Klasifikasi Penyakit Diabetes Melitus Berbasis Jaringan Syaraf Tiruan Menggunakan Algoritma Multi-Layer Perceptron
DOI:
https://doi.org/10.62712/juktisi.v5i1.1042Keywords:
Diabetes Mellitus, Artificial Neural Network, Multi-Layer Perceptron, Classification, Machine learningAbstract
Diabetes Melitus merupakan salah satu penyakit kronis yang membutuhkan proses deteksi dini secara cepat dan akurat agar risiko komplikasi dapat diminimalkan. Penelitian ini bertujuan untuk mengklasifikasikan penyakit Diabetes Melitus menggunakan Jaringan Syaraf Tiruan dengan algoritma Multi-Layer Perceptron. Dataset yang digunakan terdiri dari 100.000 data dengan 9 atribut, yaitu gender, age, hypertension, heart disease, smoking history, body mass index, HbA1c level, blood glucose level, dan diabetes sebagai target klasifikasi. Setelah dilakukan pengecekan data, tidak ditemukan missing value, namun terdapat 3.854 data duplikat sehingga jumlah data setelah pembersihan menjadi 96.146 data. Proses penelitian meliputi preprocessing data, encoding fitur kategorikal, standardisasi fitur numerik, pembagian data training dan testing, pemodelan Multi-Layer Perceptron, serta evaluasi performa model. Model yang digunakan memiliki beberapa hidden layer dengan aktivasi ReLU, batch normalization, dropout, dan output sigmoid untuk klasifikasi biner. Hasil pengujian menunjukkan bahwa model memperoleh accuracy sebesar 0,9715548622, precision sebesar 0,9939810834, recall sebesar 0,6816037736, F1-score sebesar 0,8086743617, dan ROC-AUC sebesar 0,9749626265. Berdasarkan hasil tersebut, algoritma Multi-Layer Perceptron mampu memberikan performa klasifikasi yang baik, khususnya dalam membedakan pasien non-diabetes dan diabetes berdasarkan atribut kesehatan yang tersedia.
Downloads
References
N. K. Y. Yuniari, “Hubungan Motivasi Diri Dengan Kepatuhan Diet Pada Penderita Diabetes Melitus Tipe 2,” J. Penelit. Keperawatan Kontemporer, vol. 6, no. 2 SE-Articles, pp. 158–169, Apr. 2026, doi: 10.59894/jpkk.v6i2.1293.
A. Setianto, L. Maria, and A. Firdaus, “ANALISIS FAKTOR YANG MEMPENGARUHI KESTABILAN GULA DARAH PENDERITA DIABETES MELLITUS PADA USIA DEWASA DAN LANSIA,” J. Ilm. Kesehat. Media Husada, vol. 12, no. 2 SE-Articles, Nov. 2023, doi: 10.33475/jikmh.v12i2.334.
E. Erdaliza, M. Mitra, N. Rany, Y. Harnani, and A. Rienarti Abidin, “Faktor risiko yang berhubungan dengan komplikasi Diabetes Mellitus Tipe 2,” J. Kesehat. komunitas (Journal community Heal., vol. 10, no. 3, pp. 534–545, Dec. 2024, doi: 10.25311/keskom.Vol10.Iss3.2039.
R. M. Simanjorang, Amran Sitohang, Abdi Sembiring, and Sartika Simanjorang, “Implementasi Jaringan Syaraf Tiruan Dalam Klasifikasi Citra Medis,” J. SAINTIKOM (Jurnal Sains Manaj. Inform. dan Komputer), vol. 24, no. 1, pp. 64–72, Feb. 2025, doi: 10.53513/jis.v24i1.10690.
D. Arifuddin, K. Kusrini, and K. Kusnawi, “Perbandingan Performansi Algoritma Multiple Linear Regression dan Multi Layer Perceptron Neural Network dalam Memprediksi Penjualan Obat: Comparison of the Performance of Multiple Linear Regression Algorithms and Multi Layer Perceptron Neural Networks in ,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. 2 SE-, pp. 722–737, Apr. 2025, doi: 10.57152/malcom.v5i2.1952.
H. S. W. Hovi, A. Id Hadiana, and F. Rakhmat Umbara, “Prediksi Penyakit Diabetes Menggunakan Algoritma Support Vector Machine (SVM),” Informatics Digit. Expert, vol. 4, no. 1 SE-Articles, pp. 40–45, Jan. 2023, doi: 10.36423/index.v4i1.895.
F. O. Aghware et al., “Effects of Data Balancing in Diabetes Mellitus Detection: A Comparative XGBoost and Random Forest Learning Approach,” NIPES J. Sci. Technol. Res., vol. 7, no. 1, pp. 1–11, Mar. 2025, doi: 10.37933/nipes/7.1.2025.1.
J. J. Hidayat, M. R. Saputra, A. R. Sigand, A. L. N. Fadilah, M. D. I. Amin, and A. R. Ramadhan, “Evaluasi Kinerja Algoritma Ensemble Learning Pada Klasifikasi Penyakit Diabetes Berbasis Boosting Method,” J. Surya Inform., vol. 16, no. 1 SE-Articles, pp. 71–80, May 2026, doi: 10.48144/suryainformatika.v16i1.2424.
E. Y. Kotte, F. I. Rachman, M. Faisal, and T. Wahyuni, “Analisis Hubungan Obesitas dan Diabetes Melitus Berdasarkan Usia dan Jenis Kelamin Menggunakan Algoritma Apriori,” Arus J. Sains dan Teknol., vol. 4, no. 1 SE-Artikel, pp. 71–80, Apr. 2026, doi: 10.57250/ajst.v4i1.2556.
