan data yang diperolehdengan mengumpulkan
berbagaisumber kepustakaan, baik berupa buku-buku, browsing di
internet, jurnal,laporan penelitian dan lain sebagainyauntuk
ditelaah lebih lanjut sebagaibahan pendukung penelitian.
b. Pengumpulan data lapanganMetode pengumpulan data
lapangandigunakan untuk mengumpulkan datadata yang dibutuhkan dalam
penelitian.
c. Dialog, diskusi dan konsultasiMetode dialog, diskusi dan
konsultasidilakukan dengan cara melakukankonsultasi dengan dokter
anak sertamelakukan dialog maupun diskusidengan sumbersumber lain
yangberhubungan dengan penelitian ini.
3. Menganalisa dan melakukanperancangan sistem untuk
mempelajaripola data prediksi tingkat kemampuananak berdasarkan
aspek psikomotorikdengan metode backpropagation.
4. Mengimplementasikan hasil analisadan rancangan yang dilakukan
padatahap sebelumnya menjadi perangkatlunak untuk memprediksi
tingkatkemampuan anak berdasarkan aspekpsikomotorik.
5. Melakukan uji coba melalui systemyang dirancang.
6. Mengevaluasi hasil analisa yangdilakukan oleh sistem
berdasarkan poladata yang dihasilkan dari proses ujicoba.
V. ANALISIS SISTEM
1. Dilakukan analisis sistem terhadap teknikperamalan atau
prediksi data psikomotorikanak menggunakan software MATLAB6.5 yang
menyediakan fungsi-fungsipelatihan dan pengujian pada JaringanSaraf
Tiruan
2. Menentukan kebutuhan sistem sehinggadapat dilakukan
penganalisaan prediksidari data psikomotorik menggunakanalgoritma
backpropagation.
3. Data nilai pada psikomotorik anak sebagaidata masukan yaitu
data latih dan targetlatih, yang kemudian diproses dan
dilatihdengan algoritma backpropagation,kemudian dilakukan
pengujian data barusebagai perbandingan dengan data yangtelah
dilatihkan sebelumnya. Setelah itudidapat hasil keluaran yang
diujikemudian bandingkan dengan target uji.
A. Analisis Data MiningPerolehan nilai prediksi berdasarkan
tingkat kemampuan bersasarkan aspekpsikomotorik, yaitu Gerak
Reflek Segmental,Gerak Reflek Intersegmental, GerakanLokomotor,
Deskriminasi Kinestesis,Diskriminasi Visual, Ketahanan,
Kekuatan,Keterampilan Adaptif, Keterampilan AdaptifKompleks,
Gerakan Ekspresif. Data kriteriaaspek psikomotorik didapat dari
seorangpsikolog yang telah melakukan penilaian danpenelitian
sebelumnya.
Dalam penelitian ini, tidak semua anakakan dicari prediksinya
untuk data tingkatkemampuan psikomotoriknya, hanya data100 orang
anak yang diambil secara acak dan1000 datanya yang diolah untuk
dilakukananalisis prediksi apakah seorang anak itupsikomotoriknya
sangat bagus, bagus, cukupatau kurang melalui kerja jaringan
syaraf.
-
8Gambar 3. Flowchart Proses Pelatihan DanPengujian
Selain banyaknya data yang dilatihkan,iterasi epoch yang semakin
banyak jugacenderung akan menghasilkan nilai eror yangsemakin
kecil. Tetapi pelatihan yang optimaldipengaruhi oleh banyaknya
faktor sepertipenentuan learning rate, serta arsitekturjaringannya
sendiri. Untuk proses pengujian,
langkah yang dilakukan sama dengan prosespelatihan, namun
prosesnya hanya padaproses feedforward. Dan bobot yangdigunakan
adalah bobot terakhir dari hasilpelatihan. Selanjutnya ditentukan
threshold.Disini ditetapkan threshold=0,5, yang artinyajika nilai y
0.5, maka output yang diberikanadalah 1, dan jika y 0.5, maka
output yangdiberikan adalah 0.B. Perancangan Proses
Data yang diperlukan dalam prosesanalisis jaringan syaraf tiruan
menggunakanmetode backpropogation adalah penilaianuntuk setiap
kriteria aspek psikomotorik anaksebagai input dan presentase total
jumlahnilai untuk mendapatkan hasil penilaiansesungguhnya sebagai
output. Data tersebutdiambil secara acak dari 100 orang anakdengan
jumlah yang dilatihkan pada jaringansebanyak 80 orang anak, dan 20
orang anaksebagai data yang akan digunakan untukmenguji keakuratan
sistem didalammengenali masukan data yang lain.
Tabel 1. Kriteria PsikomotorikNo Kriteria Psikomotorik Inputan1
Reflek Segmental X12 Reflek Intersegmental X23 Gerakan Lokomotor
X34 Diskriminasi Kinestestis X45 Diskriminasi Visual X56 Ketahanan
X67 Kekuatan X78 Keterampilan Adaptif X89 Keterampilan Adaptif
KompleksX9
10 Gerakan Ekspresif X10Tahapan pengembangan system
sebagaiberikut :
1. Tahapan PertamaTabel 2. Data Psikomotorik
2. Tahapan KeduaTabel 3. Penentuan Variabel Psikomotorik
Data Nilai VariabelPsikomotorik
X1 X6X2 X7X3 X8X4 X9X5 X10
Input Data Variabelpsikomotorik (Dt Lth)
Konver
gen
Ya
TidakProses Database
sebagai Data Latih
Proses Databasesebagai Data Uji
Target Diketahui
Selesai
Mulai
Latih
Input Data VariabelPsikomotorik (Dt Uji)
Uji
-
9Variabel Input : Variabel Output :X1 X6 Sangat Bagus (1 1)X2 X7
Bagus (1 0)X3 X8 Cukup (0 1)X4 X9 Kurang (0 0)X5 X10
3. Tahapan KetigaArsitektur Jaringan :1 Lapisan Input Data
Psikomotorik:10 Sel1 Lapisan Tersembunyi(jumlah sel ditetapkan
secara random)1 Lapisan Output : 2 Sel
Gambar 4. Arsitektur JST.4. Tahapan Keempat: Pelatihan dan
Pengujian
C. Penentuan VariabelSeluruh data yang terkumpul
dipisahkan menjadi 2 bagian, yaitu masukandan keluaran. Yang
tergolong masukansecara berurutan adalah :
1. Gerak Reflek Segmental disimpan padavariabel X1
2. Gerak Reflek Intersegmental disimpanpada variabel X2
3. Gerakan Lokomotor disimpan padavariabel X3
4. Diskriminasi Kinestesis disimpan padavariabel X4
5. Diskrimninasi Visual disimpan padavariabel X5
6. Ketahanan disimpan pada variabel X67. Kekuatan disimpan pada
variabel X78. Keterampilan Adaptif disimpan pada
variabel X89. Keterampilan Adaftif Kompleks
disimpan pada variabel X910. Gerakan Ekspresif disimpan pada
variabel X10Kesepuluh variabel dengan jumlah 80
responden yang akan dilatihkan disusunmenjadi suatu matriks P,
dengan ukuran 10 x80, dan 20 responden sebagai data pengujike dalam
matriks Q dengan ukuran 10 x 20.
