Optimizing Neural Networks Using Particle Swarm Optimization (PSO) Algorithm for Hypertension Disease Prediction
AbstractPenyakit hipertensi atau tekanan darah tinggi merupakan masalah kesehatan yang signifikan secara global. Prediksi yang akurat tentang risiko hipertensi dapat membantu dalam pencegahan, diagnosa, dan pengobatan dini. Dalam penelitian ini, kami mengusulkan penggunaan algoritma Particle Swarm Optimization (PSO) untuk mengoptimalkan jaringan saraf dalam prediksi penyakit hipertensi. Metode ini menggabungkan keunggulan jaringan saraf dalam pemodelan yang kompleks dengan kemampuan PSO dalam mencari solusi optimal. Proses optimisasi dilakukan dengan mengatur bobot dan biases dalam jaringan saraf menggunakan PSO. Kami menggunakan dataset yang telah dipersiapkan dengan fitur-fitur yang relevan untuk prediksi hipertensi. Performa jaringan saraf sebelum dan sesudah optimisasi dievaluasi menggunakan metrik evaluasi seperti Root Mean Squared Error (RMSE) dan Squared Error. Neural Network plus Particle Swarm Optimization (NN + PSO) menghasilkan nilai Root Mean Square Error (RMSE) yang lebih rendah (0.170) dibandingkan dengan metode Neural Network (NN) tanpa Particle Swarm Optimization (0.197). Selain itu, metode NN berbasis PSO juga menghasilkan squared error yang lebih rendah (0.029) dibandingkan dengan NN (0.039). Hasil eksperimen menunjukkan bahwa penggunaan algoritma PSO meningkatkan performa neural network dalam prediksi hipertensi. Terdapat penurunan yang signifikan dalam nilai RMSE dan squared error setelah mengoptimalkan neural network menggunakan PSO. Hal ini menunjukkan bahwa prediksi yang dihasilkan lebih dekat dengan nilai sebenarnya, dan tingkat akurasi prediksi meningkat.
|
Full Text:
References
S. Moick, I. Sommer, and G. Gartlehner, “WHO Guideline for the Pharmacological Treatment of Hypertension in Adults,” Gesundheitswesen, vol. 85, no. 2. 2023. doi: 10.1055/a-1989-1745.
Dr. Tunggul Diapari Situmorang, “Hari Hipertensi Dunia 2019 : ‘Know Your Number, Kendalikan Tekanan Darahmu dengan CERDIK.’.,” Kementrian Kesehatan Republik Indonesia, 2019.
WHO, “Hipertensi : ‘ The silent killer ,’” Harta general, 2018.
World Health Organization, “Fact sheet: Cardiovascular diseases (CVDs),” World Health Organization, no. May, 2017.
W. Agustina, Y. Oktafirnanda, and W. Wardiah, “Faktor Risiko yang Berhubungan dengan Kejadian Hipertensi pada Wanita Usia Reproduktif di Wilayah Kerja Puskesmas Langsa Lama Kota Langsa,” Jurnal Bidan Komunitas, vol. 1, no. 1, 2018, doi: 10.33085/jbk.v1i1.3927.
J. A. Orozco Torres, A. Medina Santiago, J. M. Villegas Izaguirre, M. Amador García, and A. Delgado Hernández, “Hypertension Diagnosis with Backpropagation Neural Networks for Sustainability in Public Health,” Sensors, vol. 22, no. 14, 2022, doi: 10.3390/s22145272.
Elsi Setiandari L.O, “Hubungan Pengetahuan, Pekerjaan dan Genetik (riwayat hipertensi dalam keluarga) Terhadap Perilaku Pencegahan Penyakit Hipertensi,” Media Publikasi Promosi Kesehatan Indonesia (MPPKI), vol. 5, no. 4, 2022, doi: 10.56338/mppki.v5i4.2386.
F. López-Martínez, E. R. Núñez-Valdez, R. G. Crespo, and V. García-Díaz, “An artificial neural network approach for predicting hypertension using NHANES data,” Sci Rep, vol. 10, no. 1, 2020, doi: 10.1038/s41598-020-67640-z.
N. Kasim and G. S. Nugraha, “Pengenalan Pola Tulisan Tangan Aksara Arab Menggunakan Metode Convolution Neural Network,” Jurnal Teknologi Informasi, Komputer, dan Aplikasinya (JTIKA ), vol. 3, no. 1, 2021, doi: 10.29303/jtika.v3i1.136.
Y. Tian, Y. Zhang, and H. Zhang, “Recent Advances in Stochastic Gradient Descent in Deep Learning,” Mathematics, vol. 11, no. 3. 2023. doi: 10.3390/math11030682.
D. Setiawan, R. N. Putri, and R. Suryanita, “Perbandingan Algoritma Genetika dan Backpropagation pada Aplikasi Prediksi Penyakit Autoimun,” Khazanah Informatika : Jurnal Ilmu Komputer dan Informatika, vol. 5, no. 1, 2019, doi: 10.23917/khif.v5i1.7173.
M. Jain, V. Saihjpal, N. Singh, and S. B. Singh, “An Overview of Variants and Advancements of PSO Algorithm,” Applied Sciences (Switzerland), vol. 12, no. 17. 2022. doi: 10.3390/app12178392.
R. Hidayad, R. A. Ronaldo, R. A. Prasetiyo, and S. A. Edho Wicaksono, “Optimasi Parameter Support Vector Machine Menggunakan Algoritma Genetika untuk Meningkatkan Prediksi Pergerakan Harga Saham,” COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi, vol. 3, no. 1, 2022, doi: 10.33650/coreai.v3i1.3859.
A. M. Rizki and A. L. Nurlaili, “Algoritme Particle Swarm Optimization (PSO) untuk Optimasi Perencanaan Produksi Agregat Multi-Site pada Industri Tekstil Rumahan,” Journal of Computer, Electronic, and Telecommunication, vol. 1, no. 2, 2021, doi: 10.52435/complete.v1i2.73.
R. Rizaldi and M. A. R. Hariri, “Implementasi Particle Swarm Optimization (PSO) untuk Optimisasi Algoritma Naive Bayes dalam Memprediksi Mahasiswa Lulus Tepat Waktu,” COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi, vol. 2, no. 1, 2021.
H. Zhu, Y. Wang, K. Wang, and Y. Chen, “Particle Swarm Optimization (PSO) for the constrained portfolio optimization problem,” Expert Syst Appl, vol. 38, no. 8, 2011, doi: 10.1016/j.eswa.2011.02.075.
S. Yuhadisi and Suliadi, “Penerapan Metode Modifikasi Hosmer-Lemeshow Test pada Model Regresi Logistik Data Penderita Penyakit Hipertensi,” Prosiding Statistika, vol. 7, no. 1, 2021.
10.33650/jeecom.v5i2.6759 |
Refbacks
- There are currently no refbacks.
Copyright (c) 2023 Sudriyanto Sudriyanto
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.