Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 3, No. 11, November 2019, hlm. 10410-10417 http://j-ptiik.ub.ac.id

Identifikasi Jenis Attention Deficit Hyperactivity Disorder pada Anak

menggunakan Learning Vector Quantization dengan Seleksi Fitur
menggunakan Algoritme Genetika
Chalid Ahmad Aulia1, Candra Dewi2, Sutrisno3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1chalidaulia@gmail.com, 2dewicandra@ub.ac.id, 3trisno@ub.ac.id

Abstrak
Attention Deficit Hyperactivity Disorder merupakan salah satu gangguan yang biasa terjadi pada
anak usia dini yang ditandai dengan berbagai macam perilaku seperti tidak bisa tenang, kurang bisa
memberi perhatian, dan keinginan tiba-tiba untuk melakukan hal-hal yang berlebihan. Secara umum ada
tiga jenis ADHD, antara lain: inattentive, impulsive, dan hyperactive. Namun banyak masyarakat yang
belum sadar akan bahayanya kelainan ini jika tidak ditangani sejak dini. Oleh karena itu, dibutuhkan
sebuah sistem untuk mengidentifikasi jenis ADHD pada seorang anak. Penelitian ini menggunakan
Learning Vector Quantization sebagai algoritme untuk mengklasifikasi jenis ADHD dan algoritme
genetika sebagai penyeleksi fitur-fitur yang relevan. Pada penelitian ini terdapat 45 buah fitur yang
merupakan gejala-gejala dari ADHD yang akan diseleksi terlebih dahulu oleh algoritme genetika fitur-
fitur mana saja yang akan digunakan untuk proses LVQ untuk ditentukan nilai akurasinya. Pengujian
dilakukan dengan mencari angka-angka dari variabel yang memberikan pengaruh terhadap hasil dan
dapat menghasilkan angka akurasi paling tinggi. Parameter terbaik dengan hasil akurasi tertinggi antara
lain ukuran populasi 15, crossover rate 0,9, mutation rate 0,1, banyak generasi 7, dan nilai learning rate
0.5 di mana nilai rata-rata akurasinya mencapai 96%.
Kata kunci: ADHD, attention deficit hyperactivity disorder, algoritme genetika, Learning Vector Quantization,
LVQ, identifikasi, seleksi fitur.
Abstract
Attention Deficit Hyperactivity Disorder is one of the common disorders that may occur early
childhood which is indicated by certain kinds of behaviors such as the inability to calm down, not being
able to pay much attention, and sudden desire to do excessive things. There are three types of ADHD in
general: inattentive, impulsive, and hyperactive. But a lot of people are not aware of the dangers of this
disorder if not treated from an early stage. Thus, a system to identify the type of ADHD in a child is
needed. This study implements Learning Vector Quantization as the algorithm to classify types of ADHD
and genetic algorithm as the selector of relevant features. In this study, there are 45 features which are
the symptoms of ADHD that will be selected in advance by the genetic algorithm to determine which
features are going to be used in the LVQ process to determine its accuracy value. The testing includes
finding the numbers of variables that may have impacts to the results and can result the highest accuracy
numbers. The best parameters with the highest accuracy results are the population size of 15, crossover
rate of 0.9, mutation rate of 0.1, number of generations of 7, and the learning rate of 0.5.
Keywords: ADHD, attention deficit hyperactivity disorder, genetic algorithm, Learning Vector Quantization,
LVQ, identification, feature selection.

Fakultas Ilmu Komputer

Universitas Brawijaya 10410
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 10411

1. PENDAHULUAN (LVQ) dan optimasi menggunakan Particle

Swarm Optimization (PSO) untuk menentukan
Attention Deficit Hyperactivity Disorder
vektor bobot awal LVQ terbaik. Algoritme
(ADHD), dalam bahasa Indonesia Gangguan
LVQ˗PSO dapat memberikan rerata nilai akurasi
Pemusatan Perhatian dan Hiperaktif, merupakan
terbaik yaitu 87,3% dalam waktu 84,6 detik,
sebuah gangguan perkembangan dengan ciri
sementara percobaan yang menggunakan LVQ
utama atau karakterisrik kesulitan penderita untuk
saja hanya mengasilkan rerata nilai akurasi
memusatkan perhatian (Setyowati & Mahmudy,
tertinggi 80,6% dalam waktu 4,8 detik. Parameter-
2018). Hal ini dapat ditandai dengan sifat tidak
parameter PSO terbaik yang dapat memberikan
bisa diam, perasaan gelisah, kecenderungan
akurasi tertinggi terbaik pada penelitian tersebut
meninggalkan kegiatan-kegiatan yang bersifat
antara lain ukuran swarm 100, maksimal iterasi
statis seperti duduk diam atau berdiri diam, dan
PSO 100, Wmax 0,6, Wmin 0,5, learning rate 0,1,
suka membuat keributan. Beberapa karakteristik
dan pengurang learning rate 0,1.