Tabel 4 Data Latih Berdasarkan Data Variabel Psikomotorik
NO NamaKriteria aspek Psikomotorik anak Jumlah
NilaiTarget
SebenarnyaX
1X2
X3
X4
X5
X6
X7
X8
X9 X10
1 Rafi Pratama 7 7 9 5 4 7 9 8 5 3 64 0 12 Heru Suseno 8 7 8 4 5
6 8 8 6 7 67 1 03 Andika 9 8 6 6 5 7 7 7 6 4 65 1 04 Anggun Anggira
6 6 7 7 5 7 7 7 5 4 61 0 15 Hengki 9 8 8 7 8 8 7 7 7 6 75 1 16
Tasya Amanda 7 7 8 5 4 4 8 8 6 3 60 0 17 Syadiah Nuralifa 6 6 7 2 4
6 7 6 5 2 51 0 08 Elisa Aulia Sari 8 7 9 4 6 5 8 7 6 6 66 1 09 Legi
Lestari 9 8 8 7 6 6 7 8 5 7 71 1 010 Dahlia Ayu 5 6 7 4 5 7 8 6 5 4
57 0 1
-
11
11 Felita Intan S 7 4 6 5 2 4 6 6 5 3 48 0 012 Aprilina A 8 6 6
5 5 5 6 7 4 5 57 0 113 Adi Yulianto 7 6 6 6 7 6 8 8 7 6 67 1 014
Edo Ponco P 9 8 8 6 7 8 7 8 7 7 75 1 115 Asri Ariesta 7 7 6 5 6 5 7
6 4 6 59 0 116 Astri Agustina 6 6 7 7 8 7 6 6 6 6 65 1 017 Brian
Wahyudi 9 8 8 7 5 7 8 7 7 3 69 1 018 Anggun Kusuma 6 4 6 6 3 7 7 6
2 1 49 0 019 Fatchur Rahmad 6 6 7 5 4 7 8 7 5 3 58 0 120 Puspita
Sari I 7 6 6 5 3 6 7 6 4 4 54 0 021 Maulana 6 6 8 7 5 6 7 6 4 6 61
0 122 Dwi Saputra 9 7 7 5 5 7 7 7 6 7 67 1 023 Agnarisma Latifa 8 7
7 6 7 8 8 6 7 6 70 1 024 Mardianti Olivia 8 6 8 6 4 7 7 6 8 7 67 1
025 Mira Puji Lestari 7 6 6 6 4 5 6 7 6 5 58 0 126 Nur Azizah 6 8 7
4 3 6 8 6 6 7 61 0 127 Reka Apriawan 6 6 7 5 4 6 6 7 5 5 57 0 128
Rizky 7 9 8 8 8 8 8 9 7 8 80 1 129 Widhyanto 8 7 6 7 5 7 7 7 6 5 65
1 030 Fatir Yudho 9 6 8 8 7 8 8 8 7 8 77 1 131 Sabilah 6 4 6 5 6 8
7 7 8 6 63 0 132 Eksanti Azissa R 7 7 8 4 5 6 6 8 6 6 63 0 133
Salsabila K 8 6 6 7 5 7 7 6 4 4 60 0 134 Sendy Prasetyo 9 6 6 8 7 8
7 7 4 6 68 1 035 Wahyu Pramana 6 7 7 5 5 7 8 7 8 7 67 1 036 Wiranda
H 7 7 8 8 4 7 7 8 6 6 68 1 037 Andra W 8 7 6 5 6 8 7 7 5 6 65 1 038
Dwi Ayudhiya C 9 8 7 7 8 6 7 8 9 7 76 1 139 Prabowo Dimas F 8 9 7 8
8 8 7 7 8 7 77 1 140 Rizky Eka R 8 6 6 7 6 7 7 6 4 5 62 0 141
Prahesty Fadila 7 7 7 6 5 6 6 7 3 5 59 0 142 Khoirunnisa H 8 5 6 7
5 4 7 7 5 5 59 0 143 Arroyan R 8 7 6 5 6 6 8 7 7 6 66 1 044 H Irvan
Miftahul 7 8 7 6 6 5 7 8 6 6 66 1 045 Ismail Singgih 8 6 8 6 7 6 7
7 4 6 65 1 046 Fajar Romadhony 9 7 6 5 6 7 6 8 6 5 65 1 047 Riki
Pratama P 7 7 7 5 6 5 7 7 6 7 64 0 148 Ismawati Sandara 7 6 6 7 5 6
5 7 8 4 61 0 149 Fantika Faadhilah 7 6 5 4 7 7 7 8 7 6 64 0 150
Farrel Hanafi 9 8 7 5 7 8 7 6 7 5 69 1 051 Emitasari Depy 8 6 7 6 7
8 8 6 5 6 67 1 052 Handik Prayoga 8 7 6 5 6 7 7 6 4 5 61 0 153
Ramandani R 6 8 6 3 7 5 7 6 6 5 59 0 1
-
12
54 Hanif Yusuf 7 7 7 6 7 8 7 7 7 6 69 1 055 Rahman A 7 8 8 8 8 8
8 8 8 6 77 1 156 Fitriani Puji 7 6 6 6 4 6 7 5 4 3 54 0 057 Ikka
Pujiastuti 8 6 6 5 5 6 6 6 6 3 57 0 158 Anggi Putri Dewi 8 7 7 5 3
7 8 6 3 2 56 0 159 Bintang Putra 7 5 7 6 6 7 7 8 6 7 66 1 060 Hadi
Setianto 7 6 6 5 4 6 6 7 5 7 59 0 161 Annisa Nur W 8 8 7 7 6 8 8 7
5 7 71 1 062 Lailatus Saadah 7 7 6 7 6 7 7 8 6 6 62 0 163 Mutiara
Lutfiatul 7 7 8 6 5 6 6 8 6 5 64 0 164 Bayu Setia Rama 8 7 7 8 6 8
7 6 5 4 66 1 065 Rindiani 6 6 6 5 7 6 6 6 6 5 59 0 166 Yayang
Wijaya 6 7 8 6 5 8 8 7 6 3 64 0 167 Novitasari 7 7 6 6 7 7 7 6 6 7
66 1 068 Dimas priyo J 8 7 8 6 6 7 7 6 7 7 69 1 069 Hana Aulia S 6
6 7 8 6 8 6 7 6 5 65 1 070 Murdikatus S 7 6 7 6 6 7 7 7 6 5 64 0
171 Arsyad Widi 7 6 6 6 5 7 6 6 4 2 55 0 172 Firmansyah 7 6 6 8 6 6
7 7 6 6 65 1 073 Duta Dzaky 8 7 7 8 7 8 8 7 7 7 74 1 174 Fidia
Ambar 7 8 7 7 6 7 6 6 5 4 63 0 175 Ryandra Irsy 8 8 7 8 7 8 9 8 6 7
76 1 176 Anwar Fathoni 9 8 7 8 7 7 8 8 7 7 76 1 177 Restu Putra 6 8
7 5 6 6 7 7 4 6 62 0 178 Muhammad G 7 7 8 7 7 8 7 6 5 3 65 1 079
Ria Isabella 7 6 7 8 6 6 7 7 3 6 63 0 180 Cyntia Sari 8 7 8 7 7 8 8
6 6 8 73 1 0
Keterangan :X1: Gerak Reflek SegmentalX2: Gerak Reflek
IntersegmentalX3: Gerakan LokomotorX4: Deskriminasi KinestesisX5:
Deskriminasi VisualX6: KetahananX7: KekuatanX8: Keterampilan
AdaptifX9: Keterampilan Adaptif KompleksX10: Gerakan
EkspresifRepresentasi variable input1. Data kriteria
psikomotorik
a. Jika persentase seluruh kriteriapsikomotorik 75 s/d 100,
makadikategorikan Sangat Bagus, dengansingkatan SB.
b. Jika persentase seluruh kriteriapsikomotorik 65 s/d 74,
makadikategorikan Bagus, dengansingkatan BGS.
c. Jika persentase seluruh kriteriapsikomotorik 55 s/d 64,
makadikategorikan Cukup, dengansingkatan CKP.
d. Jika persentase seluruh kriteriapsikomotorik 0 s/d 54,
makadikategorikan Kurang, dengansingkatan KRG.
