Penentuan Kemampuan Motorik Halus Anak dari Proses Menulis Hanacaraka Menggunakan Random Forest

Fanani, Nurul Zainal and Sooai, Adri Gabriel and Sumpeno, Surya and Purnomo, Mauridhi Hery (2020) Penentuan Kemampuan Motorik Halus Anak dari Proses Menulis Hanacaraka Menggunakan Random Forest. Jurnal Nasional Teknik Elektro dan Teknologi Informasi, 9 (2). pp. 148-154. ISSN 2301-4156

	Text (Hasil Cek Similarity) Penentuan Kemampuan Motorik Halus Anak dari Proses Menulis Hanacaraka Menggunakan Random Forest.pdf - Supplemental Material Download (2MB)
	Text (Hasil Peer Review) 6. Penentuan kemampuan motorik halus...pdf - Supplemental Material Restricted to Repository staff only Download (632kB)
	Text (Bukti Korespondensi) 6. Korespondensi_Penentuan kemampuan motorik halus...pdf - Supplemental Material Restricted to Repository staff only Download (253kB)

Abstract

Penilaian Kemampuan Motorik Halus (KMH) untuk anak pada awal usia sekolah sangat penting untuk mendapatkan informasi tentang kesiapan sekolah anak. Selama ini proses pengukuran KMH dilakukan dengan cara observasi pada anak, baik secara langsung maupun dari hasil sketsa atau hasil tulisan anak. Proses pengamatan ini sangat bergantung pada persepsi pengamat, sehingga dapat mengakibatkan kurangnya objektivitas dalam penilaian. Makalah ini bertujuan untuk menentukan KMH anak menggunakan aksara jawa (Hanacaraka). Makalah ini mengembangkan metode baru untuk menentukan KMH anak sekolah dasar dari proses menulis aksara jawa. Sistem melakukan perekaman data secara langsung pada saat anak menulis aksara jawa. Pengambilan data rekaman proses menulis melibatkan empat belas siswa kelas 1 dan kelas 2 dari tiga sekolah dasar di Kabupaten Jember. Proses perekaman data dari setiap siswa menghasilkan data raw yang cukup besar. Oleh karena itu, digunakan metode klasifikasi random forest karena metode ini dapat melakukan proses klasifikasi pada data dalam jumlah yang besar dengan menggabungkan beberapa pohon keputusan. Metode klasifikasi lain, termasuk naïve Bayes dan k-NN, juga diuji sebagai perbandingan. Hasil uji coba menunjukkan bahwa metode klasifikasi random forest merupakan metode terbaik dalam penelitian ini, yaitu dengan akurasi mencapai 98,7%.

Actions (login required)

View Item