Jurnal Rekursif, Vol. 3 No.

2 November 2015, ISSN 2303-0755

SISTEM PAKAR KLASIFIKASI STATUS

PERKEMBANGAN ANAK USIA DINI
DENGAN METODE NAÏVE BAYES
CLASSIFER BERBASIS DDST RULES
Venny Lovina Gumiri1, Diyah Puspitaningrum2, Ernawati3
1,3
Program Studi Teknik Infomatika, Fakultas Teknik, Universitas Bengkulu.
Jl. WR. Supratman Kandang Limun Bengkulu 38371A INDONESIA
(telp: 0736-341022; fax: 0736-341022)
1
vgumiri@ymail.com
2
diyahpuspitaningrum@gmail.com,
3
w_ier_na@yahoo.com

Abstrak. Denver Developmental Screening Test (DDST) bertujuan menilai perkembangan anak pada
empat sektor yaitu perkembangan personal sosial, motorik halus, bahasa dan motorik kasar anak mulai
usia 0 bulan sampai 6 tahun (72 bulan). Penelitian ini menerapkan metode Naïve Bayes Classifier yang
merupakan metode di dalam data mining untuk mengklasifikasikan data dengan memanfaatkan nilai
probabilitas dari data dokumen contoh sebelumnya. Data yang menjadi acuan dalam penelitian ini adalah
data perkembangan anak pada Posyandu Mentari Kelurahan Sidomulyo Kota Bengkulu sebanyak 513
data dan dilakukan pembagian untuk data training sebanyak 403 data dan data testing sebanyak 110 data.
Sistem ini menentukan klasifikasi status perkembangan anak usia dini berdasarkan tiga kelas yaitu
normal, suspect dan abnormal. Parameter masukan yang digunakan ada 6 yaitu: usia, jenis kelamin,
jumlah gagal sektor 1, jumlah gagal sektor 2, jumlah gagal sektor 3 dan jumlah gagal sektor 4. Sistem
dirancang menggunakan bahasa pemrograman Java. Dari hasil pengujian validitas sistem menggunakan
single decision threshold (one feature) dihasilkan tingkat akurasi sebesar 83,1%.
Kata Kunci: Perkembangan Anak, Denver Developmental Screening Test (DDST), Naïve Bayes
Classifier.

Abstract. Denver Developmental Screening
Test (DDST) is used to assess children
development in four sectors, namely: personal
and social development, fine motor, language,
and gross motor development of children in
range from 0 month to 6 years old (72 months).
Naïve Bayes Classifier is a data mining
technique that classify data using probability
value (P-value) from previous seen documents.
Sample data used in this research are data of
children development taken from Posyandu
Mentari Kelurahan Sidomulyo Kota Bengkulu
for about 513 instances with 403 instances for
training and the 110 remains are for testing.
This expert system defines classification of early
childhood development status based on three

107 ejournal.unib.ac.id
 Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

classes: normal, suspect, and abnormal. The six demikian dapat tercapai kondisi tumbuh kembang
input parameters used, are age, sex, number of yang optimal.
failed sector 1, number of failed sector 2, Dalam ilmu kebidanan untuk menilai sejauh
number of failed sector 3, and the number of mana perkembangan anak, terdapat atau tidaknya
failed sector 4. The application is built using penyimpangan perkembangan digunakan Denver
Java programming language. From the Developmental Screening Test (DDST) yang
experiments, the system validity using single bertujuan menilai perkembangan anak pada empat
decision threshold (one feature) results an aspek yaitu perkembangan personal sosial, motorik
accuracy rate of 83.1%. halus, bahasa dan motorik kasar anak mulai usia 0
Keywords: Children Development, Denver bulan sampai 6 tahun. Problem yang timbul pada
Developmental Screening Test (DDST), Naïve bidang-bidang tersebut jika tidak dideteksi secara
Bayes Classifier. dini akan mempunyai akibat dalam kehidupan
pribadi dan pekerjaan anak diwaktu kemudian [2].
I. PENDAHULUAN
Sistem pakar merupakan program komputer
Aspek tumbuh kembang pada anak merupakan
yang mampu menyimpan pengetahuan dan kaidah
aspek penting yang menjelaskan mengenai proses
seorang pakar yang khusus. Sistem pakar sangat
pembentukan seseorang, baik secara fisik maupun
membantu untuk pengambilan keputusan,
psikososial. Namun sebagian orang tua belum
dimana sistem pakar ini dapat mengumpulkan dan
memahami hal ini. Banyak yang menganggap
menyimpan pengetahuan dari seseorang atau
selama anak tidak sakit berarti anak tersebut tidak
beberapa orang pakar dalam suatu basis
mengalami masalah kesehatan termasuk
pengetahuan (knowledge base) dan
perkembangannya.
menggunakan sistem penalaran yang menyerupai
Periode penting dalam perkembangan anak
seorang pakar dalam memecahkan masalah.
adalah masa balita atau masa kritis proses tumbuh
Seorang pakar pada penilitian ini adalah bidan.
kembang anak yaitu dibawah 6 tahun. Pada masa
Berdasarkan permasalahan diatas, untuk
ini perkembangan kemampuan anak berbahasa,
mengatasi sebelum terjadinya gejala-gejala
kreativitas, kesadaran sosial, emosional dan
abnormal pada anak dan agar dapat menemukan
intelegensia berjalan sangat cepat dan merupakan
ada atau tidaknya keterlambatan perkembangan
landasan perkembangan berikutnya [1].
anak sedini mungkin maka penulis tertarik untuk
Guna deteksi dini perkembangan anak adalah
merancang sebuah sistem pakar dengan judul
untuk mengetahui penyimpangan tumbuh
“Sistem Pakar Klasifikasi Status Perkembangan
kembang anak secara dini, sehingga upaya
Anak Usia Dini Dengan Metode Naïve Bayes
pencegahan, upaya stimulasi, dan upaya
Classifier Berbasis DDST Rules”. Metode Naïve
penyembuhan serta pemulihan dapat diberikan
Bayes Classifier adalah suatu metode yang
dengan indikasi yang jelas secara dini pada masa-
digunakan untuk memprediksi keanggotaan suatu
masa kritis proses tumbuh kembang. Upaya ini
class dengan menggunakan pendekatan
diberikan sesuai umur perkembangan anak, dengan
probabilitas untuk menghasilkan klasifikasi. Dalam

