1

Integrasi Metode Blockchain untuk Aplikasi berbasis IoT terhadap

Pencegahan Penyakit Jantung
Fajar Rahmat1,a), Raisqa Faadillah Jatmiko1,b), Ichsan Rizky Dwi Syahputra1,c)
1
Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam,Universitas Negeri Padang
a)
fajarrahmat7052@[Link]
b)
raisqajatmiko@[Link]
c)
ichsanrizky612@[Link]
ABSTRAK : Penyakit kardiovaskular, termasuk penyakit jantung, merupakan penyebab utama kematian di
seluruh dunia dengan lebih dari 17,9 juta kematian setiap tahunnya. Di Indonesia, penyakit ini menyebabkan
sekitar 651.481 kematian per tahun, termasuk stroke dan penyakit jantung koroner. Penelitian ini bertujuan
untuk menganalisis keakuratan algoritma Multilayer Perceptron (MLP) dalam mengklasifikasikan data pasien
penyakit jantung yang tersimpan dalam sistem Blockchain, dengan integrasi teknologi Blockchain, Internet of
Things (IoT), Artificial Intelligence (AI), dan layanan kesehatan untuk pendeteksian risiko secara real-time.
Data kesehatan dikumpulkan melalui perangkat IoT yang memonitor parameter vital seperti tekanan darah,
detak jantung, dan kadar kolesterol. Model MLP dirancang dengan satu lapisan input, dua lapisan tersembunyi,
dan satu lapisan output untuk klasifikasi biner. Tahap preprocessing meliputi normalisasi data dan pembagian
data menjadi 55% untuk pelatihan dan 45% untuk pengujian. Model dilatih selama 50 epoch menggunakan
algoritma optimasi Adam dan fungsi kerugian cross-entropy biner. Hasilnya menunjukkan bahwa model
tersebut memiliki akurasi sebesar 89%, dengan presisi, recall, dan F1-score masing-masing sebesar 0,89. Recall
untuk kelas “Tidak Ada Penyakit Jantung” adalah 0,86, sedangkan untuk kelas “Penyakit Jantung” mencapai
0,91. Sistem berbasis Blockchain memastikan keamanan dan transparansi data, sementara kontrak pintar
memungkinkan notifikasi otomatis kepada tenaga medis. Penelitian ini mendukung Tujuan Pembangunan
Berkelanjutan (SDGs), khususnya SDG 3 dan SDG 9, melalui pencegahan penyakit tidak menular berbasis
teknologi. Integrasi MLP, Blockchain, IoT, dan AI memberikan solusi yang aman, efisien, dan akurat dalam
mendeteksi penyakit jantung, sehingga dapat berkontribusi dalam mengurangi angka kematian akibat penyakit
kardiovaskular di Indonesia.

Kata Kunci : Artificial Intelligence, Blockchain, IoT, Multilayer Perceptron, Penyakit Jantung.

Pendahuluan

Berdasarkan Global Burden of Untuk mengatasi masalah ini, pemerintah

Cardiovascular Disease yang diterbitkan oleh Indonesia telah mengambil berbagai langkah
American Heart Association, penyakit melalui kebijakan dan program kesehatan, seperti
kardiovaskular (termasuk penyakit jantung) skrining di posyandu, kampanye kesehatan jantung,
merupakan penyebab kematian nomor satu di dan peningkatan layanan kesehatan. Kementerian
seluruh dunia dan secara substansial berkontribusi Kesehatan juga menggencarkan deteksi dini, di
terhadap kerugian kesehatan dan biaya sistem mana penyakit dapat ditemukan lebih awal
kesehatan yang berlebihan [1]. Pada tahun 2019, sehingga memungkinkan intervensi sejak dini dan
diperkirakan 523 juta orang hidup dengan penyakit penerapan metode terbaik sesuai kebutuhan serta
kardiovaskular, dengan 17,9 juta kematian yang sumber daya yang tersedia [4] Dengan demikian,
disebabkan oleh penyakit ini [2]. Penyakit jantung diharapkan penyakit tersebut akan lebih mudah
merupakan salah satu penyakit tidak menular yang ditangani. Namun, tantangan terbesar tetap terletak
menjadi penyebab utama kematian di dunia, pada perubahan perilaku masyarakat dan
termasuk di Indonesia. Berdasarkan data WHO, peningkatan kesadaran akan pentingnya deteksi
lebih dari 17 juta orang didunia meninggal setiap dini serta pola hidup sehat. Oleh karena itu,
tahunnya akibat penyakit jantung dan pembuluh diperlukan upaya lebih lanjut dari pemerintah dan
darah. Di Indonesia, data dari institute for health sektor kesehatan untuk
metrics and evolution pada tahun 2019
menunjukkan bahwa penyakit kardiovaskular
bertanggung jawab atas 651.481 kematian per
tahun, termasuk stroke dan penyakit jantung
koroner [3].
 2

