BAB I PENDAHULUAN. 1.1 Latar Belakang

Transkripsi

1 BAB I PENDAHULUAN 1.1 Latar Belakang Anak merupakan sebuah karunia bagi setiap orangtua. Setiap anak diharapkan dapat tumbuh dan berkembang secara sehat, baik fisik, mental dan sosial sesuai dengan pertambahan usia. Pada kenyataannya tidak semua anak dapat tumbuh dan berkembang dengan baik karena mengalami gangguan pada proses tumbuh kembangnya. Gangguan-gangguan tersebut berupa gangguan pertumbuhan fisik, gangguan perkembangan motorik, gangguan perkembangan bahasa, gangguan emosi, dan perilaku (Adriana, 2011). Salah satu gangguan perkembangan pada anak adalah gangguan autisme. Autisme adalah sekelompok gangguan neurologis yang secara signifikan mempengaruhi perkembangan sosial, perilaku dan bahasa pada anak. Autisme pada umumnya muncul sebelum mencapai usia 3 tahun. Pada umumnya penyandang autis mengacuhkan suara, pengelihatan ataupun kejadian yang melibatkan mereka, dan mereka menghindari atau tidak merespon kontak sosial misalnya pandangan mata, sentuhan kasih sayang, bermain dengan anak. Gangguan autis terdiri dari 3(tiga) jenis, yaitu Autis dengan gangguan fisio dan okupasi, gangguan komunikasi, dan gangguan pola perilaku (Sri Muji, 2014). Telah dilakukan penelitian oleh Gusti Ayu Kadek tentang penerapan forward chaining pada program diagnosa anak penderita autis dengan menghasilkan akurasi sebesar 72,73%. Metode forward chaining merupakan metode penelusuran rule yang diperoleh dari pakar. Akan tetapi kelemahan dalam kasus autis hasil kesimpulan pakar dalam menentukan diagnosa autis pada anak cenderung subyektif (Sri Muji, 2014), sehingga tidak terdapat rule yang pasti dalam menentukan diagnosa autis pada anak. Dalam bidang data mining, metode klasifikasi dapat membantu mengatasi masalah tersebut karena metode klasifikasi merupakan suatu pekerjaan yang memetakan suatu data berdasarkan analisis terhadap data latih ke dalam kelas dari sejumlah kelas yang telah didefinisikan sebelumnya pada data latih (Prasetyo, 2014). Salah satu algoritma yang dapat digunakan untuk melakukan proses klasifikasi adalah algoritma naïve bayes. Algoritma naive 1

2 2 bayes merupakan algoritma klasifikasi yang memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya. Akan tetapi, algoritma ini memiliki kelemahan dalam proses klasifikasi yang hanya berdasarkan pada prior probability dan probability atribut sehingga Burhan dkk (2015) dalam penelitianya yang berjudul Pembobotan Korelasi Naïve Bayes Classifier meningkatkan performa naïve bayes dengan memperhitungkan nilai korelasi atribut terhadap kelas. Maka yang menjadi dasar ketepatan klasisifikasi bukan hanya probability melainkan juga seberapa besar hubungan (korelasi) atribut dengan kelas. Berdasarkan kajian-kajian diatas dalam penelitian ini peneliti menerapkan metode klasifikasi dengan algoritma korelasi naïve bayes untuk diagnosa jenis gangguan autis pada balita. 1.2 Rumusan Masalah Berdasarkan latar belakang masalah tersebut dapat dirumuskan suatu permasalahan yaitu : 1. Bagaimana implementasi Algoritma Naïve Bayes dan Algoritma Korelasi Naïve Bayes berdasarkan karakteristik gejala autis? 2. Bagaimana tingkat akurasi dan validasi Algoritma Naïve Bayes dan Algoritma Korelasi Naïve Bayes dalam mendiagnosa jenis gangguan autis? 1.3 Batasan Masalah Berdasarkan permasalah yang ada serta untuk menghindari perluasan pembahasan, maka penulis membatasi permasalah sebagai berikut : 1. Data penelitian yang digunakan adalah gejala-gejala autis pada balita di Yayasan Autis Bali. 2. Batasan usia yang digunakan adalah 0 4 tahun. 3. Keluaran sistem yang dihasilkan yaitu balita tergolong autis dengan gangguan fisio dan okupasi, autis dengan gangguan komunikasi, dan autis dengan gangguan pola perilaku.

