Optimasi Vektor Bobot Pada Learning Vector Quantization Menggunakan Particle Swarm Optimization Untuk Klasifikasi Jenis Attention Deficit Hyperactivity Disorder (Adhd) Pada Anak Usia Dini

Attention Deficit Hyperactivity Disorder (ADHD) merupakan suatu gangguan perkembangan mental yang memiliki karakterisrik utama kesulitan penderitanya untuk memusatkan perhatian. Ciri-ciri ADHD sering muncul dan mulai dapat diamati pada anak usia 3 sampai 5 tahun atau ketika anak mulai belajar mengembangkan organ motorik. ADHD terdiri dari 3 jenis, yaitu: inattention, hyperactivity, dan impulsivity. Belum banyak masyarakat yang sadar dan tahu akan ADHD, maka dibutuhkan system untuk klasifikasi jenis ADHD. Dengan mengamati gejala yang tampak, ADHD dapat diklasifikasikan menggunakan algoritme Learning Vector quantiztion (LVQ), namun pada penelitian sebelumnya, algoritme LVQ menghasilkan akurasi yang terbilang rendah. Untuk mengoptimalkan tingkat akurasi algortima LVQ, maka digunakan algoritme Particle Swarm Optimization (PSO) untuk mencari vektor bobot LVQ terbaik. Dalam penelitian ini, dilakukan pengujian pada algoritme LVQ-PSO dan LVQ untuk mengetahui perbedaan hasil akurasi menggunakan data uji yang sama. Hasil pengujian menunjukkan rata-rata akurasi tertinggi algortima LVQ-PSO adalah 87,3% dengan waktu komputasi 84,6 detik dan akurasi terendah adalah 80% dengan waktu komputasi 84,2 detik. Algoritma LVQ memiliki nilai rata-rata tertinggi adalah 80,6% dengan waktu komputasi 4,8 detik dan akurasi terkecil adalah 74,5% dengan waktu komputasi 3,6 detik. Parameter-parameter PSO terbaik menghasilkan akurasi terbaik adalah adalah Wmax 0,6, Wmin 0,5, ukuran swarm 100, maksimal iterasi PSO 100, α 0,1, dan dec α 0,1. Dari hasil akurasi pengujian tersebut, maka dapat disimpulkan bahwa algoritme PSO dapat digunakan untuk mengoptimasi algortime LVQ meskipun membutuhkan waktu komputasi yang lebih lama