1PREDIKSI TINGKAT KEMAMPUAN ANAK BERDASARKAN ASPEKPSIKOMOTORIK DENGAN MENGGUNAKAN DATA MINING METODE

BACKPROPAGATION

Relita BuatonNurul Ramadani

Program Studi Teknik InformatikaSTMIK KAPUTAMA

Jl. Veteran No. 4A-9A, Binjai,Sumatera UtaraEmail:fredy_smart04@yahoo.com

ABSTRACT

Perkembangan psikomotorik berhubungan dengan kejiwaan atau mental dan gerakan.Psikomotorik adalah berhubungan dengan proses aktivitas fisik yang berkaitan dengan prosesmental dan psikologi. Emosi anak tampak mencolok pada anak-anak usia 2,5 sampai 3,5tahun dan 5,5 sampai 6,5 tahun. Selama masa kanak-kanak emosi mereka sangat kuat, inimerupakan saat ketidakseimbangan, dalam arti bahwa anak mudah terbawa ledakan-ledakanemosional sehingga sulit dibimbing dan diarahkan. Yang umum terjadi dalam masaperkembangan sosial anak adalah bahwa anak lebih menyukai kontak sosial yang sejenis daripada kelompok yang berlawanan. Anak pada usia 4 sampai dengan 5 tahun merupakan usiayang paling tepat dalam mengoptimalkan segala aspek perkembangan, khususnyaperkembangan psikomotorik anak. Hasil belajar psikomotorik sangat berarti bagi kehidupananak karena langsung mempengaruhi perilaku dan perbuatannya. Sehingga perkembanganpsikomotorik anak perlu diketahui, karena sangat mempengaruhi kejiwaan, mental, psikologidan perilaku.

Data mining merupakan penambangan atau penemuan informasi baru denganmemprediksi, mencari pola atau aturan tertentu dari sejumlah data dalam jumlah besar yangdiharapkan dapat mengatasi kondisi tersebut. Untuk itu perlu dirumuskan bagaimanamemprediksi tingkat kemampuan anak berdasarkan aspek psikomotorik. Aplikasimemprediksi kemampuan aspek psikomotorik ini menggunakan jaringan saraf tiruan denganmemakai metode Backpropagation.

Hasil analisis penelitian menunjukan bahwa: 1) Prediksi kemampuan anak pada aspekpsikomotorik dapat dilakukan dengan jaringan syarat tiruan menggunakan metodebackpropagation. 2) Pada saat pengujian yang paling terbaik, diberikan maksimum epoch100000, konstanta belajar 0.01, galat yang diijinkan 0.1 dan diberikan lapisan tersembunyi 70dapat diketahui bahwa dari 20 data yang diujikan ada 1 data yang tidak sesuai dengan outputyang diinginkan. Sedangkan ada 19 data yang sesuai dengan output yang diinginkan makadidapat hasil persentase 95% kebenaran.

Kata kunci : prediksi psikomotorik anak, data mining, backpropagation.

2I. PENDAHULUANPsikomotorik berhubungan dengan

proses aktivitas fisik yang berkaitan denganproses mental dan psikologi. Emosi anaktampak mencolok pada anak-anak usia 2,5sampai 3,5 tahun dan 5,5 sampai 6,5 tahun.Selama masa kanak-kanak emosi merekasangat kuat, ini merupakan saatketidakseimbangan. Dalam arti bahwa anakmudah terbawa ledakan-ledakan emosionalsehingga sulit dibimbing dan diarahkan.Meskipun hal ini berlaku pada hampirseluruh periode awal masa kanak-kanak.Hasil belajar psikomotorik sangat berarti bagikehidupan anak karena langsungmempengaruhi perilaku dan perbuatannya.Sehingga perkembangan psikomotorik anakperlu diketahui, karena sangat mempengaruhikejiwaan, mental, psikologi dan perilaku.

Prediksi tingkat kemampuan anakdalam penelitian ini adalah mencari jumlahnilai setiap anak berdasarkan aspekpsikomotorik. Dengan demikian diharapkanakan muncul suatu pola dimana dengan polamasukan berupa nilai-nilai yang ada padaaspek psikomotorik dan komputer akanmemberikan pola keluaran prediksi sesuaidengan data yang dilatihkan. Hasil daripengembangan metode pada penelitian inidiharapkan dapat memberikan manfaat untukmengetahui tingkat ketercapaian kompetensidasar anak, mengetahui perkembangankemampuan anak berdasarkan aspekpsikomotoriknya.

Berdasarkan latar belakang, makaidentifikasi masalahnya adalah:

1. Bagaimana menganalisis variabel yangdigunakan untuk memprediksi tingkatkemampuan anak agar bisamengetahui perkembangan kemampuananak berdasarkan aspek psikomotorik ?

2. Bagaimana memprediksi tingkatkemampuan anak berdasarkan aspekpsikomotorik ?

Dengan lingkup permasalahan adalah1. Prediksi tingkat kemampuan anak

mengacu pada penilaian pada aspekpsikomotorik.

2. Prediksi dilakukan dengan tidakmempertimbangkan faktor-faktor lain

penyebab kemerosotan ataupeningkatan kemampuan anak.

3. Pengambilan data dilakukan pada anakusia 4-5 tahun.

4. Kriteria atau variabel yang digunakanadalah Reflek Segmental, ReflekIntersegmenta, Gerak Lokomotor,Diskriminasi Kinestesis, DiskriminasiVisual, Ketahanan,Kekuatan,keterampilan Adaptif, KeterampilanAdaptif Kompleks, Gerakan Ekspresif

Manfaat yang dicapai dari penelitian iniadalah:

1. Mengetahui tingkat ketercapaiankemampuan dasar anak danperkembangan kemampuan anakberdasarkan aspek psikomotorik.

2. Untuk guru, supaya mengetahuiperkembangan kemampuan anakdidiknya sehingga mendorong pendidikuntuk mengajar dan mendidik lebih baik.

3. Untuk orang tua, supaya mengetahuiperkembangan kemampuan anaksehingga dapat membantumengoptimalkan perkembanganpsikomotorik anaknya lebih terarah.

II. PENELITIAN TERDAHULUPenelitian ini diperkuat oleh jurnal

Media Informatika ( Vol. 2, No. 2, Desember2004 : 1-11, oleh Kiki, Sri Kusumadewi,judul : Jaringan Saraf Tiruan Dengan MetodeBackpropogation Untuk MendeteksiGangguan Psikologi) yang menyatakanbahwa metode Backpropagation dapatdigunakan untuk melakukan pendeteksiansuatu jenis penyakit, gangguan, maupunkasus yang memiliki data masa lalu, dandengan menggunakan metodeBackpropagation, target output yangdiinginkan lebih mendekati ketepatan dalammalakukan pengujian, karena terjadipenyesuaian nilai bobot dan bias yangsemakin baik pada proses pelatihan.

Jurnal Teknik Informatika ( Vol. 7, No.3, Desember 2009 : 195 200, oleh YeniNuraeni, judul : Penerapan Jaringan SarafTiruan Untuk Mengukur Tingkat KorelasiAntara NEM dengan IPK KelulusanMahasiswa ) juga menyatakan dalampenelitiannya menggunakan tahapan

3pengembangan aplikasi jaringan saraf tiruanumpan-maju perambatan-balik (JST-PB),dalam penelitiannya digunakan metode JST-PB dengan pertimabangan metode ini sangatbaik dalam menangani masalah pengenalanpola-pola kompleks dan non-linier.

III. DATA MININGMenurut Kusrini dan luthfi (2009, h.3)

Data mining adalah suatu istilah yangdigunakan untuk menguraikan penemuanpengetahuan di dalam database. Data miningadalah proses yang menggunakan teknikstatistik, matematika, kecerdasan buatan, danmachine learning untuk mengekstraksi danmengidentifikasi informasi yang bermanfaatdan pengetahuan yang terkait dari berbagaidatabase besar.

Menurut Kusrini dan luthfi (2009, h.3)data mining didefinisikan sebagai suatuproses menemukan hubungan yang berarti,pola, dan kecenderungan dengan memeriksadalam sekumpulan besar data yang tersimpandalam penyimpanan dengan menggunakanteknik pengenalan pola seperti teknik statisikdan matematika.

Selain definisi diatas beberapa definisijuga diberikan seperti tertera dibawah ini :

1. Data mining adalah serangkaian prosesuntuk menggali nilai tambah dari suatukumpulan data berupa pengetahuanyang selama ini tidak diketahui secaramanual.

2. Data mining merupakan bidang daribeberapa bidang keilmuan yangmenyatukan teknik dari pembelajaranmesin, pengenalan pola, statistik,database, dan visualisasi untukpengenalan permasalahan pengambilaninformasi dari database yang besar.Menurut Kusrini dan luthfi (2009, h.4),

kemajuan luar biasa yang terus berlanjutdalam bidang data mining didorong olehbeberapa faktor, antara lain :

1. Pertumbuhan yang cepat dalampengumpulan data.

2. Penyimpangan data dalam datawarehouse, sehingga seluruhperusahaan memiliki akses kedalamdatabase yang handal.

3. Adanya peningkatan akses datamelalui navigasi web dan intranet.

4. Tekanan kompetisi bisnis untukmeningkatkan penguasaan pasardalam globalisasi ekonomi.

5. Perkembangan teknologi perangkatlunak untuk data mining (ketersediaanteknologi).

6. Perkembangan yang hebat dalamkemampuan komputasi danpengembangan kapasitas mediapenyimpanan.

Dari definisi-definisi yang telahdisampaikan, hal penting yang terkait dengandata mining adalah :

1. Data mining merupakan suatu prosesotomatis terhadap data yang sudahada.

2. Data yang akan diproses berupa datayang sangat besar.

3. Tujuan data mining adalahmendapatkan hubungan atau polayang mungkin memberikan indikasiyang bermanfaat.

A. Tahapan Data MiningAda beberapa tahapan proses dalam

data mining. Diagram dibawahmenggambarkan beberapa tahap / prosesyang berlangsung dalam data mining. Faseawal dimulai dari data sumber dan berakhirdengan adanya informasi dihasilkan daribeberapa tahapan, yaitu terlihat pada gambar1sebagai berikut :

Gambar 1. Tahap - Tahap Data MiningDalam aplikasinya, data mining

sebenarnya merupakan salah satu bagianproses Knowledge Discovery in Database(KDD) yang bertugas untuk mengekstrakpola atau model dari data denganmenggunakan suatu algoritma yang spesifik.

