Teknik Ensemble Dalam Machine Learning Untuk Menentukan Tingkat Akurasi Perkembangan Motorik Bayi 0-12 Bulan : Teknik Ensemble Dalam Machine Learning Untuk Menentukan Tingkat Akurasi Perkembangan Motorik Bayi 0-12 Bulan

Anita Sindar Sinaga; Sethu Ramen; Sri Mulyani

doi:10.53513/jis.v23i2.10059

Authors

Anita Sindar Sinaga STMIK Pelita Nusantara http://orcid.org/0000-0002-4020-0395
Sethu Ramen STMIK Pelita Nusantara
Sri Mulyani STMIK Pelita Nusantara

DOI:

https://doi.org/10.53513/jis.v23i2.10059

Keywords:

Accuracy, Ensamble Metode, Gerakan, Identifikasi, Motorik Bayi

Abstract

Setiap tahap perkembangan seorang bayi umumnya ditunjukkan oleh pergerakan fisik atau badan. Ada kesulitan mengenali keterlambatan pergerakan motoric bayi pada usia 0 – 12 bulan. Jika terdapat gangguan pada gerak bayi, maka perlu dilakukan pemeriksaan kesehatan fisik bayi agar dapat segera ditangani sesuai tahap perkembangan balita. Tingkat keakuratan kondisi gerak motorik terlambat pada bayi dapat diketahui dengan Teknik Ensamble. Pembelajaran ensemble digunakan untuk memperbaiki kinerja dan hasilnya menunjukkan tingkat yang benar dari Pembelajaran Mesin menangani analisis data dengan menggabungkan hasil prediksi dari tidak banyak kesepakatan berbeda dengan algoritma analisis data. Penelitian ini bertujuan untuk menghasilkan model pembelajaran ansambel dalam mengidentifikasi tingkat kebenaran gerak motorik bayi 0-12 bulan. Pemodelan pembelajaran Ensemble menghasilkan model baru dengan menggunakan Optimizable Ensemble dengan nilai Ketepatan menilai kemiripan model Optimizable Ensemble 93% dengan nilai MRSE 9.8 R-Squared 0.73 MSE 82.26.

Author Biography

Anita Sindar Sinaga, STMIK Pelita Nusantara

Computer Science Lecturer

References

R. S. Farida Mayar, “Pentingnya Mengembangkan Fisik Motorik Anak Sejak Dini,” Block Caving – A Viable Altern., vol. 21, no. 1, pp. 1–9, 2021, [Online]. Available: https://doi.org/10.1016/j.solener.2019.02.027%0Ahttps://www.golder.com/insights/block-caving-a-viable-alternative/%0A???

F. Baharuddin and A. Tjahyanto, “Peningkatan Performa Klasifikasi Machine Learning Melalui Perbandingan Metode Machine Learning dan Peningkatan Dataset,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 11, no. 1, pp. 25–31, 2022, doi: 10.32736/sisfokom.v11i1.1337.

A. R. Manga’, A. N. Handayani, H. W. Herwanto, R. A. Asmara, Y. I. Sulistya, and K. Kasmira, “Analysis of the Ensemble Method Classifier’s Performance on Handwritten Arabic Characters Dataset,” Ilk. J. Ilm., vol. 15, no. 1, pp. 186–192, 2023, doi: 10.33096/ilkom.v15i1.1357.186-192.

W. I. Rahayu, C. Prianto, and E. A. Novia, “Perbandingan Algoritma K-Means dan Naive Bayes untuk Memprediksi Prioritas Pembayaran Tagihan Rumah Sakit Berdasarkan Tingkat Kepentingan pada PT. Pertamina (Persero),” J. Tek. Inform., vol. 13, no. 2, pp. 1–8, 2021.

U. Indahyanti, N. L. Azizah, and H. Setiawan, “Pendekatan Ensemble Learning Untuk Meningkatkan Akurasi Prediksi Kinerja Akademik Mahasiswa,” J. Sains dan Inform., vol. 8, no. 2, pp. 160–169, 2022, doi: 10.34128/jsi.v8i2.459.

