JARINGAN SYARAF TIRUAN BACKPROPAGATION DENGAN ADAPTIVE MOMENT ESTIMATION UNTUK KLASIFIKASI PENYAKIT DIABETES

Abstract

Jaringan syaraf tiruan backpropagation adalah salah satu metode dari machine learning yang digunakan untuk melakukan klasifikasi, namun backpropagation memiliki kekurangan, yaitu waktu yang lama untuk mencapai konvergen dan permasalahan lokal optimum. Metode Adaptive Moment Estimation (ADAM) digunakan untuk meningkatkan kemampuan jaringan syaraf tiruan dalam melakukan klasifikasi. Penelitian ini menggunakan data diabetes yang diperoleh dari website UCI Machine Learning yang terdiri dari 9 variabel dan 2 kelas, yaitu diabetes dan tidak diabetes. Jenis metode penelitian yang digunakan adalah studi literatur. Diawali dengan menangani missing value pada data diabetes, melakukan normalisasi, kemudian data dibagi menjadi data training dan data testing secara acak, selanjutnya dilakukan oversampling pada data minoritas di data training, membangun model dan mengevaluasi kinerja model. Tujuan dari artikel ini adalah mengimplementasikan metode backpropagation ADAM, menganalisis tingkat akurasi dan kinerja model dari metode backpropagation ADAM dan membandingkan kinerja model yang dibangun oleh metode backpropapagation dengan model yang dibangun oleh backpropagation ADAM. Hasil dari artikel ini adalah terbentuknya model klasifikasi yang dibangun menggunakan metode backpropagation dan backpropagation ADAM. Selanjutnya hasil dari kinerja model backpropagation ADAM dengan menggunakan beberapa arsitektur 8-8-1, 8-6-1, 8-4-1, 8-2-1 yang masing-masingnya menghasilkan akurasi 0,804, 0,751, 0,783, dan 0,774. Terakhir perbandingan kinerja model yang dihasilkan oleh metode backpropagation dan backpropagation ADAM. Untuk backpropagation menghasilkan presisi 0,487, recall 0,904, akurasi 0,623 dan AUC 0,763 sedangkan untuk backpropagation ADAM menghasilkan presisi 0,487, recall 0,795, akurasi 0,714 dan AUC 0,820.