DIAGNOSA KETERLAMBATAN PERKEMBANGAN PADA ANAK BALITA DENGAN ACUAN DENVER II DAN PENGAMBIL KEPUTUSAN DENGAN METODE DECISION TREE BERBASIS JSP Endah Rakhmawati 1, Entin Martiana K, M.Kom 2, Nur Rosyid Mubtadai, S.Kom 2 Mahasiswa Jurusan Teknologi Informasi 1, Dosen Pembimbing 2 Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember Kampus PENS-ITS Keputih Sukolilo Surabaya 60111 Telp (+62)31-5947280, 5946114, Fax. (+62)31-5946114 Email :endah_it07 @yahoo.com ABSTRAK Melakukan deteksi dini keterlambatan perkembangan balita artinya melakukan pendeteksian secara dini pada balita jika sesuai dengan ciri-ciri perkembangan pada usia tertentu apakah perkembangan kemampuan gerak, bicara dan bahasa, sosialisasi, dan kemandirian pada balita berlangsung secara optimal atau tidak sesuai dengan umur anak. Akan pentingnya hal tersebut, maka dibuatlah aplikasi web ini untuk membantu para tenaga kesehatan, dokter spesialis atau orang tua agar cepat dalam mendiagnosa keterlambatan perkembangan balita. Dengan begitu, balita tersebut dapat mencapai perkembangan optimal dengan stimulasi yang diberikan. Sistem ini menggunakan metode Decision Tree untuk mengambil keputusan berdasarkan data hasil survey yang telah diperoleh. Dan menggunakan DENVER II untuk memperoleh data uji. Data survey tersebut digunakan sebagai knowledge dan pembelajaran sistem yang nantinya dapat memberikan suatu keputusan tentang kondisi pasien. Metode ini menerapkan serangkaian aturan (rule) yang dapat mengambil keputusan dari data uji yang ada dengan akurasi tertentu. Dari sistem diagnosa keterlambatan perkembangan balita yang dibangun, menunjukkan bahwa dengan menggunakan metode decision tree ini, tingkat kesalahan (error) dalam mengklasifikasi / memberikan keputusan yaitu, 37.837 % dengan akurasi 62.1621621 % dari 137 data learning dan 141 rule yang digunakan. Kata Kunci : Decision tree, Balita, DENVER II. 1. PENDAHULUAN Latar belakang Pada dasarnya setiap anak akan melewati proses perkembangan sesuai dengan tahapan usianya. Pada masa lima tahun pertama kehidupan merupakan masa yang sangat peka terhadap lingkungan dan masa ini berlangsung sangat pendek serta tidak dapat diulangi lagi, maka masa balita disebut sebagai masa keemasan (golden period), jendela kesempatan (window of opportunity), dan masa kritis (critical period). Maka pembinaan tumbuh kembang anak yang secara komprehensif dan berkualitas yang diselenggarakan melalui kegiatan deteksi, stimulasi, dan intervensi dini keterlambatan perkembangan balita. Melakukan stimulasi yang memadai artinya merangsang otak balita sehingga perkembangan kemampuan gerak, bicara dan bahasa, sosialisasi, dan kemandirian pada balita berlangsung secara optimal sesuai dengan umur anak. Akan pentingnya hal tersebut, dan oleh karena proses perkembangan anak hampir sama, maka diperlukanlah suatu aplikasi sistem pakar berbasis web yang bertindak seolah-olah sebagai pakar untuk mengetahui keterlambatan perkembangan balita sebagai langkah awal untuk memudahkan para tenaga kesehatan maupun orang tua dalam memberikan stimulasi perkembangan sesuai dengan yang dibutuhkan dan diharapkan anak untuk mencapai perkembangan optimal. Perumusan masalah Yang menjadi permasalahan dalam proyek akhir ini adalah: 1. Mencari data riil sebagai data learning. 2. Melakukan proses klasifikasi data agar data dapat diolah dalam sistem. 3. Menghasilkan data uji melalui DENVER II. 4. Bagaimana mengimplementasikan metode Decision Tree sehingga menghasilkan rule untuk mendiagnosa. Tujuan Tujuan proyek akhir ini adalah sebagai berikut:
1. Mengetahui cara mengolah data riil sehingga dapat diimplementasikan dalam sebuah sistem. 2. Mengetahui cara pengambilan keputusan tentang keterlambatan perkembangan balita melalui metode Decision Tree. 3. Mempermudah user untuk mengambil keputusan dengan persentase error tertentu. 2. TINJAUAN PUSTAKA Deteksi dini keterlambatan perkembangan anak umur < 6 tahun berisi 125 gugus tugas yang disusun dalam formulir menjadi 4 sektor untuk menjaring fungsi berikut: 1. Personal social (Personal Sosial) Penyesuaian diri dengan masyarakat dan perhatian terhadap kebutuhan perorangan. 2. Fine motor adaptive (Adaptif Motorik Halus) Koordinasi mata tangan, memainkan, menggunakan benda-benda kecil. 3. Language (Bahasa) Mendengar, mengerti, dan menggunakan bahasa. 4. Gross Motor (Motorik Kasar) Duduk, jalan, melompat, dan gerakan umum otot besar. Keterangan gambar: - Skala umur tertera pada bagian atas formulir yang terbagi dari umur dalam bulan dan tahun, sejak lahir sampai berusia 6 tahun. - Setiap ruang antara tanda umur mewakili 1 bulan, sampai anak berumur 24 bulan kemudian mewakili 3 bulan, sampai anak berusia 6 tahun. - Pada setiap tugas perkembangan yang berjumlah 125, terdapat batas kemampuan perkembangan yaitu 25%, 50%, 75% dan 90% dari populasi anak lulus pada tugas perkembangan tersebut. 25% sampai 75% berwarna putih 75% sampai 90% berwarna hijau Formulir DENVER II Decision Tree Konsep Data Dalam Decision Tree : Data dinyatakan dalam bentuk tabel dengan atribut dan record. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalam pembentukan tree. Misalkan untuk menentukan hipertensi, kriteria yang diperhatikan adalah usia, berat dan jenis kelamin. Salah satu atribut merupakan atribut yang menyatakan data solusi per-item data yang disebut dengan target atribut. Atribut memiliki nilai-nilai yang dinamakan dengan instance. Misalkan atribut berat mempunyai instance berupa overweight, underweight, dan average. Iterative Dichotomizer Three Dasar algoritma untuk menginduksi Pohon Keputusan: a. Pohon dibangun dalam suatu metode rekursif topdown divide-and-conquer. 1. Seluruh contoh pelatihan dimulai dari simpul root,lalu dilakukan pengujian 2. Mencabang ke jalur yang benar berdasarkan hasil pengujian. 3. Apakah simpul leaf ditemukan? Jika ya, masukkan contoh ini ke kelas target, jika tidak kembali ke langkah 1. b. Atribut-atribut berada dalam suatu kategori (jika bernilai kontinu, nilai-nilai tersebut didiskritkan terlebih dahulu)
c. Contoh-contoh dipartisi secara rekursif berdasarkan atribut terpilih. Kondisi-kondisi penghentian partisi adalah seluruh sampel untuk suatu simpul yang diberikan masuk ke kelas yang sama. d. Atribut-atribut uji dipilih berdasarkan heuristik atau pengukuran statistik (misal, information gain). Ukuran untuk melakukan seleksi atribut dilakukan dengan memilih atribut dengan information gain terbesar. Jika S memuat tupel-tupel si dari kelas Ci untuk i = {1,,m}. Maka ukuranukuran informasi info diperlukan untuk mengklasifikasikan tuple sembarang, adalah: Entropy dari atribut A dengan nilai-nilai {a1,a2,,av) Informasi yang diperoleh melalui percabangan pada atribut A: Gain(A) = I(S1,S2,,Sm) E(A) 3. METODOLOGI PEMODELAN Decision tree merupakan metode yang baik untuk pengambilan keputusan dimana suatu sistem dengan menggunakan data survey sebagai learning data. Proses yang dilakukan dalam sistem ini meliputi proses perhitungan nilai entropy dari setiap atribut yang ada pada data. Selanjutnya menentukan tree (pohon keputusan) berdasarkan hasil nilai entropy terkecil yang didapat dari proses perhitungan tiap atribut. Sampai diinterpretasikan