Penerapan algoritma long short term memory dan bidirectional long short term memory pada analisis penyakit gagal jantung

INDONESIA:

Penelitian ini bertujuan untuk mengukur performa algoritma Long Short Term Memory (LSTM) dan Bidirectional Long Short Term Memory (BiLSTM) dalam analisis penyakit gagal jantung. Menggunakan dataset "Heart Failure Prediction" dari Kaggle.com dengan 11 fitur, kedua algoritma diuji dengan tiga model pembagian data: Model A (80:20), Model B (70:30), dan Model C (60:40), masing-masing dengan variasi hyperparameter meliputi jumlah neuron (16 dan 32), learning rate (0.001 dan 0.0001), epoch (30 dan 50), dan batch size (32 dan 64). Evaluasi performa dilakukan menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan f1-score, serta implementasi K-Fold Cross Validation. Hasil menunjukkan Model B (70:30) memberikan performa yang stabil dan optimal pada kedua arsitektur. Pada LSTM, kombinasi terbaik diperoleh dengan neuron 16, learning rate 0.001, epoch 50, dan batch size 32, menghasilkan accuracy cv 0.850. Pada BiLSTM, kombinasi optimal dicapai dengan neuron 32, learning rate 0.001, epoch 30, dan batch size 32, dengan accuracy cv 0.850. Secara keseluruhan, BiLSTM pada Model B menunjukkan peningkatan performa signifikan dibandingkan LSTM, mengindikasikan bahwa pemrosesan informasi dua arah lebih efektif dalam menganalisis pola data gagal jantung.

ENGLISH:

This research aims to measure the performance of Long Short Term Memory (LSTM) and Bidirectional Long Short Term Memory (BiLSTM) algorithms in heart failure disease analysis. Using the "Heart Failure Prediction" dataset from Kaggle.com with 11 features, both algorithms were tested with three data splitting models: Model A (80:20), Model B (70:30), and Model C (60:40), each with hyperparameter variations including number of neurons (16 and 32), learning rate (0.001 and 0.0001), epoch (30 and 50), and batch size (32 and 64). Performance evaluation was conducted using confusion matrix with accuracy, precision, recall, and F1-score metrics, as well as K-Fold Cross Validation implementation. Results show that Model B (70:30) provides stable and optimal performance for both architectures. In LSTM, the best combination was obtained with 16 neurons, 0.001 learning rate, 50 epochs, and 32 batch size, resulting in a CV accuracy of 0.850. In BiLSTM, the optimal combination was achieved with 32 neurons, 0.001 learning rate, 30 epochs, and 32 batch size, with a CV accuracy of 0.850. Overall, BiLSTM in Model B showed significant performance improvement compared to LSTM, indicating that bidirectional information processing is more effective in analyzing heart failure data patterns.

ARABIC:

يهدف هذا البحث إلى قياس أداء خوارزميات الذاكرة طويلة وقصيرة المدى LSTM والذاكرة طويلة وقصيرة المدى ثنائية الاتجاه BiLSTM في تحليل مرض قصور القلب. وباستخدام مجموعة بيانات ”التنبؤ بفشل القلب“ من موقع Kaggle.com مع 11 خاصية، تم اختبار كلتا الخوارزميتين باستخدام ثلاثة نماذج لتقسيم البيانات: النموذج أ 80:20، والنموذج ب 70:30، والنموذج ج 60:40، مع اختلافات في المعلمات الفائقة لكل منها بما في ذلك عدد الخلايا العصبية 16 و32، ومعدل التعلم 0.001 و0.0001، والحقبة الزمنية 30 و50، وحجم الدفعة 32 و64. تم إجراء تقييم للأداء باستخدام مصفوفة الارتباك مع مقاييس الدقة والدقة والاستدعاء ودرجة F1، بالإضافة إلى تطبيق التحقق المتقاطع K-Fold Cross Validation. أظهرت النتائج أن النموذج (ب) 70:30 يوفر أداءً مستقرًا ومثاليًا لكلا البنيتين. في LSTM، تم الحصول على أفضل تركيبة مع 16 خلية عصبية، ومعدل تعلم 0.001، و50 حلقة، وحجم الدفعة 32، مما أدى إلى دقة السيرة الذاتية 0.850. في BiLSTM، تم الحصول على التركيبة المثلى باستخدام 32 خلية عصبية، ومعدل تعلم 0.001، و30 حلقة، و32 حجم دفعة، بدقة سيرة ذاتية تبلغ 0.850. بشكل عام، أظهر النموذج (ب) في النموذج (ب) تحسناً كبيراً في الأداء مقارنةً بالنموذج (ل) مما يشير إلى أن المعالجة ثنائية الاتجاه للمعلومات أكثر فعالية في تحليل أنماط بيانات فشل القلب