dari gangguan ADHD dapat dilihat dari kurangnya
Klasifikasi menggunakan metode
perhatian, impulsifitas, hiperaktifitas, adanya
Learning Vector Quantization lain pernah
gangguan secara klinis dalam fungsi sosial,
dikalukan oleh (Pahlevi, Setiawan, & Afirianto,
akademis, maupun pekerjaan (Cahyani, Furqon, &
2018) dengan membagi gangguan kepribadian
Rahayudi, 2018). Pada anak-anak, masalah ini
dramatis ke dalam 4 kelas. Data didapatkan dari
dapat menyebabkan kinerja sekolah yang buruk.
kuisioner dengan menggunakan 32 parameter dan
Secara umum, terdapat tiga macam
berhasil mendapatkan data sebanyak 90 data.
perilaku yang dikaitkan dengan ADHD, antara
Peneilitan ini melakukan 4 skenario pengujian
lain: inattentiveness, impulsiveness, dan
yang menghasilkan nilai learning rate 0,2, pengali
hyperactive. Kurangnya pemusatan perhatian
learning rate 0,4, minimum learning rate 0,001,
dapat mengakibatkan seorang anak untuk lebih
dan data latih sebesar 60. Hasil akurasi yang
mudah terganggu dan sangat kesulitan untuk focus
didapatkan adalah sebesar 70%.
dan berkonsentrasi pada tugas-tugasnya.
Penggunaan seleksi fitur menggunakan
Impulsivitas dapat ditandai dengan perilaku
Algoritme Genetika pernah digunakan pada
seperti selalu ingin melakukan berbagai macam
penelitian (Cahya, Dewi, & Rahayudi, 2018)
tindakan yang beresiko, seolah-olah tidak
untuk pengklasifikasian penyakit aritmia
mendengar, berbuat sesuatu tanpa berpikir terlebih
berdasarkan hasil elektrokardiogram
dahulu dan seolah-olah tidak menyadari akan
menggunakan metode SVM, algoritme genetika
akibatnya. Hiperaktivitas ditandai dengan sifat
akan membuat dataset dengan fitur yang sudah
seperti selalu “ingin pergi” – sulit diikuti, tidak
diseleksi, dan dataset tersebut digunakan untuk
pernah bisa diam, bergoyang-goyang, mengetuk-
melatih SVM untuk mengklasifikasikan aritmia.
ngetukkan jari, dan tidak dapat duduk dengan
Hasil yang didapat dari penelitian tersebut
tenang (Association, 2013).
membuktikan bahwa algoritme GA-SVM
Gangguan metal ADHD dapat dibedakan
memiliki rata-rata nilai akurasi sebesar 82.5%,
dari penyakit mental seperti down syndrome atau
menggunakan data latih sebanyak 120 dan data uji
autisme dimana gejalanya bisa diidentifikasi dari
20. Algoritme genetika dapat menurunkan jumlah
segi kondisi fisik. ADHD baru dapat diidentifikasi
fitur, dari total 2160 fitur awal menjadi rata-rata
dari pola perubahan perilaku penderita. Namun,
406 fitur.
pengetahuan masyarakat, terutama para orangtua,
Berdasarkan penelitian-penelitian
mengenai gangguan ini masih sangat minim dan
tersebut, metode pemilihan fitur algoritme
kurang tersosialisasi. Sebagian besar orangtua
genetika dapat diimplementasikan ke metode
baru dapat mengetahui anaknya memiliki
klasifikasi dan mempengaruhi tingkat akurasinya.
gangguan ADHD setelah mereka melakukan
Oleh karena itu, penelitian ini akan merancang
pemeriksaan kepada psikeater. Penanganan anak
sebuah program dengan objek ADHD
penderita ADHD yang salah dapat mengakibatkan
menggunakan algoritme genetika sebagai metode
gangguan yang berkembang dan berkelanjutan
seleksi fitur serta Learning Vector Quantization
(Arniantya, Setiawan, & Adikara, 2018).
(LVQ) sebagai metode klasifikasi.
