Klasifikasi Kemampuan Perawatan Diri Anak dengan Disabilitas Menggunakan SMOTE Berbasis Neural Network

Jurnal Informatika

View Publication Info
 
 
Field Value
 
Title Klasifikasi Kemampuan Perawatan Diri Anak dengan Disabilitas Menggunakan SMOTE Berbasis Neural Network
 
Creator Susanti, Sari
 
Subject

 
Description AbstrakPenyandang disabilitas merupakan kelompok minoritas terbesar didunia, dengan anak-anak menempati  sepertiga dari jumlah keseluruhan penyandang disabilitas. Pada penerapannya proses diagnosis dan klasifikasi dimensi disabilitas membutuhkan ahli terapis okupasi. Jumlah terapis okupasi yang terbatas mengakibatkan penanganan penyandang disabilitas menjadi tertunda. Teknik data mining digunakan untuk membantu proses diagnosis yang bertujuan untuk menghindari kesalahan dalam diagnosis. Penelitian ini menggunakan dataset Scadi yang merepresentasikan masalah kemampuan perawatan diri anak dengan disabilitas. Dataset Scadi merupakan dataset baru yang belum banyak diteliti. Pada dataset Scadi terdapat permasalahan yaitu, ketidakseimbangan kelas (imbalanced class). Masalah tersebut menyebabkan rendahnya nilai akurasi klasifikasi. Algoritma yang diusulkan yaitu neural network untuk klasifikasi kemampuan perawatan diri anak dengan disabilitas, Selain neural network digunakan algoritma Smote untuk mengatasi masalah ketidakseimbangan kelas (imbalanced class) pada level data. Hasil penelitian menunjukan bahwa metode yang diusulkan telah meningkatan kinerja algoritma klasifikasi neural network, dengan meningkatkan nilai akurasi secara signifikan sebesar 90.4762 % dibandingkan hasil yang dilaporkan pada penelitian sebelumnya yaitu 83,1%. Kata kunci: Perawatan Diri, Disabilitas, ICF-CY, Neural network, Smote, Ketidakseimbangan Kelas.AbstractPersons with disabilities are the majority group in the world, with children determined one third of the total number of persons with disabilities. In its application, the process of diagnosis and classification of occupational therapist needs. The number of occupational therapists who are limited to handling persons with disabilities is delayed. Data mining techniques are used to help the diagnosis process that helps to avoid errors in diagnosis. This study uses the Scadi dataset which presents the problem of self-care ability of children with disabilities. Dataset Scadi is a new dataset that has not yet been collected. The Scadi dataset is related, that is, class imbalances (unbalanced classes). This problem causes a low value. The proposed algorithm is a neural network for the classification of self-care abilities of children with disabilities. In addition to the neural network, the Smote algorithm is used to overcome the problem of class imbalances (unbalanced levels) at the data level. The results showed that the proposed method had improved the results of neural network classification analysis, by increasing the assessment value by 90.4762% compared to the results obtained in the previous study, namely 83.1%. Keywords: Self-care, Disability, ICF-CY, Neural network, Smote, imbalanced class.  
 
Publisher LPPM Universitas BSI
 
Contributor
 
Date 2019-09-02
 
Type info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion



 
Format application/pdf
 
Identifier http://ejournal.bsi.ac.id/ejurnal/index.php/ji/article/view/5798
10.31311/ji.v6i2.5798
 
Source Jurnal Informatika; Vol 6, No 2 (2019): September 2019; 175-184
Jurnal Informatika; Vol 6, No 2 (2019): September 2019; 175-184
2528-2247
2355-6579
 
Language ind
 
Relation http://ejournal.bsi.ac.id/ejurnal/index.php/ji/article/view/5798/pdf
 
Coverage


 
Rights ##submission.copyrightStatement##
http://creativecommons.org/licenses/by/4.0
 

Contact Us

The PKP Index is an initiative of the Public Knowledge Project.

For PKP Publishing Services please use the PKP|PS contact form.

For support with PKP software we encourage users to consult our wiki for documentation and search our support forums.

For any other correspondence feel free to contact us using the PKP contact form.

Find Us

Twitter

Copyright © 2015-2018 Simon Fraser University Library