2. Data nilaia. Jika nilai untuk setiap variabel
psikomotorik 9 s/d 10, makadikategorikan Sangat Bagus,
dengansingkatan SB.
-
14
b. Jika nilai untuk setiap variabelpsikomotorik 7 s/d 8,
makadikategorikan Bagus, dengan singkatanBGS.
c. Jika nilai untuk setiap variabelpsikomotorik 5 s/d 6,
makadikategorikan Cukup, dengan singkatanCKP.
d. Jika nilai untuk setiap variabelpsikomotorik 3 s/d 4,
maka
dikategorikan Kurang, dengansingkatan KRG.
e. Jika nilai untuk setiap variabelpsikomotorik 1 s/d 2,
makadikategorikan Gagal dengan singkatanGGL.
Berdasarkan representasi masukan berikutbentuk transformasi
dalam bentuk string
Tabel 5. Convert Angka Hasil Rekapitulasi Ke String
NO NamaKriteria Aspek Psikomotorik Anak Target
SebenarnyaX1 X2 X3 X4 X5 X6 X7 X8 X9 X10
1 Rafi Pratama BGS BGS SBG CKP KRG BGS SBG BGS CKP KRG CKP2 Heru
Suseno BGS BGS BGS CKP CKP CKP BGS BGS CKP BGS BGS3 Andika SBG BGS
CKP CKP CKP BGS BGS BGS CKP KRG BGS4 Anggun A CKP CKP BGS BGS CKP
BGS BGS BGS CKP KRG CKP5 Hengki SBG BGS BGS BGS BGS BGS BGS BGS BGS
CKP SBG6 Tasya Amanda BGS BGS BGS CKP KRG KRG BGS BGS CKP KRG CKP7
Syadiah N CKP CKP BGS GGL KRG CKP BGS CKP CKP GGL KRG8 Elisa Aulia
S BGS BGS SBG KRG CKP CKP BGS BGS CKP CKP BGS9 Legi Lestari SBG BGS
BGS BGS CKP CKP BGS BGS CKP BGS BGS10 Dahlia Ayu CKP CKP BGS KRG
CKP BGS BGS CKP CKP KRG CKP11 Felita Intan S BGS KRG CKP CKP GGL
KRG CKP CKP CKP KRG KRG12 Aprilina A BGS CKP CKP CKP CKP CKP CKP
BGS KRG CKP CKP13 Adi Yulianto BGS CKP CKP CKP BGS CKP BGS BGS BGS
CKP BGS14 Edo Ponco P SBG BGS BGS CKP BGS BGS BGS BGS BGS BGS SBG15
Asri Ariesta BGS BGS CKP CKP CKP CKP BGS CKP KRG CKP CKP16 Astri
Agustina CKP CKP BGS BGS BGS BGS CKP CKP CKP CKP BGS17 Brian
Wahyudi SBG BGS BGS BGS CKP BGS BGS BGS BGS KRG BGS18 Anggun K CKP
KRG CKP CKP KRG BGS BGS CKP GGL GGL KRG19 Fatchur R CKP CKP BGS CKP
KRG BGS BGS BGS CKP KRG CKP20 Puspita Sari I BGS CKP CKP CKP KRG
CKP BGS CKP KRG KRG KRG21 Maulana CKP CKP BGS BGS CKP CKP BGS CKP
KRG CKP CKP22 Dwi Saputra SBG BGS BGS CKP CKP BGS BGS BGS CKP BGS
BGS23 Agnarisma L BGS BGS BGS CKP BGS BGS BGS CKP BGS CKP BGS24
Mardianti O BGS CKP BGS CKP KRG BGS BGS CKP BGS BGS BGS25 Mira Puji
L BGS CKP CKP CKP KRG CKP CKP BGS CKP CKP CKP26 Nur Azizah CKP BGS
BGS KRG KRG CKP BGS CKP CKP BGS CKP27 Reka Apriawan CKP CKP BGS CKP
KRG CKP CKP BGS CKP CKP CKP28 Rizky BGS SBG BGS BGS BGS BGS BGS SBG
BGS SBG SBG29 Widhyanto BGS BGS CKP BGS CKP BGS BGS BGS CKP CKP
BGS30 Fatir Yudho SBG CKP BGS BGS BGS BGS BGS BGS BGS BGS SBG31
Sabilah CKP KRG CKP CKP CKP BGS BGS BGS BGA CKP BGS32 Eksanti
Azissa BGS BGS BGS KRG CKP CKP CKP BGS CKP CKP BGS33 Salsabila K
BGS CKP CKP BGS CKP BGS BGS CKP KRG KRG CKP34 Sendy Prasetyo SBG
CKP CKP BGS BGS BGS BGS BGS KRG CKP BGS35 Wahyu P CKP BGS BGS CKP
CKP BGS BGS BGS BGS BGS BGS
-
16
36 Wiranda H BGS BGS BGS BGS KRG BGS BGS BGS CKP CKP BGS37 Andra
W BGS BGS CKP CKP CKP BGS BGS BGS CKP CKP BGS38 Dwi Ayudhiya SBG
BGS BGS BGS BGS CKP BGS BGS SBG BGS SBG39 Prabowo D BGS SBG BGS BGS
BGS BGS BGS BGS BGS BGS SBG40 Rizky Eka R BGS CKP CKP BGS CKP BGS
BGS CKP KRG CKP CKP41 Prahesty Fadila BGS BGS BGS CKP CKP CKP CKP
BGS KRG CKP CKP42 Khoirunnisa H
BGS CKP CKP BGS CKP KRG BGS BGS CKP CKP CKP43 Arroyan R
BGA BGS CKP CKP CKP CKP BGS BGS BGS CKP BGS44 H Irvan M BGS BGS
BGS CKP CKP CKP BGS BGS CKP CKP BGS45 Ismail Singgih BGS CKP BGS
CKP BGS CKP BGS BGS KRG CKP BGS46 Fajar R SBG BGS CKP CKP CKP BGS
CKP BGS CKP CKP BGS47 Riki Pratama P BGS BGS BGS CKP CKP CKP BGS
BGS CKP BGS CKP48 Ismawati S BGS CKP CKP BGS CKP CKP CKP BGS BGS
KRG CKP49 Fantika F BGS CKP CKP KRG BGS BGS BGS BGS BGS CKP CKP50
Farrel Hanafi SBG BGS BGS CKP BGS BGS BGS CKP BGS CKP BGS51
Emitasari Depy BGS CKP BGS CKP BGS BGS BGS CKP CKP CKP BGS52 Handik
P BGS BGS CKP CKP CKP BGS BGS CKP KRG CKP CKP53 Ramandani R CKP BGS
CKP KRG BGS CKP BGS CKP CKP CKP CKP54 Hanif Yusuf BGS BGS BGS CKP
BGS BGS BGS BGS BGS CKP BGS55 Rahman A BGS BGS BGS BGS BGS BGS BGS
BGS BGS CKP SBG56 Fitriani Puji BGS CKP CKP CKP KRG CKP BGS CKP KRG
KRG KRG57 Ikka Pujiastuti BGS CKP CKP CKP CKP CKP CKP CKP CKP KRG
CKP58 Anggi Putri D BGS BGS BGS CKP KRG BGS BGS CKP KRG GGL CKP59
Bintang Putra BGS CKP BGS CKP CKP BGS BGS BGS CKP BGS BGS60 Hadi
Setianto BGS CKP CKP CKP KRG CKP CKP BGS CKP BGS CKP61 Annisa Nur W