Penelitian sebelumnya tentang ADHD
pernah dilakukan oleh (Setyowati & Mahmudy,
2. ADHD
2018) dengan mengklasifikasi ADHD
menggunakan Learning Vector Quantiztion

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
ADHD (Attention Deficit Hyperactivity
Disorder) merupakan kelainan perilaku yang
ditandai oleh gangguan pemusatan perhatian dan
gangguan konsentrasi. Menurut buku Diagnostic
and Statistical Manual Disorder, American
Psychiatric Assosiation (APA) dalam DSM-IV-
TR mengkategorikan ADHD menjadi tiga jenis,
yaitu Inattention (sulit mempertahankan
perhatian), Hyperactivity (Hiperaktif), dan
Impulsive (Impulsif).
3. SELEKSI FITUR
Seleksi fitur merupakan sebuah teknik untuk
memilih sejumlah fitur pada sebuah data yang
tidak memiliki relevansi maupun pengaruh yang
signifikan terhadap sekumpulan data, teknik
seleksi fitur menghapus atau membuang data yang
tidak relevan atau berlebihan. Tujuan utama dari
seleksi fitur adalah untuk menghindari overfitting
sehingga dapat meningkatkan performa dari
sistem dan dapat menghasilkan hasil yang lebih
cepat dan efektif (Beniwal & Arora, 2012). Seleksi
fitur dapat membuat sebuat proses klasifikasi
menjadi lebih baik, cepat dan efektif dengan cara
menganalisis fitur-fitur mana saja yang sesuai
untuk dimasukkan dalam proses pembelajaran
(Utami, 2015).
3.1 Algoritme Genetika
Algoritme genetika merupakan salah satu
metode yang dapat digunakan untuk mengatasi
permasalahan seleksi pemilihan fitur. Algoritme
genetika akan memberikan vektor bobot secara
acak dari data set yang ada, vektor bobot awal
yang diinisialisasi akan melalui fase reproduksi,
evaluasi, hingga seleksi, sehingga dihasilkan
vektor bobot yang akan digunakan untuk proses
LVQ. Seluruh proses tersebut akan terus berulang
sebanyak generasi yang diinginkan. Fase-fase
tersebut dijabarkan pada sub bab berikut.
3.1.1 Inisialisasi
Inisialisasi merupakan proses untuk
menciptakan individu-individu yang akan
dijadikan solusi dari permasalahan yang ditangani.
Inisialisasi pada penelitian ini dilakukan dengan
memberikan bilangan acak antara 1 atau 0 kepada
masing-masing gen pada setiap individu untuk
menentukan fitur-fitur pada data latih yang dipilih.
3.1.2 Reproduksi
Reproduksi merupakan proses untuk
menciptakan individu baru yang berasal dari
Fakultas Ilmu Komputer, Universitas Brawijaya
10412
individu sebelumnya. Proses reproduksi yang
dilakukan dapat berupa crossover atau mutation
tergantung dari crossover rate dan mutation rate
yang diinginkan. Hasil dari proses reproduksi
akan ditempatkan kedalam kumpulan offspring.
3.1.3 Evaluasi
Evaluasi merupakan proses untuk
menghitung nilai fitness dari seluruh individu
offspring dan parent. Evaluasi pada penelitian ini
dilakukan dengan melakukan proses LVQ pada
masing-masing individu yang diberikan oleh
proses algoritme genetika. Nilai-nilai akurasi dari
tiap individu akan dijadikam sebagai acuan nilai
fitness yang kemudian akan diseleksi.
3.1.4 Seleksi
Seleksi, merupakan proses untuk memilih
individu dengan nilai fitness terbaik dan
diloloskan ke generasi selanjutnya. Proses seleksi
pada penelitian ini menggunakan elitism, yaitu
mengurutkan nilai akurasi hasil LVQ dari yang
tertinggi hingga terendah, kemudian hanya
memilih individu-individu terbaik sebanyak
popsize untuk diloloskan untuk generasi
berikutnya.
4. KLASIFIKASI
Klasifikasi adalah proses penemuan model
yang berfungsi untuk membedakan atau
mengkategorikan jenis kelas dari data, klasifikasi
merupakan konsep yang bertujuan untuk
memprediksi kelas yang tidak diketahui label
kelasnya, yang dianalisis berdasarkan sekumpulan
data latih yang diketahui label kelasnya (Han,
Kamber, & Pei, 2012). Terdapat tiga tahapan
proses pembelajaran dalam sebuah proses
klasifikasi, yaitu (Wafiyah, Hidayat, & Perdana,
2017):
1. Perancangan Model
Proses membangun solusi untuk
menyelesaikan sebuah masalah berdasarkan
data latih yang sudah diklasifikasi.
2. Implementasi Model
Proses menentukan kelas untuk data uji
berdasarkan parameter dan model yang telah
ditentukan pada tahap perancangan.
