ANALISIS PERBANDINGAN ALGORITMA ARTIFICIAL NEURAL NETWORK DAN DEEP NEURAL NETWORK DALAM MEMPREDIKSI RISIKO SERANGAN JANTUNG PADA STUDI KASUS DATA KESEHATAN

Wicaksono, Yusuf Aly Akbar (2025) ANALISIS PERBANDINGAN ALGORITMA ARTIFICIAL NEURAL NETWORK DAN DEEP NEURAL NETWORK DALAM MEMPREDIKSI RISIKO SERANGAN JANTUNG PADA STUDI KASUS DATA KESEHATAN. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (454kB)
	Text (BAB I) BAB I.pdf Download (163kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (715kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (392kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (80kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka Dan Lampiran.pdf Restricted to Registered users only Download (270kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.3883.zip Restricted to Repository staff only Download (788kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (920kB)

Abstract

Penelitian ini membahas analisis perbandingan kinerja algoritma Artificial Neural Network (ANN) dan Deep Neural Network (DNN) dalam memprediksi risiko serangan jantung berdasarkan data kesehatan. Data diolah menggunakan berbagai parameter kesehatan yang relevan, dengan implementasi model dilakukan pada perangkat Laptop ASUS A455L. Model ANN dan DNN dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa ANN memiliki performa yang lebih baik dibandingkan DNN. ANN mencapai akurasi sebesar 88,52%, presisi 87,88%, recall 90,63%, dan F1-score 89,23%, sementara DNN menghasilkan akurasi 86,88%, presisi 87,50%, recall 87,50%, dan F1-score 87,50%. Implementasi algoritma DNN menggunakan transformasi linier, fungsi aktivasi ReLU, dan sigmoid, dengan perhitungan dasar yang menjelaskan setiap tahapan komputasi. Perbandingan kinerja model dilakukan secara sistematis melalui source code yang memanfaatkan pustaka Pandas dan scikit-learn, menghasilkan tabel evaluasi yang mempermudah analisis. Berdasarkan hasil evaluasi, ANN dipilih sebagai model terbaik untuk memprediksi risiko serangan jantung karena memberikan hasil prediksi yang lebih akurat dan seimbang, menjadikannya rekomendasi utama untuk aplikasi di bidang kesehatan. Penelitian ini diharapkan dapat menjadi referensi bagi pengembangan sistem prediksi kesehatan berbasis machine learning di masa depan.

Actions (login required)

View Item