Penerapan Algoritma Deep Belief Networks (DBNs) Untuk Prediksi Kanker Serviks
DOI:
https://doi.org/10.47701/dutacom.v17i1.3790Keywords:
Algoritma Deep Belief Networks (DBNs), Prediksi, Kanker ServiksAbstract
Kanker serviks adalah kanker yang mematikan dan paling umum yang menyerang wanita di seluruh dunia. Prediksi yang tepat mengenai kanker serviks berperan penting dalam upaya pencegahan dan pengobatan yang efektif. Dalam konteks ini, penerapan algoritma Deep Believe Network (DBNs) telah menarik perhatian sebagai metode potensial untuk prediksi kanker serviks. Tujuan penelitian ini untuk dapat mengevaluasi kemampuan algoritma Deep Believe Network (DBNs) dalam memprediksi kemungkinan kanker serviks berdasarkan faktor risiko terkait. Dengan memanfaatkan data klinis yang tersedia, langkah-langkah analitis seperti prapemrosesan data, pelatihan model DBN, dan evaluasi kinerja model dapat dilakukan. Berdasarkan hal tersebut menggunakan algoritma Deep Belief Networks (DBNs) yaitu terbentuk 250 epoch, dengan nilai loss 0,0112 dan mendapatkan nilai akurasi sebesar 0,9940, recall 0,99 dan f1-score 0,99. Dari hasil pemodelan algoritma dan evalusi maka algoritma Deep Belief Networks (DBNs) sangat baik digunakan untuk memprediksi penyakit kanker serviks.
References
Adiningrum, N. T. R., Rianti, R., & Priyanto, C. (2023). RANCANG BANGUN APLIKASI PREDIKSI KANKER PAYUDARA DENGAN PENDEKATAN MACHINE LEARNING. Jurnal Informatika Dan Teknik Elektro Terapan, 11(3s1). https://doi.org/10.23960/jitet.v11i3s1.3351
Baroroh, I. (2023). Edukasi Kanker Serviks. Jurnal ADBIMAS-HIP, 4.
Hartono, R., Sumaryana, Y., & Nurfaizi, A. (2023). Analisa Perbandingan Kinerja Algoritma Klasifikasi Untuk Prediksi Penyakit Kanker Payudara. Jurnal Teknologi Informasi, 7(1).
Kale, A. P., Wahul, R. M., Patange, A. D., Soman, R., & Ostachowicz, W. (2023). Development of Deep Belief Network for Tool Faults Recognition. Sensors, 23(4). https://doi.org/10.3390/s23041872
Kemenkes. (2018). PANDUAN PENATALAKSANAAN KANKER SERVIKS. In Kementerian Kesehatan RI (Vol. 2, Issue 1).
Khusnul Mulya Kautsar, Meike Rachmawati, & Harvi Puspa Wardani. (2023). Pap Smear sebagai Metode Deteksi Dini Kanker Serviks. Jurnal Riset Kedokteran. https://doi.org/10.29313/jrk.vi.1775
Kurniawati, Y. E., Permanasari, A. E., & Fauziati, S. (2018). Adaptive Synthetic-Nominal (ADASYN-N) and Adaptive Synthetic-KNN (ADASYN-KNN) for Multiclass Imbalance Learning on Laboratory Test Data. Proceedings - 2018 4th International Conference on Science and Technology, ICST 2018. https://doi.org/10.1109/ICSTC.2018.8528679
Mahendran, N., & Vincent P M, D. R. (2023). Deep belief network-based approach for detecting Alzheimer’s disease using the multi-omics data. Computational and Structural Biotechnology Journal, 21. https://doi.org/10.1016/j.csbj.2023.02.021
Silalahi, V., & Kurniawaty, Y. (2023). Upaya Peningkatan Pencegahan Kanker Serviks. Jurnal Kreativitas Pengabdian Kepada Masyarakat (PKM), 6(6). https://doi.org/10.33024/jkpm.v6i6.9982
Supardi, R., & Kanedi, I. (2020). Implementasi Metode Algoritma K-Means Clustering pada Toko Eidelweis. Jurnal Teknologi Informasi, 4(2), 270–277. https://doi.org/10.36294/jurti.v4i2.1444
Wadanur, A., & Sari, A. A. (2022). Implementasi Algoritma Apriori dan FP-Growth pada Penjualan Spareparts. Edumatic: Jurnal Pendidikan Informatika, 6(1), 107–115. https://doi.org/10.29408/edumatic.v6i1.5470
Yu, T., Yang, X., & Sang, P. (2023). Design strategy of green intelligent building using deep belief network. International Journal of System Assurance Engineering and Management, 14(1). https://doi.org/10.1007/s13198-021-01513-0
Zeng, N., Li, H., & Peng, Y. (2023). A new deep belief network-based multi-task learning for diagnosis of Alzheimer’s disease. Neural Computing and Applications, 35(16). https://doi.org/10.1007/s00521-021-06149-6