BGS BGS BGS BGS CKP BGS BGS BGS CKP BGS BGS62 Lailatus S BGS BGS
CKP BGS CKP BGS BGS BGS CKP CKP CKP63 Mutiara L BGS BGS BGS CKP CKP
CKP CKP BGS CKP CKP CKP64 Bayu Setia R BGS BGS BGS BGS CKP BGS BGS
CKP CKP KRG BGS65 Rindiani CKP CKP CKP CKP BGS CKP CKP CKP CKP CKP
CKP66 Yayang Wijaya CKP BGS BGS CKP CKP BGS BGS BGS CKP KRG CKP67
Novitasari BGS BGS CKP CKP BGS BGS BGS CKP CKP BGS BGS68 Dimas
priyo J BGS BGS BGS CKP CKP BGS BGS CKP BGS BGS BGS69 Hana Aulia S
CKP CKP BGS BGS CKP BGS CKP BGS CKP CKP BGS70 Murdikatus S BGS CKP
BGS CKP CKP BGS BGS BGS CKP CKP CKP71 Arsyad Widi BGS CKP CKP CKP
CKP BGS CKP CKP KRG GGL CKP72 Firmansyah BGS CKP CKP BGS CKP CKP
BGS BGS CKP CKP BGS73 Duta Dzaky BGS BGS BGS BGS BGS BGS BGS BGS
BGS BGS SGS74 Fidia Ambar BGS BGS BGS BGS CKP BGS CKP CKP CKP KRG
CKP75 Ryandra Irsy BGS BGS BGS BGS BGS BGS SBG BGS CKP BGS SBG76
Anwar Fathoni SBG BGS BGS BGS BGS BGS BGS BGS BGS BGS SBG77 Restu
Putra CKP BGS BGS CKP CKP CKP BGS BGS KRG CKP CKP78 Muhammad G BGS
BGS BGS BGS BGS BGS BGS CKP CKP KRG BGS79 Ria Isabella BGS CKP BGS
BGS CKP CKP BGS BGS KRG CKP CKP80 Cyntia Sari BGS BGS BGS BGS BGS
BGS BGS CKP CKP BGS BGS
Keterangan :Nilai Jumlah NilaiSB : Sangat Bagus SB : Sangat
Bagus
-
17
BGS : Bagus BGS : BagusCKP : Cukup CKP : CukupKRG : Kurang KRG :
KurangGGL : Gagal
Secara matematis dapat dihitung sebagaiberikut.X =7 7 9 5 4 7 9
8 5 38 7 8 4 5 6 8 8 6 79 8 6 6 5 7 7 7 6 46 6 7 7 5 7 7 7 5 49 8 8
7 8 8 7 7 7 67 7 8 5 4 4 8 8 6 36 6 7 2 4 6 7 6 5 2
T =0 11 01 00 11 10 10 0
a. Jumlah neuron pada input layer = 10b. Jumlah neuron pada
hidden layer = 4c. Jumlah neuron pada output layer = 2d. Learning
rate () = 0.02e. Maksimum Epoch = 10000f. Target Error = 0.1Bobot
awal (ditentukan secara acak):1. Bobot awal input ke hiddenv
=0.8378 1.0924 0.5982 0.4711 0.6079 -0.6171 -1.0082 -0.6360 -0.1533
0.3866
-0.6603 0.9655 -0.1358 0.3510 0.7679 -0.2710 -1.0949 -1.1095
1.5906 0.0371
0.2835 -0.1733 0.3063 -0.5155 -0.17860.6233 -1.1993 -1.9295
-0.1354 -0.4735
-0.0330 -1.7006 0.6874 -0.1332 0.6952 -0.8656 0.3666 0.8716
-0.2873 0.2432
2. Bobot awal bias ke hidden
V0 = -6.6091 -1.6238 23.6501 -0.5616
3. Bobot awal hidden ke outputw = 4.1308 2.6079 -2.4325
-3.8168
0.0511 -1.2908 -5.6337 3.30794. Bobot awal bias ke outputW0 =
-1.5582 2.0603Pembelajaran:Epoh ke-1:Data ke = 1Operasi pada Hidden
Layer1) Penjumlahan berbobot:
Z_in1 = v01 + X11*V11 + X12*V12 +X13*V13 + X14*V14 +X15*V15 +
X16*V16 +X17*V17 + X18*V18 +X19*V19 + X1-10*V1-10
= -6.6091+ (7*0.8378) +(7*1.0924) + (9*0.5982) +(5*0.4711) +
(4*0.6079) + (7*-0.6171) + (9*-1.0082) + (8*-0.6360) + (5*-0.1533)
+(3*0.3866)
= -1.0150Z_in2 = v02 + X11*V21 + X12*V22 +
X13*V23 + X14*V24 +X15*V25 + X16*V26 +X17*V27 + X18*V28 +X19*V29
+ X1-10*V2-10
= -1.6238 + (7*-0.6603) + (7*0.9655 ) + (9 * -0.1358 ) + (5
*0.3510) + (4* 0.7679 ) + (7* -0.2710) + (9*-1.0949) + (8*-1.1095 )
+(5*1.5906 ) + (3*0.0371)
= -8.4458Z_in3 = v03 + X11*V31 + X12*V32 +
X13*V33 + X14*V34 +X15*V35 + X16*V36 +X17*V37 + X18*V38 +X19*V39
+ X1-10*V3-10
= 23.6501 + (7*0.2835 ) + (7* -0.1733) + (9 * 0.3063) + (5 *
-0.5155 ) + (4* -0.1786 ) + (7*0.6233 ) + (9*-1.1993 )+ (8*-
-
19
1.9295 ) + (5*-0.1354 ) + (3* -0.4735)
= -0.0778Z_in4 = v04 + X11*V41 + X12*V42 +
X13*V43+X14*V44 +
X15*V45+X16*V46+X17*V47+X18*V48+X19*V49+X1-10*V4-10
= -0.5616+ (7*-0.0330) + (7* -1.7006) + (9 * 0.6874) + (5 *
-0.1332) + (4* 0.6952 ) + (7* -0.8656 ) + (9*0.3666 )+(8*0.8716 ) +
(5*-0.2873 ) +(3* 0.2432)
= -0.88932) Aktivasi:
Z1= ( +1.0150 ) = 0.2660Z2= ( 8.4458 ) = 2.1475e-004Z3= (
+0.0778) = 0.4806Z4= ( 0.8893) = 0.2913
Operasi pada Output Layer --->3) Perkalian:
Y_in1= w01 + Z1*W11 +Z2*W12 +Z3*W13 + Z4* W14
= -1.5582 + (0.2660* 4.1308) +(2.1475e-004*2.6079) (0.4806*
-2.4325) + (0.2913*-3.8168)
= -2.7397Y_in2 = w02 + Z1*W21 +Z2*W22 +Z3*
W23 + Z4* W24= 2.0603+ (0.2660* 0.0511 ) +
(2.1475e-004* -1.2908 )+(0.4806* -5.6337 ) +(0.2913*3.3079)
= 0.32974) Aktivasi:
Y1 = ( 2.7397) = 0.0607Y2 = ( . ) = 0.5817
Error lapisan Y1 = 0 0.0607= -0.0607Jumlah Kuadrat Error =
(-0.0607)2 =0.00371 = 11 + _ 1 ( 11 + )
1 = (0 0.0607) 11 + . 1 ( 11 + . )= 0.0035Error lapisan Y2 = 0
0.5817= -0.5817Jumlah Kuadrat Error = (-0.5817)2 =0.33842 = 11 + _