M. K. Hasan, M. A. Alam, D. Das, E. Hossain, and M. Hasan, “Diabetes prediction using ensembling of different machine learning classifiers,” IEEE Access, vol. 8, pp. 76516–76531, 2020, doi: 10.1109/ACCESS.2020.2989857.

E. Daniati and H. Utama, “Analisis Sentimen Dengan Pendekatan Ensemble Learning Dan Word Embedding Pada Twitter,” J. Inf. Syst. Manag., vol. 4, no. 2, pp. 125–131, 2023, doi: 10.24076/joism.2023v4i2.973.

B. Sunarko et al., “Penerapan Stacking Ensemble Learning untuk Klasifikasi Efek Kesehatan Akibat Pencemaran Udara,” Edu Komputika J., vol. 10, no. 1, pp. 55–63, 2023, doi: 10.15294/edukomputika.v10i1.72080.

A. Septiana et al., “DALAM ANALISIS SENTIMEN PENGGUNA TWITTER X TERHADAP,” vol. 8, no. 1, pp. 323–330, 2024.

R. B. Wiranata and A. Djunaidy, “Optimasi Hyper-Parameter Berbasis Algoritma Genetika Pada Ensemble Learning Untuk Prediksi Saham Yang Mempertimbangkan Indikator Teknikal & Sentimen Berita,” JATISI J. Tek. Inform. dan Sist. Inf., vol. 8, no. 3, pp. 1442–1456, 2021.

S. Wahyuni Kalumbang, “Perbandingan Regresi Logistik, Klasifikasi Naive Bayes, Dan Random Forest (Comparison the Logistic Regression, Naive Bayes Classification, and Random Forest),” J. Mat. Thales, vol. 03, no. 02, pp. 1–13, 2021.

D. N. Muhammady, H. A. E. Nugraha, V. R. S. Nastiti, and C. S. K. Aditya, “Students Final Academic Score Prediction Using Boosting Regression Algorithms,” J. Ilm. Tek. Elektro Komput. dan Inform., vol. 10, no. 1, p. 154, 2024, doi: 10.26555/jiteki.v10i1.28352.

W. Nurazijah, R. Kurniawan, and Y. A. Wijaya, “Analisis Dampak Nilai K Optimal Terhadap Akurasi Pada Data Balita Puskesmas Cipaku,” JIKA (Jurnal Inform., vol. 8, no. 2, pp. 197–203, 2024.

M. L. Mu’tashim and A. Zaidiah, “Klasifikasi Ketepatan Lama Studi Mahasiswa Dengan Algoritma Random Forest Dan Gradient Boosting (Studi Kasus Fakultas Ilmu Komputer Universitas Pembangunan Nasional Veteran Jakarta),” Semin. Nas. Mhs. Bid. Ilmu Komput. dan Apl., vol. 4, no. 1, pp. 155–166, 2023.

A. A. Khan, O. Chaudhari, and R. Chandra, “A review of ensemble learning and data augmentation models for class imbalanced problems: Combination, implementation and evaluation,” Expert Syst. Appl., vol. 244, no. November 2023, p. 122778, 2024, doi: 10.1016/j.eswa.2023.122778.

Y. Resti, C. Irsan, J. F. Latif, I. Yani, and N. R. Dewi, “A Bootstrap-Aggregating in Random Forest Model for Classification of Corn Plant Diseases and Pests,” Sci. Technol. Indones., vol. 8, no. 2, pp. 288–297, 2023, doi: 10.26554/sti.2023.8.2.288-297.

P. Akurasi et al., “Enhacing Prediction Accuracy of New Student Program Selection Through Decision Tree Algorithm Optimization,” vol. 15, no. 1, pp. 15–25, 2024.

Teknik Ensemble Dalam Machine Learning Untuk Menentukan Tingkat Akurasi Perkembangan Motorik Bayi 0-12 Bulan