memfasilitasi lebih banyak masyarakat dalam penyakit jantung [8], dengan integrasi neural
mengadopsi gaya hidup sehat. Selain itu, network, blockchain, dan IoT, faktor risiko seperti
diperlukan penyediaan akses yang lebih baik usia, kebiasaan merokok, tekanan darah tinggi, dan
terhadap layanan kesehatan yang terjangkau dan kadar kolesterol dapat dianalisis secara lebih akurat
merata di seluruh Indonesia. Salah satu upaya untuk mendukung upaya pencegahan yang efektif,
untuk menurunkan angka penderita penyakit dengan memahami dan mengelola faktor risiko
jantung di Indonesia adalah dengan menganalisis tersebut, langkah proaktif dapat diambil untuk
faktor-faktor signifikan dalam mendeteksi gejala mencegah penyakit jantung dan meningkatkan
penyakit jantung [5]. Analisis ini dapat dilakukan kualitas hidup masyarakat. Kolaborasi yang kuat
menggunakan metode jaringan saraf tiruan (neural antara pemerintah, tenaga kesehatan, dan
network) dengan model MLP [6]. masyarakat sangat diperlukan untuk menekan
beban penyakit kardiovaskular di Indonesia,
Neural network adalah salah satu program sekaligus meningkatkan kesehatan jantung
Machine Learning yang bekerja menyerupai otak masyarakat secara signifikan.
manusia melalui model Multilayer Perceptron [2].
Teknologi ini dapat diintegrasikan dengan Tujuan dari penelitian ini adalah untuk
blockchain dan Internet of Things (IoT) untuk menganalisis keakuratan algoritma MLP [6] dalam
menciptakan solusi yang aman dan efisien di mengklasifikasikan data pasien penyakit jantung
bidang kesehatan. Neural network memiliki yang tersimpan dalam sistem blockchain, dengan
kemampuan untuk menganalisis data pasien yang menganalisis data yang relevan, penelitian ini
dikumpulkan melalui perangkat IoT, seperti diharapkan dapat mendukung upaya pencegahan
wearable devices [2]. Menurut situs Statisa dan pengendalian penyakit jantung melalui deteksi
diperkirakan akan mencapai 29,4 miliar perangkat dini yang lebih akurat, sehingga dapat membantu
pada tahun 2030. Data tersebut dapat disimpan menurunkan angka kematian akibat penyakit
dengan aman di blockchain guna memastikan kardiovaskular, khususnya di Indonesia. Penelitian
akurasi, transparansi, dan perlindungan terhadap ini juga sejalan dengan Tujuan Pembangunan
manipulasi, sehingga memungkinkan deteksi dini Berkelanjutan (Sustainable Development
penyakit secara real-time. Teknologi ini sangat Goals/SDGs) [9], khususnya SDG 3: Kehidupan
relevan dalam mengatasi penyakit kardiovaskular, yang Sehat dan Kesejahteraan, dengan menurunkan
yang merupakan penyebab utama kematian di angka kematian akibat penyakit tidak menular
seluruh dunia dengan 9,4 juta kasus per tahun melalui pencegahan dan deteksi dini berbasis
menurut WHO. Di Indonesia, prevalensi penyakit teknologi, serta SDG 9: Industri, Inovasi, dan
jantung mencapai 1,5% dari populasi, berdasarkan Infrastruktur, dengan mendorong inovasi di bidang
Riskesdas 2018, dengan risiko yang meningkat kesehatan melalui penerapan teknologi digital
pada usia 65 tahun ke atas [7]. Selain itu, tekanan seperti IoT, blockchain, dan jaringan syaraf tiruan
darah tinggi, yang memengaruhi 1,28 miliar orang [7].
di dunia, menjadi salah satu faktor utama risiko