ejournal.unib.ac.id 108
 Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

penelitian ini akan dideteksi perkembangan anak menyebabkan penyimpangan perkembangan anak
usia dini melalui pertanyaan tugas-tugas bahkan gangguan yang menetap [4].
perkembangan yang diberikan sesuai dengan usia
C. Denver Development Sreening Test (DDST)
anak (dalam bulan) berdasarkan aturan DDST.
Denver Development Sreening Test (DDST)
II. LANDASAN TEORI merupakan salah satu alat skrining perkembangan,
alat ini membantu tenaga kesehatan untuk
A. Perkembangan Anak
mengetahui sedini mungkin penyimpangan
Perkembangan adalah bertambahnya
perkembangan yang terjadi pada anak sejak lahir
keterampilan dan fungsi yang kompleks dalam pola
sampai berusia 6 tahun. Pemeriksaan dilakukan
yang teratur. Perkembangan (development)
secara rutin yaitu setiap bulan.
berkaitan dengan pematangan dan penambahan
Tes DDST bukanlah tes diagnostik atau tes IQ.
kemampuan (skill) fungsi organ atau individu.
DDST memenuhi semua persyaratan yang
Kedua proses ini terjadi secara sinkron pada
diperlukan untuk metode skrining yang baik. Tes
setiap individu.
ini dilakukan kurang lebih 20 menit, dapat
Penilaian terhadap perkembangan seorang anak
diandalkan dan menunjukkkan validitas yang
dapat di nilai melalui kemampuan fungsi organ
tinggi. Dari beberapa penelitian yang pernah
seseorang dalam melakukan fungsi tubuhnya,
dilakukan ternyata DDST secara efektif dapat
seperti kemampuan dia bergerak, bernyanyi,
mengidentifikasikan antara 85-100% bayi dan
berbicara dan berjalan atau kemampuan gerak
anak-anak prasekolah yang mengalami
kasar, gerak halus, bicara dan bahasa serta
keterlambatan perkembangan, dan pada “follow
sosialisasi dan kemandirian [3].
up” selanjutnya ternyata 89% dari kelompok
B. Stimulasi DDST abnormal mengalami kegagalan di sekolah
Stimulasi adalah kegiatan merangsang 5-6 tahun kemudian [2].
kemampuan dasar anak umur 0-6 tahun agar anak
D. Aspek Perkembangan
tumbuh dan berkembang secara optimal. Setiap
Aspek perkembangan yang dinilai dalam
anak perlu mendapat stimulasi rutin sedini
pemeriksaan DDST terdiri dari 125 tugas
mungkin dan terus menerus pada setiap
perkembangan. Tugas perkembangan yang
kesempatan. Stimulasi perkembangan anak dapat
diberikan adalah sesuai dengan usia kronologis
dilakukan oleh kedua orang tua, pengasuh anak,
anak tiap bulan. Alat yang diperlukan dalam
anggota keluarga terdekat dan kelompok
pemeriksaan perkembangan anak diberikan sesuai
masyarakat di lingkungan rumah tangga dalam
usia anak untuk menunjang pemeriksaan. Ada 4
kehidupan sehari-hari. Stimulasi ini diberikan
sektor perkembangan yang dinilai:
kepada anak dengan klasifikasi status
1. Personal Social (perilaku sosial)
perkembangan abnormal, stimulasi ini oleh sistem
Aspek yang berhubungan dengan kemampuan
sebagai data solusi. Kurangnya stimulasi dapat
mandiri, bersosialisasi dan berinteraksi dengan
lingkungannya.

109 ejournal.unib.ac.id
 Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

2. Fine Motor Adaptive (gerakan motorik halus) Naïve bayes adalah Teorema Bayes, yaitu
Aspek yang berhubungan dengan kemampuan teorema yang digunakan dalam statistika untuk
anak untuk mengamati sesuatu, melakukan menghitung suatu peluang, Naïve Bayes
gerakan yang melibatkan bagian-bagian tubuh Classifier menghitung peluang dari satu kelas dari
tertentu dan dilakukan otot-otot kecil, tetapi masing-masing kelompok atribut yang ada dan
memerlukan koordinasi yang cermat. menentukan kelas yang paling optimal. Proses
3. Language (bahasa) pengelompokan atau klasifikasi dibagi menjadi
Kemampuan untuk memberikan respons dua fase yaitu learning/training dan testing/classify.
terhadap suara, mengikuti perintah dan Pada fase learning , sebagian data yang telah
berbicara spontan. diketahui kelas, datanya diumpankan untuk
4. Gross motor (gerakan motorik kasar) membentuk model perkiraan. Kemudian pada fase
Aspek yang berhubungan dengan pergerakan testing, model yang sudah terbentuk diuji dengan
dan sikap tubuh. sebagian data.
Naïve Bayes Classifier merupakan salah satu
metoda machine learning yang memanfaatkan
E. Sistem Pakar
perhitungan probabilitas dan statistik yang
Sistem pakar adalah program artificial
dikemukakan oleh ilmuwan Inggris Thomas Bayes,
intelegence yang menggabungkan pangkalan
yaitu memprediksi probabilitas di masa depan
pengetahuan (knowledge base) dengan sistem
berdasarkan pengalaman di masa sebelumnya.
inferensi. Perangkat lunak komputer yang memiliki
Dasar dari Naïve Bayes yang dipakai dalam
basis pengetahuan untuk domain tertentu dan
pemrograman adalah rumus Bayes [6]:
menggunakan penalaran inferensi menyerupai
seorang pakar dalam memecahkan suatu
permasalahan. Sistem pakar adalah sebuah teknik
Likelihood Class Prior Probability
inovatif baru dalam menangkap dan memadukan
pengetahuan. Kekuatan sistem pakar terletak pada
𝑃 𝐸 𝐻 .𝑃(𝐻)
P(H|E) = .................................... (1)
kemampuannya memecahkan masalah-masalah 𝑃(𝐸)

praktis pada saat seorang pakar berhalangan.