4Adapun proses KDD dijelaskan sebagaiberikut :

1. Data Selection(Seleksi Data)Pemilihan data dari sekumpulan dataoperasional perlu dilakukan sebelumtahap penggalian informasi dalam KDDdimulai.

2. Preprocessing / Cleaning (pemilihandata)Sebelum proses data mining dapatdilaksanakan, perlu dilakukan prosescleaning dengan tujuan untukmembuang duplikasi data, memeriksadata yang inkonsisten, dan memperbaikikesalahan pada data, seperti kesalahancetak (tipografi). Juga dilakukan prosesenrichment, yaitu proses memperkayadata yang sudah ada dengan data atauinformasi lain yang relevan dandiperlukan untuk KDD, seperti data atauinformasi eksternal.

3. Transformation (Transformasi)Adalah proses coding pada data yangtelah dipilih, sehingga data tersebutsesuai untuk proses data mining. Prosescoding dalam KDD merupakan proseskreatif dan sangat tergantung pada jenisatau pola informasi yang akan dicaridalam database.

4. Data miningProses mencari pola atau informasimenarik dalam data terpilih denganmenggunakan teknik atau metodetertentu.

5. Interpretation / EvaluationPola informasi yang dihasilkan dariproses data mining perlu ditampilkandalam bentuk yang mudah dimengertioleh pihak yang berkepentingan. Tahapini merupakan bagian dari proses KDDyang disebut dengan interpretation.Tahap ini mencakup pemeriksaanapakah pola atau informasi yangditemukan bertentangan dengan faktaatau hipotesa yang ada sebelumnya atautidak.

B. Defenisi Prediksi Secara UmumPrediksi adalah sama dengan ramalan

atau perkiraan. Menurut kamus besar bahasaindonesia, prediksi adalah hasil dari kegiatanmemprediksi atau meramal atau

memperkirakan. Prediksi bisa berdasarkanmetode ilmiah ataupun subjektif belaka.Ambil contoh, prediksi cuaca selaluberdasarkan data dan informasi terbaru yangyang didasarkan pengamatan termasuk olehsatelit. Istilah prediksi akan sangattergantung pada konteks ataupermasalahannya. Berbeda denganpengertian prediksi secara bahasa yangberarti ramalan atau perkiraan yang sudahmenjadi pengertian yang baku.C. Pengertian Psikomotorik

Psikomotor berasal dari kata Psychedan Motor. Psyche artinya kejiwaan ataumental, sedangkan Motor artinya gerakan.Jadi, perkembangan psikomotorik berartiperkembangan yang berhubungan dengankejiwaan atau mental dan gerakan.Psikomotorik adalah berhubungan denganproses aktivitas fisik yang berkaitan denganproses mental dan psikologi.

Ada 4 jenis perkembangan seoranganak, yaitu:1. Perkembangan Fisik dan Motorik

Perkembangan motorik meliputimotorik kasar dan motorik halus. MenurutElisabeth B. Hurlock dan diterjemahkan olehistiwidayanti dan soedjarwo (2008, h. 81), Motorik kasar adalah gerakan tubuh yangdipengaruhi oleh kematangan anak itusendiri, sedangkan motorik halus adalahgerakan yang menggunakan otot halus atausebagian anggota tubuh tertentu dipengaruhioleh kesempatan belajar dan berlatih.

Adapun macam-macam pola motorikyang umum pada masa anak-anak yaitu ;melihat, tersenyum, menahankepala,berguling, duduk, mengerakan kakidan tangan, berdiri, berjalan, berlari,melompat dan sebagainya.2. Perkembangan Kognitif/Intelektual

Menurut Imam Musbikin (2012, h.17-50), Perkembangan kognitif merupakansalah satu perkembangan manusia yangberkaitan dengan pengetahuan, yakni semuaproses psikologis yang berkaitan denganyang bagaimana individu mempelajari danmemikirkan lingkungannya. Kemampuankognitif merupakan sesuatu yangfundamental dengan kemampuan kognitif iniakan dipandang sebagai individu yang secaraaktif membangun sendiri pengetahuan

5mereka tentang dunia. Adapun macam-macam pola kognitif yang umum pada masaanak-anak misalnya : anak mulai mengenalnama hari, mengenal perbedaan bentuk,mulai mengenal warna dan sebagainya.3. Perkembangan Bahasa Anak

Menurut Elisabeth B. Hurlock danditerjemahkan oleh Istiwidayanti danSoedjarwo (2008, h.82), Semua anak harusdapat menguasai dua fungsi yang berbedadalam teknik bicara, kemampuan menangkapmaksud yang ingin di komunikasikan denganorang lain dan kemampuan untukberkomunikasi dengan orang lain sedemikianrupa sehingga dapat dimengerti.Kemampuan berbahasa merupakankemampuan manusia yang membedakannyadengan makhluk lain. Bicara merupakansalah satu sarana oleh manusia untukmelakukan komunikasi dengan orang lain.Ini termasuk juga merupakan bagian daritahapan perkembangan anak. Ada tiga halyang terlibat dalam belajar bicara anak yaitu :pengucapan, membangun kosakata, danmenghubungkan kata-kata sehingga menjadisebuah kalimat.4. Perkembangan Emosi Anak

Menurut Elisabeth B. Hurlock danditerjemahkan oleh Istiwidayanti danSoedjarwo (2008, h. 114), Emosi anaktampak mencolok pada anak-anak usia 2,5sampai 3,5 tahun dan 5,5 sampai 6,5 tahun.Selama masa kanak-kanak emosi merekasangat kuat, ini merupakan saatketidakseimbangan. Dalam arti bahwa anakmudah terbawa ledakan-ledakan emosionalsehingga sulit dibimbing dan diarahkan.Meskipun hal ini berlaku pada hampirseluruh periode awal masa kanak-kanak.

Adapun macam-macam pola emosi yangumum pada masa anak-anak yaitu :kemarahan, ketakutan, rasa ingin tahu,kegembiraan, kesedihan, afeksi dansebagainya.5. Perkembangan Sosial Anak

Menurut Elisabeth B. Hurlock danditerjemahkan oleh Istiwidayanti danSoedjarwo (2008, h.118) , Yang umumterjadi dalam masa perkembangan sosialanak adalah bahwa anak lebih menyulaikontak sosial yang sejenis dari padakelompok yang berlawanan . Perkembangan

sosial biasanya dimaksudkan sebagaiperkembangan tingkah laku anak dalammenyesuaikan diri dengan aturan-aturan yangberlaku di dalam masyarakat di mana anakberada. Reaksi mereka terhadap rasa dingin,sakit, bosan atau lapar berupa tangisan yangsulit dibedakan. Tetapi dengan berjalannyawaktu para pengasuh dapat membedakanreaksi anak terhadap stimulinya.

Adapun macam-macam pola prilakusosial yang umum pada masa anak-anakyaitu persaingan, kerjasama, meniru, simpati,empati, membagi, prilaku akrab dansebagainya.D. Pengukuran Aspek Psikomotorik

Menurut Sugiyanto dan Sudjarwo(1993, h.219-223 ), untuk lebih jelasmemahami tentang penilaian psikomotorikdijelaskan definisi dari penilaianpsikomotorik, yaitu:

1. Reflek segmental adalah gerakanReflek yang melibatkan satu ruastulang belakang.

2. Reflek intersegmental adalah gerakanreflek yang melibatkan lebih dari saturuas tulang belakang.

3. Gerak lokomotor adalah gerakberpindah dari satu tempat ketempatlain. Misalnya : merangkak, berjalandan berlari.

4. Diskriminasi kinestetis merupakanperasaan yang sangat kompleks yangditimbulkan oleh rangsangan di otot,urat, dan pergelangan.

5. Diskriminasi visual merupakankemampuan untuk memahami ataumenginterpretasikan segala sesuatuyang dilihat.

6. Ketahanan atau sering disebut dayatahan fisik adalah kemampuan untukmelakukan aktivitas dalam jangkawaktu yang lama.

7. Kekuatan adalah kemampuanmenggunakan otot untuk menahan ataumelawan beban.

8. Keterampilan adaptif sederhana adalahketerampilan yang dihasilkan daripenyesuaian gerak dasar fundamentaldengan situasi atau kondisi tertentupada saat melakukan gerakan.

9. Keterampilan adaptif kompleks adalahketerampilan yang memerlukan

6penguasaan berbentuk gerakan dankoordinasi tubuh yang kompleks.

10. Gerakan ekspresif meliputi gerakan-gerakan yang bisa digunakan untukmengkomunikasikan maksud tertentuyang digunakan dalam kehidupan.

E. Metode BackpropogationMenurut Kusumadewi (2003, h.236-

238), Backpropagation merupakan algoritmapembelajaran yang terwarisi dan biasanyadigunakan oleh perceptron dengan banyaklapisan untuk mengubah bobot-bobot yangterhubung dengan neuron-neuron yang adapada lapisan tersembunyinya. Algoritmabackpropagation menggunakan error outputuntuk mengubah nilai-nilai bobotnya dalamarah mundur (backward). Tahap perambatanmaju (forward propagation) harus dikerjakanterlebih dahulu untuk mendapatkan nilaierror tersebut. Saat perambatan maju neuron-neuron diaktifkan dengan menggunakanfungsi aktivasi sigmoid biner yaitu:

Arsitektur jaringan backpropogationseperti terlihat pada gambar 2 sebagai berikut

Gambar 2. Arsitektur JaringanBackpropagation,

Kusumadewi (2003, h.236)Dari arsitektur Jaringan Backpropagationpada gambar 2 dapat dijelaskan:

a. Inisialisasi bobot (gunakan bobot awaldengan nilai random cukup kecil)

b. Kerjakan lakukan-langkah berikut,selama kondisi berhenti bernilai FALSE.