Metode penelitian

Jenis Penelitian ini menerapkan algoritma 1. chest pain type

MLP dalam mengklasifikasikan faktor-faktor Cp ● 0: Typical angina: nyeri dada
penyebab penyakit jantung [6]. Klasifikasi terkait mengurangi suplai
dilakukan menggunakan data klasifikasi penyakit darah ke jantung
jantung yang diperoleh dari situs web kaggle ● 1: Atypical angina: nyeri dada
[10].Variable pada data yang digunakan untuk tidak berhubungan dengan
penelitian ini adalah variable bebas dan terikat. jantung
Variabel Bebas berupa ● 2: Non-anginal pain: biasanya
kejang esofagus (tidak
Tabel 1. variabel bebas berhubungan dengan jantung)
● 3: Asymptomatic: nyeri dada
tidak menunjukkan tanda-
Age Usia dalam tahun tanda penyakit

Sex (1 = male; 0 = female) Threbps Mengistirahatkan tekanan darah (mm

Hg)
 3

● di atas 130-140 biasanya yang melewatinya

memprihatinkan ● semakin banyak gerakan
darah semakin baik (tidak ada
gumpalan)
Chol Serum cholestoral dalam mg/dl
● serum = LDL + HDL + .2 * Thal Hasil stres thalium
triglycerides ● 1,3: normal
● di atas 200 yang ● 6: fixed defect: dulu cacat tapi
memprihatinkan sekarang baik-baik saja
● 7: reversable defect: tidak ada
gerakan darah yang tepat saat
Fbs (Fasting blood sugar > 120 mg/dl) (1 berolahraga
= true; 0 = false)
● '>126' mg/dL signals diabetes
yang terdiri dari klasifikasi untuk penyakit jantung.
sedangkan variable terikat yaitu Target yang
Restacg Resting electrocardiographic results menjadi klasifikasi penderita menderita penyakit
● 0: Tidak ada yang perlu jantung atau tidak. Analisis data dilakukan dengan
diperhatikan menggunakan keras package dan tensorflow pada
● 1: ST-T Wave abnormality Google Colab [11].
○ dapat berkisar dari
gejala ringan hingga Tahapan analisis dalam penelitian ini
masalah parah dimulai dengan proses pengumpulan data
○ sinyal detak jantung kesehatan yang relevan. Data yang digunakan
yang tidak normal mencakup parameter penting seperti usia, jenis
● 2: Possible or definite left kelamin, tekanan darah, detak jantung, kadar
ventricular hypertrophy kolesterol, dan tingkat aktivitas fisik. Data mentah
○ Ruang pompa utama yang dikumpulkan kemudian melalui tahap
jantung yang preprocessing untuk memastikan bahwa data dalam
diperbesar format yang siap digunakan. Langkah awal dalam
preprocessing adalah normalisasi data, di mana
setiap fitur diubah ke skala yang seragam
Thalach Denyut jantung maksimum tercapai menggunakan metode z-score normalization. Hal
ini bertujuan untuk menghindari dominasi fitur
Exang Latihan diinduksi angina (1 = yes; 0 = dengan nilai besar terhadap performa model.
no) Setelah itu, data dibagi menjadi dua subset utama,
yaitu data latih sebanyak 80% dan data uji
Oldpeak Depresi ST yang disebabkan oleh sebanyak 20%, yang digunakan untuk melatih dan
olahraga relatif terhadap istirahat mengevaluasi model
● melihat stres jantung saat
berolahraga Pada tahap pembangunan model,
● jantung yang tidak sehat akan digunakan arsitektur MLP [12] yang terdiri dari
lebih stres satu lapisan input dengan tujuh neuron, dua lapisan
tersembunyi dengan 64 dan 32 neuron, serta satu
lapisan output dengan satu neuron. Fungsi aktivasi
Slope Kemiringan segmen ST latihan puncak yang digunakan adalah ReLU (Rectified Linear
● 0: Upsloping: detak jantung Unit) pada lapisan tersembunyi untuk memastikan
yang lebih baik dengan kemampuan model menangkap pola non-linear,
olahraga (tidak biasa) sedangkan fungsi aktivasi sigmoid digunakan pada
● 1: Flatsloping: perubahan lapisan output untuk menghasilkan probabilitas
minimal (jantung sehat yang klasifikasi biner. Model dioptimasi menggunakan
khas) algoritma Adam dan fungsi loss binary cross-
● 2: Downslopins: tanda-tanda entropy untuk meminimalkan kesalahan prediksi
jantung yang tidak sehat selama proses pelatihan. Model dilatih selama 50
epoch dengan batch size 32 untuk memastikan
konvergensi yang optimal.
Jumlah pembuluh darah utama (0-3)
Ca diwarnai oleh flourosopy
Setelah pelatihan selesai, model dievaluasi
● pembuluh berwarna berarti
menggunakan data uji untuk mengukur performa
dokter dapat melihat darah
 4

