PERBANDINGAN TEKNIK PENYEIMBANG KELAS PADA MULTI-LAYER PERCEPTRON (MLP) BERBASIS BACKPROPAGATION UNTUK KLASIFIKASI DIABATES MELLITUS

Diabetes Mellitus (DM) adalah penyakit jangka panjang yang berpotensi menimbulkan komplikasi serius apabila tidak terdeteksi sejak dini, sehingga diagnosis dini menjadi hal yang sangat penting. Salah satu metode yang dapat diterapkan untuk diagnosis dini adalah teknik klasifikasi pada data mining. Namun, proses klasifikasi sering terkendala oleh ketidakseimbangan kelas yang dapat menurunkan kinerja model. Penelitian ini bertujuan untuk menganalisis pengaruh teknik penyeimbangan kelas terhadap performa Backpropagation Neural Network (BPNN) dalam klasifikasi penyakit DM. BPNN merupakan bentuk Multi-Layer Perceptron (MLP) dengan struktur yang sederhana dan memiliki kemampuan menyelesaikan permasalahan kompleks dengan akurasi yang baik. Dataset yang digunakan adalah Pima Indians Diabetes Dataset dengan total 768 data, terdiri dari 500 data non-diabetes dan 268 data diabetes. Metode penelitian dilakukan dengan tiga skenario, yaitu tanpa penyeimbangan, Synthetic Minority Over-sampling Technique (SMOTE), dan Random Under Sampling (RUS). Model BPNN dirancang dengan dua variasi arsitektur (satu hidden layer dan dua hidden layer), tiga nilai learning rate (0,1; 0,01; 0,001), serta jumlah neuron yang bervariasi. Pembagian dataset dilakukan menggunakan teknik 10-Fold Cross Validation. Hasil penelitian menunjukkan bahwa penerapan SMOTE menghasilkan kinerja terbaik, dengan rata-rata akurasi sebesar 90,89%, presisi 91,22%, recall 90,89%, dan F1-score 90,89% pada arsitektur BPNN dengan satu hidden layer. Selain itu, arsitektur satu hidden layer terbukti lebih stabil dibandingkan dua hidden layer, terutama ketika jumlah data berkurang akibat penerapan RUS. Dengan demikian, kombinasi SMOTE dan BPNN dengan satu hidden layer memberikan performa yang lebih baik dalam klasifikasi penyakit diabetes mellitus.