Feed forward:1. Tiap-tiap unit input (Xi, i=1,2,3,...,n)

menerima sinyal xi dan meneruskan sinyaltersebut ke semua unit pada lapisan yangada di atasnya (lapisan tersembunyi).

2. Tiap-tiap unit tersembunyi (Zi,j=1,2,3,...,p) menjumlahkan sinyal-sinyalinput terbobot:

..(1)gunakan fungsi aktivasi untuk menghitungsinyal outputnya:

zj = f(z_inj)..(2)dan kirimkan sinyal tersebut ke semua unit dilapisan atasnya (unit-unit output).a. Tiap-tiap unit output (Yk, k=1,2,3,...,m)

menjumlahkan sinyal-sinyal inputterbobot.

....(3)gunakan fungsi aktivasi untuk menghitungsinyal outputnya:

yk = f(y_ink)(4)dan kirimkan sinyal tersebut ke semuaunit di lapisan atasnya (unit-unit output).

b. Tiap-tiap unit output (Yk, k=1,2,3,...,m)menerima target pola yang berhubungandengan pola input pembelajaran, hitunginformasi errornya:

k = (tk yk) f(y_ink)..(5)kemudian hitung koreksi bobot(digunakan untuk memperbaiki nilai wjk):

wjk = k zj...(6)hitung juga koreksi bias (digunakan untukmemperbaiki nilai w0k):

w0k = k .(7)kirimkan k ini ke unit-unit yang ada dilapisan bawahnya.

c. Tiap-tiap unit tersembunyi (Zj,j=1,2,3,...,p) menjumlahkan delta inputnya(dari unit-unit yang berada pada lapisan diatasnya): _ = .(8)kalikan nilai ini dengan turunan darifungsi aktivasinya untuk menghitunginformasi error:

j = _inj f(z_inj(9)kemudian hitung koreksi bobot(digunakan untuk memperbaiki nilai vij):

vjk = j xi(10)hitung juga koreksi bias (digunakan untukmemperbaiki nilai v0j):

v0j = j .(11)d. Tiap-tiap unit output (Yk, k=1,2,3,...,m)

memperbaiki bias dan bobotnya(j=0,1,2,...,p):

wjk(baru) = wjk(lama) + wjk 12)

7Tiap-tiap unit tersembunyi (Zj,j=1,2,3,...,p) memperbaiki bias danbobotnya (i=0,1,2,...,n):vij(baru) = vij(lama) + vij.(13)IV. METODOLOGI PENELITIAN

1. Jenis penelitianDitinjau dari jenis datanya makapenelitian ini adalah penelitian kuantitatifkarena penelitian ini membutuhkan datadalam bentuk angka angka/ nilai, ataudata dalam bentuk informasi , komentar ,pendapat atau kalimat namundikuantitatifkan.

2. Pengumpulan dataa. Studi literature

Pengumpulan data yang diperolehdengan mengumpulkan berbagaisumber kepustakaan, baik berupa buku-buku, browsing di internet, jurnal,laporan penelitian dan lain sebagainyauntuk ditelaah lebih lanjut sebagaibahan pendukung penelitian.

b. Pengumpulan data lapanganMetode pengumpulan data lapangandigunakan untuk mengumpulkan datadata yang dibutuhkan dalam penelitian.

c. Dialog, diskusi dan konsultasiMetode dialog, diskusi dan konsultasidilakukan dengan cara melakukankonsultasi dengan dokter anak sertamelakukan dialog maupun diskusidengan sumbersumber lain yangberhubungan dengan penelitian ini.

3. Menganalisa dan melakukanperancangan sistem untuk mempelajaripola data prediksi tingkat kemampuananak berdasarkan aspek psikomotorikdengan metode backpropagation.

4. Mengimplementasikan hasil analisadan rancangan yang dilakukan padatahap sebelumnya menjadi perangkatlunak untuk memprediksi tingkatkemampuan anak berdasarkan aspekpsikomotorik.

5. Melakukan uji coba melalui systemyang dirancang.

6. Mengevaluasi hasil analisa yangdilakukan oleh sistem berdasarkan poladata yang dihasilkan dari proses ujicoba.

V. ANALISIS SISTEM

1. Dilakukan analisis sistem terhadap teknikperamalan atau prediksi data psikomotorikanak menggunakan software MATLAB6.5 yang menyediakan fungsi-fungsipelatihan dan pengujian pada JaringanSaraf Tiruan

2. Menentukan kebutuhan sistem sehinggadapat dilakukan penganalisaan prediksidari data psikomotorik menggunakanalgoritma backpropagation.

3. Data nilai pada psikomotorik anak sebagaidata masukan yaitu data latih dan targetlatih, yang kemudian diproses dan dilatihdengan algoritma backpropagation,kemudian dilakukan pengujian data barusebagai perbandingan dengan data yangtelah dilatihkan sebelumnya. Setelah itudidapat hasil keluaran yang diujikemudian bandingkan dengan target uji.

A. Analisis Data MiningPerolehan nilai prediksi berdasarkan

tingkat kemampuan bersasarkan aspekpsikomotorik, yaitu Gerak Reflek Segmental,Gerak Reflek Intersegmental, GerakanLokomotor, Deskriminasi Kinestesis,Diskriminasi Visual, Ketahanan, Kekuatan,Keterampilan Adaptif, Keterampilan AdaptifKompleks, Gerakan Ekspresif. Data kriteriaaspek psikomotorik didapat dari seorangpsikolog yang telah melakukan penilaian danpenelitian sebelumnya.

Dalam penelitian ini, tidak semua anakakan dicari prediksinya untuk data tingkatkemampuan psikomotoriknya, hanya data100 orang anak yang diambil secara acak dan1000 datanya yang diolah untuk dilakukananalisis prediksi apakah seorang anak itupsikomotoriknya sangat bagus, bagus, cukupatau kurang melalui kerja jaringan syaraf.

8Gambar 3. Flowchart Proses Pelatihan DanPengujian

Selain banyaknya data yang dilatihkan,iterasi epoch yang semakin banyak jugacenderung akan menghasilkan nilai eror yangsemakin kecil. Tetapi pelatihan yang optimaldipengaruhi oleh banyaknya faktor sepertipenentuan learning rate, serta arsitekturjaringannya sendiri. Untuk proses pengujian,

langkah yang dilakukan sama dengan prosespelatihan, namun prosesnya hanya padaproses feedforward. Dan bobot yangdigunakan adalah bobot terakhir dari hasilpelatihan. Selanjutnya ditentukan threshold.Disini ditetapkan threshold=0,5, yang artinyajika nilai y 0.5, maka output yang diberikanadalah 1, dan jika y 0.5, maka output yangdiberikan adalah 0.B. Perancangan Proses

Data yang diperlukan dalam prosesanalisis jaringan syaraf tiruan menggunakanmetode backpropogation adalah penilaianuntuk setiap kriteria aspek psikomotorik anaksebagai input dan presentase total jumlahnilai untuk mendapatkan hasil penilaiansesungguhnya sebagai output. Data tersebutdiambil secara acak dari 100 orang anakdengan jumlah yang dilatihkan pada jaringansebanyak 80 orang anak, dan 20 orang anaksebagai data yang akan digunakan untukmenguji keakuratan sistem didalammengenali masukan data yang lain.

Tabel 1. Kriteria PsikomotorikNo Kriteria Psikomotorik Inputan1 Reflek Segmental X12 Reflek Intersegmental X23 Gerakan Lokomotor X34 Diskriminasi Kinestestis X45 Diskriminasi Visual X56 Ketahanan X67 Kekuatan X78 Keterampilan Adaptif X89 Keterampilan Adaptif

KompleksX9

10 Gerakan Ekspresif X10Tahapan pengembangan system sebagaiberikut :

1. Tahapan PertamaTabel 2. Data Psikomotorik

2. Tahapan KeduaTabel 3. Penentuan Variabel Psikomotorik

Data Nilai VariabelPsikomotorik

X1 X6X2 X7X3 X8X4 X9X5 X10

Input Data Variabelpsikomotorik (Dt Lth)

Konver

gen

Ya

TidakProses Database

sebagai Data Latih

Proses Databasesebagai Data Uji

Target Diketahui

Selesai

Mulai

Latih

Input Data VariabelPsikomotorik (Dt Uji)

Uji

9Variabel Input : Variabel Output :X1 X6 Sangat Bagus (1 1)X2 X7 Bagus (1 0)X3 X8 Cukup (0 1)X4 X9 Kurang (0 0)X5 X10

3. Tahapan KetigaArsitektur Jaringan :1 Lapisan Input Data Psikomotorik:10 Sel1 Lapisan Tersembunyi(jumlah sel ditetapkan secara random)1 Lapisan Output : 2 Sel

Gambar 4. Arsitektur JST.4. Tahapan Keempat: Pelatihan dan

Pengujian

C. Penentuan VariabelSeluruh data yang terkumpul

dipisahkan menjadi 2 bagian, yaitu masukandan keluaran. Yang tergolong masukansecara berurutan adalah :

1. Gerak Reflek Segmental disimpan padavariabel X1

2. Gerak Reflek Intersegmental disimpanpada variabel X2

3. Gerakan Lokomotor disimpan padavariabel X3

4. Diskriminasi Kinestesis disimpan padavariabel X4

5. Diskrimninasi Visual disimpan padavariabel X5

6. Ketahanan disimpan pada variabel X67. Kekuatan disimpan pada variabel X78. Keterampilan Adaptif disimpan pada

variabel X89. Keterampilan Adaftif Kompleks

disimpan pada variabel X910. Gerakan Ekspresif disimpan pada

variabel X10Kesepuluh variabel dengan jumlah 80

responden yang akan dilatihkan disusunmenjadi suatu matriks P, dengan ukuran 10 x80, dan 20 responden sebagai data pengujike dalam matriks Q dengan ukuran 10 x 20.

