Optimasi Jaringan Syaraf Tiruan Backpropagation Dengan Menggunakan Grid Search untuk Meningkatkan Akurasi Prediksi Penyakit Ginjal Kronik

Abstract

Penelitian ini bertujuan untuk meningkatkan akurasi prediksi penyakit ginjal kronik dengan mengoptimasi parameter pelatihan Jaringan Syaraf Tiruan (JST) menggunakan metode Backpropagation yang dikombinasikan dengan Grid Search. Dataset yang digunakan terdiri dari 399 data sintetis yang merepresentasikan berbagai faktor medis seperti tekanan darah, kadar gula, dan kondisi sel darah. Data ini dinormalisasi dan dibagi menjadi data pelatihan dan pengujian. Dua model JST dikembangkan: satu menggunakan Backpropagation standar dengan learning rate tetap, dan satu lagi menggunakan Backpropagation yang dioptimalkan dengan Grid Search. Hasil evaluasi menunjukkan bahwa model dengan optimasi Grid Search menghasilkan akurasi prediksi sempurna sebesar 100% dan nilai loss 0,04094, dibandingkan dengan model standar yang hanya mencapai akurasi 84,21% dan loss 0,44878. Temuan ini menunjukkan bahwa penggunaan Grid Search secara signifikan mampu meningkatkan kinerja JST, mempercepat konvergensi, dan mengurangi kesalahan prediksi. Metode ini berpotensi besar dalam pengembangan sistem pendukung keputusan medis untuk deteksi dini penyakit ginjal kronik.