Kemampuan sistem pakar ini di dalamnya terdapat
Posterior Probaility Predictor Prior
basis pengetahuan yang berupa pengetahuan non Probability (Evidence)
formal yang sebagian besar dari pengalaman [5]. Dimana:
P(H|E)= Probabilitas posterior bersyarat
F. Metode Naive Bayes Classifier
(Conditional Probability) suatu hipotesis
Naïve Bayes Classifier merupakan salah satu
H terjadi jika diberikan evidence/bukti E
metoda di dalam data mining untuk
terjadi/peluang yang di cari.
mengklasifikasikan data. Cara kerja dari metode
Naïve Bayes Classfier menggunakan perhitungan
probabilitas. Konsep dasar yang digunakan oleh

ejournal.unib.ac.id 110
 Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

P(E|H)= Probabilitas sebuah evidence E terjadi x= data masukan, e= exponensial ≈2,718282 ,

akan mempengaruhi hipotesis 𝜋 = 3,14
H/probabilitas bersyarat uang diketahui. 3. Hitung probabilitas jenis kelamin laki-laki dan
P(H) = Probabilitas awal (priori) hipotesis H perempuan untuk setiap kategori pada status
terjadi tanpa memandang evidence perkembangan (kelas).
apapun. Probabilitas JK (Kelas) = Jumlah Data JK
P(E) = Probabilitas awal (priori) evidence E (Kelas) / Banyak Data (Kelas)
terjadi tanpa memandang 4. Hitung probabilitas setiap kategori/kelas.
hipotesis/evidence (bukti) yang lain. Probabilitas (kelas) = Jumlah Data (kelas) /
Banyak Data Training
Teorema Bayes menerangkan hubungan antara 5. Hitung nilai likelihood setiap kelas, pada
probabilitas terjadinya peristiwa A dengan syarat Formula Bayes pada persamaan (1) :
peristiwa B telah terjadi dan probabilitas terjadinya P HE =
peristiwa B dengan syarat peristiwa A telah terjadi. P H1 Ei xP H2 Ei x … … x P Hi Ei .............(4)
Teorema ini didasarkan pada prinsip bahwa Dimana:
tambahan informasi dapat memperbaiki P(H|E) = Probabilitas posterior bersyarat
probabilitas. Teorema Bayes ini bermanfaat untuk (Conditional Probability) suatu
mengubah atau memutakhirkan (meng-update) hipotesis H terjadi jika diberikan
probabilitas yang dihitung dengan tersedianya data evidence/bukti E terjadi.
dan informasi tambahan. 6. Hitung nilai probabilitas dengan melakukan
Pada pengaplikasiannya nanti rumus ini normalisasi terhadap likelihood [6] :
𝑣
berubah menjadi algoritma dengan langkah-
𝑣’= 𝑣 ................................................
(5)
langkah sebagai berikut :
Dimana : 𝑣 ′ = nilai probabilitas baru,
1. Hitung rata-rata dan standar deviasi dari setiap
kelas untuk tiap satu parameter tugas
𝑣 = nilai probabilitas lama,
perkembangan.
𝑣 = jumlah nilai probabilitas lama
Rumus standar deviasi [6] :
seluruh kelas
Σ(x i −x )2
S= ........................................... (2) 7. Cari nilai probabilitas yang paling maximum
n−1

Dimana: 𝑥=Rata-rata hasil dari setiap kelas dan untuk setiap kelas yang menunjuk kelas yang
parameter, n=banyak data dihasilkan.
2. Hitung probabilitas setiap parameter untuk
G. Basis Data
semua kelas menggunakan perhitungan dengan
Database merupakan kumpulan data yang
fungsi Densitas Gauss [6] :
saling berhubungan. Hubungan antar data dapat
−(𝑥−𝜇 )2
1 ditunjukkan dengan adanya field kunci dari setiap
𝑓(𝑥) = 𝑒 2𝜎 2
.............................. (3)
2𝜋σ
tabel yang ada. Dalam satu file atau tabel terdapat
Dimana: 𝜇 = 𝑚𝑒𝑎𝑛, 𝜎 = 𝑠𝑡𝑎𝑛𝑑𝑎𝑟 𝑑𝑒𝑣𝑖𝑎𝑠𝑖, record-record yang sejenis, sama besar, sama

111 ejournal.unib.ac.id
 Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

bentuk, yang merupakan satu kumpulan entitas 2. Wawancara

yang seragam. Satu record terdiri dari field yang Wawancara dilakukan dengan Lilis, AMd.Keb.,
saling berhubungan menunjukkan bahwa field yaitu bidan pada Puskesmas Sidomulyo Kota
tersebut satu pengertian yang lengkap dan Bengkulu. Dalam wawancara ini diperoleh
disimpan dalam satu record. informasi mengenai tugas perkembangan anak
yang diberikan sesuai usia dan stimulasi yang
diperlukan untuk anak dengan status
H. Java
perkembangan abnormal.
Java adalah bahasa pemrograman yang multi
B. Akuisisi Data
platform dan multi device. Sekali anda menuliskan
Dari kedua sumber data yang telah dijelaskan
sebuah program dengan menggunakan Java, anda
sebelumnya, data yang digunakan adalah data
dapat menjalankannya hampir di semua komputer
perkembangan bayi/ anak yang terdiri dari 3 kelas
dan perangkat lain yang support Java, dengan
yaitu normal, suspect, dan abnormal. Setiap kelas
sedikit perubahan atau tanpa perubahan sama
terdiri dari parameter atau variabel masukan yaitu
sekali dalam kodenya. Aplikasi dengan berbasis
usia, jenis kelamin, jumlah gagal sektor 1, jumlah
Java ini dikompulasikan ke dalam p-code dan bisa
gagal sektor 2, jumlah gagal sektor 3, dan jumlah
dijalankan dengan Java Virtual Machine.
gagal sektor 4. Jumlah data yang diperoleh adalah
Fungsionalitas dari Java ini dapat berjalan dengan
sebanyak 513 data, berikut adalah data
platform sistem operasi yang berbeda karena
perkembangan anak usia dini yang telah diperoleh:
sifatnya yang umum dan non-spesifik.

