Klasifikasi Kategori IQ anak berdasarkan tingkat pendidikan orang tua menggunakan Multilayer Perceptron

INDONESIA:

Penelitian ini bertujuan mengimplementasikan metode Multilayer Perceptron (MLP) untuk mengklasifikasikan kemampuan intelektual anak ke dalam lima kategori berdasarkan Stanford-Binet Intelligence Scales Fifth Edition (SB5), yakni Moderate Intellectual Disability, Mild Intellectual Disability, Below Average Intelligence, Average Intelligence, dan Above-Average Intelligence. Variabel prediktor yang digunakan meliputi tingkat pendidikan ayah, tingkat pendidikan ibu, usia anak, dan jenis kelamin. Penelitian melibatkan 32 skenario eksperimen yang dikombinasikan dari dua arsitektur hidden layer, yaitu (6, 5) dan (64, 64), dua teknik prapemrosesan (SMOTE dan standardisasi), serta empat kombinasi variabel pendidikan orang tua. Evaluasi dilakukan menggunakan Stratified 5-Fold Cross Validation dengan metrik akurasi, precision, recall, Macro F1-Score, dan AUC-ROC. Hasil eksperimen menunjukkan bahwa penerapan SMOTE memberikan pengaruh terbesar terhadap peningkatan keseimbangan klasifikasi, sementara variabel education_father memberikan kontribusi lebih signifikan dibandingkan education_mother. Model terbaik (Model 17) dengan arsitektur (64, 64), SMOTE, standardisasi, dan seluruh variabel input menghasilkan akurasi 28,66%, Macro F1-Score 26,30%, dan AUC-ROC 0,63–0,79. Performa model yang masih moderat mencerminkan keterbatasan informasi pada variabel yang digunakan, bukan kegagalan model, mengingat kecerdasan anak dipengaruhi oleh faktor multidimensional yang tidak sepenuhnya terukur melalui latar belakang pendidikan orang tua semata.

ENGLISH:

This study aims to implement the Multilayer Perceptron (MLP) method to classify children’s intellectual abilities into five categories based on the Stanford-Binet Intelligence Scales Fifth Edition (SB5), namely Moderate Intellectual Disability, Mild Intellectual Disability, Below-Average Intelligence, Average Intelligence, and Above-Average Intelligence. The predictor variables used include the father’s educational level, the mother’s educational level, the child’s age, and gender. The study involved 32 experimental scenarios combining two hidden layer architectures, namely (6, 5) and (64, 64), two pre-processing techniques (SMOTE and standardisation), and four combinations of parental educational variables. Evaluation was carried out using Stratified 5-Fold Cross-Validation with the metrics of accuracy, precision, recall, Macro F1-Score, and AUC-ROC. The experimental results showed that the application of SMOTE had the greatest impact on improving classification balance, whilst the variable ‘education_father’ made a more significant contribution than ‘education_mother’. The best model (Model 17), featuring an architecture of (64, 64), SMOTE, standardisation, and all input variables, achieved an accuracy of 28.66%, a Macro F1-Score of 26.30%, and an AUC-ROC of 0.63–0.79. The model’s still moderate performance reflects the limitations of the information contained in the variables used, rather than a failure of the model, given that a child’s intelligence is influenced by multidimensional factors that cannot be fully measured by parental educational background alone.

ARABIC:

يهدف هذا البحث إلى تطبيق طريقة «البيرسيبترون متعدد الطبقات» (MLP) لتصنيف القدرات الذهنية للأطفال إلى خمس فئات استنادًا إلى مقياس ستانفورد-بينيت للذكاء، الطبعة الخامسة (SB5) ، وهي: الإعاقة الذهنية المتوسطة، والإعاقة الذهنية الخفيفة، والذكاء الأقل من المتوسط، والذكاء المتوسط، والذكاء فوق المتوسط. وتشمل المتغيرات التنبؤية المستخدمة مستوى تعليم الأب، ومستوى تعليم الأم، وعمر الطفل، والجنس. تضمن البحث 32 سيناريو تجريبيًا تم تكوينها من مزيج بين بنيتين للطبقة المخفية، وهما (6، 5) و(64، 64)، وتقنيتين للمعالجة المسبقة (SMOTE والتوحيد القياسي)، بالإضافة إلى أربعة مجموعات من متغيرات مستوى تعليم الوالدين. أُجري التقييم باستخدام «التحقق المتقاطع الخماسي الطبقات» (Stratified 5-Fold Cross Validation) مع مقاييس الدقة، والدقة النوعية، ومعدل الاسترجاع، ومؤشر F1 الكلي، ومنطقة تحت منحنى ROC (AUC-ROC). أظهرت نتائج التجارب أن تطبيق تقنية SMOTE كان له التأثير الأكبر على تحسين توازن التصنيف، في حين أن متغير «مستوى تعليم الأب» (education_father) قدم مساهمة أكثر أهمية مقارنة بمتغير «مستوى تعليم الأم» (education_mother). أفضل نموذج (النموذج 17) الذي يعتمد على بنية (64، 64)، وتقنية SMOTE، والتوحيد القياسي، وجميع متغيرات الإدخال، حقق دقة بنسبة 28,66٪، و Macro F1-Score بنسبة 26,30٪، و AUC-ROC في نطاق 0,63-0,79. ويعكس الأداء المتوسط للنموذج محدودية المعلومات المتوفرة حول المتغيرات المستخدمة، وليس فشل النموذج، نظراً لأن ذكاء الطفل يتأثر بعوامل متعددة الأبعاد لا يمكن قياسها بالكامل من خلال الخلفية التعليمية للوالدين وحدها.