Penggunaan Multilayer Perceptron Untuk Klasifikasi Diabetes Mellitus
Keywords:
Diabetes Mellitus, Multilayer Perceptron, Klasifikasi, Deteksi Dini, Algoritma OptimasiAbstract
Diabetes Mellitus (DM) merupakan penyakit kronis dengan prevalensi yang semakin meningkat, dan deteksi dini sangat penting untuk mencegah komplikasi serius. Dalam bidang medis, teknologi pembelajaran mesin, khususnya Multilayer Perceptron (MLP), menunjukkan potensi besar dalam membantu diagnosa dan klasifikasi DM. Penelitian ini bertujuan untuk mengkaji literatur terkait penggunaan MLP dalam klasifikasi DM, menganalisis keunggulan dan keterbatasannya, serta membandingkan kinerjanya dengan metode lain seperti K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM). Hasil penelitian menunjukkan bahwa MLP efektif dalam mendeteksi DM dengan tingkat akurasi tinggi, bahkan lebih baik dibandingkan metode konvensional. Beberapa penelitian juga menunjukkan bahwa MLP dapat mengidentifikasi variabel penting dalam data medis pasien yang berperan dalam diagnosis DM. Model hibrida MLP yang digabungkan dengan algoritma optimasi, seperti Genetic Algorithm dan Crow Search Algorithm, mampu meningkatkan kinerja klasifikasi, menjadikannya alat yang sangat bermanfaat dalam sistem informasi kesehatan untuk prediksi dini DM.
References
Sonia, J. J., Jayachandran, P., Md, A. Q., Mohan, S., Sivaraman, A. K., & Tee, K. F. (2023). Machine-Learning-Based Diabetes Mellitus Risk Prediction Using Multi-Layer Neural Network No-Prop Algorithm. Diagnostics, 13(4). https://doi.org/10.3390/diagnostics13040723
Nasser, E. S., & Dawood, F. A. A. (2021). Diagnosis and classification of type ii diabetes based on multilayer neural network. Iraqi Journal of Science, 62(10), 3744–3758. https://doi.org/10.24996/ijs.2021.62.10.33
Mohamad Ghazali, F., Ahmad, W. M. A. W., Srivastava, K., Shrivastava, D., Mohd Noor, N., Nizam Akbar, N., Aleng, N., & Alam, M. (2021). A study of creatinine level among patients with dyslipidemia and type 2 diabetes mellitus using multilayer perceptron and multiple linear regression. Journal of Pharmacy and Bioallied Sciences, 13(5), S795–S800. https://doi.org/10.4103/jpbs.JPBS_778_20
Wijayaningrum, V. N., Saragih, T. H., & Putriwijaya, N. N. (2021). Optimal multi-layer perceptron parameters for early stage diabetes risk prediction. IOP Conference Series: Materials Science and Engineering, 1073(1), 012070. https://doi.org/10.1088/1757-899x/1073/1/012070
Mishra, S., Tripathy, H. K., Mallick, P. K., Bhoi, A. K., & Barsocchi, P. (2020). Eaga-mlp—an enhanced and adaptive hybrid classification model for diabetes diagnosis. Sensors (Switzerland), 20(14), 1–34. https://doi.org/10.3390/s20144036
Sutrisno, S., & Jupron. (2024). Analisa Klasifikasi Penyakit Diabetes Dengan Algoritma Neural Network. Bit-Tech, 6(3), 303–310. https://doi.org/10.32877/bt.v6i3.1161
Auza, H., Bagus Arisila Putra, M., Azril Saputra, M., Hartono, R., & Rosyani, P. (2024). Implementasi Deep Learning untuk Deteksi Wajah dan Ekspresi menggunakan Algoritma Convolutional Neural Network (CNN) dengan OpenCV. In Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan (Vol. 1, Issue 4). https://jurnalmahasiswa.com/index.php/aidanspk
Damayanti, A., Alhadad Farhan, E. M., Firdaus, K., Maghfiroh, N., & Rosyani, P. (2023). Klasifikasi Jenis Barang di Gudang Asera Baby Shop Menggunakan Metode R-CNN. In Jurnal Artificial Inteligent dan Sistem Penunjang Keputusan (Vol. 1, Issue 2). https://jurnalmahasiswa.com/index.php/aidanspk
Ramadhan Lestariono, R., & Mirza, A. (n.d.). Perancangan Sistem Aplikasi Pendeteksi Sampah Daur Ulang Dengan Metode Convolutional Neural Network Berbasis Web. https://jurnalmahasiswa.com/index.php/jurihum
al Fadil Syahputra, S., Mita Azizah, N., Aiman, J., Ainun Nikmah, D., & Rosyani, P. (2024). Syahrul Al Fadil Syahputra | https CITRA WAJAH MENGGUNAKAN DEEP LEARNING ALGORITMA Convolutional Neural Network (CNN). Jurnal Artificial Inteligent Dan Sistem Penunjang Keputusan, 2(1).