3. Evaluasi Model
Proses yang bertujuan untuk melakukan
evaluasi terhadap implementasi model yang
telah mengklasifikasikan data uji sesuai
dengan parameter-parameter yang ada.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
4.1 Learning Vector Quantization (LVQ)
Learning Vector Quantization (LVQ) adalah
metode untuk melakukan pembelajaran pada
lapisan kompetitif yang terbimbing. Learning
Vector Quantization (LVQ) merupakan suatu
metode klasifikasi pola yang setiap hasilnya
mewakili sebuah kategori atau suatu kelas
tertentu. LVQ mengklasifikasikan vektor input
dalam kelas yang sama dengan unit output yang
memiliki vektor bobot yang paling dekat dengan
vektor input (Widodo, 2005).
Berikut adalah langkah-langkah dari proses LVQ
(Fausett, 1994):
1. Inisialisasi.
a. Inisialisasi vektor referensi.
b. Inisialisasi laju pelatihan (α) = 0.
2. Selama kondisi stop salah, kerjakan
langkah 2-6.
3. Untuk setiap vektor, masukkan pelatihan
x, kerjakan langkah 3-4.
4. Cari nilai J sehingga ||x-wj|| bernilai
minimum.
5. Perbaharui nilai wj dengan ketentuan:
a. Jika T=Cj maka wj (baru) = wj(lama)
+ α||x-wj||
b. Jika T≠Cj maka wj(baru) = wj(lama -
α||x-wj||
6. Kurangi laju pelatihan (α = α - Decα ; α =
α*Decα).
7. Uji kondisi stop (cacah iterasi atau laju
pelatihan).
4.1.1 Perhitungan Jarak Euclidean
Perhitungan jarak Euclidean dilakukan
dengan mencari akar dari total kuadrat dari selisih
data latih yang terpilih terhadap masing-masing
vektor bobot. Setelah dilakukan perhitungan,
dicari jarak minimal dari hasil perhitungan
Euclidean untuk menentukan ke kelas mana data
latih tersebut akan diklasifikasikan. Rumus untuk
menghitung jarak Euclidean ditunjukkan pada
persamaan (1).
𝑛 2
𝐷(𝑗) = √∑ (𝑥𝑖 − 𝑤𝑖𝑗 ) (1)
𝑖=1
4.1.2 Update Bobot
Pembaharuan vektor bobot dilakukan
sebanyak total kolom yang ada pada vektor bobot.
Persamaan yang digunakan untuk update bobot
bergantung pada kelas yang dihasilkan dari
perhitungan Euclidean apakah sama atau berbeda
Fakultas Ilmu Komputer, Universitas Brawijaya
10413
dengan kelas target. Jika sama, maka persamaan
yang digunakan untuk memperbaharui bobot
adalah persamaan (2). Jika berbeda, maka
persamaan yang digunakan adalah persamaan (3).
wj(baru) = wj(lama) + α||x-wj|| (2)
wj(baru) = wj(lama - α||x-wj|| (3)
4.1.3 Testing
Testing adalah proses yang dilakukan kepada
data uji setelah data latih melalui seluruh proses
data training. Proses ini berfungsi untuk
mengukur seberapa akurat hasil dari perhitungan
LVQ setelah beberapa iterasi. Testing dimulai
dengan proses perhitungan jarak Euclidean.
Setelah didapatkan masing-masing kelas dari data
tersebut, kelas tersebut akan dicocokkan ke kelas
pada data uji, kemudian dihitung berapa banyak
kelas yang sesuai yang ditandakan dengan
variabel “akurat”. Pada langkah terakhir, program
akan menghitung presentase dari banyaknya data
yang akurat terhadap keseluruhan data. Rumus
akurasi dapat dilihat pada persamaan (4).
∑ 𝑑𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑐𝑜𝑐𝑜𝑘
Akurasi (%) = ∑ 𝑑𝑎𝑡𝑎 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛×100% (4)
5. METODE
Langkah-Langkah yang dilakukan pada
penelitian ini ditunjukkan Diagram Alir pada
Gambar 1.
Studi Literatur
Pengumpulan Data
Perancangan
Algoritme
Implementasi
Pengujian dan
Analisis
Penarikan
Kesimpulan
Gambar 1. Diagram alir metodologi penelitan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Berikut adalah penjelasan tentang diagram alir
pada Gambar 1:
• Studi literatur adalah pengumpulan teori-
teori yang merupakan rujukan terhadap
penelitian ini. Teori dapat berasal dari jurnal,
buku, atau laporan penelitian.
• Pengumpulan data adalah mengumpulkan
data yang dipakai pada sistem penelitian.
• Algoritme, yaitu tahap perancangan serta
penerapan algoritme yang akan digunakan
pada penelitian.
