Implementasi Metode Deep Neural Network pada Klasifikasi Penyakit Diabetes Melitus Tipe 2
Implementation of Deep Neural Network Method on Classification of Type 2 Diabetes Mellitus Disease
DOI:
https://doi.org/10.57152/malcom.v4i3.1279Keywords:
Deep Neural Network (DNN), Diabetes Melitus Tipe 2, Kecerdasan Buatan, Machine LearningAbstract
Penyakit diabetes mellitus ditandai oleh tingginya kadar gula dalam darah, juga dikenal sebagai glukosa, sebagai akibat dari kurangnya atau ketidakmampuan tubuh untuk menggunakan insulin secara efisien. Pada tahun 2021, Federasi Diabetes Internasional (IDF) melaporkan bahwa lima negara memiliki jumlah penderita diabetes mellitus terbanyak di kelompok usia 20 hingga 79 tahun. Dengan 19,5 juta orang yang menderita, Indonesia menempati peringkat kedua. Berbagai upaya telah dilakukan untuk menghentikan perkembangan penyakit ini. Salah satunya adalah penelitian yang menggunakan metode klasifikasi Deep Neural Network (DNN) untuk memprediksi risiko seseorang. Menggunakan dataset dari Puskesmas Mergangsan di Kota Yogyakarta, Provinsi DIY, penelitian ini menggunakan sepuluh variabel: jenis kelamin, merokok, berat badan, tinggi badan, Indeks Massa Tubuh (IMT), hipertensi, usia, aktivitas fisik, konsumsi alkohol, dan riwayat penyakit tidak menular. Parameter DNN seperti jumlah lapisan, jumlah neuron, fungsi aktivasi, tingkat pembelajaran, ukuran batch, berat, optimizer, fungsi kehilangan, epoch, dan bias digunakan untuk membangun model prediksi. Metode K 10-fold CV digunakan untuk mempartisi data pelatihan dan uji untuk membuat model prediksi. Hasilnya mencapai 90 persen, 85 persen, 95 persen, dan 89 persen masing-masing dengan menggunakan skor f1, akurasi, presisi, dan recall.
References
A. M. Egan and S. F. Dinneen, “What is diabetes?,” Medicine (United Kingdom), vol. 47, no. 1. Elsevier Ltd, pp. 1–4, Jan. 01, 2019. doi: 10.1016/j.mpmed.2018.10.002.
M. A. Hi Djafar, R. Tuharea, D. Program Studi Kesehatan Masyarakat UMMU Ternate, and K. Penulis, “Risk of Complication Symptoms of Diabetes Mellitus Tipe II in the UPTD Diabetes Center Ternate City The Indonesian Journal of Health Promotion Media Publikasi Promosi Kesehatan Indonesia Risiko Gejala Komplikasi Diabetes Mellitus Tipe II di UPTD Diabetes Center Kota Ternate,” vol. 4, no. 1, 2021.
“IDF Diabetes Atlas 10th edition.” [Online]. Available: www.diabetesatlas.org
“A M E R I C A N D I A B E T E S A S S O C I A T I O N STANDARDS OF MEDICAL CARE IN DIABETES-2018,” 2017, [Online]. Available: www.copyright.com
A. Azzahra Utomo et al., “FAKTOR RISIKO DIABETES MELLITUS TIPE 2: A SYSTEMATIC REVIEW.” [Online]. Available: https://jurnal.umj.ac.id/index.php/AN-NUR
B. M. K. P, S. P. R, N. R K, and A. K, “Type 2: Diabetes mellitus prediction using Deep Neural Networks classifier,” International Journal of Cognitive Computing in Engineering, vol. 1, pp. 55–61, Jun. 2020, doi: 10.1016/j.ijcce.2020.10.002.
T. Beghriche, M. Djerioui, Y. Brik, B. Attallah, and S. B. Belhaouari, “An Efficient Prediction System for Diabetes Disease Based on Deep Neural Network,” Complexity, vol. 2021, 2021, doi: 10.1155/2021/6053824.
O. Daanouni, B. Cherradi, and A. Tmiri, “Predicting diabetes diseases using mixed data and supervised machine learning algorithms,” in ACM International Conference Proceeding Series, Association for Computing Machinery, Oct. 2019. doi: 10.1145/3368756.3369072.
K. Kannadasan, D. R. Edla, and V. Kuppili, “Type 2 diabetes data classification using stacked autoencoders in deep neural networks,” Clin Epidemiol Glob Health, vol. 7, no. 4, pp. 530–535, Dec. 2019, doi: 10.1016/j.cegh.2018.12.004.
P. Nagaraj and P. Deepalakshmi, “Diabetes prediction using enhanced SVM and deep neural network learning techniques: An algorithmic approach for early screening of diabetes,” International Journal of Healthcare Information Systems and Informatics, vol. 16, no. 4, pp. 1–20, Oct. 2021, doi: 10.4018/IJHISI.20211001.oa25.
H. Zhou, R. Myrzashova, and R. Zheng, “Diabetes prediction model based on an enhanced deep neural network,” EURASIP J Wirel Commun Netw, vol. 2020, no. 1, Dec. 2020, doi: 10.1186/s13638-020-01765-7.
M. Raheem, “Deep Neural Network to Predict Diabetes A Data Science Approach,” The International Journal of Recent Technology and Engineering (IJRTE), vol. 9, no. 6, pp. 1–5, Mar. 2021, doi: 10.35940/ijrte.E5255.039621.
M. Ragab, A. S. A. M. Al-Ghamdi, B. Fakieh, H. Choudhry, R. F. Mansour, and D. Koundal, “Prediction of Diabetes through Retinal Images Using Deep Neural Network,” Comput Intell Neurosci, vol. 2022, 2022, doi: 10.1155/2022/7887908.
R. Tri Vulandari, DATA MINING: Teori dan Aplikasi Rapidminer. Yogyakarta: PENERBIT GAVA MEDIA, 2017.
D. P. Utomo and M. Mesran, “Analisis Komparasi Metode Klasifikasi Data Mining dan Reduksi Atribut Pada Data Set Penyakit Jantung,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 4, no. 2, p. 437, Apr. 2020, doi: 10.30865/mib.v4i2.2080.
Suyanto, DATA MINING:Untuk Klasifikasi dan Klasterisasi Data. Bandung: Informatika Bandung, 2017.
W. Budiharto, Machine Learning & Computational Intelligence. Yogyakarta: C. V ANDI OFFSET, 2016.
B. Gunawan Sudarsono, M. Ignatius Leo, A. Santoso, and F. Hendrawan, “ANALYSIS DATA MINING NETFLIX DATA USING THE RAPID MINER APPLICATION,” Journal of Business and Audit Information Systems, vol. 4, pp. 13–21, 2021.
K. Yun, A. Huyen, and T. Lu, “DEEP NEURAL NETWORKS FOR PATTERN RECOGNITION.”
N. R. Dzakiyullah, A. Pramuntadi, and A. K. Fauziyyah, “Semi-Supervised Classification on Credit Card Fraud Detection using AutoEncoders,” Journal of Applied Data Sciences, vol. 2, no. 1, pp. 1–07, 2021.