III. METODE PENELITIAN

A. Metode Pengumpulan Data

Metode yang digunakan dalam pengumpulan
data adalah metode studi pustaka dan wawancara.
Berikut ini merupakan penjelasan mengenai
metode yang digunakan dalam penelitian ini.
1. Studi Pustaka
Studi kepustakaan dilakukan dengan
mengumpulkan data dan informasi berupa
buku-buku ilmiah, laporan penelitian, skripsi, Gambar 1. Tampilan Tabel Sample Data Klasifikasi Status
jurnal, dan sumber-sumber tertulis lainnya yang Perkembangan Anak Usia Dini

berhubungan dengan pemahaman metode yang

digunakan. Data dan informasi yang Dari 513 data dilakukan pembagian untuk data

dikumpulkan yaitu mengenai metode Denver training sebanyak 403 data dan data testing

Developmental Screening Test (DDST) sebagai sebanyak 110 data. Data training adalah data yang

acuan tugas perkembangan anak untuk dijadikan data master dan menjadi data acuan

menentukan hasil perkembangan. untuk membuat model klasifikasi. Sedangkan data

ejournal.unib.ac.id 112
 Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

testing adalah data yang sudah diketahui Mulai

klasifikasinya yang akan digunakan untuk uji coba

Halaman
Halaman Opsi
Utama umum ya
sistem. Pengguna
Pengguna

Pakar

Login

tidak
IV. ANALISIS DAN PERANCANGAN ya
Pilih Sub
Menu Opsi
Autentikasi Pengguna
Sukses?

A. Analisis Antarmuka Pengguna tidak

ya

Dalam sistem ini, input berupa data anak yaitu Halaman Pilih Tab Menu
Pilih Sub
Menu Keluar
Utama Pakar Home

usia saat pemeriksaan, jenis kelamin, jumlah gagal tidak

sektor 1 (jawaban gagal dalam melakukan tugas Pilih Tab Menu

ya
Pilih Sub
Menu
Data Anak ya
Manajemen
Data Anak
Pakar

perkembangan), jumlah gagal sektor 2, jumlah tidak

tidak

gagal sektor 3, jumlah gagal sektor 4 yang akan Pilih Sub

Menu Data Kelas
ya
Manajemen
Data Kelas

dijadikan parameter metode Naïve Bayes tidak

Pilih Sub
Classifier. Sedangkan output pada sistem ini Menu Data Tugas
Perkembangan
ya
Manajemen Data
Tugas
Pek=rkembangan
Pilih Tab Menu Pilih Sub Menu Manajemen
ya ya
adalah klasifikasi perkembangan anak yaitu Konsultasi Pendaftaran Pendaftaran
tidak

tidak
Pilih Sub Manajemen Data
normal, suspect atau abnormal. Gambar 2 Menu Data Solusi
ya
Solusi

Pilih Sub Menu Manajemen

Anggota ya
Anggota tidak
merupakan tahapan perancangan antarmuka
tidak Pilih Sub
Manajemen Data
tidak Menu Data Alat ya
pengguna dari sistem pakar yang akan dibangun. Pelaksanaan
Alat Pelaksanaan

Pilih Sub Menu Informasi

Statistik Data tidak
Statistik

Pilih Sub
Informasi
Menu Data
Data
Pelatihan Pelatihan
Pilih Tab
Informasi
Menu Pilih Sub Menu
ya Petunjuk
Informasi Petunjuk Aplikasi Aplikasi

tidak

Informasi
Pilih Sub Menu Tentang
ya
Tentang Aplikasi Aplikasi

tidak

Informasi
Pilih Sub Menu Tentang
Tentang Perkemba
Perkembangan ngan Anak Selesai
Anak

Gambar 2. Diagram Alir Antarmuka Pengguna dengan Sistem

B. Analisis Cara Kerja Metode Naïve Bayes

Classifier pada Sistem
Untuk menjalankan aplikasi klasifikasi status
perkembangan anak usia dini dengan metode Naïve
Bayes Classifier, data yang diperlukan adalah data
anak yaitu tanggal lahir dan jenis kelamin. Tanggal
lahir menentukan usia saat pemeriksaan. Parameter
yang diperlukan untuk metode ini adalah usia, jenis
kelamin, jumlah gagal sektor 1, jumlah gagal
sektor 2, jumlah gagal sektor 3 dan jumlah gagal
sektor 4. Jumlah gagal 4 sektor ini dapat diperoleh

113 ejournal.unib.ac.id
 Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

dari hasil pemeriksaan menggunakan aturan Mulai

DDST. Saat pemeriksaan pengguna akan diberikan Anak,usia,jenis Selesai

kelamin,jumlah gagal
pertanyaan tugas perkembangan yang harus sektor 1,jumlah gagal
sektor 2,jumlah gagal
sektor 3,jumlah gagal
Hasil
sektor 4
dilaksanakan oleh anak. Pengguna / pemeriksa Klasifikasi
Status
Perkemban
gan
harus memberi jawaban / menjawab pertanyaan Data Pelatihan

tersebut hingga tuntas. Sistem akan memproses Kelas

hasil jawaban yang telah diinputkan oleh Anak,usia,jenis kelamin,jumlah

gagal sektor 1,jumlah gagal sektor
2,jumlah gagal sektor 3,jumlah Tentukan Nilai
gagal sektor 4 Terbesar
pemeriksa. Hasil itulah yang dijadikan parameter
pengklasifikasian menggunakan metode Naïve
Ambil Data Normalisasi

Bayes Classifier ini.