3 3 1.4 Tujuan Penelitian Tujuan dilakukan penelitian ini adalah untuk mengetahui tingkat performa algoritma naïve bayes dengan penambahan analisis korelasi dalam mendiagnosa jenis gangguan autis pada balita. 1.5 Manfaat Penelitian Manfaat dari penelitian ini adalah dapat membantu tim assesment pada Yayasan Autis Bali serta orangtua yang memiliki anak dengan gangguan autis untuk mengetahui terapi yang dibutuhkan dengan mengetahui jenis gangguan autisnya. 1.6 Metodologi Penelitian Menurut Maddison, R.N Metodologi merupakan suatu formula dalam penerapan penelitian yang terdapat langkah-langkah dan juga hasil penelitian di dalamnya. Metodologi penelitian dalam ilmu komputer merupakan langkah-langkah atau tahapantahapan perencanaan dengan bantuan metode, teknik, tools dan dokumentasi untuk meminimalkan resiko kegagalan dan menekankan pada proses penelitian di bidang Ilmu Komputer. (Dalam buku Metodologi Penelitian Pada Bidang Ilmu Komputer dan Teknologi Informasi, Hasibuan, 2007:14) Berikut akan dijelaskan mengenai tahapantahapan yang akan dilakukan saat penelitian nantinya. Adapun sub bab bahasan yang akan dijelaskan adalah desain penelitian, pengumpulan data, pengolahan data awal dan metode yang digunakan Desain Penelitian Dalam penelitian ini kasus autis di klasifikasikan ke dalam tiga jenis gangguan autis, yaitu Autis Gangguan Fisio dan Okupasi, Autis Gangguan Komunikasi, dan Autis Gangguan Pola Perilaku. Terdapat 14 gejala yang akan digunakan sebagai parameter dalam menentukan jenis gangguan autis. Akan dilakukan penelusuran dengan menghitung probabilitas terjadinya kasus baru terhadap kasus lama untuk mengetahui jenis gangguan autis yang di alami pasien. Penelusuran yang dilakukan menggunakan 2 Algoritma, yaitu Naïve Bayes dan Korelasi Naïve Bayes untuk mengetahui tingkat akurasi dari masing-masing algoritma. Algoritma naïve bayes melakukan klasifikasi dengan menghitung prior probability dan likelihood untuk

4 4 mendapatkan posterior probability. Salah satu hal yang berpotensi meningkatkan akurasi Naïve Bayes adalah nilai korelasi parameter terhadap kelas (Burhan, 2015). Algoritma korelasi naïve bayes melakukan klasifikasi dengan menambahkan satu parameter perhitungan, yaitu korelasi antara nilai parameter terhadap kelas sebelum mencari nilai posterior probability Pengumpulan Data Setelah dilakukan identifikasi masalah dan tujuan, selanjutnya yaitu tahap pengumpulan data. Pengumpulan data dilakukan untuk mengetahui data apa saja yang dibutuhkan untuk menyelesaikan permasalahan ini, untuk itu telah dilakukan studi literature dan studi lapangan. Pengumpulan data dilakukan dengan menggunakan metode kajian dokumen yaitu metode yang digunakan untuk mengumpulkan data dengan cara menyelidiki data yang di dapat dari dokumen, catatan, file dan hal-hal lain yang sudah didokumentasikan oleh pihak Yayasan Autis Bali dan metode wawancara dengan melakukan wawancara langsung kepada narasumber yang dalam kasus ini adalah Psikolog dan Tim Assesment. Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data sekunder adalah data yang sudah tersedia pada suatu instansi sehingga peneliti tinggal mencari dan mengumpulkan. Pada penelitian ini data yang digunakan adalah data gejala-gejala gangguan autisme dan hasil diagnosa pada balita berdasarkan kasuskasus yang di dapat dari yayasan autis bali. Data jenis gangguan autis dan data rangking dari setiap nilai parameter terhadap parameter (gejala) di dapatkan dari seorang pakar. Dalam hal ini pakar adalah seorang Psikolog pada Yayasan Autis Bali. Pada tabel 1.1 akan ditampilkan data jenis gangguan autis pada balita, pada tabel 1.2 akan ditampilkan data gejala gangguan autis, pada tabel 1.3 akan ditampilkan data rangking dari setiap nilai parameter terhadap parameter (gejala).

5 5 Tabel 1. 1 Tabel Jenis Gangguan Autis (Sumber : Wulan Budi, S.Psi., M.Psi.) Jenis Gangguan Autis Autis Gangguan Komunikasi Autis Gangguan Pola Perilaku Autis Gangguan Fisio dan Okupasi Tabel 1. 2 Tabel Gejala Gangguan Autis (Sumber : Yayasan Autis Bali) Kode G1 G2 G3 G4 G5 G6 G7 G8 G9 G10 G11 G12 G13 G14 Gejala Gangguan Autis Kontak Mata Perilaku tak terarah Menangis dan tertawa tanpa sebab Ekspresi muka kurang hidup Dapat memahami pembicaraan atau instruksi orang lain Ada timbal balik dalam interaksi sosial atau emosional Bicara tidak berkembang dalam bahasa verbal dan nonverbal Menggunakan kata-kata yang tidak memiliki arti dan diulang Cara bermain kurang variatif, imajinatif, dan meniru Mempertahankan satu permintaan/lebih dengan berlebihan Ada gerakan-gerakan khas yang diulang-ulang Ketertarikan yang berlebihan pada bagian tertentu dari benda Adanya gangguan penggunaan panca indera Kurang kesadaran terhadap bahaya (body awarness)

