Article Per Year (5 Year)
p-Index From 2019 - 2024
0.23
P-Index
This Author published in this journals
All Journal Jurnal Informatika Universitas Pamulang
Karina Julita
Universitas Islam Negeri Sultan Syarif Kasim Riau
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Penerapan Fuzzy Backpropagation Neural Network dalam Klasifikasi Penyakit Stroke Karina Julita; Iis Afrianty; Suwanto Sanjaya; Fadhilah Syafria
Jurnal Informatika Universitas Pamulang Vol 8, No 2 (2023): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/informatika.v8i2.31351

Abstract

Stroke adalah penyakit cerebrovaskuler yang ditandai dengan gejala neurologis tiba-tiba akibat cedera vaskular akut pada otak. Menurut WHO pada tahun 2019, stroke penyebab utama kematian dan kecacatan kedua di dunia, dengan prevalensi global 101,5 juta orang. Diagnosis medis penting dalam penanganan stroke, namun biaya yang tinggi sering menjadi kendala bagi masyarakat. Penelitian ini bertujuan untuk mengembangkan metode Fuzzy Backpropagation Neural Network dalam klasifikasi stroke dengan menggunakan data sekunder dari platform Kaggle yang berjumlah 4981 data. Analisis data melibatkan sepuluh variabel relevan dalam klasifikasi stroke diantaranya variabel seperti jenis kelamin, umur, hipertensi, riwayat penyakit jantung, indeks massa tubuh, nilai kadar gula dalam darah, status pernikahan, status merokok, tipe pekerjaan dan lingkungan tempat tinggal. Pada penelitian ini, pengujian yang dilakukan dibagi menjadi tiga skenario diantaranya, skenario 1 dengan α = 0,1, skenario 2 dengan α = 0,01 dan skenario 3 dengan α = 0,001 pada epoch 10, 1000 dan 100000. Hasil pengujian menunjukkan akurasi tertinggi dengan menggunakan pola jaringan 10-4-1 pada pembagian data latih dan data uji 70%:30% dengan α = 0.01 dan  epoch 100000 menghasilkan tingkat akurasi sebesar 86,52%, presisi 0,87, recall 0,87 dan f-1 score 0,87. Berdasarkan hasil pengujian tersebut, FBPNN dinilai mampu dalam mengklasifikasi stroke dengan kinerja yang baik.
Co-Authors Fadhilah Syafria Iis Afrianty Suwanto Sanjaya