• Pengujian dan Analisis sistem, yaitu
melakukan sejumlah pengujian terhadap
sistem yang telah dibuat serta menganalisis
hasilnya.
• Penarikan kesimpulan, yaitu melakukan
perangkuman terhadap hasil dari penelitian
yang telah dilakukan.
Algoritme pada sistem Identifikasi Jenis
Attention Deficit Hyperactivity Disorder pada
Anak Menggunakan Learning Vector
Quantization dengan Seleksi Fitur Menggunakan
Algoritme Genetika ditunjukkan oleh diagram alir
pada Gambar 2.
Mulai
Input data
ADHD
Algoritme Genetika
Fitur-fitur terseleksi
Learning Vector
Quantization
Hasil klasifikasi ADHD
Selesai
Gambar 2. Diagram Alir Tahapan Proses Sistem
Fakultas Ilmu Komputer, Universitas Brawijaya
10414
Proses dimulai dari menginput data set
sebanyak 100 buah dengan 45 fitur pada masing-
masing data dan jenis kelas dari setiap data
tersebut. Kemudian algoritme genetika
membangkitkan sejumlah individu berdasarkan
banyak ukuran popoulasi dengan memilih secara
acak fitur-fitur mana saja di antara 45 fitur tersebut
yang akan diproses pada perhitungan LVQ. LVQ
akan memberikan nilai akurasi dari masing-
masing individu yang akan dijadikan acuan untuk
nilai fitness. Setelah itu, algoritme genetika
menyeleksi individu atau kombinasi fitur dengan
mengurutkan dari nilai fitness tertinggi sampai
terendah. Individu-individu dengan nilai fitness
tertinggi akan melanjutkan siklus algoritme
genetika ke generasi selanjutnya.
6. PENGUJIAN DAN ANALISIS
Pengujian dan analisis dilakukan dalam dua
tahap, yang pertama adalah pengujian untuk
mengetahui pengaruh dari nilai-nilai variabel pada
algoritme genetika dan LVQ, antara lain popsize,
cr, mr, generasi, dan learning rate. Yang kedua
adalah pengujian untuk membandingkan nilai
akurasi jika sistem hanya menggunakan LVQ
tanpa seleksi fitur dan jika sistem menggunakan
LVQ-AG.
6.1 Pengujian Dan Analisis Variabel Popsize
Pengujian dan analisis variabel popsize
dilakukan untuk mencari berapa ukuran populasi
yang dapat menghasilkan nilai akurasi tertinggi.
Ukuran populasi terbaik akan dijadikan sebagai
acuan variabel tetap untuk pengujian selanjutnya.
Ukuran populasi yang digunakan dimulai dari
popsize sebanyak 5 kemudian terus bertambah
satu hingga mencapai popsize 15. Masing-masing
ukuran populasi dilakukan pengujian sebanyak
lima kali. Kemudian nilai akurasi dari tiap
percobaan tersebut akan dihitung rata-ratanya.
Pada pengujian popsize, banyaknya generasi yang
ditetapkan adalah 2, kombinasi nilai Cr = 0,5 dan
Mr = 0,5. Hasil pengujian popsize yang telah
dilakukan dapat dilihat pada Tabel 6.1.
Tabel 6.1 Hasil pengujian variabel popsize
Cr=0,5; Mr=0,5; Generasi=2 Rata-
Pop Percobaan ke-i rata
size nilai
1 2 3 4 5
Akurasi
5 53,3 53,3 73,3 86,7 60,0 65,33
6 66,7 60,0 66,7 73,3 80,0 69,33
7 86,7 80,0 46,7 80,0 53,3 69,33
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 10415

8 80,0 53,3 80,0 100 46,7 72,00 untuk kasus ini tidak berpengaruh secara
9 100 73,3 73,3 100 80,0 85,33 signifikan terhadap hasil akhir dikarenakan nilai-
10 93,3 86,7 66,7 60,0 93,3 80,00
nilai yang dipindah silang dan dimutasi pada
11 100 73,3 73,3 93,3 73,3 82,67
12 60,0 100 73,3 100 100 86,67 siklus algoritme genetika berupa biner sehingga
13 86,7 100 100 100 66,7 90,67 tidak terlalu memberi perbedaan yang berarti pada
14 100 100 86,7 100 100 97,33 proses perhitungan akurasi pada LVQ.
