Optimasi Akurasi Backpropagation Dalam Memprediksi Tingkat Resiko Kematian Gagal Jantung Dengan Adaptive Moment Estimation

Abstract

Gagal jantung merupakan penyebab utama kematian global, sehingga prediksi dini risiko kematian sangat penting. Penelitian ini bertujuan mengoptimalkan akurasi algoritma backpropagation dalam memprediksi risiko kematian akibat gagal jantung dengan menggunakan Adaptive Moment Estimation (Adam) sebagai algoritma optimasi. Dataset diambil dari Kaggle dengan 13 atribut klinis. Model diuji menggunakan backpropagation standar dan Adam. Hasil menunjukkan bahwa backpropagation dengan Stochastic Gradient Descent (SGD) menghasilkan akurasi 68% (loss 0,6310), sedangkan dengan Adam meningkat menjadi 76% (loss 0,4519). Adam terbukti meningkatkan akurasi dan stabilitas model, sehingga dapat menjadi pendekatan yang lebih efisien dalam prediksi medis.