klasifikasi. Metode evaluasi yang digunakan

mencakup akurasi, precision, recall, dan F1-score.
Akurasi mengukur sejauh mana model dapat
memprediksi dengan benar seluruh data uji,
sementara precision dan recall masing-masing Hasil Dan Pembahasan
mengukur ketepatan model dalam mengidentifikasi
kelas positif serta sensitivitas model terhadap A. Pengumpulan Data
deteksi kelas tersebut. F1-score digunakan untuk
menyeimbangkan precision dan recall, sehingga Data yang digunakan dalam penelitian ini
memberikan gambaran kinerja keseluruhan model adalah data yang diperoleh dari situs web kaggle
[11]. [10] yang berisi variabel tentang Prediksi Penyakit
Jantung Menggunakan Machine Learning. Dataset
Pasien yang digunakan adalah data yang berisi 14
variabel, yang terdiri dari 13 variabel bebas dan 1
Tabel 2. Confusion Matrix variabel terikat. atribut variabel bebas yang
Perkiraan digunakan adalah age, sex, cp, trestbps, chol, fbs,
Aktual restecg, thalach, exang, oldpeak, slope, ca, thal,
Positif Negatif
True Positive False Negative Dalam data ini, variabel terikat adalah target yang
Positif (TP) (FN) berisi informasi pasien dan variabel terikat
Negati False Positive True Negative menunjukkan status kesehatan pasien, yaitu apakah
f (FP) (TN) pasien didiagnosis menderita penyakit jantung atau
tidak.
(Sumber: Bramer, 2007)

NO age sex cp trestbps chol fbs restecg

Keterangan :
1 63 1 3 145 233 1 0
a. TP adalah kasus data aktual positif dan
diprediksi sebagai data positif. 2 37 1 2 130 250 0 1
b. FN adalah kasus data aktual positif dan 3 41 0 1 130 204 0 0
diprediksi sebagai data negatif. 4 56 1 1 120 236 0 1
c. FP adalah kasus data aktual negatif dan 5 57 0 0 120 354 0 1
diprediksi sebagai data positif. 6 57 1 0 140 192 0 1
d. TN adalah kasus data aktual negatif dan 7 56 0 1 140 294 0 0
diprediksi sebagai data negatif. 8 44 1 1 120 263 0 1
9 52 1 2 172 199 1 1
TP+TN
Accuracy= 10 57 1 2 150 168 0 1
TP+ FN + FP+TN …. … … … … … … …
303 57 0 1 130 236 0 0
TP
Precision = ca thal
TP+ FP thalach exang oldpeak slope target
150 0 2.3 0 0 1 1
187 0 3.5 0 0 2 1
TP
Recall= 172 0 1.4 2 0 2 1
TP+ FN
178 0 0.8 2 0 2 1
163 1 0.6 2 0 2 1
Tabel 3. Tingkatan Score Akurasi
Score Akurasi Tingkatan Klasifikasi 148 0 0.4 1 0 1 1
0,90 – 1,00 Sangat Baik 153 0 1.3 1 0 2 1
0,80 – 0,90 Baik 173 0 0 2 0 3 1
0,70 – 0,80 Cukup
0,60 – 0,70 Buruk 162 0 0.5 2 0 3 1
0,50 – 0,60 Gagal 174 0 1.6 2 0 2 1
(Sumber: Gaspersz, 2011) … … … … … … …
174 0 0 1 1 2 0

Tabel 4. Tampilan data

 5

Penyakit
Jantung

Data ini kemudian divalidasi oleh Blockchain

Jumlah data yang digunakan sebanyak 303 data
untuk menjamin keamanannya. Flowchart berikut
menjelaskan tahapan analisis dalam penelitian ini : pasien yang terdiri dari 165 data penyakit jantung
dan 138 data non penyakit jantung. Proporsi data
training dan testing adalah 55:45 seperti yang
ditunjukkan pada tabel.4. Data training sebesar
55% pada kategori Penyakit Jantung sebanyak 132
data dan kategori Non-Penyakit Jantung sebanyak
110 data. Data testing sebanyak 45% pada kategori
Penyakit Jantung sebanyak 33 data dan kategori
Non-Penyakit Jantung sebanyak 28 data.