15 100 93,3 100 100 100 98,67
6.3 Hasil Pengujian dan Analisis Banyak
Pada tabel 6.1, dapat dilihat bahwa Generasi
semakin bertambahnya ukuran populasi, Pengujian selanjutnya dilakukan terhadap
semakin tinggi nilai akurasi yang mungkin variabel generasi atau banyaknya iterasi yang
didapatkan. Rata-rata nilai akurasi tertinggi dilakukan pada proses seleksi fitur algoritme
didapatkan pada ukuran populasi 15 yaitu genetika. Pengujian tersebut dilakukan untuk
98,67%. Nilai popsize hanya diuji sampai 15 menentukan banyaknya iterasi yang dianggap
karena mulai dari popsize 12 sudah banyak paling optimal. Percobaan dimulai dari banyak
didapatkan hasil akurasi 100, sehingga jika generasi 1 sampai 10, kemudian dilakukan
ditambahkan terus-menerus, hasil percobaan percobaan dengan banyak generasi 15 dan 20.
akan selalu mengalami konvergensi. Pengujian ini dilakukan dengan menggunakan
hasil dari ukuran popsize, cr, dan mr pada
6.2 Pengujian dan Analisis Kombinasi Variabel percobaan sebelumnya. Hasil pengujian variabel
CR dan MR generasi dapat dilihat pada Tabel 6.3.

Pengujian ini dilakukan untuk mencari Tabel 6.3 Hasil pengujian variabel generasi
kombinasi nilai yang sesuai dan dapat Cr=0,9; Mr=0,1; Popsize=15 Rata-
menghasilkan nilai akurasi yang tinggi. Pada Gen Percobaan ke-i rata nilai
erasi 1 2 3 4 5 akurasi
pengujian kombinasi nilai Cr dan Mr, parameter-
1 86,7 66,7 73,3 73,3 80 76
parameter algoritme genetika untuk popsize 2 86,7 53,3 93,3 60 80 74,67
menggunakan 15 ukuran populasi, yang diperoleh 3 80 86,7 60 46,7 53,3 65,33
dari pengujian popsize pada subbab 6.1 dan 4 93,3 46,7 40 93,3 66,7 68
banyaknya generasi sebanyak 2. Setiap kombinasi 5 80 80 66,7 60 73,3 72
nilai Cr dan Mr dilakukan pengujian sebanyak 6 100 73,3 86,7 73,3 100 86,67
7 86,7 100 100 100 80 93,33
lima kali. Hasil pengujian kombinasi variabel Cr
8 86,7 66,7 93,3 100 60 81,33
dan Mr yang telah dilakukan dapat dilihat pada 9 100 86,7 80 100 100 93,33
Tabel 6.2. 10 86,7 93,3 80 100 93,3 90,67
15 80 100 73,3 93,3 100 89,33
Tabel 6.2 Hasil pengujian kombinasi variabel 20 93,3 93,3 73,3 100 73,3 89,33
Cr dan Mr
Popsize = 15; Generasi = 2; Rata- Hasil pegujian generasi pada tabel 6.3
Cr & Percobaan ke - i rata
Mr nilai menunjukkan bahwa nilai rata-rata akurasi
1 2 3 4 5 tertinggi didapatkan pada percobaan banyak
akurasi
0,9;0,1 93,3 93,3 100 93,3 100 96 generasi 7 dan 9 yaitu 93,33%. Dari generasi 1
0,8;0,2 73,3 93,3 93,3 100 80,0 88 sampai 9 seperti terbentuk sebuah pola bahwa
0,7;0,3 100 80 80 53,3 100 82,67 semakin banyak generasi atau semakin banyak
0,6;0,4 86,7 100 66,7 66,7 100 84
siklus algoritme genetika yang dilalui, maka
0,5;0,5 100 100 86,7 86,7 86,7 92
0,4;0,6 73,3 80 93,3 100 100 89,33 semakin tinggi kemungkinan untuk mendapatkan
0,3;0,7 86,7 100 86,7 86,7 80 88 akurasi tinggi. Namun setelah percobaan
0,2;0,8 100 100 93,3 100 66,7 92 menggunakan banyak generasi 9, pola tersebut
0,1;0,9 100 80 86,7 100 100 93,33 berhenti dan akurasi menjadi tidak menentu
namun tetap bernilai relatif tinggi. Sehingga dapat
Dari hasil pengujian kombinasi variabel Cr disimpulkan banyak generasi yang paling optimal
dan Mr pada tabel 6.2, rata-rata nilai akurasi untuk kasus ini adalah 7.
