Evaluasi Parameter Flower Pollination Neural Network untuk Deteksi Malaria dan Dengue

Abstrak

Sebagai ibukota Provinsi Nusa Tenggara Timur (NTT), Kota Kupang menghadapi permasalahan serius terkait pengelolaan sampah. Penumpukan sampah yang tidak tertangani dengan baik memicu genangan air dan menciptakan habitat ideal bagi nyamuk untuk berkembang biak, sehingga meningkatkan risiko persebaran penyakit seperti Demam Berdarah Dengue (DBD) dan Malaria. Kelompok usia 0-20 tahun serta jenis kelamin wanita cenderung memiliki tingkat kejadian DBD yang tinggi, sedangkan malaria paling rentan terhadap anak kecil yang belum memiliki kekebalan terhadap malaria dan wanita hamil yang kekebalannya berkurang dikarenakan kehamilannya. Untuk mengatasi tantangan ini, penelitian ini mengusulkan sebuah pendekatan baru, Flower Pollination Neural Network (FPNN), untuk mengklasifikasi penyakti DBD dan malaria. FPNN merupakan gabungan dari Neural Network (NN) yang dioptimalkan menggunakan Flower Pollination Algorithm (FPA). FPA merupakan algoritma metaheuristik dan sering menggunakan pencarian secara stokastik. FPA dapat mengoptimalkan bobot NN dan menghindari jebakan local optima, serta dapat meminimalisir kesalahan pada NN. Pengujian pada penelitian ini menggunakan 10-fold cross validation untuk melihat kemampuan FPNN dalam menggeneralisasi data yang belum pernah dipelajari. Hasil dari pengujian diperoleh kombinasi parameter switch probability 0,7; 15 neuron pada hidden layer; 25 populasi memberikan hasil terbaik dengan nilai akurasi 86,4% dan f1-score 72,312%. Kombinasi parameter ini memberikan hasil akurasi yang baik, meskipun tidak lebih dari pembanding yang lain, kombinasi parameter ini memberikan hasil akurasi yang konsisten dan menunjukan kemampuan generalisasi data yang baik. Sementara pada f1-score, kombinasi ini memberikan hasil tertinggi dan dapat dikatakan baik karena mampu memberikan keseimbangan antara kemampuan pengenalan pola pelatihan dan memprediksi data yang belum pernah dipelajari.