Tabel 4 Data Latih Berdasarkan Data Variabel Psikomotorik

NO NamaKriteria aspek Psikomotorik anak Jumlah

NilaiTarget

SebenarnyaX

1X2

X3

X4

X5

X6

X7

X8

X9 X10

1 Rafi Pratama 7 7 9 5 4 7 9 8 5 3 64 0 12 Heru Suseno 8 7 8 4 5 6 8 8 6 7 67 1 03 Andika 9 8 6 6 5 7 7 7 6 4 65 1 04 Anggun Anggira 6 6 7 7 5 7 7 7 5 4 61 0 15 Hengki 9 8 8 7 8 8 7 7 7 6 75 1 16 Tasya Amanda 7 7 8 5 4 4 8 8 6 3 60 0 17 Syadiah Nuralifa 6 6 7 2 4 6 7 6 5 2 51 0 08 Elisa Aulia Sari 8 7 9 4 6 5 8 7 6 6 66 1 09 Legi Lestari 9 8 8 7 6 6 7 8 5 7 71 1 010 Dahlia Ayu 5 6 7 4 5 7 8 6 5 4 57 0 1

11

11 Felita Intan S 7 4 6 5 2 4 6 6 5 3 48 0 012 Aprilina A 8 6 6 5 5 5 6 7 4 5 57 0 113 Adi Yulianto 7 6 6 6 7 6 8 8 7 6 67 1 014 Edo Ponco P 9 8 8 6 7 8 7 8 7 7 75 1 115 Asri Ariesta 7 7 6 5 6 5 7 6 4 6 59 0 116 Astri Agustina 6 6 7 7 8 7 6 6 6 6 65 1 017 Brian Wahyudi 9 8 8 7 5 7 8 7 7 3 69 1 018 Anggun Kusuma 6 4 6 6 3 7 7 6 2 1 49 0 019 Fatchur Rahmad 6 6 7 5 4 7 8 7 5 3 58 0 120 Puspita Sari I 7 6 6 5 3 6 7 6 4 4 54 0 021 Maulana 6 6 8 7 5 6 7 6 4 6 61 0 122 Dwi Saputra 9 7 7 5 5 7 7 7 6 7 67 1 023 Agnarisma Latifa 8 7 7 6 7 8 8 6 7 6 70 1 024 Mardianti Olivia 8 6 8 6 4 7 7 6 8 7 67 1 025 Mira Puji Lestari 7 6 6 6 4 5 6 7 6 5 58 0 126 Nur Azizah 6 8 7 4 3 6 8 6 6 7 61 0 127 Reka Apriawan 6 6 7 5 4 6 6 7 5 5 57 0 128 Rizky 7 9 8 8 8 8 8 9 7 8 80 1 129 Widhyanto 8 7 6 7 5 7 7 7 6 5 65 1 030 Fatir Yudho 9 6 8 8 7 8 8 8 7 8 77 1 131 Sabilah 6 4 6 5 6 8 7 7 8 6 63 0 132 Eksanti Azissa R 7 7 8 4 5 6 6 8 6 6 63 0 133 Salsabila K 8 6 6 7 5 7 7 6 4 4 60 0 134 Sendy Prasetyo 9 6 6 8 7 8 7 7 4 6 68 1 035 Wahyu Pramana 6 7 7 5 5 7 8 7 8 7 67 1 036 Wiranda H 7 7 8 8 4 7 7 8 6 6 68 1 037 Andra W 8 7 6 5 6 8 7 7 5 6 65 1 038 Dwi Ayudhiya C 9 8 7 7 8 6 7 8 9 7 76 1 139 Prabowo Dimas F 8 9 7 8 8 8 7 7 8 7 77 1 140 Rizky Eka R 8 6 6 7 6 7 7 6 4 5 62 0 141 Prahesty Fadila 7 7 7 6 5 6 6 7 3 5 59 0 142 Khoirunnisa H 8 5 6 7 5 4 7 7 5 5 59 0 143 Arroyan R 8 7 6 5 6 6 8 7 7 6 66 1 044 H Irvan Miftahul 7 8 7 6 6 5 7 8 6 6 66 1 045 Ismail Singgih 8 6 8 6 7 6 7 7 4 6 65 1 046 Fajar Romadhony 9 7 6 5 6 7 6 8 6 5 65 1 047 Riki Pratama P 7 7 7 5 6 5 7 7 6 7 64 0 148 Ismawati Sandara 7 6 6 7 5 6 5 7 8 4 61 0 149 Fantika Faadhilah 7 6 5 4 7 7 7 8 7 6 64 0 150 Farrel Hanafi 9 8 7 5 7 8 7 6 7 5 69 1 051 Emitasari Depy 8 6 7 6 7 8 8 6 5 6 67 1 052 Handik Prayoga 8 7 6 5 6 7 7 6 4 5 61 0 153 Ramandani R 6 8 6 3 7 5 7 6 6 5 59 0 1

12

54 Hanif Yusuf 7 7 7 6 7 8 7 7 7 6 69 1 055 Rahman A 7 8 8 8 8 8 8 8 8 6 77 1 156 Fitriani Puji 7 6 6 6 4 6 7 5 4 3 54 0 057 Ikka Pujiastuti 8 6 6 5 5 6 6 6 6 3 57 0 158 Anggi Putri Dewi 8 7 7 5 3 7 8 6 3 2 56 0 159 Bintang Putra 7 5 7 6 6 7 7 8 6 7 66 1 060 Hadi Setianto 7 6 6 5 4 6 6 7 5 7 59 0 161 Annisa Nur W 8 8 7 7 6 8 8 7 5 7 71 1 062 Lailatus Saadah 7 7 6 7 6 7 7 8 6 6 62 0 163 Mutiara Lutfiatul 7 7 8 6 5 6 6 8 6 5 64 0 164 Bayu Setia Rama 8 7 7 8 6 8 7 6 5 4 66 1 065 Rindiani 6 6 6 5 7 6 6 6 6 5 59 0 166 Yayang Wijaya 6 7 8 6 5 8 8 7 6 3 64 0 167 Novitasari 7 7 6 6 7 7 7 6 6 7 66 1 068 Dimas priyo J 8 7 8 6 6 7 7 6 7 7 69 1 069 Hana Aulia S 6 6 7 8 6 8 6 7 6 5 65 1 070 Murdikatus S 7 6 7 6 6 7 7 7 6 5 64 0 171 Arsyad Widi 7 6 6 6 5 7 6 6 4 2 55 0 172 Firmansyah 7 6 6 8 6 6 7 7 6 6 65 1 073 Duta Dzaky 8 7 7 8 7 8 8 7 7 7 74 1 174 Fidia Ambar 7 8 7 7 6 7 6 6 5 4 63 0 175 Ryandra Irsy 8 8 7 8 7 8 9 8 6 7 76 1 176 Anwar Fathoni 9 8 7 8 7 7 8 8 7 7 76 1 177 Restu Putra 6 8 7 5 6 6 7 7 4 6 62 0 178 Muhammad G 7 7 8 7 7 8 7 6 5 3 65 1 079 Ria Isabella 7 6 7 8 6 6 7 7 3 6 63 0 180 Cyntia Sari 8 7 8 7 7 8 8 6 6 8 73 1 0

Keterangan :X1: Gerak Reflek SegmentalX2: Gerak Reflek IntersegmentalX3: Gerakan LokomotorX4: Deskriminasi KinestesisX5: Deskriminasi VisualX6: KetahananX7: KekuatanX8: Keterampilan AdaptifX9: Keterampilan Adaptif KompleksX10: Gerakan EkspresifRepresentasi variable input1. Data kriteria psikomotorik

a. Jika persentase seluruh kriteriapsikomotorik 75 s/d 100, makadikategorikan Sangat Bagus, dengansingkatan SB.

b. Jika persentase seluruh kriteriapsikomotorik 65 s/d 74, makadikategorikan Bagus, dengansingkatan BGS.

c. Jika persentase seluruh kriteriapsikomotorik 55 s/d 64, makadikategorikan Cukup, dengansingkatan CKP.

d. Jika persentase seluruh kriteriapsikomotorik 0 s/d 54, makadikategorikan Kurang, dengansingkatan KRG.

2. Data nilaia. Jika nilai untuk setiap variabel

psikomotorik 9 s/d 10, makadikategorikan Sangat Bagus, dengansingkatan SB.

14

b. Jika nilai untuk setiap variabelpsikomotorik 7 s/d 8, makadikategorikan Bagus, dengan singkatanBGS.

c. Jika nilai untuk setiap variabelpsikomotorik 5 s/d 6, makadikategorikan Cukup, dengan singkatanCKP.

d. Jika nilai untuk setiap variabelpsikomotorik 3 s/d 4, maka

dikategorikan Kurang, dengansingkatan KRG.

e. Jika nilai untuk setiap variabelpsikomotorik 1 s/d 2, makadikategorikan Gagal dengan singkatanGGL.