tertinggi yang didapatkan adalah saat nilai Cr =
0,9 dan nilai Mr = 0,1 yaitu 96%. Nilai Cr dan Mr

Fakultas Ilmu Komputer, Universitas Brawijaya

 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 10416

6.4 Pengujian dan Analisis Learning Rate Tabel 6.5 Hasil pengujian akurasi metode LVQ
tanpa seleksi fitur
Pengujian learning rate dilakukan untuk Learning rate Akurasi
mengetahui pengaruh nilai learning rate terhadap 0,1 0
hasil nilai akurasi sistem. Pengujian ini dilakukan 0,2 20
dengan mengganti nilai learning rate dengan 0,3 8
0,001, 0,005, 0,01, 0,05, kemudian dari 0,1, terus 0,4 80
0,5 88,89
bertambah 0,1 sampai dengan 0,5 dengan 0,6 0
menggunakan variabel dari ukuran popsize, cr, 0,7 0
mr, dan generasi pada percobaan-percobaan 0,8 0
sebelumnya. Hasil skenario pengujian learning 0,9 0
rate ditunjukkan pada Tabel 6.4.
Hasil pengujian sistem dengan hanya
menggunakan metode LVQ menghasilkan nilai
akurasi tertinggi 88,89% pada nilai learning rate
Tabel 6.4 Hasil pengujian learning rate 0,5. Hal ini menunjukkan bahwa seleksi fitur
Popsize = 15 ; Cr = 0,9 ; Mr = 0,1 ; Rata-rata algoritme genetika mempunyai perngaruh dalam
Learning Generasi = 7 nilai meningkatkan akurasi sistem seperti yang sudah
Rate Percobaan ke - i akurasi
1 2 3 4 5
ditunjukkan pada sub bab sebelumnya di mana
0.001 0 6,7 26,7 20 20 14,67 hasil akhir dari LVQ-AG memiliki rata-rata nilai
0.005 26,7 26,7 26,7 26,7 20 25,33 akurasi paling tinggi mencapai 96%.
0.01 20 26,7 20 20 13,3 20,00
0.05 60 86,7 60 60 53,3 64,00 7. KESIMPULAN
0.1 80 86,7 80 86,7 93,3 85,33
0.5 100 80 100 100 100 96,00 Sesuai dengan hasil penelitian tentang seleksi
fitur menggunakan Algoritme Genetika pada
Hasil pengujian learning rate pada tabel 6.4 identifikasi jenis Attention Deficit Hyperactivity
menunjukkan bahwa rata-rata nilai akurasi Disorder dengan Learning Vector Quantization
tertinggi didapatkan pada percobaan nilai learning (LVQ) yang telah dilakukan, dapat ditarik
rate 0,5 yaitu 96%. Dapat disimpulkan bahwa kesimpulan sebagai berikut:
semakin tinggi nilai learning rate, maka semakin 1. Penerapan algoritme genetika untuk
cepat sistem akan memberikan hasil dengan nilai menyeleksi fitur untuk proses LVQ pada
akurasi tinggi. penelitian ini menggunakan representasi
kromosom pengodean bilangan biner.
6.5 Pengujian dan Analisis Akurasi Metode Individu dibangkitkan sebanyak ukuran
LVQ Tanpa Seleksi Fitur Algoritme populasi (popsize) di mana masing-masing
Genetika individu memiliki 45 buah kromosom. Satu
individu merepresentasikan fitur-fitur mana
Pengujian akurasi hanya menggunakan
saja yang terpilih untuk digunakan pada
metode LVQ dilakukan untuk mengetahui
proses klasifikasi LVQ. Pada masing-masing
seberapa besar pengaruh seleksi fitur algoritme
iterasi algoritme genetika, dilakukan proses
genetika terhadap hasil akhir yang diberikan oleh
crossover, mutation, evaluasi, dan seleksi.
program. Pengujian dilakukan dengan mengubah
Seluruh individu mulai dari parent hingga
nilai-nilai gen pada inisialisasi popsize menjadi 1
offspring hasil reproduksi dilakukan evaluasi
semua yang berarti seluruh fitur pada data latih
dengan mengurutkan nilai fitness masing-
dan data uji dimasukkan ke perhitungan tanpa
masing individu. Nilai fitness didapatkan dari
terseleksi terlebih dahulu. Vektor bobot yang
nilai akurasi hasil proses klasifikasi LVQ.
digunakan masih vektor bobot yang sama dengan
Sejumlah individu dengan nilai fitness
yang digunakan pada pengujian menggunakan
terbaik akan melalui siklus algoritme
seleksi fitur algoritme genetika. Kemudian nilai
genetika pada iterasi selanjutnya. Proses
variabel popsize, cr, mr, dan banyak generasi
tersebut akan terus berulang sebanyak
diabaikan. Hasil skenario pengujian akurasi
generasi yang diinginkan.
metode LVQ tanpa seleksi fitur ditunjukkan pada
Tabel 6.5. 2. Hasil akurasi terbaik yang didapatkan dari
pengujian terhadap variabel-variabel adalah

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
sebagai berikut: popsize = 15 dengan nilai
akurasi 98,67%, kombinasi nilai Cr = 0,9 dan
Mr = 0,1 dengan nilai akurasi 96%, banyak
generasi 7 dengan nilai akurasi 93,33%, dan
nilai learning rate 0.5 dengan nilai akurasi
96%.
