PREDIKSI DINI RESIKO PENYAKIT DIABETES MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION

Abstract

Diabetes mellitus merupakan salah satu penyakit kronis yang ditandai oleh tingginya kadar glukosa dalam darah akibat gangguan pada produksi atau fungsi insulin. Pentingnya deteksi dini terhadap risiko diabetes menjadi krusial untuk mencegah komplikasi serius di masa mendatang. Penelitian ini bertujuan untuk melakukan prediksi awal risiko diabetes menggunakan metode Backpropagation pada model Jaringan Syaraf Tiruan (JST). Data yang digunakan berasal dari sumber terbuka di platform Kaggle, dengan total 100.000 baris data dan 9 fitur, meliputi usia, jenis kelamin, tekanan darah, kadar glukosa, indeks massa tubuh (BMI), kadar HbA1c, hipertensi, penyakit jantung, serta riwayat merokok. Tahapan preprocessing meliputi konversi data kategorikal menggunakan label encoding dan pembagian data menjadi data latih dan data uji. Model JST dibangun dengan dua hidden layer yang masing-masing terdiri dari 10 neuron, dan dilatih menggunakan algoritma backpropagation. Hasil evaluasi menggunakan confusion matrix menunjukkan akurasi sebesar 97%, precision 99%, recall 68%, dan F1-score 81%. Sebagai pembanding, model Naïve Bayes diuji pada data yang sama dan menghasilkan akurasi 90%, precision 46%, recall 64%, serta F1-score 53%. Berdasarkan hasil tersebut, dapat disimpulkan bahwa model JST dengan algoritma Backpropagation memiliki performa yang lebih unggul dalam memprediksi risiko diabetes, khususnya dalam aspek ketepatan klasifikasi data positif.