Alur sistem ini adalah input data anak, sistem
Bayes Hitung Likelihood

menyimpan data dan menghitung usia saat

pemeriksaan, sistem memberikan petunjuk Hitung Mean
Hitung Probabilitas
Kategori

pelaksanaan untuk pengguna / pemeriksa,

kemudian sistem akan memberikan pertanyaan Hitung Standar Hitung Densitas Hitung Probabilitas
Deviasi Gauss Jenis Kelamin

tugas perkembangan anak sesuai usia dengan

empat sektor perkembangan yaitu sektor personal
sosial, sektor motorik halus, sektor bahasa dan
sektor motorik kasar. Pada pemeriksaan ini
pengguna / pemeriksa harus berinteraksi dengan
anak dan membimbing anak untuk melaksanakan
tugas perkembangan yang diberikan oleh sistem.
Pengguna/pemeriksa harus memberikan jawaban
anak dapat atau tidak melaksanakan
perkembangan yang diberikan, dalam hal ini
pengguna/pemeriksa dibantu oleh sistem dengan
diberikan petunjuk, anak dapat dikategorikan lulus
atau gagal tiap pertanyaan tugas perkembangan.
Gambar 3 merupakan diagram alir metode Naïve
Bayes Classifier.
Gambar 3. Diagram Alir Metode Naïve Bayes Classifier
Dapat dilihat pada Gambar 3 dimulai
dengan deklarasi data usia, jenis kelamin, JG1
(jumlah gagal sektor 1), JG2 (jumlah gagal sektor
2), JG3 (jumlah gagal sektor 3), dan JG4 (jumlah
gagal sektor 4) yang diambil dari daftar data
training (pelatihan) sebagai parameter. Kemudian
data anak sesuai dengan yang dideklarasikan
tugas
sebelumnya diinputkan oleh pengguna
(pemeriksaan), data inputan tersebut diproses
dengan data training. Data proses tersebut masuk
kedalam lingkungan metode Bayes dan diproses
dengan metode Bayes yaitu menghitung mean,
hitung standar deviasi, hitung densitas Gauss,
hitung jenis kelamin, hitung likelihood, normalisasi
data dan tentukan nilai terbesar pada kelas. Nilai
terbesar yang telah ditentukan merupakan hasil
klasifikasi perkembangan.
C. Perancangan Model UML (Unified Modeling
Language)
UML adalah sebuah bahasa yang telah menjadi
standar dalam industri untuk visualisasi,

ejournal.unib.ac.id 114
 Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

merancang dan mendokumentasikan sistem Anggota dan Statistik merupakan perluasan dari
perangkat lunak. Tidak semua diagram mutlak menu Konsultasi atau dapat diakses jika
harus digunakan dalam pengembangan perangkat pengguna telah masuk pada menu Konsultasi.
lunak, semuanya dibuat sesuai dengan kebutuhan Sub menu Petunjuk Aplikasi, Tentang Aplikasi
[7]. dan Tentang Perkembangan merupakan
Karena penelitian ini tidak melakukan proses perluasan dari menu Informasi atau jika
yang kompleks serta termasuk sistem yang kecil pengguna telah memilih menu Informasi maka
dan lebih spesifik maka 4 diagram dianggap sudah pengguna juga dapat mengakses ketiga sub
mewakili sesuai kebutuhan yaitu Use-Case menu yang ada pada menu Informasi.
Diagram, Activity Diagram, Sequence Diagram 2. Activity Diagram
dan Class Diagram. Diagram UML ini dibuat
dengan menggunakan perangkat lunak Astah
Community.
1. Use Case Diagram

Gambar 4. Usecase Diagram

Dilihat dari gambar 4 diatas, terdapat dua

aktor yaitu pakar dan pengguna (umum). Pakar
dapat mengakses menu Pakar, menu Konsultasi
dan menu Informasi dengan cara Login terlebih
dahulu dengan sistem. Sedangkan pengguna
(umum) dapat mengakses menu Konsultasi dan
Informasi langsung pada sistem tanpa perlu
melakukan proses Login. Sub menu
Gambar 5. Activity Diagram Konsultasi
Menejemen Anak, Data Kelas, Menejemen
Dilihat dari gambar 5 diatas, aktivitas dimulai
Tugas Perkembangan, Menejemen Solusi,
dengan sistem menampilkan halaman utama
Menejemen Alat Pelaksanaan dan Data
pengguna (pakar/umum). Kemudian pengguna
Pelatihan merupakan perluasan dari menu Pakar
memilih menu konsultasi, sistem menampilkan
atau dapat diakses jika telah masuk ke menu
pilihan sub menu. Pengguna memilih sub menu
Pakar. Sub menu Pendaftaran, Menejemen
anggota, lalu sistem menampilkan halaman

