Klasifikasi Pasien Pengidap Diabetes Menggunakan Neural Network Backpropagation Untuk Prediksi Kesembuhan

Muhammad Ali, Bambang Soejono Wiriaatmadja, Angggit Dwi Hartanto

Abstract


Penyakit Diabetes penyakit yang berlangsung lama atau kronis serta ditandai dengan kadar gula (glukosa) darah yang tinggi atau di atas nilai normal. Glukosa yang menumpuk di dalam darah akibat tidak diserap sel tubuh dengan baik dapat menimbulkan berbagai gangguan organ tubuh. Jika diabetes tidak dikontrol dengan baik, dapat timbul berbagai komplikasi yang membahayakan nyawa penderita.. Berdasarkan data kasus penyakit di Indonesia dari GLOBOCAN  (IARC) terdapat jumlah kasus baru Penyakit Diabetes sebesar 56,82%. Pada tahun 2013 jumlah penderita penyakit Penyakit Diabetes sebesar 230.871 orang Angka kematian ini meningkat karena kurangnya informasi tentang gejala awal dan bahaya dari  parkinson itu sendiri, karena kurangnya informasi tersebut maka dibutuhkan sebuah sistem yang dapat memberikan informasi tentang penyakit  parkinson dan cara penanggulangan seperti diagnose secara dini dan pengangannya. Sistem berbasis komputer yang dapat menyelesaikan masalah tersebut ada sistem klasifikasi, dimana sistem tersebut dapat memberikan informasi dan melakukan dianosa seperti yang dilakukan oleh klasifikasi, salah satu metode yang dapat diterapkan dalam sistem klasifikasi adalah Neural Network Backpropagation, metode ini sangat baik dalam melakukan klasifikasi berdasarkan kejadian sebelumnya. akurasi sebesar 92,48%, nilai precission sebesar 94,36%, nilai recall 94,88% dan MAE terkecil dengan nilai 0,000142 pada jumlah 250 dataset.

Kata Kunci: Klasifikasi,  Diabetes, Neural Network Backpropagation


Full Text:

PDF

References


Kusumadewi, Sri. 2010. Neuro-Fuzzy Integrasi Sistem Fuzzy & Jaringan Saraf. Yogyakarta: Graha Ilmu.

J. Livingstone David ,2008, Artificial Neural Network Methods and Applications. Yogyakarta: Andi Offset.

Kamber, M., & Han, J. 2006. Data mining; Concepts and Techniques Second Edition. San Francisco: Morgan Kaufmann Publishers.

J. R. Jang, C. Sun dan E. Mizutani. 2005. Neuro-Fuzzy And Soft Computing. United States of Amerika : Prentice-hall, Inc.

Imaniar Ramadhani, Jondri, dan Rismila. 2017. Prediction Of Multi Currency Exchange Rates Using Correlation Analysis And Backpropagation. E-Health and Bioengineering Conference (EHB). Electronic ISBN: 978-1-5090-1620-4

Oana Geman, Luliana Chiuchisan dan Roxana Toderean. 2017. Inference System for diabetes classification and prediction. E-Health and Bioengineering Conference (EHB). Electronic ISBN: 78-1-5386-0358-1

Satwati Devi, Sanjay Kumar, dan Govind Singh Kushwaha. 2016. Adaptive Neuro Fuzzy Inference System For Prediction Of Anxiety Of Students. Eighth International Conference on Advanced Computational Intelligence (ICACI). Electronic ISBN: 978-1-4673-7782-9

Aparimita Swain, Sachi Nandan Mohanty dan Ananta Chandra Das. 2016. Comparative Risk Analysis On Prediction Of Diabetes Mellitus Using Machine Learning Approach. International Conference on Electrical, Electronics, and Optimization Techniques (ICEEOT). Electronic ISBN: 978-1-4673-9939-5

Illa Rizianiza dan Aulia Siti Aisjah. 2015. Prediction of Significant Wave Height in The Java Sea Using Artificial Neural Network. International Seminar on Intelligent Technology and Its Applications (ISITIA). Electronic ISBN: 978-1-4799-7711-6

Mittal, P., & Gill, N. S. 2014. A Comparative Analysis Of Classification Techniques On Medical Data Sets. IJRET: International Journal of Research in Engineering and Technology, Volume: 03 Number: 06, pp. 454-460

Willmott, C.J. and Matsuura, K. 2005. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate Research, 30, 79-82. doi:10.3354/cr030079


Refbacks

  • There are currently no refbacks.


Copyright (c) 2020 Seminar Nasional Teknologi Komputer & Sains (SAINTEKS)

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.