Berdasarkan representasi masukan berikutbentuk transformasi dalam bentuk string

Tabel 5. Convert Angka Hasil Rekapitulasi Ke String

NO NamaKriteria Aspek Psikomotorik Anak Target

SebenarnyaX1 X2 X3 X4 X5 X6 X7 X8 X9 X10

1 Rafi Pratama BGS BGS SBG CKP KRG BGS SBG BGS CKP KRG CKP2 Heru Suseno BGS BGS BGS CKP CKP CKP BGS BGS CKP BGS BGS3 Andika SBG BGS CKP CKP CKP BGS BGS BGS CKP KRG BGS4 Anggun A CKP CKP BGS BGS CKP BGS BGS BGS CKP KRG CKP5 Hengki SBG BGS BGS BGS BGS BGS BGS BGS BGS CKP SBG6 Tasya Amanda BGS BGS BGS CKP KRG KRG BGS BGS CKP KRG CKP7 Syadiah N CKP CKP BGS GGL KRG CKP BGS CKP CKP GGL KRG8 Elisa Aulia S BGS BGS SBG KRG CKP CKP BGS BGS CKP CKP BGS9 Legi Lestari SBG BGS BGS BGS CKP CKP BGS BGS CKP BGS BGS10 Dahlia Ayu CKP CKP BGS KRG CKP BGS BGS CKP CKP KRG CKP11 Felita Intan S BGS KRG CKP CKP GGL KRG CKP CKP CKP KRG KRG12 Aprilina A BGS CKP CKP CKP CKP CKP CKP BGS KRG CKP CKP13 Adi Yulianto BGS CKP CKP CKP BGS CKP BGS BGS BGS CKP BGS14 Edo Ponco P SBG BGS BGS CKP BGS BGS BGS BGS BGS BGS SBG15 Asri Ariesta BGS BGS CKP CKP CKP CKP BGS CKP KRG CKP CKP16 Astri Agustina CKP CKP BGS BGS BGS BGS CKP CKP CKP CKP BGS17 Brian Wahyudi SBG BGS BGS BGS CKP BGS BGS BGS BGS KRG BGS18 Anggun K CKP KRG CKP CKP KRG BGS BGS CKP GGL GGL KRG19 Fatchur R CKP CKP BGS CKP KRG BGS BGS BGS CKP KRG CKP20 Puspita Sari I BGS CKP CKP CKP KRG CKP BGS CKP KRG KRG KRG21 Maulana CKP CKP BGS BGS CKP CKP BGS CKP KRG CKP CKP22 Dwi Saputra SBG BGS BGS CKP CKP BGS BGS BGS CKP BGS BGS23 Agnarisma L BGS BGS BGS CKP BGS BGS BGS CKP BGS CKP BGS24 Mardianti O BGS CKP BGS CKP KRG BGS BGS CKP BGS BGS BGS25 Mira Puji L BGS CKP CKP CKP KRG CKP CKP BGS CKP CKP CKP26 Nur Azizah CKP BGS BGS KRG KRG CKP BGS CKP CKP BGS CKP27 Reka Apriawan CKP CKP BGS CKP KRG CKP CKP BGS CKP CKP CKP28 Rizky BGS SBG BGS BGS BGS BGS BGS SBG BGS SBG SBG29 Widhyanto BGS BGS CKP BGS CKP BGS BGS BGS CKP CKP BGS30 Fatir Yudho SBG CKP BGS BGS BGS BGS BGS BGS BGS BGS SBG31 Sabilah CKP KRG CKP CKP CKP BGS BGS BGS BGA CKP BGS32 Eksanti Azissa BGS BGS BGS KRG CKP CKP CKP BGS CKP CKP BGS33 Salsabila K BGS CKP CKP BGS CKP BGS BGS CKP KRG KRG CKP34 Sendy Prasetyo SBG CKP CKP BGS BGS BGS BGS BGS KRG CKP BGS35 Wahyu P CKP BGS BGS CKP CKP BGS BGS BGS BGS BGS BGS

16

36 Wiranda H BGS BGS BGS BGS KRG BGS BGS BGS CKP CKP BGS37 Andra W BGS BGS CKP CKP CKP BGS BGS BGS CKP CKP BGS38 Dwi Ayudhiya SBG BGS BGS BGS BGS CKP BGS BGS SBG BGS SBG39 Prabowo D BGS SBG BGS BGS BGS BGS BGS BGS BGS BGS SBG40 Rizky Eka R BGS CKP CKP BGS CKP BGS BGS CKP KRG CKP CKP41 Prahesty Fadila BGS BGS BGS CKP CKP CKP CKP BGS KRG CKP CKP42 Khoirunnisa H

BGS CKP CKP BGS CKP KRG BGS BGS CKP CKP CKP43 Arroyan R

BGA BGS CKP CKP CKP CKP BGS BGS BGS CKP BGS44 H Irvan M BGS BGS BGS CKP CKP CKP BGS BGS CKP CKP BGS45 Ismail Singgih BGS CKP BGS CKP BGS CKP BGS BGS KRG CKP BGS46 Fajar R SBG BGS CKP CKP CKP BGS CKP BGS CKP CKP BGS47 Riki Pratama P BGS BGS BGS CKP CKP CKP BGS BGS CKP BGS CKP48 Ismawati S BGS CKP CKP BGS CKP CKP CKP BGS BGS KRG CKP49 Fantika F BGS CKP CKP KRG BGS BGS BGS BGS BGS CKP CKP50 Farrel Hanafi SBG BGS BGS CKP BGS BGS BGS CKP BGS CKP BGS51 Emitasari Depy BGS CKP BGS CKP BGS BGS BGS CKP CKP CKP BGS52 Handik P BGS BGS CKP CKP CKP BGS BGS CKP KRG CKP CKP53 Ramandani R CKP BGS CKP KRG BGS CKP BGS CKP CKP CKP CKP54 Hanif Yusuf BGS BGS BGS CKP BGS BGS BGS BGS BGS CKP BGS55 Rahman A BGS BGS BGS BGS BGS BGS BGS BGS BGS CKP SBG56 Fitriani Puji BGS CKP CKP CKP KRG CKP BGS CKP KRG KRG KRG57 Ikka Pujiastuti BGS CKP CKP CKP CKP CKP CKP CKP CKP KRG CKP58 Anggi Putri D BGS BGS BGS CKP KRG BGS BGS CKP KRG GGL CKP59 Bintang Putra BGS CKP BGS CKP CKP BGS BGS BGS CKP BGS BGS60 Hadi Setianto BGS CKP CKP CKP KRG CKP CKP BGS CKP BGS CKP61 Annisa Nur W BGS BGS BGS BGS CKP BGS BGS BGS CKP BGS BGS62 Lailatus S BGS BGS CKP BGS CKP BGS BGS BGS CKP CKP CKP63 Mutiara L BGS BGS BGS CKP CKP CKP CKP BGS CKP CKP CKP64 Bayu Setia R BGS BGS BGS BGS CKP BGS BGS CKP CKP KRG BGS65 Rindiani CKP CKP CKP CKP BGS CKP CKP CKP CKP CKP CKP66 Yayang Wijaya CKP BGS BGS CKP CKP BGS BGS BGS CKP KRG CKP67 Novitasari BGS BGS CKP CKP BGS BGS BGS CKP CKP BGS BGS68 Dimas priyo J BGS BGS BGS CKP CKP BGS BGS CKP BGS BGS BGS69 Hana Aulia S CKP CKP BGS BGS CKP BGS CKP BGS CKP CKP BGS70 Murdikatus S BGS CKP BGS CKP CKP BGS BGS BGS CKP CKP CKP71 Arsyad Widi BGS CKP CKP CKP CKP BGS CKP CKP KRG GGL CKP72 Firmansyah BGS CKP CKP BGS CKP CKP BGS BGS CKP CKP BGS73 Duta Dzaky BGS BGS BGS BGS BGS BGS BGS BGS BGS BGS SGS74 Fidia Ambar BGS BGS BGS BGS CKP BGS CKP CKP CKP KRG CKP75 Ryandra Irsy BGS BGS BGS BGS BGS BGS SBG BGS CKP BGS SBG76 Anwar Fathoni SBG BGS BGS BGS BGS BGS BGS BGS BGS BGS SBG77 Restu Putra CKP BGS BGS CKP CKP CKP BGS BGS KRG CKP CKP78 Muhammad G BGS BGS BGS BGS BGS BGS BGS CKP CKP KRG BGS79 Ria Isabella BGS CKP BGS BGS CKP CKP BGS BGS KRG CKP CKP80 Cyntia Sari BGS BGS BGS BGS BGS BGS BGS CKP CKP BGS BGS

Keterangan :Nilai Jumlah NilaiSB : Sangat Bagus SB : Sangat Bagus

17

BGS : Bagus BGS : BagusCKP : Cukup CKP : CukupKRG : Kurang KRG : KurangGGL : Gagal

Secara matematis dapat dihitung sebagaiberikut.X =7 7 9 5 4 7 9 8 5 38 7 8 4 5 6 8 8 6 79 8 6 6 5 7 7 7 6 46 6 7 7 5 7 7 7 5 49 8 8 7 8 8 7 7 7 67 7 8 5 4 4 8 8 6 36 6 7 2 4 6 7 6 5 2

T =0 11 01 00 11 10 10 0

a. Jumlah neuron pada input layer = 10b. Jumlah neuron pada hidden layer = 4c. Jumlah neuron pada output layer = 2d. Learning rate () = 0.02e. Maksimum Epoch = 10000f. Target Error = 0.1Bobot awal (ditentukan secara acak):1. Bobot awal input ke hiddenv =0.8378 1.0924 0.5982 0.4711 0.6079 -0.6171 -1.0082 -0.6360 -0.1533 0.3866

-0.6603 0.9655 -0.1358 0.3510 0.7679 -0.2710 -1.0949 -1.1095 1.5906 0.0371

0.2835 -0.1733 0.3063 -0.5155 -0.17860.6233 -1.1993 -1.9295 -0.1354 -0.4735

-0.0330 -1.7006 0.6874 -0.1332 0.6952 -0.8656 0.3666 0.8716 -0.2873 0.2432

2. Bobot awal bias ke hidden

V0 = -6.6091 -1.6238 23.6501 -0.5616

3. Bobot awal hidden ke outputw = 4.1308 2.6079 -2.4325 -3.8168

0.0511 -1.2908 -5.6337 3.30794. Bobot awal bias ke outputW0 = -1.5582 2.0603Pembelajaran:Epoh ke-1:Data ke = 1Operasi pada Hidden Layer1) Penjumlahan berbobot:

Z_in1 = v01 + X11*V11 + X12*V12 +X13*V13 + X14*V14 +X15*V15 + X16*V16 +X17*V17 + X18*V18 +X19*V19 + X1-10*V1-10

= -6.6091+ (7*0.8378) +(7*1.0924) + (9*0.5982) +(5*0.4711) + (4*0.6079) + (7*-0.6171) + (9*-1.0082) + (8*-0.6360) + (5*-0.1533) +(3*0.3866)

