Klasifikasi Kondisi Keterampilan Motorik Halus Anak Usia Awal Sekolah dari Proses Menulis menggunakan Metode Fuzzy dan Random Forest

Fanani, Nurul Zainal (2022) Klasifikasi Kondisi Keterampilan Motorik Halus Anak Usia Awal Sekolah dari Proses Menulis menggunakan Metode Fuzzy dan Random Forest. Doctoral thesis, Institut Teknologi Sepuluh Nopember.

Text 07111560010007-Disertation.pdf - Accepted Version Restricted to Repository staff only until 1 April 2024. Download (5MB) | Request a copy

Abstract

Klasifikasi keterampilan motorik halus (KMH) pada anak usia sekolah awal sangat penting untuk mendapatkan informasi tentang kesiapan sekolah. Di Indonesia, guru menilai KMH anak dengan mengamati langsung tulisan tangan atau tulisannya dibantu oleh psikolog pendidikan. Proses pengamatan ini tergantung pada persepsi pengamat sehingga dapat menimbulkan salah tafsir karena subjektifitas. Penelitian ini bertujuan untuk mengklasifikasikan KMH anak berdasarkan proses menulis huruf tegak bersambung dan aksara jawa. Penelitian ini mengusulkan model untuk mengeksplorasi data selama proses menulis huruf tegak bersambung dan aksara jawa dengan menggunakan papan digital (digitizer). Sistem merekam data secara langsung ketika anak-anak menulis huruf tegak bersambung dan aksara jawa. Peningkatan akurasi klasifikasi telah menjadi masalah penting dalam mesin pembelajaran terutama pada kumpulan data yang beragam yang berisi data outlier. Pada aliran data (data streaming) dari pembacaan sensor digitizer menghasilkan data yang besar dan memungkinkan terjadinya banyak data outlier. Hal tersebut membuat performa model mesin menurun. Oleh karena itu, diperlukan data yang bersih dari derau untuk mendapatkan akurasi yang baik dan untuk meningkatkan performa model mesin pembelajaran. Penelitian ini mengusulkan dua tahap untuk mendeteksi dan menghilangkan data outlier dengan menggunakan metode covariance estimator dan isolation forest sebagai pra-pemrosesan dalam proses klasifikasi untuk menentukan KMH. Dataset dihasilkan dari proses perekaman data secara langsung pada saat penulisan huruf tegak bersambung dengan menggunakan digitizer. Data termasuk posisi relatif stylus pada papan digitizer. Posisi x, posisi y, posisi z, dan nilai tekanan kemudian digunakan sebagai fitur dalam proses klasifikasi. Dalam proses observasi dan pencatatan, data yang dihasilkan sangat besar sehingga sebagian menghasilkan data outlier. Metode fuzzy dinilai sesuai untuk proses klasifikasi pada jumlah data set yang relative sedikit atau kurang dari 100 data. Dari hasil eksperimen yang telah diimplementasikan, tingkat akurasi pada proses klasifikasi KMH meningkat antara 0,5-1% dengan menggunakan pengklasifikasi Random Forest setelah pendeteksian dan penghilangan outlier dengan menggunakan estimator kovarians dan Random Forest. Tingkat akurasi tertinggi mencapai 98,05% dibandingkan dengan akurasi tanpa penghapusan outlier, yaitu 97,3%.
================================================================================================
Classification of fine motor skills (FMS) in early school-age children is essential to obtain information about school readiness. In Indonesia, teachers assess children's FMS by directly observing their handwriting or writing assisted by an educational psychologist. This observation process depends on the observer's perception so that it can lead to misinterpretation due to subjectivity. This study aims to classify children's FMS based on cursive writing process and javanese letter. This study proposes a model to explore data during the cursive writing process and javanese letter by using a digitizer. The system records the data directly when the children write cursively. The increase of the classification accuracy has become an important problem in machine learning especially in diverse dataset that contain the outlier data. In the streaming data from digitizer sensor readings could produce large data and allows a lot of noise to occur. It makes the performance of the machine learning model is disrupted or even decreased. Therefore, clean data from noise is needed to obtain good accuracy and to improve the performance of the machine learning model. This research proposes a two-stages for detecting and removing outlier data by using the covariance estimator and isolation forest methods as preprocessing in the classification process to determine FMS. The dataset was generated from the process of recording data directly during cursive writing by using a digitizer. The data included the relative position of the stylus on the digitizer board. x position, y position, z position, and pressure values are then used as features in the classification process. In the process of observation and recording, the generated data was very huge so some of them produce the outlier data. The fuzzy method is considered suitable for the classification process in the number of data sets that are relatively small or less than 100 data. From the experimental results that have been implemented, the level of accuracy in the FMS classification process increases between 0.5-1% by using the Random Forest classifier after the detection and outlier removal by using covariance estimator and isolation forest. The highest accuracy rate achieves 98.05% compared to the accuracy without outlier removal, which is 97.3%.

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	Digitizer, Covariance estimator, Isolation Forest, Outlier,Digitizer
Subjects:	L Education > L Education (General)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20001-(S3) PhD Thesis
Depositing User:	Nurul Zainal Fanani
Date Deposited:	15 Feb 2022 01:30
Last Modified:	15 Feb 2022 01:30
URI:	http://repository.its.ac.id/id/eprint/93997

Actions (login required)

View Item