Prediksi Kasus Diabetes Melitus Menggunakan Artificial Neural Network Berdasarkan Konsumsi Gula dan Hipertensi di Jawa Barat
DOI:
https://doi.org/10.29313/bcss.v5i2.18601Keywords:
ANN, Hipertensi, PrediksiAbstract
Abstract. Diabetes mellitus is one of the non-communicable diseases that has a high prevalence in Indonesia, especially in West Java Province. This study aims to predict the number of diabetes mellitus cases based on the level of sugar consumption and the number of hypertension cases using the Artificial Neural Network (ANN) method. The data used came from 27 districts/cities in West Java in 2023, including two independent variables, namely the level of sugar consumption and the number of people with hypertension, and one dependent variable, namely the number of diabetes mellitus cases. The data was analyzed using a min-max normalization process, division of training and testing data, and random weighting. The prediction results show that the ANN model has high accuracy with a Sum of Squared Errors (SSE) value of 2.9678 for training data and 0.7516 for testing data. This model is able to provide a prediction picture that is close to the actual value. This research is expected to be the basis in the formulation of preventive policies by local governments in controlling diabetes mellitus.
Abstrak. Diabetes melitus merupakan salah satu penyakit tidak menular yang memiliki prevalensi tinggi di Indonesia, terutama di Provinsi Jawa Barat. Penelitian ini bertujuan untuk memprediksi jumlah kasus diabetes melitus berdasarkan tingkat konsumsi gula dan jumlah kasus hipertensi menggunakan metode Artificial Neural Network (ANN). Data yang digunakan berasal dari 27 Kabupaten/Kota di Jawa Barat tahun 2023, mencakup dua variabel independen yaitu tingkat konsumsi gula dan jumlah penderita hipertensi, serta satu variabel dependen yaitu jumlah kasus diabetes melitus. Data dianalisis menggunakan proses normalisasi min-max, pembagian data training dan testing, serta pembobotan secara acak. Hasil prediksi menunjukkan bahwa model ANN memiliki akurasi tinggi dengan nilai Sum of Squared Errors (SSE) sebesar 2.9678 untuk data training dan 0.7516 untuk data testing. Model ini mampu memberikan gambaran prediksi yang mendekati nilai aktual. Penelitian ini diharapkan dapat menjadi dasar dalam perumusan kebijakan preventif oleh pemerintah daerah dalam pengendalian penyakit diabetes melitus.
References
[1] I. A. P. Astutisari, I Dewa Ayu Eka Candra; Darmini, Yuliati; Wulandari, “The Correlation between Physical Activity and Blood Sugar Level in Patient with Type 2 Diabetes in Public Health Centre Manggis I,” J. Ris. Kesehat. Nas., 2022, [Online]. Available: https://ejournal.itekes-bali.ac.id/jrkn.
[2] K. K. R. I. B. P. dan P. Kesehatan, “Laporan Nasional Riskesdas 2018,” Jakarta, 2019.
[3] N. Cholifah and N. Azizah, “Hubungan Antara Pola Makan Dan Aktivitas Fisik Dengan Kadar Gds Pada Pasien Diabetes Mellitus (Dm) Tipe Ii Di Puskesmas Mayong Ii Jepara Tahun 2015,” Jikk, vol. 7, no. 2, pp. 1–79, 2016.
[4] S. et al. Oparil, “Hypertension,” Nat. Rev. Dis. Prim., vol. 22, no. 4, pp. 1–48, 2019, doi: 10.1038/nrdp.2018.14.Hypertension.
[5] M. Sihombing, “Faktor yang Berhubungan dengan Hipertensi pada Penduduk Indonesia yang Menderita Diabetes Melitus (Data Riskesdas 2013),” Bul. Penelit. Kesehat., vol. 45, no. 1, pp. 53–64, 2017, doi: 10.22435/bpk.v45i1.5730.53-64.
[6] D. Care and S. S. Suppl, “2. Classification and diagnosis of diabetes: Standards of medical care in diabetesd2019,” Diabetes Care, vol. 42, no. January, pp. S13–S28, 2019, doi: 10.2337/dc19-S002.
[7] S. Rifky, Artficial Intilligence : Teori dan Pnerapan AI di Berbagai Bidang, no. June. 2024.
[8] M. Rizky, A. Pramuntadi, D. Prastowo, and D. Hardan Gutama, “Implementation of Deep Neural Network Method on Classification of Type 2 Diabetes Mellitus Disease Implementasi Metode Deep Neural Network pada Klasifikasi Penyakit Diabetes Melitus Tipe 2,” MALCOM Indones. J. Mach. Learn. Comput. Sci. , vol. 4, no. 3, pp. 1043–1050, 2024.
[9] N. Azise, P. N. Andono, and R. A. Pramunendar, “Prediksi Pendapatan Penjualan Obat Menggunakan Metode Backpropagation Neural Network dengan Algoritma Genetika Sebagai Seleksi Fitur,” J. Cyberku, vol. 15, 2019.
[10] R. Dastres and M. Soori, “Artificial Neural Network Systems,” Int. J. Imaging Robot., vol. 21, no. 2, pp. 13–25, 2021, [Online]. Available: https://hal.science/hal-03349542%0Ahttps://hal.science/hal-03349542/document.
[11] R. R. Suliadi; Marliana, Artificial Neural Network. 2024.
[12] M. R. Santoso and P. Musa, “Rekomendasi Kesehatan Janin Dengan Penerapan Algoritma C5.0 Menggunakan Classifying Cardiotocography Dataset,” J. Simantec, vol. 9, no. 2, 2021, doi: 10.21107/simantec.v9i2.10730.
[13] D. Kurniasari, R. Vidia Mahyunis, A. Nuryaman, J. Ir Sumantri Brojonegoro No, G. Meneng, and B. Lampung, “Implementation of Artificial Neural Network (Ann) Using BackpropagationAlgorithm By Comparing Four Activation Functions in Predicting Gold Prices,” Kumpul. J. Ilmu Komput., vol. 10, no. 1, 2023.
[14] N. M. Ashar, I. Cholissodin, and C. Dewi, “Penerapan Metode Extreme Learning Machine (ELM) Untuk Memprediksi Jumlah Produksi Pipa Yang Layak (Studi Kasus Pada PT. KHI Pipe Industries),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 11, 2018.
