Application of Artificial Bee Colony Algorithm for Initial Weight Optimization in Neural Network Backpropagation in Diabetes Disease Classification

Penerapan Algoritma Artificial Bee Colony untuk Optimasi Bobot Awal pada Neural Network Backpropagation dalam Klasifikasi Penyakit Diabetes

Abstrak

In medicine, patient safety and disease diagnosis are key aspects. Diabetes is a complex disease caused by insulin deficiency or resistance, and requires early detection and treatment. Machine learning is now widely used in disease diagnosis, one of which is through classification using Neural Network with Backpropagation training. However, this method often experiences slow convergence and gets stuck in local minimums. This study proposes the use of the Artificial Bee Colony (ABC) algorithm to optimize Backpropagation Neural Network (BPNN) training in diabetes classification. Based on previous studies, the ABC-BPNN approach showed high accuracy. The purpose of this study was to compare the classification accuracy of ABC-BPNN with other methods such as Tuning Neural Network and Fuzzy-MABC. As a result, ABC-BPNN showed superior accuracy.

Dalam dunia kedokteran, keselamatan pasien serta diagnosis penyakit merupakan aspek utama. Diabetes adalah penyakit kompleks yang disebabkan oleh kekurangan atau resistensi insulin, dan memerlukan deteksi serta penanganan dini. Machine learning kini banyak digunakan dalam diagnosis penyakit, salah satunya melalui klasifikasi menggunakan Neural Network dengan pelatihan Backpropagation. Namun, metode ini sering mengalami konvergensi lambat dan terjebak di local minimum. Penelitian ini mengusulkan penggunaan algoritma Artificial Bee Colony (ABC) untuk mengoptimalkan pelatihan Backpropagation Neural Network (BPNN) dalam klasifikasi diabetes. Berdasarkan studi sebelumnya, pendekatan ABC-BPNN menunjukkan akurasi tinggi. Tujuan penelitian ini adalah membandingkan akurasi klasifikasi ABC-BPNN dengan metode lain seperti Tuning Neural Network dan Fuzzy-MABC. Hasilnya, ABC-BPNN menunjukkan akurasi yang lebih unggul.