1 ( 11 + )2 = (1 0.5817) 11 + . 1 ( 11 + . )= 0.1018 11 = 1 1 11 =
0.02 (0.0035) 0.2660= 1.8620 005 12 = 2 1 12 = 0.02 (0.1018)
0.2660= 5.4158 004 21 = 1 2 21 = 0.02 (0.0035) 2.1475e 004= 1.5033
008 22 = 2 2 22 = 0.02 (0.1018) 2.1475e 004 = 4.3723 007 31 = 1 3
31 = 0.02 (0.0035) 0.4806= 3.3642 005 32 = 2 3 32 = 0.02 (0.1018)
0.4806= 9.7850 004 41 = 1 4 41 = 0.02 (0.0035) 0.2913= 2.0391 005
42 = 2 4 42 = 0.02 (0.1018) 0.2913= 5.9309 004 01 = 1 01 = 0.02
(0.0035)= 7.0000 005 02 = 2 02 = 0.02 (0.1018) = 0.0020
-
20
11 = 1 11 = 0.0035 4.1308 = -0.014512 = 2 21 = 0.1018 0.0511=
0.005221 = 1 12= 0.0035 2.6079= 0.009122 = 2 22= 0.1018 1.2908=
0.131431 = 1 13= 0.0035 2.4325= 0.008532 = 2 23= 0.1018 5.6337=
0.573541 = 1 14= 0.0035 3.8168= 0.013442 = 2 24 = 0.1018 3.3079=
0.3367= 11 + _ 1 1 ( 11 + _ 1)= 0.0145 11 + . 1 ( 11 + . )= 0.0036=
11 + _ 1 1 ( 11 + _ 1)= 0.0052 11 + . 1 ( 11 + . )= 0.0013= 11 + _
1 ( 11 + _ )
= 0.0091 11 + . 1 ( 11 + . )= 0.0023= 11 + _ 1 ( 11 + _ )=
0.1314 11 + . 1 ( 11 + . )= 0.0328= 11 + _ 1 ( 11 + _ )= 0.0085 11
+ . 1 ( 11 + . )= 0.0020= 11 + _ 1 ( 11 + _ )= 0.5735 11 + . 1 ( 11
+ . )= 0.1354= 11 + _ 1 ( 11 + _ )= 0.0134 11 + . 1 ( 11 + . )=
0.0033= 11 + _ 1 ( 11 + _ )
-
21
= 0.3367 11 + . 1 ( 11 + . )= 0.0824v11 = 11 = 0.02 (0.0036) 7=
5.0400 004v12 = 12 11= 0.02 (0.0013) 7= 1.8200 004v21 = 21 11= 0.02
(0.0023) 7= 3.2200 004v22 = 22 11= 0.02 (0.0328) 7= 0.0046v31 = 31
11= 0.02 ( 0.0020) 7= 2.8000 004v32 = 32 11= 0.02 (0.1354) 7=
0.0190v41 = 41 11= 0.02 (0.0033) 7= 4.6200 004v42 = 42 11= 0.02
(0.0824) 7= 0.0115v01 = 11 = 0.02 (0.0036)= 7.2000 005v02 = 21 =
0.02 (0.0023)= 4.6000 005v03 = 31 = 0.02 ( 0.0020)= 4.0000 005v04 =
41 = 0.02 (0.0033)= 6.6000 005v11 = v11 + v11 = 0.8378 + 5.0400
004= 0.8373v12 = v12 + v12 = 1.0924 + 1.8200 004= 1.0926v13 = v13 +
v13 = 0.5982 3.2200 004 = 0.5979v14 = v14 + v14 = 0.4711 0.0046
=0.4665v15 = v15 + v15 = 0.6079+ 2.8000 004= 0.6082
v16 = v16 + v16 = -0.6171 + 0 = -0.6171v17 = v17 + v17 = -1.0082
+ 0 = -1.0082v18 = v18 + v18 = -0.6360 + 0 = -0.6360v19 = v19 + v19
= -0.1533 + 0 = -0.1533v1-10 = v1-10 + v1-10 = 0.3866 + 0
=0.3866v21 = v21 + v21 = -0.6603+ 0 = -0.6603v22 = v22 + v22 =
0.9655 + 0 = 0.9655v23 = v23 + v23 = -0.1358 + 0 = -0.1358v24 = v24
+ v24 = 0.3510 + 0 = 0.3510v25 = v25 + v25 = 0.7679 + 0 = 0.7679v26
= v26 + v26 = -0.2710 + 0 = -0.2710v27 = v27 + v27 = -1.0949 + 0 =
-1.0949v28 = v28 + v28 = -1.1095 + 0 = -1.1095v29 = v29 + v29 =
1.5906 + 0 = 1.5906v2-10 = v2-10 + v2-10 = 0.0371+ 0 = 0.0371v31 =
v31 + v31 = 0.2835 + 0 = 0.2835v32 = v32 + v32 = -0.1733 + 0 =
-0.1733v33 = v33 + v33 = 0.3063 + 0 = 0.3063v34 = v34 + v34 =
-0.5155 + 0 = -0.5155v35 = v35 + v35 = -0.1786 + 0 = -0.1786v36 =
v36 + v36 = -3.1801 + 0 = -3.1801v37 = v37 + v37 = 0.6233 + 0 =
0.6233v38 = v38 + v38 = -1.9295 + 0 = -1.9295v39 = v39 + v39 =
-0.1354 + 0 = -0.1354v3-10 = v3-10 + v3-10 = -0.4735 + 0 =
-0.4735v41 = v41 + v41 = -0.0330 + 0 = -0.0330v42 = v42 + v42 =
-1.7006 + 0 = -1.7006v43 = v43 + v43 = 0.6874 + 0 = 0.6874v44 = v44
+ v44 = -0.1332 + 0 = -0.1332v45 = v45 + v45 = 0.6952 + 0 =
0.6952v46 = v46 + v46 = -0.8656 + 0 = -0.8656v47 = v47 + v47 =
0.3666 + 0 = 0.3666v48 = v48 + v48 = 0.8716 + 0 = 0.8716v49 = v49 +
v49 = -0.2873 + 0 = -0.2873v4-10 = v4-10 + v4-10 = 0.2432 + 0 =
0.2432v01 = v011 + v01= -6.6091 7.2000 005 = -6.6092v02 = v012 +
v02 = -1.62384.6000 005= -1.6238
-
22
v03 = v013 + v03 = 23.6501 + 4.0000 005= 23.6501v04 = v014 + v04
= -0.5616+ 6.6000 005= -0.5615w11 = w11 + w11 = 4.13081.8620 005=
4.1308w12 = w21 + w12 = 2.6079 +5.4158 004= 2.6084w21 = w31 + w21=
-2.4325 1.5033 008= -2.4325w22 = w41 + w22= -3.8168 + 4.3723 007=
-3.8168w31 = w21 + w31 = 0.05113.3642 005= 0.0511w32 = w21 + w32=
-1.2908 + 9.7850 004= -1.2898w41 = w13 + w41 = -5.63372.0391 005=
-5.6337w42 = w14 + w42= 3.3079 + 5.9309 004 = 3.3085w01 = w01 + w01
=- 1.55827.0000 005= -1.5583w02 = w02 + w02 = 2.0603 + 0.0020
=2.0623
Pada data kedua, juga dilakukanoperasi-operasi yang sama
denganmenggunakan bobot-bobot akhir hasilpengolahan data pertama
ini sebagaibobot-bobot awalnya. Proses inidilakukan secara berulang
sampai padamaksimum epoh (100000) atau kuadraterror < target
error (0.1).Berikut adalah bobot akhir setelah epohke-3425 :1.