6 6 Tabel 1. 3 Tabel Nilai Gejala dan Rangking Nilai Gejala (Sumber : Wulan Budi, S.Psi., M.Psi.) Kode Nilai Setiap Gejala Rangking Nilai Setiap Gejala G1 SERING JARANG TIDAK G2 SERING JARANG TIDAK G3 SERING JARANG TIDAK G4 TIDAK IYA 2 1 G5 TIDAK IYA 1 2 G6 TIDAK IYA 1 2 G7 TIDAK IYA 2 1 G8 TIDAK IYA 2 1 G9 SERING JARANG TIDAK G10 SERING JARANG TIDAK G11 SERING JARANG TIDAK G12 SERING JARANG TIDAK G13 TIDAK IYA 2 1 G14 TIDAK IYA Pengolahan Data Awal Penelitian ini menggunakan analisis korelasi antara nilai setiap parameter terhadap sutau kelas untuk mendapatkan posterior probability. Analisis korelasi dapat dilakukan pada data yang bersifat numerik, untuk itu pembobotan dilakukan terhadap data nilai parameter (gejala) yang bersifat kategorikal dengan menggunakan metode perangkingan. Selanjutnya bobot dari setiap nilai parameter (gejala) akan digunakan untuk proses perhitungan korelasi nilai parameter dengan suatu kelas Metode yang digunakan Metode yang digunakan dalam menentukan jenis gangguan autis pada penelitian ini adalah metode klasifikasi dengan algoritma naïve bayes dan metode klasifikasi dengan algoritma korelasi naïve bayes. Adapun tahapan-tahapan yang dilakukan oleh masing-masing algoritma adalah :

7 7 1. Algortima Klasifikasi Naïve Bayes a. Menghitung prior probability (probabilitas awal) setiap kelas Y. b. Menghitung likelihood kelas Y dari semua fitur vector X. q i=1 P(X i Y)...(1.1) Keterangan : Setiap set fitur X = {X 1, X 2, X 3,, X q } terdiri atas q atribut. c. Menghitung nilai posterior probability setiap kelas Y. P(Y) q i=1 P(Y X i )...(1.2) Keterangan : P(Y) adalah prior probability dari setiap kelas Y. d. Mencari nilai max dari posterior probability untuk mendapatkan hasil klasifikasi. 2. Algortima Klasifikasi Korelasi Naïve Bayes a. Menghitung prior probability (probabilitas awal) setiap kelas Y. b. Menghitung probabilitas setiap gejala terhadap kelas Y dari semua fitur vector X. P(X i Y) (1.3) c. Menghitung korelasi dari semua fitur vector X terhadap kelas r(x i Y) = Keterangan: NΣxy ( x)( y) (NΣx 2 ( x) 2 (NΣy 2 (Σy) 2 )...(1.4) r(x i Y) =Koefisien korelasi antara variabel X dan variabel Y N Σxy = jumlah data =Jumlah perkalian antara variabel x dan Y x 2 = Jumlah dari kuadrat nilai X y 2 = Jumlah dari kuadrat nilai Y ( x) 2 = Jumlah nilai X kemudian dikuadratkan ( y) 2 = Jumlah nilai Y kemudian dikuadratkan

8 8 d. Menghitung nilai total perkalian korelasi dengan probabilitas setiap gejala terhadap setiap kelas. q i=1 P(X i Y)r(X i Y)...(1.5) Keterangan : Setiap set fitur X = {X 1, X 2, X 3,, X q } terdiri atas q atribut. e. Menghitung nilai posterior probability setiap kelas Y. q i=1 P(Y) P(Y X i )r(y X i )...(1.6) f. Mencari nilai max dari posterior probability untuk mendapatkan hasil klasifikasi Evaluasi dan Validasi Hasil Pada tahap ini akan dilakukan evaluasi dan validasi hasil. Evaluasi dan validasi hasil dilakukan untuk mengetahui apakah yang dihasilkan sudah sesuai dengan tujuan yang ingin dicapai. Pengujian sistem dilakukan dengan menginputkan kasus yang diderita oleh pasien selanjutnya akan di proses oleh sistem dan sistem memberikan output berupa hasil diagnosa. Hasil diagnosa sistem akan dibandingkan dengan hasil diagnosa yang dilakukan oleh Psikolog. Hasil yang ingin didapatkan adalah akurasi dari penerapan algoritma naïve bayes dan algoritma korelasi naïve bayes dalam menentukan jenis gangguan autis pada balita. Untuk mendapatkan presentase nilai akurasi untuk hasil perhitungan dari algoritma Naïve Bayesian dan algoritma Korelasi Naïve Bayes adalah Nilai akurasi = jumlah data akurat jumlah seluruh data x 100%.(1.7) Berikut adalah tabel untuk mencatat hasil diagnosa yang didapatkan dari system ini :

9 9 Tabel 1. 4 Tabel Hasil Diagnosa Data Diagnosa Naïve Nilai Korelai Nilai Pengujian Psikolog Bayes Posterior Naïve Posterior Probability Bayes Probability