C. Model MLP

Model Multilayer Perceptron digunakan untuk

mengklasifikasikan seorang pasien beresiko
terkena Penyakit Jantung atau tidak, dimana model
yang terbentuk adalah model sekuensial yang
terdiri dari beberapa layer [12]. Pada tahap ini
digunakan Keras Package pada bahasa
pemrograman Python. Berikut flowchart yang
Gambar.1 Flowchart analisis menjelaskan algoritma pembuatan model MLP. :

Data real-time dari Perangkat IoT dikirim melalui

gateway menuju server untuk dianalisis lebih
lanjut. Dalam sistem ini, Blockchain digunakan
untuk menjamin keaslian dan keamanan data yang
dikirim. Setiap data yang masuk diveritifikasi oleh
smart contract sebelum disimpan ke Blockchain.
Hal ini memastikan bahwa data dari Perangkat IoT
tidak dapat dimanipulasi oleh pihak tidak
bertanggung jawab.

B. Preprocessing Data

Pada tahap prepocessing data, ada 2 tahapan

yang dilakukan, yaitu Normalisasi dan pembagian
dataset. Normalisasi data digunakan untuk
memastikan data berada dalam skala yang seragam.
Selanjutnya, dataset dibagi dengan perbandingan
55% data training dan 45% data testing. Dataset
yang dibagi ke dalam 55% data training dan 45%
data testing yang digunakan masih dapat diterima
dibandingkan dengan pembagian standar seperti
80% data training dan 20% data testing, karena
Gambar.2 Flowchart MLP
penting untuk tetap menjaga ditribusi kategori yang
seimbang di dalam kedua set (training dan testing).
Tahapan pertama adalah memulai dengan
pemuatan dataset yang berisi atribut medis pasien.
Tabel 5. Persentase Dataset
Dataset kemudian melalui proses preprocessing.
Setelah itu, dataset dibagi menjadi data pelatihan
Kategori Training Testing (training) dan data pengujian (testing) untuk
Persen Pembagian Perse Pembagi memastikan model dapat dievaluasi dengan baik
Jumlah (%) Data n (%) an Data pada data tersebut. Model MLP dinisialisasi
Data
Penyakit menggunakan sequential API dan keras package.
Jantung 165 55% 132 55% 33 Arsitektur model mencakup lapisan masukan sesuai
Tidak 138 45% 110 45% 28 dengan jumlah variabel dalam dataset. Setelah itu,
 6

proses pelatihan model dilakukan menggunakan Pada model MLP pelatihan dilakukan dengan
data testing dengan metode optimisasi Adam dan membandingkan nilai epoch, besar kecilnya nilai
fungsi loss. epoch yang ditentukan mempengaruhi proses
pembelajaran dan akan berhenti tepat pada nilai
Setelah pelatihan, model dievaluasi menggunakan epoch yang ditentukan, yaitu dengan akurasi di atas
data training dengan ya itu nilai accuracy, 90%. Berdasarkan hasil pelatihan yang dilakukan,
precision, dan recall dihitung untuk mengukur hasil perbandingan nilai akurasi dan loss accuracy
performa model. Hasil evaluasi ini digunakan adalah sebagai berikut:
untuk memastikan model mampu Tabel 7. Perbandingan Nilai Epoch menggunakan
mengklasifikasikan pasien dengan risiko penyakit Optimizer Adam
jantung secara akurat. Hasil Model Sequential yang Data Training Data Testing
Epoch
digunakan pada penelitian ini dapat dilihat pada
Val Val
tabel. Accuracy Loss Acc Loss