dalam sebuah rule berdasarkan tree yang telah dibentuk. Dengan adanya rule tersebut maka sistem dapat mengambil keputusan dan selanjutnya melakukan pengujian apakah pasien/balita mengalami keterlambatan perkembangan atau tidak. Gambar: Blok Diagram Program 4. PERANCANGAN SISTEM Perancangan sistem perangkat lunak yang dibuat meliputi perancangan model perangkat lunak, masukan data yang akan di proses, serta bentuk keluaran dari proses klasifikasi decision tree. Perancangan system perangkat lunak dapat dilihat pada gambar Data Flow Diagram (DFD) berikut : Data Survey Poli Tumbuh Kembang Anak RSU Haji diolah 1 Preprocessing menghasilkan Data learning digunakan untuk 2 Algoritma Decision Tree 5 mendapatkan Tes DENVER II mendapatkan Data uji Nilai Entropi atribut menggunakan digunakan untuk menentukan node tree menggunakan Pasien Tenaga medis 4 Program Deteksi acuan keputusan Rule decision Hasil 3 Membuat rule decision output Hasil Diagnosa
Proses yang terjadi pada sistem berdasarkan diagram alir diatas adalah : Dari gambar di atas, dapat dijelaskan bahwa pasien melakukan deteksi awal melalui DENVER II terlebih dahulu untuk mendapat interprestasi awal sebagai data tes. Sedangkan data survey yang telah dilakukan preprocessing sehingga menjadi data learning digunakan untuk membuat keputusan pada algoritma decision tree, yaitu dengan menghitung nilai entropy pada setiap atribut dari data. Sehingga dari perhitungan nilai entropy tersebut dapat ditentukan node node yang akan dipakai pada diagram tree. Yang selanjutnya akan menghasilkan aturan-aturan dan menjadi acuan bagi program deteksi untuk mengambil keputusan / output berupa hasil deteksi yang berupa pernyataan tentang kondisi pasien apakah anak mengalami keterlambatan perkembangan atau tidak. 5. UJICOBA SISTEM Jika kita uji dengan data uji dibawah ini maka terjadi perbedaan hasil diagnosa. Hasil diagnosa yang diberikan metode decision tree tidak memuaskan atau tidak dapat memberikan diagnosa karena menyarankan user agar periksa kepada sang ahli yaitu dokter anak. Sedangkan jika menggunakan metode naïve Bayesian maka user tetap akan mendapatkan diagnosa padahal jika kita mengacu pada data survey, data uji ini tidak ditemukan. Ini menunjukkan bahwa metode Bayesian dapat memberikan standar tertentu untuk pembuatan keputusan yang optimal dibandingkan metode decision tree. Pada data uji dibawah ini, kedua metode memiliki hasil yang sama. Keduanya memiliki kesamaan kesimpulan pada data survey. Perhitungan Akurasi Metode Decision Tre 6. ANALISA Data learning yang digunakan berasal dari data survey sebanyak 137 record. Terdapat banyak data yang tidak konsisten. Pada aplikasi diagnosa hepatitis error yang dihasilkan cukup tinggi yaitu 37.8378379 %. Hal ini dikarenakan aplikasi ini, memiliki fungsi estimasi (pembelajaran) yang mampu memberikan keputusan dengan cukup baik, sehingga error yang dihasilkan oleh aplikasi ini dapat diminimalisir. Naïve Bayesian memiliki asumsi bahwa hubungan antar atribut adalah saling bebas. Naïve Bayesian memiliki beberapa kelebihan yaitu : Mudah diimplementasikan Hasilnya cukup baik untuk sebagian besar kasus Bila asumsi saling bebas dipenuhi, maka tingkat akurasinya cukup tinggi 7. KESIMPULAN Dari hasil percobaan serta analisa diatas, dapat disimpulkan bahwa : 1. Semakin banyak data konsisten yang ada pada data learning maka decision tree yang dihasilkan akan semakin baik. 2. Pada metode decision tree ini, terdapat suatu kondisi dimana hanya seorang pakar yang dapat memberikan keputusan. 3. Aplikasi ini memiliki nilai error sebesar 37.8378379 %.