Publisher

BSIBSI

Journal Indonesian Journal on Software Engineering (IJSE)Indonesian Journal on Software Engineering (IJSE) Abstract

Penyakit Ginjal Kronis (PGK) merupakan salah satu masalah kesehatan serius dengan tingkat prevalensi yang terus meningkat di berbagai negara. Kondisi ini sering kali baru terdeteksi pada tahap lanjut, sehingga upaya deteksi dini sangat diperlukan untuk memperlambat perkembangan penyakit serta mengurangi risiko komplikasi. Penelitian ini mengkaji penerapan tiga pendekatan deep learning, yaitu Artificial Neural Network (ANN), Long Short-Term Memory (LSTM), dan Convolutional Neural Network (CNN), dalam klasifikasi data pasien untuk identifikasi awal PGK. Hasil kajian dari berbagai penelitian mutakhir menunjukkan bahwa metode ANN mampu memberikan hasil yang stabil ketika dipadukan dengan teknik seleksi fitur, sedangkan LSTM memiliki keunggulan dalam mengolah data berurutan sehingga efektif memprediksi perkembangan penyakit. Di sisi lain, CNN terbukti dapat mengekstraksi pola kompleks pada data medis dan meningkatkan akurasi sistem. Pendekatan gabungan atau ensemble yang mengintegrasikan lebih dari satu arsitektur juga dilaporkan mampu menghasilkan performa prediksi yang lebih tinggi dibandingkan metode tunggal. Temuan ini menegaskan bahwa integrasi teknik deep learning dengan strategi optimasi model dapat memberikan dukungan yang signifikan dalam sistem deteksi dini berbasis data medis, sehingga berpotensi membantu tenaga medis dalam proses pengambilan keputusan klinis yang lebih cepat dan tepat.

Conclusion

Penelitian ini menunjukkan bahwa model Convolutional Neural Network (CNN) memiliki kinerja paling optimal dalam klasifikasi penyakit ginjal kronis, dengan tingkat akurasi tertinggi sebesar 98% dibandingkan ANN dan LSTM.Secara umum, ketiga model deep learning mampu memberikan hasil prediksi yang baik sehingga berpotensi mendukung proses deteksi dini dan pengambilan keputusan di bidang kesehatan.Penerapan metode ini diharapkan dapat menjadi dasar pengembangan sistem pendukung keputusan dan sistem pakar yang lebih akurat dan adaptif dalam mendeteksi penyakit ginjal kronis di fasilitas pelayanan kesehatan.

Future Research

Berdasarkan penelitian ini, terdapat beberapa arah penelitian lanjutan yang dapat dieksplorasi untuk meningkatkan akurasi dan efektivitas sistem deteksi dini penyakit ginjal kronis. Pertama, penelitian dapat difokuskan pada pengembangan model deep learning yang mampu mengintegrasikan berbagai jenis data medis, seperti data genetik, data pencitraan, dan data klinis, untuk memberikan gambaran yang lebih komprehensif tentang kondisi pasien. Kedua, penelitian dapat mengeksplorasi penggunaan teknik transfer learning untuk memanfaatkan pengetahuan yang telah diperoleh dari dataset lain yang serupa, sehingga dapat mengurangi kebutuhan data latih yang besar dan mempercepat proses pelatihan model. Ketiga, penelitian dapat mengembangkan sistem deteksi dini yang mampu memberikan rekomendasi tindakan medis yang personal berdasarkan hasil prediksi dan karakteristik pasien, sehingga dapat membantu tenaga medis dalam membuat keputusan klinis yang lebih tepat dan cepat. Integrasi ketiga saran ini diharapkan dapat menghasilkan sistem deteksi dini penyakit ginjal kronis yang lebih akurat, efisien, dan personal, sehingga dapat memberikan manfaat yang signifikan bagi pasien dan sistem kesehatan secara keseluruhan.

References

1. Perbandingan Metode Klasifikasi dalam Memprediksi Penyakit Ginjal Kronis | Jurnal Informatika Ekonomi... Doi.Org/10.37034/Infeb.V7i3.1263Perbandingan Metode Klasifikasi dalam Memprediksi Penyakit Ginjal Kronis Jurnal Informatika Ekonomi Doi Org 10 37034 Infeb V7i3 1263
2. Analisis Faktor-Faktor Risiko Terjadinya Penyakit Ginjal Kronik Pada Pasien Hemodialisis | Hasanah |... jurnal.akperdharmawacana.ac.id/index.php/wacana/article/view/531Analisis Faktor Faktor Risiko Terjadinya Penyakit Ginjal Kronik Pada Pasien Hemodialisis Hasanah jurnal akperdharmawacana ac index php wacana article view 531

Metadata

File size	693.77 KB
Pages	10
DMCA	Report