Optimasi Vektor Bobot Pada Learning Vector Quantization Menggunakan Algoritme Genetika Untuk Identifikasi Jenis Attention Deficit Hyperactivity Disorder Pada Anak
| Main Author: | Arniantya, Raissa |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2017
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/1993/1/Raissa%C2%A0Arniantya.pdf http://repository.ub.ac.id/1993/ |
Daftar Isi:
- Attentiion Deficit Hyperactivity Disorder (ADHD) merupakan salah satu gangguan mental yang biasanya dialami oleh anak usia dini (di bawah 7 tahun). Ditandai dengan kurangnya kemampuan berkonsentrasi, munculnya perilaku yang berlebihan (hiperaktif) dan perilaku yang muncul secara tiba-tiba diluar kendali (impulsif). Terdapat 3 jenis ADHD yaitu Inatentif, Hiperaktif, dan Impulsif. Namun belum banyak masyarakat yang paham dengan bahayanya penyakit ini apabila tidak diketahui sejak dini, maka dibutuhkan sistem yang dapat membantu masyarakat awam untuk mengidentifikasi jenis ADHD. Sistem menggunakan salah satu metode klasifikasi yaitu Learning Vector Quantization (LVQ) namun LVQ masih memiliki akurasi yang rendah pada beberapa kasus klasifikasi sehingga dibutuhkan metode optimasi yaitu Algoritme Genetika (AG) yang diharapkan dapat meningkatkan akurasi sistem. AG akan mengoptimasi vektor bobot LVQ melalui proses genetika yaitu membangkitkan populasi, crossover, mutasi, evaluasi dan seleksi. Vektor bobot yang dihasilkan oleh AG digunakan LVQ untuk proses training dan testing. Pengujian terhadap sistem dibagi menjadi 2 yaitu terhadap metode LVQ dan metode LVQ-AG, setelah diuji metode LVQ hanya menghasilkan rata-rata akurasi 77% sedangkan setelah dioptimasi dengan AG rata-rata akurasi meningkat menjadi 92%. Parameter terbaik yang menghasilkan akurasi tertinggi LVQ-AG antara lain ukuran populasi 75, crossover rate 0.6, mutation rate 0.4, jumlah generasi 80, learning rate 0.001 dan pengurang learning rate 0.1. Dapat disimpulkan pengoptimasian vektor bobot LVQ menggunakan AG dapat meningkatkan akurasi meskipun membutuhkan rata-rata waktu komputasi yang cukup lama yaitu 32.29 menit.