115 ejournal.unib.ac.id
 Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

anggota. Pengguna memilih data anak yang akan

dilakukan pemeriksaan, kemudian tampil identitas
anaj dan rekam medis anak. Untuk melakukan
konsultasi tahap ini adalah yang paling penting
yaitu pengguna mengklik tombol periksa.
Kemudian sistem akan menampilkan halaman
petunjuk pelaksaan, alat yang diperlukan dalam
pemeriksaan, id anak dan usia anak, lalu pengguna
mengklik tombol lanjutkan.
Sistem akan menampilkan pertanyaan tugas
perkembangan sesuai usia anak yang diperiksa,
tahap aktivitas ini merupakan inti dari
pemeriksaan. Pengguna harus memilih jawaban Gambar 6. Sequence Diagram Manajemen Tugas
Perkembangan
dari pertanyaan tugas perkembangan yang
diberikan oleh sistem, jika anak dapat melakukan Gambar 6 diatas merupakan gambaran proses
tugas perkembangan sesuai petunjuk maka manajemen tugas perkembangan dengan pakar
pengguna harus menjawab lulus sedangkan jika sebagai aktor. Proses mengolah tugas
anak gagal atau tidak dapat melakukan tugas perkembangan adalah pertama pakar memilih
perkembangan maka pengguna harus menjawab menu Pakar pada form utama, lalu form utama
gagal. Kemudian sistem akan memproses hasil ditampilkan. Kemudian pakar memilih tugas
jawaban gagal pada 4 sektor yaitu sektor personal perkembangan pada form utama dan memuatnya
sosial, motorik halus, bahasa dan motorik kasar. pada form tugas perkembangan lalu ditampilkan.
Setelah itu sistem mengolah parameter yaitu usia, Pakar dapat mencari data kemudian form akan
jumlah gagal sektor 1, jumlah gagal sektor 2, memuat data dari database tugas perkembangan
jumlah gagal sektor 3, jumlah gagal sektor 4 dan lalu ditampilkan hasil pencariannya. Pakar juga
jenis kelamin dengan data pelatihan yang ada dapat menambah, mengedit dan menghapus data
menggunakan metode Naive Bayes Classifier. tugas perkembangan kemudian disimpan pada
Setelah proses selesai maka sistem akan database.
menampilkan hasil pemeriksaan, jumlah jawaban 4. Class Diagram
gagal pada 4 sektor dan langkah perhitungan
metode Naïve Bayes Classifier yaitu mean,
standar deviasi, densitas Gauss, probabilitas jenis
kelamin, probabilitas kategori, likelihood dan
normalisasi.

3. Sequence Diagram

ejournal.unib.ac.id 116
 Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

class Anak, dengan multiplisitas 1 atau banyak

data pelatihan ke 1 data anak.
e. Class Solusi ini dependency dengan class
Konsultasi artinya class Konsultasi bergantung
dengan class Solusi tetapi tidak sebaliknya.
f. Class Konsultasi dan class Kelas adalah bagian
dari class Pelatihan.
Class Anggota berkomposit agregasi dengan
class Anak, artinya jika data pada class Anak
dihapus maka data pada class Anggota akan
terhapus juga.
Gambar 7. Class Diagram Sistem Pakar Klasifikasi Status
Perkembangan Anak V. PEMBAHASAN
Dilihat dari Gambar 7 terdapat 8 class yaitu
A. Implementasi Antarmuka
Alat, Pakar, Kelas, Tugas Perkembangan, Solusi,
Hasil dari analisis dan perancangan sistem yang
Pelatihan, Konsultasi, Anggota dan Anak. Berikut
telah dilakukan sebelumnya akan mempengaruhi
penjelasan class diagram diatas :
hasil dari implementasi antarmuka sistem. Pada
a. Class Pakar memiliki atribut username dan
tahapan implementasi antarmuka ini, sistem akan
password, pakar dapat melakukan operasi login
diimplementasikan menggunakan bahasa
dengan kedua atribut tersebut. Class ini berelasi
pemrograman Java Netbeans IDE 7.3. Berikut
dengan kelas alat, solusi, kelas dan pelatihan,
tampilan hasil implementasi sistem :
dengan multiplisitas (jumlah banyaknya objek
1. Halaman Login
sebuah class yang berelasi dengan objek lain) 1
pakar ke 1 atau banyak class tersebut diatas.
b. Class Tugas Perkembangan dapat melakukan
operasi cari, tambah, edit dan hapus. Class ini
dependency dengan class Konsultasi artinya
class Konsultasi bergantung dengan class
Tugas Perkembangan tetapi tidak sebaliknya.
c. Class Alat dapat melakukan operasi cari,
tambah, edit dan hapus. Class ini dependency
dengan class Konsultasi artinya class Gambar 8. Tampilan Halaman Login
Konsultasi bergantung dengan class Alat tetapi
tidak sebaliknya. Halaman pada Gambar 8 tampil setelah
d. Class Pelatihan adalah kelas utama agar sistem pengguna memilih tombol pakar pada halaman
dapat melakukan proses pengklasifikasian. opsi pengguna. Pada halaman ini pakar sebagai
Class ini dapat melakukan operasi cari, tambah, pengguna harus menginputkan username dan
edit dan hapus. Class Pelatihan berelasi dengan password. Terdapat tiga tombol yaitu tombol

117 ejournal.unib.ac.id
 Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

kembali berfungsi untuk kembali ke halaman opsi 4. Halaman Data Tugas Perkembangan DDST
pengguna, tombol batal berfungsi untuk
mengosongkan field dan tombol masuk berfungsi
untuk masuk ke halaman utama sistem pakar.
2. Halaman Utama Pengguna (Pakar)

Gambar 11. Tampilan Halaman Data Tugas Perkembangan

Halaman pada Gambar 11 akan tampil jika

Gambar 9. Tampilan Halaman Utama Pakar
Halaman pada Gambar 9 merupakan halaman
utama yang berguna untuk pakar mengolah data,
melakukan konsultasi dan melihat data statistik
maupun pelatihan.
3. Halaman Data Anak
pakar memilih submenu data tugas perkembangan
pada menu pakar. Halaman ini berfungsi untuk
pakar mengolah data tugas perkembangan dengan
aturan DDST, data ini berfungsi untuk parameter
jumlah gagal sektor 1, jumlah gagal sektor 2,
jumlah gagal sektor 3 dan jumlah gagal sektor 4
yang digunakan untuk pengklasifikasian status
perkembangan anak dengan metode Naïve Bayes
Classifier.

