KLASIFIKASI DETEKSI PASIEN HEPATITIS C VIRUS (HCV) MENGGUNAKAN METODE ARTIFCIAL NEURAL NETWORK(ANN) DAN OVERSAMPLING SMOTE

Abstrak

Virus Hepatitis C (HCV) merupakan masalah kesehatan global dengan lebih dari 160 juta orang terinfeksi setiap tahunnya dan menyebabkan lebih dari 350 ribu kematian.HCV merupakan penyakit yang mengacu pada peradangan hatim Crossover Hepatitis C berkembang pada 50-80% pasien, bahkan secara global pada awal tahun 2020 sekitar 56,8 juta orang terinfeksi virus ini. Banyak penelitian yang telah dilakukan, namun penelitian-penelitian sebelumnya belum mendapatkan hasil yang optimal dalam klasifikasi pasien hepatitis C.  Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi deteksi pasien Hepatitis C dengan menggunakan metode Artificial Neural Network (ANN). Model ini terdiri dari beberapa lapisan neuron buatan yang terhubung, masing-masing dengan nilai bobot dan bias. Lapisan pertama dan terakhir masing-masing adalah variabel input dan output, dan lapisan perantara terdiri dari inferensi matematis dan transformasi parameter input menjadi prediksi di neuron tersembunyi. Pada penelitian ini, data diolah melalui beberapa tahapan, seperti menghilangkan missing value, mengubah nilai kategori menjadi numerik, dan melakukan oversampling dengan metode SMOTE Metode ini digunakan karena label Category pada dataset tidak seimbang  sehingga digunakan metode untuk menyeimbangkan distribusi kelas pada kumpulan dataset. Model ANN yang diusulkan terdiri dari dua lapisan, input dan output, dengan aktivasi ReLU dan softmax. Hasil evaluasi menunjukkan bahwa model ANN mencapai akurasi 97% untuk data pelatihan dan pengujian. Hasil performa model menujukan penggunaan model ANN dan SMOTE berhasil meningkatkan kinerja dan mengurangi kesalahan klasifikasi.