Tabel 6. Hasil model sequensial 4 0.8202 0.5049 0.8197 0.4739

Layer (type) Output Shape Parameter 20 0.8581 0.3144 0.8689 0.4013
40 0.8878 0.2530 0.8852 0.4381
dense (Dense) (None, 64) 512
47 0.9314 0.2077 0.8852 0.4516
dropout
50 0.8795 0.2522 0.8852 0.4545
(Dropout) (None, 64) 0
dense_1
Berdasarkan Tabel 5, dapat dilihat bahwa semakin
(Dense) (None, 32) 2,000
besar nilai epoch yang digunakan, maka akurasi
dense_2
(Dense) (None, 1) 33 dari data training juga semakin meningkat. Namun,
Total params: 7,877 nilai epoch yang terlalu besar dapat menyebabkan
Trainable params: 2,625 perlambatan pada proses pelatihan. Berdasarkan
Non-trainable params: 0 tabel tersebut, dapat dilihat bahwa akurasi tertinggi
Optimizer params : 5,252 terdapat pada epoch 47 dengan nilai akurasi data
latih sebesar 93.14% dengan nilai loss sebesar
Model neural network yang ditampilkan memiliki 20.77%.
tiga lapisan yang terhubung penuh (padat) dan satu
lapisan putus-putus, dengan total 7,877 parameters. E. Arisitektur Neural network
Lapisan pertama adalah lapisan padat dengan 64
neuron dan 512 parameter yang dihitung Arsitektur Neural network yang digunakan
berdasarkan jumlah input dan bias. Kemudian, ada untuk klasifikasi penyakit jantung ini menggunakan
lapisan dropout tanpa parameter yang digunakan model MLP dengan beberapa lapisan utama [12].
untuk mencegah overfitting dengan mengabaikan Lapisan input terdiri dari sejumlah neuran yang
beberapa neuron secara acak selama pelatihan. terdiri dari fitur-fitur dalam dataset yaitu variabel
Selanjutnya, ada lapisan padat kedua dengan 32 bebas. Model ini memiliki dua Hidden Layers
neuron dan 2,000 parameter, diikuti oleh lapisan dengan sejumlah besar neuron yang saling
padat terakhir sebagai lapisan keluaran dengan satu terhubung. Lapisan tersembunyi ini berfungsi
neuron dan 33 parameter. untuk menangkap hubungan non-linear dalam data,
sehingga mampu mempelajari pola kompleks yang
Model neural network ini didesain dengan tidak terlihat secara langsung dalam dataset.
struktur yang sederhana dan efisien, sehingga
sangat cocok untuk menyelesaikan masalah
prediksi dengan output tunggal, seperti regresi [13].
Dengan jumlah parameter yang relatif sedikit
(2.625 trainable), model ini berpotensi untuk
dilatih dengan cepat namun tetap dapat
menghasilkan generalisasi yang baik berkat
implementasi dropout layer. Struktur yang ringan
ini membuatnya ideal untuk digunakan dalam
aplikasi dengan sumber daya komputasi yang
terbatas, sekaligus meminimalkan risiko
overfitting. Gambar.3 Hasil visualisasi arsitektur Neural
network
D. Pelatihan Model MLP
 7

Berdasarkan Gambar.3 dapat dilihat arsitektur ini Gambar.4 Hasil confussion matrix
menampilkan beberapa lapisan, yaitu lapisan input,
lapisan tersembunyi, dan lapisan output. Tujuan Tabel confusion matrix diatas menampilkan hasil
dari visualisasi ini adalah memberikan pemahaman evaluasi kinerja model klasifikasi untuk
tentang bagaimana data diproses melalui lapisan- memprediksi apakah seorang pasien beresiko yang
lapisan tersebut untuk menghasilkan prediksi risiko mempunyai penyakit jantung.
penyakit jantung. Setiap neuron dalam lapisan
berhubungan dengan neuron pada lapisan Tabel 8. Hasil Evaluasi Model
berikutnya melalui koneksi berbobot yang Precision Recall F1- Support
diperbarui selama proses pelatihan model. score
0 (Tidak 0.89 0.86 0.88 29
Model ini menggunakan 13 neuron pada Penyakit
Jantung)
lapisan input, yang sesuai dengan jumlah fitur 1 (Penyakit 0.89 0.91 0.89 32
dalam dataset penyakit jantung. Pemilihan jumlah Jantung)
input ini didasarkan pada fitur-fitur relevan yang
tersedia dalam dataset, seperti usia, jenis kelamin, Accuracy 0.89 61
tekanan darah, kolesterol, kadar gula darah, dan Macro avg 0.89 0.88 0.88 61
hasil uji medis lainnya. Fitur-fitur tersebut
Weighted avg 0.89 0.89 0.89 61
merupakan variabel yang penting dan memiliki
korelasi dengan risiko penyakit jantung, sehingga
semuanya dimasukkan sebagai input ke dalam Hasil evaluasi menunjukkan bahwa model
model. klasifikasi biner yang digunakan untuk
memprediksi penyakit jantung memiliki kinerja
Lapisan tersembunyi terdiri dari sejumlah yang baik dan seimbang di kedua kelas. Model ini
neuron yang dirancang untuk menangkap pola non- mencapai akurasi keseluruhan sebesar 89%, yang
linear dalam data. Fungsi aktivasi seperti ReLU berarti 89% dari total prediksi, baik untuk kelas
digunakan pada lapisan ini untuk memastikan “Tidak Berpenyakit Jantung” (kelas 0) maupun
model dapat belajar representasi kompleks dari “Berpenyakit Jantung” (kelas 1), adalah benar.
data. Lapisan output memiliki 1 neuron dengan Pada metrik precision, kedua kelas memiliki nilai
fungsi aktivasi sigmoid, yang bertujuan yang sama, yaitu 0.89. Hal ini menunjukkan bahwa
menghasilkan probabilitas biner untuk dari semua prediksi positif yang dibuat oleh model,
mengklasifikasikan apakah seorang pasien 89% benar untuk kedua kelas. Metrik recall
memiliki risiko penyakit jantung (1) atau tidak (0). menunjukkan kemampuan model untuk
mengidentifikasi sampel positif dengan benar.
Model ini cukup handal dan dapat diandalkan Untuk kelas 0 (tidak ada penyakit), recall tercatat
untuk aplikasi klasifikasi penyakit jantung dengan sebesar 0,86, menunjukkan bahwa 86% dari semua
tingkat kesalahan yang relatif rendah. Visualisasi sampel aktual tanpa penyakit jantung diidentifikasi
ini menunjukkan bagaimana setiap fitur input dengan benar. Sementara untuk kelas 1 (penyakit),
berkontribusi melalui jaringan untuk menghasilkan recall lebih tinggi, yaitu 0.91, yang berarti 91%
klasifikasi, sementara jumlah input ditentukan oleh dari seluruh sampel aktual dengan penyakit jantung
relevansi fitur yang tersedia dalam dataset medis. dapat terdeteksi dengan benar.