= -1.0150Z_in2 = v02 + X11*V21 + X12*V22 +

X13*V23 + X14*V24 +X15*V25 + X16*V26 +X17*V27 + X18*V28 +X19*V29 + X1-10*V2-10

= -1.6238 + (7*-0.6603) + (7*0.9655 ) + (9 * -0.1358 ) + (5 *0.3510) + (4* 0.7679 ) + (7* -0.2710) + (9*-1.0949) + (8*-1.1095 ) +(5*1.5906 ) + (3*0.0371)

= -8.4458Z_in3 = v03 + X11*V31 + X12*V32 +

X13*V33 + X14*V34 +X15*V35 + X16*V36 +X17*V37 + X18*V38 +X19*V39 + X1-10*V3-10

= 23.6501 + (7*0.2835 ) + (7* -0.1733) + (9 * 0.3063) + (5 * -0.5155 ) + (4* -0.1786 ) + (7*0.6233 ) + (9*-1.1993 )+ (8*-

19

1.9295 ) + (5*-0.1354 ) + (3* -0.4735)

= -0.0778Z_in4 = v04 + X11*V41 + X12*V42 +

X13*V43+X14*V44 + X15*V45+X16*V46+X17*V47+X18*V48+X19*V49+X1-10*V4-10

= -0.5616+ (7*-0.0330) + (7* -1.7006) + (9 * 0.6874) + (5 * -0.1332) + (4* 0.6952 ) + (7* -0.8656 ) + (9*0.3666 )+(8*0.8716 ) + (5*-0.2873 ) +(3* 0.2432)

= -0.88932) Aktivasi:

Z1= ( +1.0150 ) = 0.2660Z2= ( 8.4458 ) = 2.1475e-004Z3= ( +0.0778) = 0.4806Z4= ( 0.8893) = 0.2913

Operasi pada Output Layer --->3) Perkalian:

Y_in1= w01 + Z1*W11 +Z2*W12 +Z3*W13 + Z4* W14

= -1.5582 + (0.2660* 4.1308) +(2.1475e-004*2.6079) (0.4806* -2.4325) + (0.2913*-3.8168)

= -2.7397Y_in2 = w02 + Z1*W21 +Z2*W22 +Z3*

W23 + Z4* W24= 2.0603+ (0.2660* 0.0511 ) +

(2.1475e-004* -1.2908 )+(0.4806* -5.6337 ) +(0.2913*3.3079)

= 0.32974) Aktivasi:

Y1 = ( 2.7397) = 0.0607Y2 = ( . ) = 0.5817

Error lapisan Y1 = 0 0.0607= -0.0607Jumlah Kuadrat Error = (-0.0607)2 =0.00371 = 11 + _ 1 ( 11 + )

1 = (0 0.0607) 11 + . 1 ( 11 + . )= 0.0035Error lapisan Y2 = 0 0.5817= -0.5817Jumlah Kuadrat Error = (-0.5817)2 =0.33842 = 11 + _ 1 ( 11 + )2 = (1 0.5817) 11 + . 1 ( 11 + . )= 0.1018 11 = 1 1 11 = 0.02 (0.0035) 0.2660= 1.8620 005 12 = 2 1 12 = 0.02 (0.1018) 0.2660= 5.4158 004 21 = 1 2 21 = 0.02 (0.0035) 2.1475e 004= 1.5033 008 22 = 2 2 22 = 0.02 (0.1018) 2.1475e 004 = 4.3723 007 31 = 1 3 31 = 0.02 (0.0035) 0.4806= 3.3642 005 32 = 2 3 32 = 0.02 (0.1018) 0.4806= 9.7850 004 41 = 1 4 41 = 0.02 (0.0035) 0.2913= 2.0391 005 42 = 2 4 42 = 0.02 (0.1018) 0.2913= 5.9309 004 01 = 1 01 = 0.02 (0.0035)= 7.0000 005 02 = 2 02 = 0.02 (0.1018) = 0.0020

20

11 = 1 11 = 0.0035 4.1308 = -0.014512 = 2 21 = 0.1018 0.0511= 0.005221 = 1 12= 0.0035 2.6079= 0.009122 = 2 22= 0.1018 1.2908= 0.131431 = 1 13= 0.0035 2.4325= 0.008532 = 2 23= 0.1018 5.6337= 0.573541 = 1 14= 0.0035 3.8168= 0.013442 = 2 24 = 0.1018 3.3079= 0.3367= 11 + _ 1 1 ( 11 + _ 1)= 0.0145 11 + . 1 ( 11 + . )= 0.0036= 11 + _ 1 1 ( 11 + _ 1)= 0.0052 11 + . 1 ( 11 + . )= 0.0013= 11 + _ 1 ( 11 + _ )

= 0.0091 11 + . 1 ( 11 + . )= 0.0023= 11 + _ 1 ( 11 + _ )= 0.1314 11 + . 1 ( 11 + . )= 0.0328= 11 + _ 1 ( 11 + _ )= 0.0085 11 + . 1 ( 11 + . )= 0.0020= 11 + _ 1 ( 11 + _ )= 0.5735 11 + . 1 ( 11 + . )= 0.1354= 11 + _ 1 ( 11 + _ )= 0.0134 11 + . 1 ( 11 + . )= 0.0033= 11 + _ 1 ( 11 + _ )

21

= 0.3367 11 + . 1 ( 11 + . )= 0.0824v11 = 11 = 0.02 (0.0036) 7= 5.0400 004v12 = 12 11= 0.02 (0.0013) 7= 1.8200 004v21 = 21 11= 0.02 (0.0023) 7= 3.2200 004v22 = 22 11= 0.02 (0.0328) 7= 0.0046v31 = 31 11= 0.02 ( 0.0020) 7= 2.8000 004v32 = 32 11= 0.02 (0.1354) 7= 0.0190v41 = 41 11= 0.02 (0.0033) 7= 4.6200 004v42 = 42 11= 0.02 (0.0824) 7= 0.0115v01 = 11 = 0.02 (0.0036)= 7.2000 005v02 = 21 = 0.02 (0.0023)= 4.6000 005v03 = 31 = 0.02 ( 0.0020)= 4.0000 005v04 = 41 = 0.02 (0.0033)= 6.6000 005v11 = v11 + v11 = 0.8378 + 5.0400 004= 0.8373v12 = v12 + v12 = 1.0924 + 1.8200 004= 1.0926v13 = v13 + v13 = 0.5982 3.2200 004 = 0.5979v14 = v14 + v14 = 0.4711 0.0046 =0.4665v15 = v15 + v15 = 0.6079+ 2.8000 004= 0.6082

v16 = v16 + v16 = -0.6171 + 0 = -0.6171v17 = v17 + v17 = -1.0082 + 0 = -1.0082v18 = v18 + v18 = -0.6360 + 0 = -0.6360v19 = v19 + v19 = -0.1533 + 0 = -0.1533v1-10 = v1-10 + v1-10 = 0.3866 + 0 =0.3866v21 = v21 + v21 = -0.6603+ 0 = -0.6603v22 = v22 + v22 = 0.9655 + 0 = 0.9655v23 = v23 + v23 = -0.1358 + 0 = -0.1358v24 = v24 + v24 = 0.3510 + 0 = 0.3510v25 = v25 + v25 = 0.7679 + 0 = 0.7679v26 = v26 + v26 = -0.2710 + 0 = -0.2710v27 = v27 + v27 = -1.0949 + 0 = -1.0949v28 = v28 + v28 = -1.1095 + 0 = -1.1095v29 = v29 + v29 = 1.5906 + 0 = 1.5906v2-10 = v2-10 + v2-10 = 0.0371+ 0 = 0.0371v31 = v31 + v31 = 0.2835 + 0 = 0.2835v32 = v32 + v32 = -0.1733 + 0 = -0.1733v33 = v33 + v33 = 0.3063 + 0 = 0.3063v34 = v34 + v34 = -0.5155 + 0 = -0.5155v35 = v35 + v35 = -0.1786 + 0 = -0.1786v36 = v36 + v36 = -3.1801 + 0 = -3.1801v37 = v37 + v37 = 0.6233 + 0 = 0.6233v38 = v38 + v38 = -1.9295 + 0 = -1.9295v39 = v39 + v39 = -0.1354 + 0 = -0.1354v3-10 = v3-10 + v3-10 = -0.4735 + 0 = -0.4735v41 = v41 + v41 = -0.0330 + 0 = -0.0330v42 = v42 + v42 = -1.7006 + 0 = -1.7006v43 = v43 + v43 = 0.6874 + 0 = 0.6874v44 = v44 + v44 = -0.1332 + 0 = -0.1332v45 = v45 + v45 = 0.6952 + 0 = 0.6952v46 = v46 + v46 = -0.8656 + 0 = -0.8656v47 = v47 + v47 = 0.3666 + 0 = 0.3666v48 = v48 + v48 = 0.8716 + 0 = 0.8716v49 = v49 + v49 = -0.2873 + 0 = -0.2873v4-10 = v4-10 + v4-10 = 0.2432 + 0 = 0.2432v01 = v011 + v01= -6.6091 7.2000 005 = -6.6092v02 = v012 + v02 = -1.62384.6000 005= -1.6238

22

v03 = v013 + v03 = 23.6501 + 4.0000 005= 23.6501v04 = v014 + v04 = -0.5616+ 6.6000 005= -0.5615w11 = w11 + w11 = 4.13081.8620 005= 4.1308w12 = w21 + w12 = 2.6079 +5.4158 004= 2.6084w21 = w31 + w21= -2.4325 1.5033 008= -2.4325w22 = w41 + w22= -3.8168 + 4.3723 007= -3.8168w31 = w21 + w31 = 0.05113.3642 005= 0.0511w32 = w21 + w32= -1.2908 + 9.7850 004= -1.2898w41 = w13 + w41 = -5.63372.0391 005= -5.6337w42 = w14 + w42= 3.3079 + 5.9309 004 = 3.3085w01 = w01 + w01 =- 1.55827.0000 005= -1.5583w02 = w02 + w02 = 2.0603 + 0.0020 =2.0623

