Implementasi Neural Networks Untuk Prediksi Seseorang Terjangkit Diabetes Dengan Keras
DOI:
https://doi.org/10.33998/jakakom.2026.6.1.2479Kata Kunci:
Diabetes, Neural Network, Machine LearningAbstrak
Diabetes melitus merupakan salah satu penyakit kronis dengan prevalensi yang terus meningkat secara global dan dapat menimbulkan komplikasi serius seperti penyakit jantung, gagal ginjal, kebutaan, dan amputasi. Penelitian ini bertujuan untuk memprediksi kemungkinan seseorang terjangkit diabetes dalam lima tahun ke depan dengan memanfaatkan pendekatan pembelajaran mesin berbasis Neural Networks (NN) menggunakan library Keras. Permasalahan yang diangkat adalah keterbatasan diagnosis dini berbasis data medis yang akurat dan cepat. Metode penelitian meliputi tahap pra-pemrosesan data (pembersihan, normalisasi, dan penanganan data hilang), pembangunan model Neural Networks, serta evaluasi performa model menggunakan akurasi dan pengujian sampel data. Hasil penelitian menunjukkan bahwa model yang dibangun mampu mencapai tingkat akurasi sebesar 71,09% pada data uji serta menghasilkan kesesuaian prediksi sebesar 70% pada pengujian sampel. Hasil ini menunjukkan potensi signifikan dari pendekatan Neural Networks untuk mendukung deteksi dini risiko diabetes, sehingga dapat membantu tenaga kesehatan dalam pengambilan keputusan klinis dan perencanaan intervensi pencegahan.
Unduhan
Referensi
Purnama,Rahayu dkk. “Analisis Algoritma Klasifikasi Neural Network Untuk Diagnosis Penyakit Diabetes.” Jurnal Teknik informatika dan Komputer 05, no. 1 (2020): 20.
Kementerian Kesehatan RI. (2018). Riset Kesehatan Dasar (Riskesdas) 2018. Jakarta: Kementerian Kesehatan RI.
Perkeni (Perkumpulan Endokrinologi Indonesia). (2019). Konsensus Pengelolaan dan Pencegahan Diabetes Melitus Tipe 2 di Indonesia. Jakarta: Perkeni.
Yanti, Novi. “PENERAPAN METODE NEURAL NETWORK DENGAN STRUKTUR BACKPROPAGATION UNTUK PREDIKSI STOK OBAT DI APOTEK.” Jurnal Teknik Informatika, no. 2 (2011): 20.
Andaru, Andry.(2019). PENGERTIAN DATABASE SECARA UMUM
Mardi, Yuli. “Data Mining : Klasifikasi Menggunakan Algoritma C4.5.” Jurnal Edik Informatika, no. 1 (2019): 219.
Smith, J. W., Everhart, J. E., Dickson, W. C., Knowler, W. C., & Johannes, R. S. (2016). Using the ADAP learning algorithm to forecast the onset of diabetes mellitus. In Proceedings of the Symposium on Computer Applications and Medical Care (pp. 261-265).
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
