Klasifikasi Anak Berkebutuhan Khusus Tunagrahita Menggunakan Metode C4.5

• I Made Danan Jaya Priatama

---

ABSTRAK

Anak Tunagrahita ialah anak berkebutuhan khusus secara mental maupun intelektual dan perlu di klasifikasikan , karena banyak nya tenaga pengajar yang belum mengetahui ciri – ciri dari anak tunagrahita dan cara penanganannya melalui tingkat IQ dan beberapa faktor lain nya .ABK (Anak Berkebutuhan Khusus) merupakan anak yang secara signifikan berbeda dengan anak-anak lain, mereka yang secara fisik, psikologi, kognitif atau secara sosial terhambat dalam mencapai tujuan mereka secara maksimal seperti gangguan bicara, cacat, reterdasi mental, dan gangguan emosional. Klasifikasi ini meliputi Anak berkebutuhan khusus Tunagrahita ringan, sedang, dan berat. Klasifikasi Tunagrahita atau gangguan perkembangan mental meliputi         anak Tunagrahita ringan sampai dengan berat. Tunagrahita meliputi berbagai tingkatan dari yang ringan sampai dengan berat. Karena itu mereka berbeda dengan yang satu dan yang lain nya dalam keterlambatan perkembangan dan kondisinya sehingga berbeda dalam strategi pendidikan dan pengajaran yang di rancang dan di programkan. Oleh karena itu diperlukan metode untuk meberikan informasi kepada guru dan orang tua dalam membedakan atau mengklasifikasikan anak berkebutuhan khusus Tunagrahita berdasarkan ciri – ciri yang ada. Algortima C4.5 merupakan salah satu algoritma yang cukup akurat untuk menentukan, membedakan atau mengklasifikasikan suatu data. Algoritma C4.5 adalah metode untuk memprediksi dan mengetahui tingkat akurasi jenis Tunagrahita berdasarkan ciri – ciri yang ada. Dengan menggunakan RapidMiner dan pengujian model menggunakan cross validation, evaluasi dengan confusion matrix sehingga di hasilkan akurasi pada metode tersebut. Berdasarka hasil pengujian dengan metode cross validation pada aplikasi RapidMiner menghasilkan nilai akurasi sebesar 94.34%

KATA KUNCI

Algoritma

---

DAFTAR PUSTAKA

[1]      S. F. M. SARI, B. BINAHAYATI, and B. M. TAFTAZANI, “Pendidikan Bagi Anak Tuna Grahita (Studi Kasus Tunagrahita Sedang Di Slb N Purwakarta),” Pros. Penelit. dan Pengabdi. Kpd. Masy., vol. 4, no. 2, pp. 217–222, 2017, doi: 10.24198/jppm.v4i2.14273.

[2]      N. Nasirudin, I. Setiawan, and A. Yani, “Modul Guru Pembelajar PJOK,” J. Educ., p. 2016, 2016.

[3]      Z. S. Putri, R. R. M. Putri, and Indriati, “Deteksi Autisme pada Anak Menggunakan Metode Modified K-Nearest Neighbor (MKNN),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 2, pp. 37–43, 2017.

[4]      Grand and R. E. Indrajit, “Aplikasi Deteksi Dini untuk Mengenali Anak Berkebutuhan Khusus Menggunakan Metode Business Intellegence,” Semin. Nas. Sains dan Teknol., no. November, pp. 1–11, 2017.

[5]      B. Sugara, D. Widyatmoko, B. S. Prakoso, and D. M. Saputro, “Penerapan Algoritma C4.5 untuk Deteksi Dini Autisme Pada Anak,” Semin. Nas. Teknol. Inf. dan Komun., vol. 2018, no. Sentika, pp. 87–96, 2018.

[6]      W. Server and P. Pt, “Vol. XI No. 2, September 2014 Jurnal Techno Nusa Mandiri,” vol. XI, no. 2, pp. 118–128, 2014.

[7]      T. Arifin, “Metode Data Mining Untuk Klasifikasi Data Sel Nukleus Dan Sel Radang Berdasarkan Analisa Tekstur,” Informatika, vol. II, no. 2, pp. 425–433, 2015.

[8]      F. Fitriyani, “Metode Bagging Untuk Imbalance Class Pada Bedah Toraks Menggunakan Naive Bayes,” J. Kaji. Ilm., vol. 18, no. 3, p. 278, 2018, doi: 10.31599/jki.v18i3.281.

[9]      J. C. Wyatt and P. Taylor, “Decision Support Systems and Clinical Innovation,” Get. Res. Find. into Pract. Second Ed., pp. 123–137, 2008, doi: 10.1002/9780470755891.ch11.

[10]    A. M. Hormann, “Programs for machine learning. Part II,” Inf. Control, vol. 7, no. 1, pp. 55–77, 1964, doi: 10.1016/S0019-9958(64)90259-1.

[11]    H. Sariangsah, Wanayumini, and R. Rosnelly, “Penentuan Kelas Menggunakan Algoritma K-Medoids untuk Clustering Siswa Tunagrahita,” J. Media Inform. Budidarma, vol. 5, pp. 83–89, 2021, doi: 10.30865/mib.v5i1.2547.

[12]    M. Tree and C. Algoritma, “Decision Tree Klasifikasi-Decision Tree Data Mining Pemilihan Atribut Entropi adalah nilai informasi yang menyatakan Decision Tree • Sebuah Decision Tree adalah struktur yang dapat digunakan untuk membagi data yang besar menjadi himpunan-himpunan record y,” pp. 1–5, 2018.

[13]    F. Ratnawati, “Implementasi Algoritma Naive Bayes Terhadap Analisis Sentimen Opini Film Pada Twitter,” INOVTEK Polbeng - Seri Inform., vol. 3, no. 1, p. 50, 2018, doi: 10.35314/isi.v3i1.335.