Optimizing Neural Networks Using Particle Swarm Optimization (PSO) Algorithm for Hypertension Disease Prediction

Abstract

Penyakit 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.