5. Halaman Data Pelatihan

Gambar 10. Tampilan Halaman Data Anak

Halaman pada Gambar 10 akan tampil jika pakar Gambar 12. Tampilan Halaman Data Pelatihan
memilih submenu data anak pada menu pakar. Halaman ini
Halaman pada Gambar 12 akan tampil jika
berfungsi untuk pakar mengolah data anak yang ada pada
pakar memilih submenu data pelatihan pada menu
sistem atau telah terdaftar menjadi anggota.

ejournal.unib.ac.id 118
 Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

pakar. Data pelatihan berfungsi untuk

menampilkan seluruh data pelatihan yang ada pada
sistem. Data pelatihan merupakan data hasil
pemeriksaan seluruh anak.
6. Halaman Pemeriksaan Perkembangan Anak

Gambar 14. Tampilan halaman tes perkembangan dengan

klasifikasi status perkembangan abnormal

5 MENIT
Halaman pada Gambar 14 akan tampil jika
pengguna/pemeriksa selesai menjawab pertanyaan
tugas perkembangan pada halaman pemeriksaan
Gambar 13. Tampilan Halaman Pemeriksaan Perkembangan
dan hasil pemeriksaan adalah abnormal. Halaman
Anak
ini berisi hasil diagnosa perkembangan anak,
Halaman pada Gambar 13 merupakan halaman jumlah jawaban gagal tiap sektor. Jumlah jawaban
pemeriksaan perkembangan anak. Pada halaman gagal 4 sektor merupakan parameter untuk metode
ini terdapat sektor sesuai dengan tugas Naïve Bayes Classifier dalam mengklasifikasikan
perkembangannya yaitu sektor personal sosial, hasil perkembangan anak. Pada halaman ini juga
motorik halus, bahasa dan motorik kasar. Tugas disajikan langkah perhitungan menggunakan
perkembangan diberikan kepada anak dengan metode Naïve Bayes Classifier dengan 7 tombol
bantuan pengguna / pemeriksa. Pengguna / yang berfungsi untuk menampilkan hasil
pemeriksa harus memilih opsi jawaban tiap tugas perhitungan kedalam tabel yaitu tombol mean,
perkembangan dengan bantuan petunjuk dan watu standar deviasi, densitas Gauss, probabilitas jenis
maksimal pelaksanaan yang telah diberikan sesuai kelamin, probabilitas setiap kategori status
tugas perkembangan yang diberikan. perkembangan, likelihood dan normalisasi
probabilitas.
7. Halaman Hasil Tes Perkembangan Abnormal 8. Halaman Tentang Aplikasi

119 ejournal.unib.ac.id
 Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

5 YA
ABNORMAL ABNORMAL
6 YA
NORMAL NORMAL
7 YA
SUSPECT SUSPECT
8 YA
SUSPECT SUSPECT
9 YA
SUSPECT SUSPECT
10 TIDAK
SUSPECT ABNORMAL
11 TIDAK
SUSPECT ABNORMAL
12 YA
SUSPECT SUSPECT
13 YA
SUSPECT SUSPECT
Gambar 15. Tampilan Halaman Tentang Aplikasi 14 YA
ABNORMAL ABNORMAL
15 YA
ABNORMAL ABNORMAL
Halaman pada gambar 15 akan tampil jika 16 YA
NORMAL NORMAL
pengguna memilih submenu tentang aplikasi pada 17 TIDAK
NORMAL SUSPECT
menu informasi. Halaman ini berisi tentang 18 TIDAK
SUSPECT ABNORMAL
informasi mengenai pembuat aplikasi Sistem Pakar 19 SUSPECT SUSPECT
YA

Klasifikasi Status Perkembangan Anak Usia Dini 20 SUSPECT SUSPECT

YA

Dengan Metode Naïve Bayes Classifier Berbasis 21 ABNORMAL ABNORMAL

YA
22 TIDAK
DDST Rules. SUSPECT ABNORMAL
23 YA
B. Pengujian Sistem SUSPECT SUSPECT
24 YA
ABNORMAL ABNORMAL
Hasil pengujian validitas sistem
25 YA
ABNORMAL ABNORMAL
direpresentasikan menggunakan single decision 26 YA
SUSPECT SUSPECT
threshold (one feature) antara data perkembangan 27 TIDAK
ABNORMAL SUSPECT
anak pada data training dan data testing berikut : 28
SUSPECT SUSPECT
YA
29 TIDAK
SUSPECT ABNORMAL
30 YA
SUSPECT SUSPECT
31 TIDAK
NORMAL SUSPECT
32 YA
SUSPECT SUSPECT
33 TIDAK
Gambar 16. Tampilan Model Keputusan Single Decision ABNORMAL SUSPECT
34 YA
Threshold SUSPECT SUSPECT
35 YA
SUSPECT SUSPECT
36 TIDAK
Tabel berikut ini merupakan taebl hasil SUSPECT ABNORMAL
37 YA
pengujian dari 110 data uji : SUSPECT SUSPECT
38 YA
Tabel 1. Hasil Pengujian NORMAL NORMAL
39 YA
ABNORMAL ABNORMAL
Data Ke- Data Real / Hasil Naive Sesuai 40 YA
SUSPECT SUSPECT
Uji Bayes Classifier 41 YA
SUSPECT SUSPECT
1 YA 42 TIDAK
NORMAL NORMAL SUSPECT ABNORMAL
2 YA 43 YA
SUSPECT SUSPECT SUSPECT SUSPECT
3 YA 44 YA
SUSPECT SUSPECT SUSPECT SUSPECT
4 YA 45 YA
SUSPECT SUSPECT NORMAL NORMAL

