PERBANDINGAN K-NEAREST NEIGHBOR DAN BACKPROPAGATION NEURAL NETWORK DALAM PREDIKSI RESIKO DIABETES TAHAP AWAL
Abstract
Diabetes is one of the most dangerous and deadly diseases in Indonesia, after stroke and coronary heart disease. Early prediction of diabetes risk is needed for early treatment. In this study, a comparison of classification methods was carried out in predicting the risk of early-stage diabetes. The dataset used is an open database collected from a questionnaire to a sample of patients at Sylhet Hospital, Bangladesh. The classification methods compared are K-Nearest Neighbor (KNN) and Backpropagation Neural Network (BPNN), because both are often used in research for the classification of human diseases. Based on the results of the study, BPNN is a classification method that is better than KNN in predicting the risk of early stage diabetes. BPNN with learning rate = 0.3, = 0.4 or = 0.5 and the number of hidden nodes = 5 units, has an accuracy rate of 90%, precision is 90% and recall is 90%. Meanwhile, KNN with K = 5, K = 7 or K = 9 has an accuracy rate of 83.75%, precision of 85.5497% and recall of 83.75%.
Keywords: Backpropagation Neural Network, K-Nearest Neighbor, diabetes prediction
Diabetes adalah salah satu penyakit berbahaya dan mematikan di Indonesia, setelah stroke dan jantung koroner. Prediksi resiko diabetes sejak awal diperlukan untuk penanganan penyakit ini sejak dini. Pada penelitian ini dilakukan perbandingan metode klasifikasi dalam prediksi resiko diabetes tahap awal. Dataset yang digunakan merupakan open database yang dikumpulkan dari kuesioner terhadap sample pasien di rumah sakit Sylhet, Bangladesh. Metode klasifikasi yang dibandingkan adalah K-Nearest Neighbor (KNN) dan Backpropagation Neural Network (BPNN), karena keduanya sering digunakan dalam penelitian untuk klasifikasi penyakit manusia. Berdasarkan hasil penelitian, BPNN merupakan metode klasifikasi yang lebih baik dibandingkan dengan KNN dalam memprediksi resiko diabetes tahap awal. BPNN dengan learning rate ? = 0.3, ? = 0.4 atau ? = 0.5 dan jumlah node hidden = 5 unit, memiliki tingkat akurasi sebesar 90%, presisi sebesar 90% dan recall sebesar 90%. Sementara KNN dengan K = 5, K = 7 atau K = 9 memiliki tingkat akurasi sebesar 83.75%, presisi sebesar 85.5497% dan recall sebesar 83.75%.
Kata kunci: Backpropagation Neural Network, K-Nearest Neighbor, prediksi diabetes
Full Text:
PDFReferences
P2PTM Kemenkes RI, “Lindungi Keluarga Dari Diabetes,” p2ptm.kemkes.go.id, 2018. http://p2ptm.kemkes.go.id/post/lindungi-keluarga-dari-diabetes (accessed Oct. 02, 2021).
I. Dutta, “Early Stage Diabetes Risk Prediction Dataset,” kaggle, 2020. https://www.kaggle.com/ishandutta/early-stage-diabetes-risk-prediction-dataset (accessed Oct. 02, 2021).
M. Lestari, “Penerapan Algoritma Klasifikasi Nearest Neighbor (K-NN) untuk Mendeteksi Penyakit Jantung,” Fakt. Exacta, vol. 7, no. 4, pp. 366–371, 2014.
A. Ariani and S. Samsuryadi, “Klasifikasi Penyakit Ginjal Kronis Menggunakan K-Nearest Neighbor,” in Annual Research Seminar (ARS), 2019, pp. 148–151.
I. N. Atthalla, A. Jovandy, and H. Habibie, “Klasifikasi Penyakit Kanker Payudara Menggunakan Metode K Nearest Neighbor (KNN),” in Annual Research Seminar (ARS), 2018, pp. 148–151.
D. Cahyanti, A. Rahmayani, and S. A. Husniar, “Analisis Performa Metode KNN pada Dataset Pasien Pengidap Kanker Payudara,” Indones. J. Data Sci., vol. 1, no. 2, pp. 39–43, 2020, doi: 10.33096/ijodas.v1i2.13.
M. R. Lubis and I. Parlina, “Analisis Algoritma Backpropagation dalam Memprediksi Tingkat Keberhasilan Pelatih Sepakbola Sebagai Salah Satu Kemajuan Olahraga di Indonesia,” Kumpul. J. Ilmu Komput., vol. 6, no. 3, pp. 264–274, 2019.
W. Widodo, A. Rachman, and R. Amelia, “Jaringan Syaraf Tiruan Prediksi Penyakit Demam Berdarah dengan Menggunakan Metode Backpropagation,” J. IPTEK, vol. 18, no. 1, pp. 64–70, 2014.
M. B. Ulum and R. K. Laday, “Implementasi Metode Backpropagation Neural Network Untuk Mendiagnosis Penyakit Kanker Payudara,” in Seminar Nasional APTIKOM (SEMNASTIKOM), 2016, pp. 581–583.
D. Setiawan, R. N. Putri, and R. Suryanita, “Perbandingan Algoritma Genetika dan Backpropagation pada Aplikasi Prediksi Penyakit Autoimun,” Khazanah Inform. J. Ilmu Komput. dan Inform., vol. 5, no. 1, pp. 21–27, 2019, doi: 10.23917/khif.v5i1.7173.
DOI: http://dx.doi.org/10.20527/klik.v8i3.419
Copyright (c) 2021 KLIK - KUMPULAN JURNAL ILMU KOMPUTER
This work is licensed under a Creative Commons Attribution 4.0 International License.
This work is licensed under a Creative Commons Attribution 4.0 International License. View My Stats