Klasifikasi Tumbuh Kembang Anak Berdasarkan Usia Menggunakan Metode Recurrent Neural Network

Fahmidyna, Amanda (2024) Klasifikasi Tumbuh Kembang Anak Berdasarkan Usia Menggunakan Metode Recurrent Neural Network. S1 thesis, Universitas Ahmad Dahlan.

	Text (JUDUL) T1_1700018273_JUDUL__240327083111.pdf Download (1MB)
	Text (BAB I) T1_1700018273_BAB_I__240326120419.pdf Download (142kB)
	Text (BAB II) T1_1700018273_BAB_II__240326120419.pdf Restricted to Registered users only Download (368kB) | Request a copy
	Text (BAB III) T1_1700018273_BAB_III__240326120419.pdf Restricted to Registered users only Download (390kB) | Request a copy
	Text (BAB IV) T1_1700018273_BAB_IV__240326120419.pdf Restricted to Registered users only Download (663kB) | Request a copy
	Text (BAB V) T1_1700018273_BAB_V__240326120419.pdf Restricted to Registered users only Download (143kB) | Request a copy
	Text (Daftar Pustaka) T1_1700018273_DAFTAR_PUSTAKA__240326120419.pdf Download (177kB)
	Text (Lampiran) T1_1700018273_LAMPIRAN__240326120419.pdf Restricted to Registered users only Download (153kB) | Request a copy

Abstract

Anak usia dini, rentang usia 0-5 tahun, mengalami tahap tumbuh kembang yang pesat. Tahap tersebut merupakan periode kritis yang memerlukan pemantauan dan intervensi tepat. Pada usia tersebut, anak-anak sangatlah sensitif terhadap berbagai keadaan serta kondisi lingkungan mereka. Orang tua sangatlah bertanggung jawab dalam melakukan pemantauan terhadap tumbuh kembang anak untuk mengetahui pertumbuhan yang optimal pada anak, serta agar dapat mendeteksi gangguan yang terjadi pada tumbuh kembang anak. Deteksi Dini Tumbuh Kembang anak (DDTK) merupakan program yang sangat penting agar anak bisa mendapatkan penanganan yang cepat apabila terjadi masalah dalam tumbuh kembangnya. Akan tetapi penggunaan teknologi medis banyak yang masih dilakukan secara tradisional karena keterbatasan informasi akses teknologi.
Oleh karena itu, penelitian ini mengusulkan penggunaan algoritma Recurrent Neural Network (RNN) untuk klasifikasi tumbuh kembang anak berdasarkan usia, dengan memanfaatkan dataset besar dari Kaggle.com. Penelitian ini menguraikan langkah-langkah penelitian yang meliputi studi pustaka, analisis kebutuhan, pengambilan data dari platform Kaggle.com, dan implementasi klasifikasi menggunakan algoritma Recurrent Neural Network (RNN) dalam pemrograman Python melalui Google Colab. Tahapan ini dilanjutkan dengan eksplorasi data, preprocessing, splitting data, pengujian dengan K-fold Cross Validation, serta evaluasi menggunakan confusion matrix. Metodologi ini bertujuan untuk memahami pola tumbuh kembang anak dan mencari akurasi dalam klasifikasi tumbuh kembang anak guna untuk mengetahui peforma model dalam melakukan klasifikasi pertumbuhan anak berdasarkan usia dengan harapan memberikan wawasan dan informasi penting mengenai bagaimana peforma model RNN dalam hal pemantauan dan perawatan anak usia dini.
Hasil pengujian ini menunjukkan perbandingan akurasi dengan iterasi pelatihan (epochs) pada sebesar 25 didapatkan akurasi sebesar 33%, epochs 50 mendapatkan akurasi 33%, dan epochs 100 mendapatkan akurasi 33%. Sedangkan hasil K-Fold Cross Validation dengan epochs sebesar 25 mendapat akurasi 33%, epochs 50 mendapat akurasi sebesar 34% dan epochs 100 mendapatkan akurasi sebesar 34%. Faktor-faktor seperti ketidakcocokan antara algoritma RNN dengan bentuk dataset dapat menjadi penyebab akurasi yang rendah.

Item Type:	Thesis (S1)
Keyword:	Klasifikasi; Recurrent Neural Network; K-fold Cross Validation; Akurasi
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisi / Prodi:	Faculty of Industrial Technology (Fakultas Teknologi Industri) > S1-Informatics Engineering (S1-Teknik Informatika)
Depositing User:	userperpus4 userperpus4
Date Deposited:	30 Apr 2024 01:23
Last Modified:	30 Apr 2024 01:23
URI:	http://eprints.uad.ac.id/id/eprint/62426

Actions (login required)

View Item