A. Ristyawan, A. Nugroho, and T. K. Amarya, “Optimasi Preprocessing Model Random Forest untuk Prediksi Stroke,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 12, no. 1, Mar. 2025, doi: 10.35957/jatisi.v12i1.9587.
A. Candra, M. Erkamim, M. Muharrom, and E. Prayitno, “Klasifikasi Stunting Pada Balita Berdasarkan Status Gizi Menggunakan Pendekatan Support Vector Machine (SVM),” J. Ilm. Fifo, vol. 16, no. 2, pp. 171–181, 2024.
C. Herdian, A. Kamila, and I. G. Agung Musa Budidarma, “Studi Kasus Feature Engineering Untuk Data Teks: Perbandingan Label Encoding dan One-Hot Encoding Pada Metode Linear Regresi,” Technol. J. Ilm., vol. 15, no. 1, p. 93, Jan. 2024, doi: 10.31602/tji.v15i1.13457.
K. S. Arlandy, A. Faqih, and A. R. Rinaldi, “Mengoptimalkan Kinerja Naïve Bayes Pada Ancaman Modern Dengan Menggunakan PCA Pada Data Intrusion Detection System (IDS),” J. Ilm. Ilk. - Ilmu Komput. Inform., vol. 8, no. 1, pp. 25–37, Jan. 2025, doi: 10.47324/ilkominfo.v8i1.303.
C. A. Fatikasari, A. M. Rahmania, L. Laili, R. A. Mega Saputri, and M. Arifin, “Analisis Segmentasi dan Prediksi Pola Pembelian IC Label Gamis Menggunakan Hybrid K-Means Random Forest,” J. Komput. Teknol. Inf. Sist. Komput., vol. 5, no. 1 SE-Articles, pp. 355–364, May 2026, doi: 10.62712/juktisi.v5i1.1007.
A. Ichwani, R. I. Kesuma, A. Setiawan, I. E. Wicaksono, and R. Hanifah, “Preventing Data Leakage in Classification via Integrated Machine Learning Pipelines: Preprocessing, Feature Transformation, and Hyperparameter Tuning,” J. Tek. Inform., vol. 7, no. 1, pp. 391–410, Feb. 2026, doi: 10.52436/1.jutif.2026.7.1.5490.
A. Z. Kamalia, Choiriyatun Nisa Latansa, and Zaenur Rozikin, “Klasifikasi Kondisi Pasar Harga Emas ANTAM Indonesia Menggunakan Algoritma Decision Tree,” J. Komput. Teknol. Inf. Sist. Inf., vol. 4, no. 3, pp. 2087–2098, Jan. 2026, doi: 10.62712/juktisi.v4i3.800.
S. Ngarifatul Khofiyah, A. Hamdi, and K. Nur Isnaini, “Analisis Pola Konsumsi Air Menggunakan Algoritma Random Forest Classifier Pada Distribusi Air Bersih Desa Rempoah Baturraden,” J. Algoritm., vol. 22, no. 2, Nov. 2025, doi: 10.33364/algoritma/v.22-2.3001.
M. Wahyuni, “Klasifikasi Penyakit Daun Tomat dengan Perbandingan Fungsi Aktivasi Multi Layer Perceptron ,” J. Minfo Polgan, vol. 13, no. 2 SE-, pp. 1988–1998, Dec. 2024, doi: 10.33395/jmp.v13i2.14351.
A. Diriyah, Khalida Zia Qinthara, Ajeng Windi Setianingsih, Yemima Perangin-Angin, and I Gde Eka Dirgayussa, “Peningkatan Akurasi Klasifikasi Digit melalui Modifikasi CNN dengan Batch Normalization, Dropout, dan Data Augmentation,” STRING (Satuan Tulisan Ris. dan Inov. Teknol., vol. 10, no. 3 SE-Articles, pp. 320–328, doi: 10.30998/hf6zvd70.
Y. Prasetyo, M. Faris Al Fatih, M. J. Iqbal An Zida, M. Isnan, and A. Mustika Rizki, “ANALISIS PERBANDINGAN OPTIMIZER SGD DAN ADAM PADA MODEL CNN UNTUK KLASIFIKASI JAMUR EDIBLE DAN POISONOUS,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 1, pp. 1348–1354, Jan. 2025, doi: 10.36040/jati.v9i1.12659.
A. B. Indrawan, D. Maulana, and M. Z. Abdurrohman, “Analisis Sentimen Terhadap Program Makan Bergizi Gratis Menggunakan Metode Logistic Regression,” Progresif J. Ilm. Komputer; Vol 22, No 2 April, 2026, [Online]. Available: https://ojs.stmik-banjarbaru.ac.id/index.php/progresif/article/view/3610
Z. Rozikin and J. J. Hidayat, “Perbandingan Metode Oversampling SMOTE dan ADASYN pada Klasifikasi Diabetes Menggunakan Algoritma CatBoost,” J. Manaj. Inform. Teknol., vol. 6, no. 1, pp. 151–164, 2026, doi: 10.51903/mifortekh.v6i1.1157.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Jose Julian Hidayat, Daffa Eka Sujianto, Muhammad Randika Saputra, Erik Ahmad Ramdhani, Muhamad Jihansyah, Yogi Nandya
This work is licensed under a Creative Commons Attribution 4.0 International License.