Pada data kedua, juga dilakukanoperasi-operasi yang sama denganmenggunakan bobot-bobot akhir hasilpengolahan data pertama ini sebagaibobot-bobot awalnya. Proses inidilakukan secara berulang sampai padamaksimum epoh (100000) atau kuadraterror < target error (0.1).Berikut adalah bobot akhir setelah epohke-3425 :1. Bobot akhir input ke hiddenv =2.1304 1.5128 -0.3753 -1.2563 0.9763-0.1406 -1.6771 -1.3524 0.0738 1.8141-0.1996 0.9506 -0.7733 -0.7455 0.6793 -0.5000 -1.5514 -1.4870 1.5684 1.00561.3177 0.3019 -0.6337 -2.1943 -1.3760

0.4344 -0.8812 -1.4917 -0.0547 0.4877-0.8815 -2.0950 0.6101 1.3018 0.7690 -

0.9792 0.0128 0.5692 -0.6195 -1.02562. Bobot akhir bias ke hiddenV0 = -6.6615 -1.6828 23.7283 -0.60533. Bobot akhir hidden ke outputw = 7.4903 2.4921 -1.3515 -3.7863

-1.0633 -2.0383 -6.8314 3.28554. Bobot akhir bias ke outputW0 = -3.0579 3.9047

Tabel 6. Data Uji Berdasarkan Kriteria Aspek Psikomotorik

NO Nama

Kriteria aspek Psikomotorik anak JumlahNilai

Target UjiSebenarnyaX1 X2 X3 X4 X5 X6 X7 X8 X9 X10

1 Febri Andika 7 6 8 8 6 7 6 8 8 6 70 1 02 Dedi M 9 7 8 7 6 7 8 8 5 8 73 1 03 Nurul O 8 6 8 6 7 9 8 7 7 5 71 1 04 Angga S 8 5 7 8 5 8 6 8 7 6 68 1 05 Dea Nur P 7 5 6 7 4 7 6 6 5 5 58 0 16 Muhammad 7 8 7 8 7 8 6 6 7 6 70 1 07 Fitri Lestari 8 7 8 7 8 8 7 7 7 5 72 1 08 Meysa A 7 6 7 7 8 7 6 8 6 7 69 1 09 Guntur 9 8 7 8 6 8 8 8 7 6 75 1 110 Bima 6 6 8 5 8 6 8 8 6 6 68 1 011 Siti N 7 7 6 5 6 7 6 7 5 4 60 0 112 Kiki H 8 8 6 6 4 6 7 5 8 6 64 0 113 Mahesa 9 8 8 7 6 7 8 8 7 7 75 1 114 Syah Dewa 5 7 6 8 7 8 5 8 7 6 67 1 015 Marlinta 6 7 4 6 8 7 8 5 4 4 59 0 116 Andrea Putri 6 7 8 6 6 6 7 5 5 6 62 0 117 Wiranda 5 6 7 8 8 6 8 7 7 8 70 1 018 Zakarianta 8 8 6 8 6 7 8 6 8 6 71 1 019 Leliana 6 7 8 6 8 6 8 6 8 7 70 1 0

820 Duma P 6 7 8 6 6 8 6 8 8 6 69 1 0

Keterangan :X1 : Gerak Reflek Segmental X5 : Deskriminasi VisualX9 : Keterampilan Adaptif Kompleks X2 : Gerak Reflek IntersegmentalX6 : Ketahanan X10 : Gerakan EkspresifX3 : Gerakan Lokomotor X7 : KekuatanX4 : Deskriminasi Kinestesis X8 : Keterampilan Adaptif

Tabel 7. Convert Angka Hasil Rekapitulasi ke HurufNO Nama Kriteria aspek Psikomotorik anak Target UjiSebenarnyaX1 X2 X3 X4 X5 X6 X7 X8 X9 X101 Febri Andika BGS CKP BGS BGS CKP BGS CKP BGS BGS CKP BGS2 Dedi M SBG BGS BGS BGS CKP BGS BGS BGS CKP BGS BGS3 Nurul O BGS CKP BGS CKP BGS SBG BGS BGS BGS CKP BGS4 Angga S BGS CKP BGS BGS CKP BGS CKP BGS BGS CKP BGS5 Dea Nur P BGS CKP CKP BGS KRG BGS CKP CKP CKP CKP CKP6 Muhammad BGS BGS BGS BGS BGS BGS CKP CKP BGS CKP BGS7 Fitri Lestari BGS BGS BGS BGS BGS BGS BGS BGS BGS CKP BGS8 Meysa A BGS CKP BGS BGS BGS BGS CKP BGS CKP BGS BGS9 Guntur SBG BGS BGS BGS CKP BGS BGS BGS BGS CKP SBG10 Bima CKP CKP BGS CKP BGS CKP BGS BGS CKP CKP BGS11 Siti N BGS BGS CKP CKP CKP BGS CKP BGS CKP KRG CKP12 Kiki H BGS BGS CKP CKP KRG CKP BGS CKP BGS CKP CKP13 Mahesa SBG BGS BGS BGS CKP BGS BGS BGS BGS BGS SBG14 Syah Dewa CKP BGS CKP BGS BGS BGS CKP BGS BGS CKP BGS15 Marlinta CKP BGS KRG CKP BGS BGS BGS CKP KRG KRG CKP16 Andrea Putri CKP BGS BGS CKP CKP CKP BGS CKP CKP CKP CKP17 Wiranda CKP CKP BGS BGS BGS CKP BGS BGS BGS BGS BGS18 Zakarianta BGS BGS CKP BGS CKP BGS BGS CKP BGS CKP BGS19 Leliana CKP BGS BGS CKP BGS CKP BGS CKP BGS BGS BGS20 Duma P CKP BGS BGS CKP CKP BGS CKP BGS BGS CKP BGS

Keterangan :Nilai Jumlah NilaiSB : Sangat Bagus SB : Sangat BagusBGS : Bagus BGS : BagusCKP : Cukup CKP : CukupKRG : Kurang KRG : KurangGGL : GagalTabel 7 di atas merupakan data input yangtelah ditansformasi menjadi numeric untukdilatih. Keluaran atau target yangdiinginkan dibagi menjadi 4 pola keluaranyaitu :

1. (1 1) = Sangat Bagus2. (1 0) = Bagus3. (0 1) = Cukup4. (0 0) = Kurang

Data uji yang akan diujikan kedalamjaringan adalah data yang sama sekali

belum dikenal oleh jaringan saraf tiruan.Jika hasil output memiliki pesentase yangsangat tinggi maka sistem yang di buatdikatakan cerdas dan jika hasil presentaserendah maka sistem yang dibuat belumlahdikatakan cerdas. Oleh sebab itu perludilakukan pelatihan terhadap data yangbesar (banyak) agar ketika diujikan datayang belum dikenal sistem dapat dikenalidengan cepat dan tepat.

8VI. PELATIHANData dilatihkan dengan dipengaruhi

oleh model algoritma jaringan yangdigunakan dan jumlah lapisan tersembunyidata psikomotorik. Untuk menghasilkaniterasi tercepat, nilai-nilai dari jumlahlapisan tersembunyi diubah-ubah.Perubahan dilakukan dengan memberi nilaitetap pada salah satu item. Pelatihan datayang paling cepat konvergen terjadi padaepoch ke-100000 dengan nilai sbb:

a. Jumlah sel lapisan tersembunyi : 10s/d 100

b. Maksimum Epoch : 100000c. Konstanta Belajar : 0.01 s/d 0.07d. Galat yang diijinkan : 0.1

Hasil pelatihan dilakukan melalui 2tahap, yaitu pelatihan terhadap data yangdilatihkan dan pengujian pada data yangbaru yang belum pernah dilatihkan.Adapun data yang dilatihkan terdiri daridata 100 orang anak , dimana terdiri daridata 80 orang anak yang dilatihkan dandata 20 orang anak yang diujikanmerupakan data yang baru yang belumdikenal oleh jaringan. Hal tersebutberfungsi untuk menguji seberapa besarJST mengenali data yang baru.

A. Data Latih

Gambar 5. Grafik Pelatihan ke 1KeteranganGambar di atas menunjukkan bahwa prosespelatihan berhenti pada epoch ke 12636dengan sintaks sebagai berikut :tp=[50 100000 0.06 0.1]

[w1,b1,w2,b2]=initff(p,80,'logsig',t,'logsig')[w1,b1,w2,b2]=trainbp(w1,b1,'logsig',w2,b2,'logsig',p,t,tp)l=simuff(p,w1,b1,'logsig',w2,b2,'logsig')l=l'Durasi : 17 menithasil konvergen pelatihan = 100%

Kemudian dilanjutkan denganpelatihan ke- 2 yang terlihat pada gambar 6

Gambar 6. Grafik Pelatihan ke-2Gambar 6, menunjukkan bahwa prosespelatihan berhenti pada epoch ke 6474dengan sintaks sebagai berikut :tp=[50 100000 0.05 0.1][w1,b1,w2,b2]=initff(p,90,'logsig',t,'logsig')[w1,b1,w2,b2]=trainbp(w1,b1,'logsig',w2,b2,'logsig',p,t,tp)l=simuff(p,w1,b1,'logsig',w2,b2,'logsig')l=l'Durasi : 12 menithasil konvergen pelatihan = 100%Setelah itu dilanjutkan dengan pelatihanke-3 yang terlihat pada gambar 7:

9Gambar 7. Grafik Pelatihan ke-3

Gambar 7, menunjukkan bahwa prosespelatihan berhenti pada epoch ke 7610dengan sintaks sebagai berikut :tp=[50 50000 0.07 0.1][w1,b1,w2,b2]=initff(p,90,'logsig',t,'logsig')[w1,b1,w2,b2]=trainbp(w1,b1,'logsig',w2,b2,'logsig',p,t,tp)l=simuff(p,w1,b1,'logsig',w2,b2,'logsig')l=l'Durasi : 15 menithasil konvergen pelatihan = 100%