F. Evaluasi Model ` Lebih lanjut, nilai F1-score untuk kelas 0

dan kelas 1 masing-masing adalah 0,88 dan 0,89.
Evaluasi model dilakukan pada epoch 47 Nilai F1-score yang tinggi mengindikasikan bahwa
dengan menggunakan hasil model dari proses model memiliki keseimbangan yang baik antara
klasifikasi yang ditampilkan dalam bentuk precision dan recall, sehingga performa model
confusion matrix. Gambar 4 menampilkan hasil tidak hanya berfokus pada satu metrik saja. Dalam
confussion matrix dari model MLP : hal distribusi data, jumlah sampel dalam evaluasi
cukup seimbang, dengan 29 sampel untuk kelas 0
dan 32 sampel untuk kelas 1. Metrik rata-rata
makro (macro avg) menunjukkan nilai precision,
recall, dan F1-score masing-masing sebesar 0.89,
0.88, dan 0.88, tanpa memperhitungkan distribusi.
Sementara itu, rata-rata tertimbang (weighted kelas
average), yang mempertimbangkan distribusi data
antar kelas, memberikan hasil yang konsisten, yaitu
precision, recall, dan F1-score sebesar 0.89. Hal ini
menunjukkan bahwa model mempertahankan
performa yang stabil meskipun dengan adanya
 8

perbedaan jumlah sampel pada kedua kelas. Secara yang tinggi, terbukti dari hasil evaluasi dengan
keseluruhan, model ini memiliki performa yang nilai precision, recall, dan f1-score yang
sangat baik untuk tugas klasifikasi penyakit memuaskan. Selain itu, penggunaan teknologi
jantung, terutama pada kelas penyakit (kelas 1)
blockchain menjamin keamanan, transparansi, dan
yang memiliki recall yang lebih tinggi. Namun,
model ini masih memiliki ruang untuk perbaikan, keandalan dalam menyimpan data pasien. Data
terutama pada recall kelas 0 (tidak ada penyakit) yang dihasilkan oleh perangkat IoT dan prediksi
untuk meningkatkan sensitivitas terhadap sampel model MLP disimpan di blockchain untuk
negatif. Dengan akurasi yang tinggi dan metrik mencegah manipulasi data, sekaligus memberikan
yang konsisten, model ini cukup handal dan dapat akses yang aman dan terbatas hanya kepada pihak
diandalkan untuk aplikasi prediksi penyakit yang berwenang seperti dokter atau keluarga
jantung, dengan tingkat kesalahan yang relatif
pasien. Penerapan smart contract pada blockchain
rendah.
juga mendukung otomatisasi tindakan darurat,
Kesimpulan seperti notifikasi berisiko tinggi kepada tenaga
medis. Hasil dari penelitian ini menunjukkan
Berdasarkan hasil penelitian mengenai bahwa integrasi blockchain dan IoT,
integrasi metode blockchain untuk aplikasi berbasis dikombinasikan dengan model MLP, memberikan
IoT untuk pencegahan penyakit jantung solusi yang inovatif dan efektif untuk mendukung
menggunakan jaringan syaraf tiruan dengan model pencegahan penyakit jantung. Dengan pendekatan
MLP [5], [12]. Penelitian ini berhasil ini, sistem tidak hanya me mberikan klasifikasi
mengembangkan sebuah sistem yang mampu yang akurat tetapi juga menjaga privasi dan
memanfaatkan perangkat IoT untuk keamanan data pasien, yang sangat penting dalam
mengumpulkan data kesehatan pasien secara real perawatan kesehatan berbasis teknologi. Penelitian
time, seperti detak jantung, tekanan darah, dan ini memberikan kontribusi yang signifikan terhadap
parameter vital lainnya. Data tersebut dianalisis pengembangan teknologi perawatan kesehatan
dengan model MLP yang dirancang untuk pintar yang lebih aman dan dapat diandalkan.
mendeteksi risiko penyakit jantung dengan akurasi
 9

