Pengujian Kinerja Model Neural Network untuk Klasifikasi Status Merokok dengan Metrik Root Mean Squared Error (RMSE)
Article Sidebar
Main Article Content
Abstract
Merokok merupakan perilaku berisiko yang berkontribusi signifikan terhadap meningkatnya angka morbiditas dan mortalitas, sehingga diperlukan pendekatan yang lebih akurat untuk memprediksi peluang keberhasilan berhenti merokok pada setiap individu. Penelitian ini bertujuan untuk membangun model prediksi status berhenti merokok dengan memanfaatkan metode neural network sebagai bagian dari pendekatan machine learning. Dataset yang digunakan terdiri dari beberapa variabel yang merepresentasikan karakteristik perokok, meliputi tingkat ketergantungan nikotin, kadar karbon monoksida (CO) dalam napas, jumlah konsumsi rokok per hari, usia mulai merokok, riwayat upaya berhenti sebelumnya, kondisi emosional, serta tingkat motivasi untuk berhenti merokok. Tahapan penelitian diawali dengan proses prapemrosesan data, termasuk pembersihan data, normalisasi atribut numerik, dan pembagian data ke dalam data pelatihan dan data pengujian. Model neural network dikembangkan menggunakan arsitektur multilayer perceptron dengan algoritma pembelajaran backpropagation dan diimplementasikan menggunakan perangkat lunak RapidMiner. Evaluasi kinerja model dilakukan dengan menggunakan metrik Root Mean Squared Error (RMSE) untuk mengukur tingkat kesalahan prediksi antara nilai aktual dan nilai hasil prediksi. Hasil pengujian menunjukkan bahwa model yang dibangun menghasilkan nilai RMSE sebesar 0,409, yang mengindikasikan bahwa model mampu melakukan prediksi dengan tingkat kesalahan yang relatif rendah dan cukup stabil. Nilai RMSE tersebut menunjukkan bahwa metode neural network efektif dalam memodelkan hubungan nonlinier antara variabel pada dataset yang digunakan, sehingga model prediksi ini diharapkan dapat menjadi alat bantu dalam pengambilan keputusan terkait program intervensi berhenti merokok secara lebih tepat dan berbasis data.
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
Alhumaidi, N. H., Dermawan, D., Kamaruzaman, H. F., & Alotaiq, N. (2025). The Use of Machine Learning for Analyzing Real-World Data in Disease Prediction and Management: Systematic Review. JMIR Medical Informatics, 13, 1–22. https://doi.org/10.2196/68898
An, Q., Rahman, S., Zhou, J., & Kang, J. J. (2023). A Comprehensive Review on Machine Learning in Healthcare Industry: Classification, Restrictions, Opportunities and Challenges. Sensors, 23(9). https://doi.org/10.3390/s23094178
Furizal, Ma’arif, A., & Rifaldi, D. (2023). Application of Machine Learning in Healthcare and Medicine: A Review. Journal of Robotics and Control (JRC), 4(5), 621–631. https://doi.org/10.18196/jrc.v4i5.19640
Habehh, H., & Gohel, S. (2021). Machine Learning in Healthcare. Current Genomics, 22(4), 291–300. https://doi.org/10.2174/1389202922666210705124359
Herath, H. M. P. (2025). Comprehensive Review of Tobacco Control Measures in Sri Lanka: Insights from the WHO Report on the Global Tobacco Epidemic, 2023. European Journal of Medical and Health Sciences, 7(1), 29–32. https://doi.org/10.24018/ejmed.2025.7.1.2183
Hersi, M., Beck, A., Hamel, C., Esmaeilisaraji, L., Pussegoda, K., Austin, B., Ahmadzai, N., Pratt, M., Thuku, M., Yazdi, F., Bennett, A., Shaver, N., Vyas, N., Skidmore, B., Hutton, B., Manuel, D., Morrow, M., Pakhale, S., Presseau, J., … Stevens, A. (2024). Effectiveness of smoking cessation interventions among adults: an overview of systematic reviews. Systematic Reviews, 13(1), 1–33. https://doi.org/10.1186/s13643-024-02570-9
Hidayatulloh, R., Aji, W., & Prabowo, E. (2025). Analisis Performansi Model Machine Learning dalam Klasifikasi Penyakit Diabetes Tipe 2. JURIKOM (Jurnal Riset Komputer), 12(4). https://doi.org/10.30865/jurikom.v12i4.8747
Hock, E. S., Franklin, M., Baxter, S., Clowes, M., Chilcott, J., & Gillespie, D. (2023). Covariates of success in quitting smoking: a systematic review of studies from 2008 to 2021 conducted to inform the statistical analyses of quitting outcomes of a hospital-based tobacco dependence treatment service in the United Kingdom. NIHR Open Research, 3, 1–19. https://doi.org/10.3310/nihropenres.13427.2
Issabakhsh, M., Sánchez-Romero, L. M., Le, T. T. T., Liber, A. C., Tan, J., Li, Y., Meza, R., Mendez, D., & Levy, D. T. (2023). Machine learning application for predicting smoking cessation among US adults: An analysis of waves 1-3 of the PATH study. PLoS ONE, 18(6 JUNE), 1–16. https://doi.org/10.1371/journal.pone.0286883
MASTROBATTISTA, L., MORTALI, C., SOLIMINI, R., PICHINI, S., & PALMI, I. (2023). The national report on tobacco use 2023. Tabaccologia, 21(2), 22–26. https://doi.org/10.53127/tblg-2023-a011
Nisar, D. E. M., Amin, R., Shah, N. U. H., Ghamdi, M. A. A., Almotiri, S. H., & Alruily, M. (2021). Healthcare Techniques through Deep Learning: Issues, Challenges and Opportunities. IEEE Access, 9, 98523–98541. https://doi.org/10.1109/ACCESS.2021.3095312
Nuryunarsih, D., Okatiranti, O., & Herawati, L. (2023). Artificial neural network machine learning prediction of the smoking behavior and health risks perception of Indonesian health professionals. Environmental Analysis Health and Toxicology, 38(1). https://doi.org/10.5620/eaht.2023003
Pfeifer, B., & Schimek, M. G. (2021). A hierarchical clustering and data fusion approach for disease subtype discovery. Journal of Biomedical Informatics, 113, 103636. https://doi.org/10.1016/j.jbi.2020.103636
Tong, J., Li, L., Reps, J. M., Lorman, V., Jing, N., Edmondson, M., Lou, X., Jhaveri, R., Kelleher, K. J., Pajor, N. M., Forrest, C. B., Bian, J., Chu, H., & Chen, Y. (2024). Advancing Interpretable Regression Analysis for Binary Data: A Novel Distributed Algorithm Approach. Statistics in Medicine, 43(29), 5573–5582. https://doi.org/10.1002/sim.10250
Yapar, D., & İlhan, M. N. (2025). Global Tobacco Industry. Addicta: The Turkish Journal on Addictions, 12(1), 1–9. https://doi.org/10.5152/ADDICTA.2025.23137