Bobot akhir input ke hiddenv =2.1304 1.5128 -0.3753 -1.2563
0.9763-0.1406 -1.6771 -1.3524 0.0738 1.8141-0.1996 0.9506 -0.7733
-0.7455 0.6793 -0.5000 -1.5514 -1.4870 1.5684 1.00561.3177 0.3019
-0.6337 -2.1943 -1.3760
0.4344 -0.8812 -1.4917 -0.0547 0.4877-0.8815 -2.0950 0.6101
1.3018 0.7690 -
0.9792 0.0128 0.5692 -0.6195 -1.02562. Bobot akhir bias ke
hiddenV0 = -6.6615 -1.6828 23.7283 -0.60533. Bobot akhir hidden ke
outputw = 7.4903 2.4921 -1.3515 -3.7863
-1.0633 -2.0383 -6.8314 3.28554. Bobot akhir bias ke outputW0 =
-3.0579 3.9047
Tabel 6. Data Uji Berdasarkan Kriteria Aspek Psikomotorik
NO Nama
Kriteria aspek Psikomotorik anak JumlahNilai
Target UjiSebenarnyaX1 X2 X3 X4 X5 X6 X7 X8 X9 X10
1 Febri Andika 7 6 8 8 6 7 6 8 8 6 70 1 02 Dedi M 9 7 8 7 6 7 8
8 5 8 73 1 03 Nurul O 8 6 8 6 7 9 8 7 7 5 71 1 04 Angga S 8 5 7 8 5
8 6 8 7 6 68 1 05 Dea Nur P 7 5 6 7 4 7 6 6 5 5 58 0 16 Muhammad 7
8 7 8 7 8 6 6 7 6 70 1 07 Fitri Lestari 8 7 8 7 8 8 7 7 7 5 72 1 08
Meysa A 7 6 7 7 8 7 6 8 6 7 69 1 09 Guntur 9 8 7 8 6 8 8 8 7 6 75 1
110 Bima 6 6 8 5 8 6 8 8 6 6 68 1 011 Siti N 7 7 6 5 6 7 6 7 5 4 60
0 112 Kiki H 8 8 6 6 4 6 7 5 8 6 64 0 113 Mahesa 9 8 8 7 6 7 8 8 7
7 75 1 114 Syah Dewa 5 7 6 8 7 8 5 8 7 6 67 1 015 Marlinta 6 7 4 6
8 7 8 5 4 4 59 0 116 Andrea Putri 6 7 8 6 6 6 7 5 5 6 62 0 117
Wiranda 5 6 7 8 8 6 8 7 7 8 70 1 018 Zakarianta 8 8 6 8 6 7 8 6 8 6
71 1 019 Leliana 6 7 8 6 8 6 8 6 8 7 70 1 0
-
820 Duma P 6 7 8 6 6 8 6 8 8 6 69 1 0
Keterangan :X1 : Gerak Reflek Segmental X5 : Deskriminasi
VisualX9 : Keterampilan Adaptif Kompleks X2 : Gerak Reflek
IntersegmentalX6 : Ketahanan X10 : Gerakan EkspresifX3 : Gerakan
Lokomotor X7 : KekuatanX4 : Deskriminasi Kinestesis X8 :
Keterampilan Adaptif
Tabel 7. Convert Angka Hasil Rekapitulasi ke HurufNO Nama
Kriteria aspek Psikomotorik anak Target UjiSebenarnyaX1 X2 X3 X4 X5
X6 X7 X8 X9 X101 Febri Andika BGS CKP BGS BGS CKP BGS CKP BGS BGS
CKP BGS2 Dedi M SBG BGS BGS BGS CKP BGS BGS BGS CKP BGS BGS3 Nurul
O BGS CKP BGS CKP BGS SBG BGS BGS BGS CKP BGS4 Angga S BGS CKP BGS
BGS CKP BGS CKP BGS BGS CKP BGS5 Dea Nur P BGS CKP CKP BGS KRG BGS
CKP CKP CKP CKP CKP6 Muhammad BGS BGS BGS BGS BGS BGS CKP CKP BGS
CKP BGS7 Fitri Lestari BGS BGS BGS BGS BGS BGS BGS BGS BGS CKP BGS8
Meysa A BGS CKP BGS BGS BGS BGS CKP BGS CKP BGS BGS9 Guntur SBG BGS
BGS BGS CKP BGS BGS BGS BGS CKP SBG10 Bima CKP CKP BGS CKP BGS CKP
BGS BGS CKP CKP BGS11 Siti N BGS BGS CKP CKP CKP BGS CKP BGS CKP
KRG CKP12 Kiki H BGS BGS CKP CKP KRG CKP BGS CKP BGS CKP CKP13
Mahesa SBG BGS BGS BGS CKP BGS BGS BGS BGS BGS SBG14 Syah Dewa CKP
BGS CKP BGS BGS BGS CKP BGS BGS CKP BGS15 Marlinta CKP BGS KRG CKP
BGS BGS BGS CKP KRG KRG CKP16 Andrea Putri CKP BGS BGS CKP CKP CKP
BGS CKP CKP CKP CKP17 Wiranda CKP CKP BGS BGS BGS CKP BGS BGS BGS
BGS BGS18 Zakarianta BGS BGS CKP BGS CKP BGS BGS CKP BGS CKP BGS19
Leliana CKP BGS BGS CKP BGS CKP BGS CKP BGS BGS BGS20 Duma P CKP
BGS BGS CKP CKP BGS CKP BGS BGS CKP BGS
Keterangan :Nilai Jumlah NilaiSB : Sangat Bagus SB : Sangat
BagusBGS : Bagus BGS : BagusCKP : Cukup CKP : CukupKRG : Kurang KRG
: KurangGGL : GagalTabel 7 di atas merupakan data input yangtelah
ditansformasi menjadi numeric untukdilatih. Keluaran atau target
yangdiinginkan dibagi menjadi 4 pola keluaranyaitu :
1. (1 1) = Sangat Bagus2. (1 0) = Bagus3. (0 1) = Cukup4. (0 0)
= Kurang
Data uji yang akan diujikan kedalamjaringan adalah data yang
sama sekali
belum dikenal oleh jaringan saraf tiruan.Jika hasil output
memiliki pesentase yangsangat tinggi maka sistem yang di
buatdikatakan cerdas dan jika hasil presentaserendah maka sistem
yang dibuat belumlahdikatakan cerdas. Oleh sebab itu perludilakukan
pelatihan terhadap data yangbesar (banyak) agar ketika diujikan
datayang belum dikenal sistem dapat dikenalidengan cepat dan
tepat.