Daftar Pustaka

[1] M. Vaduganathan, G. A. Mensah, J. V. Turco, V. Fuster, and G. A. Roth, “The Global Burden of
Cardiovascular Diseases and Risk,” Journal of the American College of Cardiology, vol. 80, no. 25, pp.
2361–2371, Dec. 2022, doi: 10.1016/[Link].2022.11.005.
[2] Irpanudin, Reka, R. Nur Anggraeni, P. Pratama, A. Sujjada, and A. Fergina, “Prediksi Penyakit Jantung
Menggunakan Metode Deep Neural network dengan Memanfaatkan Internet of Things,” jidt, pp. 45–55,
Jun. 2023, doi: 10.37034/jidt.v5i2.330.
[3] Kemenkes, “Penyakit Jantung - Penyakit Tidak Menular Indonesia.” Accessed: Dec. 23, 2024. [Online].
Available: [Link]
[4] Kemenkes, “Perkuat Intervensi Pencegahan Penyakit, Kemenkes Luncurkan Laboratorium Kesehatan
Masyarakat,” Aug. 27, 2024. Accessed: Dec. 23, 2024. [Online]. Available:
[Link]
kesehatan-masyarakat?utm_source
[5] Irpanudin, Reka, R. Nur Anggraeni, P. Pratama, A. Sujjada, and A. Fergina, “Prediksi Penyakit Jantung
Menggunakan Metode Deep Neural network dengan Memanfaatkan Internet of Things,” jidt, pp. 45–55,
Jun. 2023, doi: 10.37034/jidt.v5i2.330.
[6] R. Firdaus, D. Mualfah, and J. S. Hasanah, “Klasifikasi Multi-Class Penyakit Jantung Dengan SMOTE dan
Pearson’s Correlation menggunakan MLP,” CoSciTech, vol. 4, no. 1, pp. 262–271, Apr. 2023, doi:
10.37859/coscitech.v4i1.4769.
[7] L. Marleni and A. Alhabib, “Faktor Risiko Penyakit Jantung Koroner di RSI SITI Khadijah Palembang,”
JK, vol. 8, no. 3, p. 478, Nov. 2017, doi: 10.26630/jk.v8i3.663.
[8] WHO, “Hypertension.” Accessed: Dec. 23, 2024. [Online]. Available:
[Link]
[9] U. Nation, “THE 17 GOALS | Sustainable Development.” Accessed: Dec. 23, 2024. [Online]. Available:
[Link]
[10] D. Halim Susilo, “Klasifikasi Penyakit Jantung.” Accessed: Dec. 23, 2024. [Online]. Available:
[Link]
[11] Revina Rahmadani, Yenni Kurniawati, Dony Permana, and Dina Fitria, “Classification of Harvest - Non
Harvest in Rice Plant Image Using Convolutional Neural network Algorithm,” ujsds, vol. 2, no. 3, pp. 249–
256, Aug. 2024, doi: 10.24036/ujsds/vol2-iss3/181.
[12] J. Singh and R. Banerjee, “A Study on Single and Multi-layer Perceptron Neural network,” in 2019 3rd
International Conference on Computing Methodologies and Communication (ICCMC), Erode, India: IEEE,
Mar. 2019, pp. 35–40. doi: 10.1109/ICCMC.2019.8819775.
[13] Y. Wu and J. Feng, “Development and Application of Artificial Neural network,” Wireless Pers Commun,
vol. 102, no. 2, pp. 1645–1656, Sep. 2018, doi: 10.1007/s11277-017-5224-x.