ejournal.unib.ac.id 120
 Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

46 YA 87 YA
SUSPECT SUSPECT SUSPECT SUSPECT
47 YA 88 YA
ABNORMAL ABNORMAL NORMAL NORMAL
48 YA 89 YA
SUSPECT SUSPECT ABNORMAL ABNORMAL
49 YA 90 YA
NORMAL NORMAL SUSPECT SUSPECT
50 TIDAK 91 YA
SUSPECT ABNORMAL SUSPECT SUSPECT
51 YA 92 TIDAK
NORMAL NORMAL SUSPECT ABNORMAL
52 YA 93 YA
SUSPECT SUSPECT SUSPECT SUSPECT
53 YA 94 YA
SUSPECT SUSPECT SUSPECT SUSPECT
54 YA 95 YA
SUSPECT SUSPECT NORMAL NORMAL
55 YA 96 YA
ABNORMAL ABNORMAL SUSPECT SUSPECT
56 YA 97 YA
NORMAL NORMAL ABNORMAL ABNORMAL
57 YA 98 YA
SUSPECT SUSPECT SUSPECT SUSPECT
58 YA 99 YA
SUSPECT SUSPECT NORMAL NORMAL
59 YA 100 TIDAK
SUSPECT SUSPECT SUSPECT ABNORMAL
60 TIDAK 101 YA
SUSPECT ABNORMAL SUSPECT SUSPECT
61 TIDAK 102 TIDAK
SUSPECT ABNORMAL SUSPECT ABNORMAL
62 YA 103 YA
SUSPECT SUSPECT SUSPECT SUSPECT
63 YA 104 YA
SUSPECT SUSPECT SUSPECT SUSPECT
64 YA 105 YA
ABNORMAL ABNORMAL NORMAL NORMAL
65 YA 106 YA
ABNORMAL ABNORMAL SUSPECT SUSPECT
66 YA 107 YA
NORMAL NORMAL ABNORMAL ABNORMAL
67 TIDAK 108 YA
NORMAL SUSPECT SUSPECT SUSPECT
68 TIDAK 109 YA
SUSPECT ABNORMAL NORMAL NORMAL
69 YA 110 TIDAK
SUSPECT SUSPECT SUSPECT ABNORMAL
70 YA
SUSPECT SUSPECT
71 YA Validitas sistem dinilai dengan cara menghitung
ABNORMAL ABNORMAL
72 TIDAK nilai TP, TN, FP dan FN dari Tabel 1.
SUSPECT ABNORMAL
73 YA
SUSPECT SUSPECT TP = Normal-Normal + Suspect-Suspect +
74 YA
ABNORMAL ABNORMAL Abnormal-Abnormal
75 YA
ABNORMAL ABNORMAL
= 14+53+15 = 82
76 YA
SUSPECT SUSPECT
77 TIDAK TN = (Suspect-Suspect + Abnormal-Abnormal) +
ABNORMAL SUSPECT
78 YA (Normal - Normal + Abnormal - Abnormal)
SUSPECT SUSPECT
79 TIDAK + (Normal-Normal + Suspect-Suspect)
SUSPECT ABNORMAL
80 YA = (53+15) + (14+15) + (14+53) = 164
SUSPECT SUSPECT
81 TIDAK FP = (Suspect-Normal + Abnormal-Normal) +
NORMAL SUSPECT
82 YA
SUSPECT SUSPECT (Normal- Suspect + Abnormal-Suspect) +
83 TIDAK
ABNORMAL SUSPECT (Normal-Abnormal + Suspect-Abnormal)
84 YA
SUSPECT SUSPECT = (0+0) + (4+4) + (0+18) = 26
85 YA
SUSPECT SUSPECT
86 TIDAK
SUSPECT ABNORMAL

121 ejournal.unib.ac.id
 Jurnal Rekursif, Vol. 3 No.2 November 2015, ISSN 2303-0755

FN = (Normal-Suspect + Normal-Abnormal ) + REFERENSI

(Suspect-Normal + Suspect-Abnormal) +
(Abnormal-Normal + Abnormal-Suspect)
= (4+0) + (0+18) + (0+4) = 26
𝑇𝑃+𝑇𝑁
Kinerja Sistem = 𝑋 100%
𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁
82+164
= 82+164+26+26 𝑋 100%
= 83,1 %
Hasil validasi sistem memiliki tingkat akurasi
sebesar 83,1 %.
VI. KESIMPULAN
Berdasarkan analisa perancangan
implemantasi, dan pengujian sistem, maka dapat
disimpulkan bahwa penelitian ini telah berhasil
[1] Irwanto, Ahmad, & Moersintowarti. 2006.
Penyimpangan Tumbuh Kembang Anak. Surabaya.
Tersedia: http://old.pediatrik.com/ pkb/0610 22022956-
57x6138.pdf [ Desember 2014]
[2] Suwariyah, P. 2013. Test Perkembangan Bayi/Anak
Menggunakan Denver Developmental Screening Test
(DDST). Jakarta: Trans Info Media
[3] Susilaningrum, R., Nursalam & Utami.S. 2013. Asuhan
Keperawatan Bayi dan Anak Untuk Perawat dan Bidan.
Jakarta: Salemba Medika.
[4] Depkes RI. 2005. Pedoman Pelaksanaan Stimulasi,
Deteksi dan Intervensi Dini Tumbuh Kembang Anak di
Tingkat Pelayanan Kesehatan Dasar. Jakarta.
[5] Kusumadewi, S. (2003). Artificial Intelligence (Teknik
dan Aplikasinya). Yogyakarta:Graha_Ilmu.
Tersedia:http://www.grahailmu. co.id/previewpdf/979-
3289-19-8-6.pdf [Desember 2014].
[6] Yudistira, D.T. 2014. Penentuan Klasifikasi Status Gizi
Orang Dewasa dengan Algoritma Naïve Bayes
Classification (Studi Kasus Puskesmas Jiken Semarang).
sistem, Semarang. Tersedia:
http://eprints.dinus.ac.id/13266/1/jurnal_13763.pdf.[
Desember 2014]
[7] Widodo, P. P. 2011. Menggunakan UML. Bandung:
Penerbit Informatika.

menghasilkan sistem pakar klasifikasi status

perkembangan anak usia dini berbasis desktop.
Sistem ini dapat digunakan oleh pakar untuk
membantu pakar dalam melakukan pemeriksaan /
dapat menjadi asisten pakar, untuk pengguna
umum (orangtua/pengasuh) sistem ini dapat
membantu dalam mendeteksi status perkembangan
anak agar tercapai perkembangan anak yang
optimal. Dan sistem ini mempunyai tingkat akurasi
sebesar 83,1 %.

VII. SARAN
Berdasarkan analisa perancangan sistem,
implementasi, dan pengujian sistem, maka untuk
pengembangan penelitian selanjutnya penulis
menyarankan Sistem ini dapat dilakukan
pengembangan sistem dalam hal perangkat
pendukungnya, kedepan diharapkan dapat
diaplikasikan untuk perangkat online (web) atau
bergerak (mobile) berbasis android.

ejournal.unib.ac.id 122