-
8VI. PELATIHANData dilatihkan dengan dipengaruhi
oleh model algoritma jaringan yangdigunakan dan jumlah lapisan
tersembunyidata psikomotorik. Untuk menghasilkaniterasi tercepat,
nilai-nilai dari jumlahlapisan tersembunyi diubah-ubah.Perubahan
dilakukan dengan memberi nilaitetap pada salah satu item. Pelatihan
datayang paling cepat konvergen terjadi padaepoch ke-100000 dengan
nilai sbb:
a. Jumlah sel lapisan tersembunyi : 10s/d 100
b. Maksimum Epoch : 100000c. Konstanta Belajar : 0.01 s/d 0.07d.
Galat yang diijinkan : 0.1
Hasil pelatihan dilakukan melalui 2tahap, yaitu pelatihan
terhadap data yangdilatihkan dan pengujian pada data yangbaru yang
belum pernah dilatihkan.Adapun data yang dilatihkan terdiri
daridata 100 orang anak , dimana terdiri daridata 80 orang anak
yang dilatihkan dandata 20 orang anak yang diujikanmerupakan data
yang baru yang belumdikenal oleh jaringan. Hal tersebutberfungsi
untuk menguji seberapa besarJST mengenali data yang baru.
A. Data Latih
Gambar 5. Grafik Pelatihan ke 1KeteranganGambar di atas
menunjukkan bahwa prosespelatihan berhenti pada epoch ke
12636dengan sintaks sebagai berikut :tp=[50 100000 0.06 0.1]
[w1,b1,w2,b2]=initff(p,80,'logsig',t,'logsig')[w1,b1,w2,b2]=trainbp(w1,b1,'logsig',w2,b2,'logsig',p,t,tp)l=simuff(p,w1,b1,'logsig',w2,b2,'logsig')l=l'Durasi
: 17 menithasil konvergen pelatihan = 100%
Kemudian dilanjutkan denganpelatihan ke- 2 yang terlihat pada
gambar 6
Gambar 6. Grafik Pelatihan ke-2Gambar 6, menunjukkan bahwa
prosespelatihan berhenti pada epoch ke 6474dengan sintaks sebagai
berikut :tp=[50 100000 0.05
0.1][w1,b1,w2,b2]=initff(p,90,'logsig',t,'logsig')[w1,b1,w2,b2]=trainbp(w1,b1,'logsig',w2,b2,'logsig',p,t,tp)l=simuff(p,w1,b1,'logsig',w2,b2,'logsig')l=l'Durasi
: 12 menithasil konvergen pelatihan = 100%Setelah itu dilanjutkan
dengan pelatihanke-3 yang terlihat pada gambar 7:
-
9Gambar 7. Grafik Pelatihan ke-3
Gambar 7, menunjukkan bahwa prosespelatihan berhenti pada epoch
ke 7610dengan sintaks sebagai berikut :tp=[50 50000 0.07
0.1][w1,b1,w2,b2]=initff(p,90,'logsig',t,'logsig')[w1,b1,w2,b2]=trainbp(w1,b1,'logsig',w2,b2,'logsig',p,t,tp)l=simuff(p,w1,b1,'logsig',w2,b2,'logsig')l=l'Durasi
: 15 menithasil konvergen pelatihan = 100%
Tabel 8. Hasil Pelatihan Data Latih Yang Diambil Secara Acak
Yang Diinput Ke DalamJST Dengan Metode Backpropogation
PolaInpu
t
PolaOutpu
t
LapisanTersembunyi
Konstanta
BelajarGala
t
FungsiAktivas
i
Tampilan Per Iterasi
Maksimum Epoch
Konvergen
P T 10 0.01 0.1 Logsig 50 100000 100%P T 20 0.01 0.1 Logsig 50
100000 100%P T 70 0.01 0.1 Logsig 50 100000 100%P T 20 0.02 0.1
Logsig 50 100000 100%P T 40 0.02 0.1 Logsig 50 100000 100%P T 80
0.02 0.1 Logsig 50 100000 100%P T 100 0.02 0.1 Logsig 50 100000
100%P T 20 0.03 0.1 Logsig 50 100000 100%P T 50 0.03 0.1 Logsig 50
100000 100%P T 60 0.03 0.1 Logsig 50 100000 100%P T 90 0.03 0.1
Logsig 50 100000 100%P T 60 0.04 0.1 Logsig 50 100000 100%P T 90
0.04 0.1 Logsig 50 100000 100%P T 20 0.05 0.1 Logsig 50 100000
100%P T 50 0.05 0.1 Logsig 50 100000 100%P T 80 0.05 0.1 Logsig 50
100000 100%P T 30 0.06 0.1 Logsig 50 100000 100%P T 60 0.06 0.1
Logsig 50 100000 100%P T 70 0.06 0.1 Logsig 50 100000 100%P T 90
0.06 0.1 Logsig 50 100000 100%P T 60 0.07 0.1 Logsig 50 100000
100%P T 100 0.07 0.1 Logsig 50 100000 100%
Tabel 9. Hasil Pengujian Data Uji ke Dalam JST
KBLT 0,01 0,02 0,03 0,04 0,05 0,06 0,07
10 75% TK TK TK TK TK TK
-
820 80% 85% 70% TK 85% TK TK30 TK TK TK 30% TK 80% 70%40 65% 80%
TK TK TK TK 70%50 TK 65% 85% 65% 75% TK 75%60 TK TK 70% 85% 70% 90%
85%70 95% 70% 70% 70% 65% 85% 75%80 TK 80% TK 70% 75% 60% 70%90 TK
TK 75% 75% 65% 80% 70%100 TK 85% TK 70% TK 70% 85%
Keterangan :KB : Konstanta BelajarLT : Lapisan TersembunyiTK :
Tidak Konvergen
VII. PENGUJIANBobot awal pada learning rate
0.01 dan diberikan lapisan tersembunyi70 pada percobaan ke- 5,
yaitu denganjumlah epoch 35293. Denganmembandingkan hasil
perhitunganmanual dengan program. Untukmenghitung presentase hasil
kebenarandari aplikasi yang di buat menggunakanrumus sebagai
berikut:Presentase = Data KeberhasilanJumlah Data x 100
Diketahui :Data keberhasilan (Benar) = 19Data yang salah =
1Jumlah data = 20
Jadi ;Presentase = 19 x 100 = 95 %
20Jadi dari hasil perhitungan di atas
di dapat hasil prosentase keberhasilannyaadalah 95%. Adapun
hasil pengujianterhadap data yang baru yang palingkonvergen dapat
dilihat pada tabel 10
Tabel 10. Hasil Analisa Prediksi Terhadap Data Baru Yang
Diuji.
