PERBANDINGAN FUNGSI OPTIMIZER PADA IDENTIFIKASI DIABETES MENGGUNAKAN METODE FEED FORWARD

Abstract

Identifikasi dini diabetes merupakan kebutuhan mendesak untuk mencegah komplikasi serius dan mengurangi beban kesehatan global. Penelitian ini bertujuan untuk membandingkan kinerja fungsi optimizer pada model Feed Forward Neural Network (FFNN) dalam mengklasifi-kasikan data diabetes. Optimizer yang diuji meliputi RMSprop, Adam, Adagrad, dan Stochastic Gradient Descent (SGD). Dataset diabetes dari platform Kaggle, yang terdiri dari 768 sampel dengan 9 fitur, dibagi men-jadi data latih dan uji dengan rasio 80:20. Evaluasi model dilakukan menggunakan metrik Accuracy, Precision, Recall, dan F1-Score ber-dasarkan Confusion Matrix. Hasil penelitian menunjukkan bahwa RMSprop memberikan performa terbaik dengan akurasi sebesar 0,759740, Precision 0,660377, Recall 0,648148, dan F1-Score 0,654206, diikuti oleh Adam dengan akurasi 0,746753. RMSprop menunjukkan generalisasi yang lebih baik pada data uji berkat mekanisme pembaruan bobot adaptifnya. Penelitian ini merekomendasikan RMSprop sebagai optimizer optimal untuk model FFNN dalam identifikasi diabetes, memberikan kontribusi bagi pengembangan alat diagnosis yang lebih akurat dan efisien.