IMPLEMENTASI METODE MACHINE LEARNING MENGGUNAKAN ALGORITMA EVOLVING ARTIFICIAL NEURAL NETWORK PADA KASUS PREDIKSI DIAGNOSIS DIABETES

• Main Author: Resky Ramadhandi Santoso, - (Author)
• Format: Book
• Published: 2020-08-28.
• Subjects: Thesis; NonPeerReviewed
• Online Access: Link Metadata
• Notes: http://repository.upi.edu/52245/1/S_KOM_1607479_Title.pdf; http://repository.upi.edu/52245/2/S_KOM_1607479_Chapter1.pdf; http://repository.upi.edu/52245/3/S_KOM_1607479_Chapter2.pdf; http://repository.upi.edu/52245/4/S_KOM_1607479_Chapter3.pdf; http://repository.upi.edu/52245/5/S_KOM_1607479_Chapter4.pdf; http://repository.upi.edu/52245/6/S_KOM_1607479_Chapter5.pdf
• Keywords: L Education (General); QA75 Electronic computers. Computer science

Diabetes Melitus merupakan salah satu masalah dalam dunia kesehatan yang dapat menyerang siapa saja, mulai dari anak-anak, remaja, hingga orang dewasa. Oleh karena itu, diabetes merupakan salah satu penyakit tidak menular yang saat ini telah menjadi ancaman serius bagi kesehatan global. Sejak tahun 1980, jumlah penderita diabetes di seluruh dunia telah meningkat hampir dua kali lipat dari 4,7% menjadi 8,5% dari total populasi. International Diabetes Federation (IDF) bahkan memperkirakan jumlah penderita diabetes di seluruh dunia akan mencapai 700 juta orang pada tahun 2045. Sebagai respons dari kondisi tersebut, penelitian ini akan membuat prediksi diagnosis untuk penyakit diabetes menggunakan salah satu algoritma dari metode machine learning yaitu artificial neural network. Namun terdapat suatu permasalahan utama dalam algoritma ini yaitu dalam hal penentuan arsitektur yang tepat. Permasalahan ini dapat dipandang sebagai permasalahan optimasi, dimana terdapat banyak sekali kemungkinan arsitektur yang bisa terjadi. Maka dari itu, untuk melakukan pencarian terhadap arsitektur yang tepat agar dapat meningkatkan akurasi dari prediksi akan ada tahapan untuk menggunakan algoritma evolusi. Karena algoritma ini sangat cocok untuk diterapkan pada kasus optimasi. Sehingga dalam penelitian ini akan diimplementasikan algoritma Evolving Artificial Neural Network (EANN) untuk memprediksi diagnosis pasien. Dengan harapan penelitian ini dapat menghasilkan akurasi yang lebih tinggi dalam memprediksi diagnosis pasien dalam hal penyakit diabetes. Set data yang digunakan adalah Pima Indian Diabetes dari UCI Machine Learning Repository. Berdasarkan eksperimen yang telah dilakukan, model terbaik yang dihasilkan memiliki akurasi sebesar 83,55%. Artinya algoritma yang digunakan cukup berhasil dalam melakukan prediksi terhadap diagnosis penyakit diabetes. Diabetes mellitus is a global health problem that can affect anyone, from children, adolescents, to adults. Therefore, diabetes is one of the non-communicable diseases that has become a serious threat to global health. Since 1980, the number of diabetics worldwide has nearly doubled from 4.7% to 8.5% of the total population. The International Diabetes Federation (IDF) even estimates that the number of diabetes sufferers worldwide will reach 700 million people by 2045. In response to this condition, this study predicts diabetes diagnosis using machine learning algorithms, artificial neural network. However, there is a major problem with this algorithm, namely in determining the correct architecture. This problem can be viewed as an optimization problem, where many architectural possibilities that can occur. Therefore, to search for the right architecture to increase the accuracy of the predictions, there will be stages to use the evolution algorithm. Because this algorithm is very suitable to be applied in an optimization case. This study implements Evolving Artificial Neural Network (EANN) algorithm to predict the patient's diagnosis. It is with the hope that this study can produce higher accuracy in predicting patient diagnosis in diabetes. The data set used was Pima Indian Diabetes from the UCI Machine Learning Repository. Based on the experiments that have been carried out, the best model produced has an accuracy of 83.55%. This means that the algorithm used is quite successful in predicting diabetes diagnosis