3. Seleksi fitur algoritme genetika terbukti
memberi pengaruh terhadap akurasi di mana
hasil akurasi yang hanya menggunakan LVQ
adalah 88,89%, sementara rata-rata nilai
akurasi dengan menggunakan LVQ-AG
mencapai 96%.
Karena penelitian ini masih memiliki banyak
kekurangan, berikut beberapa saran yang dapat
diberikan dari penelitian ini yang dapat berguna
untuk penelitian selanjutnya, antara lain:
1. Menggunakan sebaran data yang lebih
variatif dan memiliki total data yang lebih
banyak, serta menggunakan populasi dan
generasi yang lebih besar. Sehingga
diharapkan mendapat hasil akurasi yang lebih
tinggi lagi.
2. Mengembangkan penelitian ini dengan
menggunakan metode seleksi fitur lain
dan/atau menggunakan metode klasifikasi
lain.
8. DAFTAR PUSTAKA
Arniantya, R., Setiawan, B. D., & Adikara, P. P.
(2018). Optimasi Vektor Bobot pada
Learning Vektor Menggunakan
Algoritme Genetika untuk Indentisifikasi
Jenis Attention Deficit Hyperactivity
Disorder pada Anak. Jurnal
Pengembangan Teknologi Informasi dan
Ilmu Komputer, 2(2), 679-687.
Association, A. P. (2013). Diagnostic and
Statistical Manual of Mental Disorders
(5th ed.). Arlington: American
Psychiatric Association.
Beniwal, S., & Arora, J. (2012). Classification
and Feature Selection Techniques in Data
Mining. International Journal of
Engineering Research and Technology
(IJERT), 1(6).
Cahya, R. A., Dewi, C., & Rahayudi, B. (2018).
Klasifikasi Aritmia dari Hasil
Elektrokardiogram Menggunakan
Support Vector Machine dengan Seleksi
Fitur Menggunakan Algoritma Genetika.
Jurnal Pengembangan Teknologi
Fakultas Ilmu Komputer, Universitas Brawijaya
10417
Informasi dan Ilmu Komputer, II(3),
1170-1178.
Cahyani, F. P., Furqon, M. T., & Rahayudi, B.
(2018). Identifikasi Penyimpangan
Tumbuh Kembang Anak Dengan
Algoritme Backpropagation. Jurnal
Pengembangan Teknologi Informasi dan
Ilmu Komputer, 1778-1786.
Fausett, L. (1994). Fundamentals of Neural
Network: Architectures, Algorithms, and
Applications. New Jersey: Prentice-Hall
Inc.
Han, J., Kamber, M., & Pei, J. (2012). Data
Mining Concepts and Techniques.
Waltham: Elsevier Inc.
Pahlevi, M. K., Setiawan, B. D., & Afirianto, T.
(2018). Identifikasi Gangguan
Kepribadian Dramatis Menggunakan
Metode Learning Vector Quantization
(LVQ) . Jurnal Pengembangan
Teknologi Informasi dan Ilmu Komputer,
3103-3111.
Setyowati, W. A., & Mahmudy, W. F. (2018).
Optimasi Vektor Bobot Pada Learning
Vector Quantization Menggunakan
Particle Swarm Optimization Untuk
Klasifikasi Jenis Attention Deficit
Hyperactivity Disorder (ADHD) Pada
Anak Usia Dini. Jurnal Pengembangan
Teknologi Informasi dan Ilmu Komputer,
4428-4437.
Utami, L. D. (2015). Integrasi Metode
Information Gain Untuk Seleksi Fitur
dan Adaboost Untuk Mengurangi Bias
Pada Analisis Sentimen Review Restoran
Menggunakan Algoritma Naive Bayes.
Journal of Intellegent System, 1(2).
Wafiyah, F., Hidayat, N., & Perdana, R. S.
(2017). Implementasi Algoritma
Modified K-Nearest Neighbor (MKNN)
untuk Klasifikasi Penyakit Demam.
Jurnal Pengembangan Teknologi
Informasi dan Ilmu Komputer, 1(10),
1210-1219.
Widodo, T. (2005). Sistem Neuro Fuzzy.
Yogyakarta: Graha Ilmu.