DETEKSI PENYAKIT JANTUNG KORONER MENGGUNAKAN MODIFIKASI METODE DEEP NEURAL NETWORK

Penyakit jantung koroner (PJK) menjadi salah satu penyebab Utama kematian di seluruh dunia, termasuk di Indonesia. Metode diagnosis yang efektif sangat penting untuk mengurangi angka kematian akibat PJK. Penelitian ini mengembangkan modifikasi metode Deep Neural Network (DNN) untuk mendeteksi PJK. Solusi eksisting seperti Naïve Bayes, Support Vector Machine (SVM), dan K-Nearest Neighbors (KNN) menunjukkan akurasi yang bervariasi, tetapi masih belum optimal. Research gap yang diidentifikasi adalah kebutuhan akan metode yang lebih akurat dan andal dalam mendeteksi PJK. Tujuan penelitian ini adalah meningkatkan akurasi dan keandalan DNN dengan memodifikasi arsitekturnya dan menggunakan teknik regulasi yang lebih canggih. Kebaruan penelitian ini terletak pada modifikasi arsitektur DNN dan penggunaan metode penyeimbangan data seperti SmoteEnn. Penelitian ini melibatkan tahapan pengumpulan dan deskripsi dataset, preprocessing data, balancing data dengan SmoteEnn, pengembangan model DNN dengan beberapa lapisan Dense, fungsi aktivasi ReLU, BatchNormalization, Dropout, serta optimizer Adam, dan evaluasi model dengan mengukur akurasi. Hasil menunjukkan bahwa modifikasi DNN dengan teknik SmoteEnn mencapai akurasi 88 persen, meningkatkan kinerja model dalam mendeteksi PJK. Kesimpulannya, pengembangan model DNN yang lebih cermat dan penggunaan teknik penyeimbangan data yang tepat dapat secara signifikan meningkatkan akurasi dan stabilitas dalam deteksi PJK.