Prediksi Penyakit Paru-Paru Menggunakan Jaringan Syaraf Tiruan Dengan Metode Backpropagation

Abstract

Penyakit paru-paru merupakan salah satu penyebab kematian terbesar di dunia dan membutuhkan pendekatan diagnosis yang cepat dan akurat. Penelitian ini bertujuan membangun model prediksi penyakit paru-paru menggunakan algoritma Jaringan Syaraf Tiruan (JST) dengan metode Backpropagation. Data yang digunakan berasal dari dataset publik Kaggle yang berisi informasi medis 309 pasien, mencakup atribut klinis seperti usia, kebiasaan merokok, serta gejala pernapasan. Proses prapemrosesan data dilakukan melalui normalisasi, konversi nilai kategorikal, dan penanganan data hilang agar sesuai dengan karakteristik fungsi aktivasi sigmoid. Model dilatih selama 50 epoch menggunakan Python dan pustaka pendukung seperti TensorFlow dan scikit-learn. Hasil eksperimen menunjukkan bahwa model mengalami penurunan nilai loss secara konsisten serta peningkatan akurasi hingga lebih dari 85%, baik pada data pelatihan maupun validasi. Temuan ini menegaskan bahwa performa JST sangat dipengaruhi oleh pemilihan parameter pelatihan seperti learning rate dan jumlah neuron tersembunyi. Dengan demikian, algoritma Backpropagation terbukti efektif dalam membangun sistem prediksi berbasis data klinis, yang dapat mendukung proses diagnosis dini penyakit paru-paru secara lebih akurat dan efisien.