Penerapan Neural Network dengan optimasi Ant Colony Optimization dan Backpropagation untuk membangun model prediksi diabetes tahap awal

ABSTRAK:
Prevalensi diabetes yang mendunia merupakan permasalahan kesehatan yang memiliki peningkatan cepat, yang mempengaruhi jutaan orang dan terus bertambah sebagaimana yang dimuat pada data Diabetes Atlas dari International Diabetes Federation. Prediksi diabetes tahap awal yang akurat sangatlah penting untuk penanganan dan pengobatan yang efektif. Penggunaan Neural Network di dalam diagnosa medis telah memberikan harapan, meskipun Backpropagation tradisional yang digunakan masih memiliki kemungkinan untuk terjebak dalam local optima. Penelitian ini memperkenalkan model Neural Network yang dioptimasi menggunakan Ant Colony Optimization (ACO) dan Backpropagation (BP) untuk meningkatkan akurasi prediksi. Digunakan dataset dari UCI Machine Learning Repository terhadap 520 data pasien dengan 17 fitur sebagai dasar untuk pelatihan dan evaluasi model dengan pembagian data yang bervariasi untuk pelatihan dan pengujiannya. Perbandingan dilakukan pada tiga rasio split data dan pelatihan empat model, NN tanpa optimasi ACO dan BP, NN dengan optimasi ACO, NN dengan optimasi BP, dan NN dengan kombinasi optimasi ACO dan BP. Model gabungan optimasi dengan ACO dan BP menunjukkan kinerja yang unggul dengan akurasi 98.72%, presisi, recall dan F-measure mencapai 99.02% pada pembagian data latih dan data uji sebesar 70%:30. Penerapan ACO bersama dengan BP untuk pelatihan NN secara signifikan lebih unggul daripada metode konvensional, menyediakan strategi efektif untuk prediksi diabetes tahap awal. Pendekatan sistematis ini telah menetapkan model yang kuat, menunjukkan bahwa alokasi data pelatihan sebesar 70% merupakan pilihan optimal dalam konteks dataset ini.

ABSTRACT:
The global prevalence of diabetes is a mounting health concern, affecting millionsand escalating rapidly, as indicated by the International Diabetes Federation’s DiabetesAtlas. Accurate early-stage diabetes prediction is vital for effective management andtreatment. The integration of Neural Networks (NN) in medical diagnostics has shownpromise, yet traditional backpropagation training is often hindered by local optimaentrapment. This research introduces an optimized Neural Network model employing AntColony Optimization (ACO) alongside Backpropagation (BP) for enhanced predictiveaccuracy. A dataset from the UCI Machine Learning Repository, comprising 520 patientsamples with 17 features, served as the basis for model training and evaluation, withvarying splits for training and testing. Comparisons were made across three data split ratiosand four training models: NN without optimization, NN with ACO, NN with BP, and NNwith both ACO and BP. The hybrid ACO-BP model demonstrated superior performance,with an accuracy of 98.72%, precision of 99.02%, and identical recall and F-measure,particularly at a 70:30 training-to-testing data allocation. The application of ACO inconjunction with BP for NN training significantly outperforms conventional methods,providing an effective strategy for early-stage diabetes prediction. This systematicapproach has established a robust model, indicating that a 70% training data allocation isoptimal within this dataset contex