PENERAPAN MULTILAYER NEURAL NETWORK UNTUK PREDIKSI DIABETES MELLITUS TIPE 2: PENDEKATAN MULTI-ALGORITMA UNTUK MENINGKATKAN AKURASI DAN PRESISI

Abstract

Diabetes melitus, penyakit metabolik kronis yang ditandai dengan peningkatan kadar glukosa darah akibat disfungsi sekresi insulin, resistensi insulin, atau keduanya tetap menjadi tantangan kesehatan global yang signifikan. Penelitian ini berfokus pada prediksi diabetes tipe 2 menggunakan model Multilayer Neural Network yang dioptimalkan melalui empat algoritma pelatihan: Levenberg-Marquardt, Resilient Backpropagation, Scaled Conjugate Gradient, dan Bayesian Regularization. Algoritma ini dievaluasi menggunakan kumpulan data yang berisi pengukuran diagnostik dari 768 pasien wanita, termasuk fitur seperti kadar glukosa, tekanan darah, BMI, dan riwayat keluarga. Penelitian ini menyoroti kemampuan jaringan saraf dalam mengenali pola kompleks dalam data medis dan mengurangi masalah seperti minimum lokal dan overfitting melalui metode pelatihan tingkat lanjut. Hasil menunjukkan bahwa algoritma Bayesian Regularization menghasilkan akurasi tertinggi (90,8%) dan presisi (92,9%) tetapi membutuhkan waktu pelatihan yang lebih lama (623 epoch). Sebaliknya, algoritma Scaled Conjugate Gradient menunjukkan proses pelatihan tercepat tetapi dengan mengorbankan akurasi yang lebih rendah (73,4%) dan presisi (85,9%).