Tabel 8. Hasil Pelatihan Data Latih Yang Diambil Secara Acak Yang Diinput Ke DalamJST Dengan Metode Backpropogation

PolaInpu

t

PolaOutpu

t

LapisanTersembunyi

Konstanta

BelajarGala

t

FungsiAktivas

i

Tampilan Per Iterasi

Maksimum Epoch

Konvergen

P T 10 0.01 0.1 Logsig 50 100000 100%P T 20 0.01 0.1 Logsig 50 100000 100%P T 70 0.01 0.1 Logsig 50 100000 100%P T 20 0.02 0.1 Logsig 50 100000 100%P T 40 0.02 0.1 Logsig 50 100000 100%P T 80 0.02 0.1 Logsig 50 100000 100%P T 100 0.02 0.1 Logsig 50 100000 100%P T 20 0.03 0.1 Logsig 50 100000 100%P T 50 0.03 0.1 Logsig 50 100000 100%P T 60 0.03 0.1 Logsig 50 100000 100%P T 90 0.03 0.1 Logsig 50 100000 100%P T 60 0.04 0.1 Logsig 50 100000 100%P T 90 0.04 0.1 Logsig 50 100000 100%P T 20 0.05 0.1 Logsig 50 100000 100%P T 50 0.05 0.1 Logsig 50 100000 100%P T 80 0.05 0.1 Logsig 50 100000 100%P T 30 0.06 0.1 Logsig 50 100000 100%P T 60 0.06 0.1 Logsig 50 100000 100%P T 70 0.06 0.1 Logsig 50 100000 100%P T 90 0.06 0.1 Logsig 50 100000 100%P T 60 0.07 0.1 Logsig 50 100000 100%P T 100 0.07 0.1 Logsig 50 100000 100%

Tabel 9. Hasil Pengujian Data Uji ke Dalam JST

KBLT 0,01 0,02 0,03 0,04 0,05 0,06 0,07

10 75% TK TK TK TK TK TK

820 80% 85% 70% TK 85% TK TK30 TK TK TK 30% TK 80% 70%40 65% 80% TK TK TK TK 70%50 TK 65% 85% 65% 75% TK 75%60 TK TK 70% 85% 70% 90% 85%70 95% 70% 70% 70% 65% 85% 75%80 TK 80% TK 70% 75% 60% 70%90 TK TK 75% 75% 65% 80% 70%100 TK 85% TK 70% TK 70% 85%

Keterangan :KB : Konstanta BelajarLT : Lapisan TersembunyiTK : Tidak Konvergen

VII. PENGUJIANBobot awal pada learning rate

0.01 dan diberikan lapisan tersembunyi70 pada percobaan ke- 5, yaitu denganjumlah epoch 35293. Denganmembandingkan hasil perhitunganmanual dengan program. Untukmenghitung presentase hasil kebenarandari aplikasi yang di buat menggunakanrumus sebagai berikut:Presentase = Data KeberhasilanJumlah Data x 100

Diketahui :Data keberhasilan (Benar) = 19Data yang salah = 1Jumlah data = 20

Jadi ;Presentase = 19 x 100 = 95 %

20Jadi dari hasil perhitungan di atas

di dapat hasil prosentase keberhasilannyaadalah 95%. Adapun hasil pengujianterhadap data yang baru yang palingkonvergen dapat dilihat pada tabel 10

Tabel 10. Hasil Analisa Prediksi Terhadap Data Baru Yang Diuji.

NO NamaKriteria aspek Psikomotorik anak Target

UjiSebenarn

ya

HPU KSB KJSTX1 X2 X3 X4 X5 X6 X7 X8 X9 X10

1 Febri Andika 7 6 8 8 6 7 6 8 8 6 1 0 1 0 Bagus Benar2 Dedi M 9 7 8 7 6 7 8 8 5 8 1 0 1 0 Bagus Benar3 Nurul O 8 6 8 6 7 9 8 7 7 5 1 0 1 0 Bagus Benar4 Angga S 8 5 7 8 5 8 6 8 7 6 1 0 1 0 Bagus Benar5 Dea Nur P 7 5 6 7 4 7 6 6 5 5 0 1 0 1 Cukup Benar6 Muhammad 7 8 7 8 7 8 6 6 7 6 1 0 1 0 Bagus Benar7 Fitri Lestari 8 7 8 7 8 8 7 7 7 5 1 0 1 0 Bagus Benar8 Meysa A 7 6 7 7 8 7 6 8 6 7 1 0 1 0 Bagus Benar9 Guntur

9 8 7 8 6 8 8 8 7 61 1 1 1 Sangat

BagusBenar

10 Bima 6 6 8 5 8 6 8 8 6 6 1 0 1 0 Bagus Benar11 Siti N 7 7 6 5 6 7 6 7 5 4 0 1 0 1 Cukup Benar

812 Kiki H 8 8 6 6 4 6 7 5 8 6 0 1 1 0 Cukup Salah13 Mahesa

9 8 8 7 6 7 8 8 7 71 1 1 1 Sangat

BagusBenar

14 Syah Dewa 5 7 6 8 7 8 5 8 7 6 1 0 0 1 Bagus Benar15 Marlinta 6 7 4 6 8 7 8 5 4 4 0 1 0 1 Cukup Benar16 Andrea Putri 6 7 8 6 6 6 7 5 5 6 0 1 0 1 Cukup Benar17 Wiranda 5 6 7 8 8 6 8 7 7 8 1 0 1 0 Bagus Benar18 Zakarianta 8 8 6 8 6 7 8 6 8 6 1 0 1 0 Bagus Benar19 Leliana 6 7 8 6 8 6 8 6 8 7 1 0 1 0 Bagus Benar20 Duma P 6 7 8 6 6 8 6 8 8 6 1 0 1 1 Bagus Benar

Keterangan :X1 : Gerak Reflek SegmentalX5 : Deskriminasi VisualX9 : Keterampilan Adaptif KompleksX2 : Gerak Reflek IntersegmentalX6 : KetahananX10 : Gerakan EkspresifX3 : Gerakan LokomotorX7 : KekuatanX4 : Deskriminasi KinestesisX8 : Keterampilan AdaptifHPU : Hasil PengujianKSB : Kondisi SebenarnyaKJST : Ketepatan Jaringan Saraf Tiruan

VIII. KESIMPULANBerdasarkan hasil penelitian dan

pembahasan yang telah dilakukan dapatdiambil beberapa kesimpulan antara lain :

1. Penerapan data mining denganjaringan syaraf tiruan dapatmemprediksi tingkat kemampuananak berdasarkan aspekpsikomotorik untuk menentukanapakah psikomotorik anak tersebutsangat bagus, bagus, cukup ataukurang.

2. Untuk mendapatkan hasil prediksiyang lebih akurat perlumemperhatikan lapisantersembunyi, learning rate, galatyang diijinkan dan maksimumepoch.

3. Hasil output pada proses pengujianterhadap data baru yang diprediksiyang diinginkan mendekatiketepatan pada hasil presentasekeberhasilan mencapai 95%, karena

telah terjadi penyesuaian nilaibobot dan bias yang semakin baikpada proses pelatihan dalammemprediksi tingkat kemampuananak berdasarkan aspekpsikomotorik.

Untuk pengembangan lebih lanjut, makaada beberapa saran yakni:

1. Perlu dilakukan pembelajaran danpelatihan dengan data yang lebihbanyak agar mampu mengenali datauji dengan cepat dan tepat, sehinggapola output yang dihasilkan lebihmendekati target yang diinginkan.

2. Penelitian lebih lanjut diharapkanmampu membuat aplikasi berbasisGUI dengan menggunakan softwareMatLab untuk mempermudahmelakukan prediksi tingkatkemampuan anak berdasarkan aspekpsikomotorik.

3. Diharapkan format masukan datatidak hanya berupa MicrosoftExcel saja tetapi bisa MicrosoftAccess, SQL server, dan lainsebagainya.

DAFTAR PUSTAKA

Decaprio, Richard., Aplikasi TeoriPembelajaran Motorik Di Sekolah,DIVA Press, Jokjakarta, 2013

Jurnal Media Informatika ( Vol. 2, No. 2,Desember 2004 : 1-11, oleh Kiki,Sri Kusumadewi, judul : JaringanSaraf Tiruan Dengan Metode

8Backpropogation UntukMendeteksi Gangguan Psikologi)

Jurnal Teknik Informatika ( Vol. 7, No. 3,Desember 2009 : 195 200, olehYeni Nuraeni, judul : PenerapanJaringan Saraf Tiruan UntukMengukur Tingkat Korelasi AntaraNEM dengan IPK KelulusanMahasiswa )

Jurnal SAINTIKOM (Vol. 10, No. 2, Mei2011 : 111 123, oleh BadrulAnwar, judul : PenerapanAlgoritma Jaringan Saraf TiruanBackpropogation DalamMemprediksi Tingkat Suku BungaBank )

Kusumadewi, Sri., Artificial Intelligence(Teknik dan Aplikasinya), GrahaIlmu, Yogyakarta, 2003.

Luthfi, E T., Algoritma Data Mining,Penerbit Andi, STMIK AMIKOMYogyakarta, 2009.

Maimun, Agus., Penilaian BerbasisKelas di Madrasah, PercetakanFajar Cemerlang, Malang, 2006.

Suyanto, Artificial Intelligemce(Searching, Reasoning, Planningand Learning), Informatika,Bandung, 2007.

http://IlmuKomputer.org/diktat-konsep-dataMining.pdf/diakses 02/05/2013

http://www.prediksi.web.id/diakses04/05/2013

http://www.kamusbesar.com/diakses04/05/2013

http://ppk-hupstegal.weebly.com/diklat-matlab.pdf/diakses 01/05/2013