NO NamaKriteria aspek Psikomotorik anak Target
UjiSebenarn
ya
HPU KSB KJSTX1 X2 X3 X4 X5 X6 X7 X8 X9 X10
1 Febri Andika 7 6 8 8 6 7 6 8 8 6 1 0 1 0 Bagus Benar2 Dedi M 9
7 8 7 6 7 8 8 5 8 1 0 1 0 Bagus Benar3 Nurul O 8 6 8 6 7 9 8 7 7 5
1 0 1 0 Bagus Benar4 Angga S 8 5 7 8 5 8 6 8 7 6 1 0 1 0 Bagus
Benar5 Dea Nur P 7 5 6 7 4 7 6 6 5 5 0 1 0 1 Cukup Benar6 Muhammad
7 8 7 8 7 8 6 6 7 6 1 0 1 0 Bagus Benar7 Fitri Lestari 8 7 8 7 8 8
7 7 7 5 1 0 1 0 Bagus Benar8 Meysa A 7 6 7 7 8 7 6 8 6 7 1 0 1 0
Bagus Benar9 Guntur
9 8 7 8 6 8 8 8 7 61 1 1 1 Sangat
BagusBenar
10 Bima 6 6 8 5 8 6 8 8 6 6 1 0 1 0 Bagus Benar11 Siti N 7 7 6 5
6 7 6 7 5 4 0 1 0 1 Cukup Benar
-
812 Kiki H 8 8 6 6 4 6 7 5 8 6 0 1 1 0 Cukup Salah13 Mahesa
9 8 8 7 6 7 8 8 7 71 1 1 1 Sangat
BagusBenar
14 Syah Dewa 5 7 6 8 7 8 5 8 7 6 1 0 0 1 Bagus Benar15 Marlinta
6 7 4 6 8 7 8 5 4 4 0 1 0 1 Cukup Benar16 Andrea Putri 6 7 8 6 6 6
7 5 5 6 0 1 0 1 Cukup Benar17 Wiranda 5 6 7 8 8 6 8 7 7 8 1 0 1 0
Bagus Benar18 Zakarianta 8 8 6 8 6 7 8 6 8 6 1 0 1 0 Bagus Benar19
Leliana 6 7 8 6 8 6 8 6 8 7 1 0 1 0 Bagus Benar20 Duma P 6 7 8 6 6
8 6 8 8 6 1 0 1 1 Bagus Benar
Keterangan :X1 : Gerak Reflek SegmentalX5 : Deskriminasi
VisualX9 : Keterampilan Adaptif KompleksX2 : Gerak Reflek
IntersegmentalX6 : KetahananX10 : Gerakan EkspresifX3 : Gerakan
LokomotorX7 : KekuatanX4 : Deskriminasi KinestesisX8 : Keterampilan
AdaptifHPU : Hasil PengujianKSB : Kondisi SebenarnyaKJST :
Ketepatan Jaringan Saraf Tiruan
VIII. KESIMPULANBerdasarkan hasil penelitian dan
pembahasan yang telah dilakukan dapatdiambil beberapa kesimpulan
antara lain :
1. Penerapan data mining denganjaringan syaraf tiruan
dapatmemprediksi tingkat kemampuananak berdasarkan
aspekpsikomotorik untuk menentukanapakah psikomotorik anak
tersebutsangat bagus, bagus, cukup ataukurang.
2. Untuk mendapatkan hasil prediksiyang lebih akurat
perlumemperhatikan lapisantersembunyi, learning rate, galatyang
diijinkan dan maksimumepoch.
3. Hasil output pada proses pengujianterhadap data baru yang
diprediksiyang diinginkan mendekatiketepatan pada hasil
presentasekeberhasilan mencapai 95%, karena
telah terjadi penyesuaian nilaibobot dan bias yang semakin
baikpada proses pelatihan dalammemprediksi tingkat kemampuananak
berdasarkan aspekpsikomotorik.
Untuk pengembangan lebih lanjut, makaada beberapa saran
yakni:
1. Perlu dilakukan pembelajaran danpelatihan dengan data yang
lebihbanyak agar mampu mengenali datauji dengan cepat dan tepat,
sehinggapola output yang dihasilkan lebihmendekati target yang
diinginkan.
2. Penelitian lebih lanjut diharapkanmampu membuat aplikasi
berbasisGUI dengan menggunakan softwareMatLab untuk
mempermudahmelakukan prediksi tingkatkemampuan anak berdasarkan
aspekpsikomotorik.
3. Diharapkan format masukan datatidak hanya berupa
MicrosoftExcel saja tetapi bisa MicrosoftAccess, SQL server, dan
lainsebagainya.
DAFTAR PUSTAKA
Decaprio, Richard., Aplikasi TeoriPembelajaran Motorik Di
Sekolah,DIVA Press, Jokjakarta, 2013
Jurnal Media Informatika ( Vol. 2, No. 2,Desember 2004 : 1-11,
oleh Kiki,Sri Kusumadewi, judul : JaringanSaraf Tiruan Dengan
Metode
-
8Backpropogation UntukMendeteksi Gangguan Psikologi)
Jurnal Teknik Informatika ( Vol. 7, No. 3,Desember 2009 : 195
200, olehYeni Nuraeni, judul : PenerapanJaringan Saraf Tiruan
UntukMengukur Tingkat Korelasi AntaraNEM dengan IPK
KelulusanMahasiswa )
Jurnal SAINTIKOM (Vol. 10, No. 2, Mei2011 : 111 123, oleh
BadrulAnwar, judul : PenerapanAlgoritma Jaringan Saraf
TiruanBackpropogation DalamMemprediksi Tingkat Suku BungaBank )
Kusumadewi, Sri., Artificial Intelligence(Teknik dan
Aplikasinya), GrahaIlmu, Yogyakarta, 2003.
Luthfi, E T., Algoritma Data Mining,Penerbit Andi, STMIK
AMIKOMYogyakarta, 2009.
Maimun, Agus., Penilaian BerbasisKelas di Madrasah,
PercetakanFajar Cemerlang, Malang, 2006.
Suyanto, Artificial Intelligemce(Searching, Reasoning,
Planningand Learning), Informatika,Bandung, 2007.
http://IlmuKomputer.org/diktat-konsep-dataMining.pdf/diakses
02/05/2013
http://www.prediksi.web.id/diakses04/05/2013
http://www.kamusbesar.com/diakses04/05/2013
http://ppk-hupstegal.weebly.com/diklat-matlab.pdf/diakses
01/05/2013