Implementasi Convolutional Neural Network (CNN) untuk Klasifikasi Penyakit Akut Berdasarkan Gejala
DOI:
https://doi.org/10.57250/ajst.v3i1.1185Kata Kunci:
Convolutional Neural Network (CNN),, Klasifikasi Penyakit akut, Rekam Medis, GejalaAbstrak
Penelitian ini bertujuan untuk mengimplementasikan algoritma Convolutional Neural Network (CNN) dalam mengklasifikasikan penyakit akut berdasarkan gejala yang terdapat pada rekam medis pasien. Data yang digunakan dalam penelitian ini diperoleh dari Rumah Sakit Umum Daerah Provinsi Sulawesi Barat, dengan total 1004 data pasien yang mencakup berbagai gejala spesifik. Proses penelitian melibatkan tahap preprocessing data, termasuk pembersihan teks gejala, transformasi data menjadi format numerik, dan normalisasi data untuk memastikan kualitas input. Model CNN dibangun dengan arsitektur yang terdiri dari beberapa lapisan convolutional dan max pooling, serta dioptimasi menggunakan fungsi aktivasi ReLU dan Softmax. Evaluasi model dilakukan dengan membagi data menjadi set pelatihan dan pengujian menggunakan proporsi 80:20, 90:10 dan 70:30. Hasil pengujian menunjukkan bahwa model CNN mampu mencapai tingkat akurasi sebesar 93% pada data uji, dengan nilai precision, recall, dan F1-score yang tinggi di berbagai kelas penyakit. Temuan ini menunjukkan bahwa CNN efektif dalam mengidentifikasi pola gejala untuk klasifikasi penyakit akut. Penelitian ini diharapkan dapat berkontribusi dalam pengembangan sistem pendukung keputusan medis berbasis kecerdasan buatan untuk diagnosis penyakit akut secara lebih cepat dan akurat.
Referensi
Agustini, N. W. S., Priadi, D., & Atika, R. V. (2022). Profil Kimia dan Aktivitas Antibakteri Fraksi Aktif Nannochloropsis sp. sebagai Senyawa Penghambat Bakteri Penyebab Gangguan Kesehatan Mulut. Jurnal Pascapanen Dan Bioteknologi Kelautan Dan Perikanan, 17(1), 19. https://doi.org/10.15578/jpbkp.v17i1.781
Hana, F. M. (2020). Klasifikasi Penderita Penyakit Diabetes Menggunakan Algoritma Decision Tree C4.5. Jurnal SISKOM-KB (Sistem Komputer Dan Kecerdasan Buatan), 4(1), 32–39. https://doi.org/10.47970/siskom-kb.v4i1.173
Hawari, F. H., Fadillah, F., Alviandi, M. R., & Arifin, T. (2022). Klasifikasi Penyakit Tanaman Padi Menggunakan Algoritma Cnn (Convolutional Neural Network). Jurnal Responsif : Riset Sains Dan Informatika, 4(2), 184–189. https://doi.org/10.51977/jti.v4i2.856
Himawan, S. N., Sohiburroyan, R., Nugraha, N. B., Teknik Informatika, J., & Negeri Indramayu, P. (2022). Deteksi Kantuk Pengemudi Menggunakan Deep Learning. Seminar Nasional Industri Dan Teknologi (SNIT), Politeknik Negeri Bengkalis, November, 1–8.
Lahans, S. (2023). Understanding Acute Illness: Its Symptoms, Causes and Treatment Options. 07(100018), 100018. https://doi.org/10.35248/ACDR.23.07.18
Mestika, J. C., Selan, M. O., & Qadafi, M. I. (2022). Menjelajahi Teknik-Teknik Supervised Learning untuk Pemodelan Prediktif Menggunakan Python. BIIKMA : Buletin Ilmiah Ilmu Komputer Dan Multimedia, 99(99), 216–219.
Muhammad, Z., & Saputra, R. A. (2024). Deteksi Penyakit Retinopati Diabetes Menggunakan Citra Mata Dengan Implementasi Deep Learning Cnn. Jurnal Teknoinfo, 18(1), 121–132. https://ejurnal.teknokrat.ac.id/index.php/teknoinfo/article/view/3348
Naquitasia, R., Fudholi, D. H., & Iswari, L. (2022). Analisis Sentimen Berbasis Aspek pada Wisata Halal dengan Metode Deep Learning. Jurnal Teknoinfo, 16(2), 156. https://doi.org/10.33365/jti.v16i2.1516
Paabanan Simanjuntak, S., Sandino Berutu, S., & Setyawan, G. C. (2024). Implementasi Metode CNN pada Klasifikasi Sentimen terhadap Pelaksanaan Piala Dunia U-17 (Implementation of the CNN Method in Classifying Sentiments Regarding the Implementation of the U-17 World Cup). Journal of Engineering and Emerging Technology, 02(01), 23–32. www.jeet.unram.ac.id
Simanjuntak, J., Santoso, E., & Marji. (2021). Klasifikasi Penyakit Infeksi Saluran Pernapasan Akut ( ISPA ) dengan Menerapkan Metode Fuzzy K-Nearest Neighbor. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 5(11), 5023–5029.
Syafa’ah, L., & Lestandy, M. (2021). Penerapan Deep Learning untuk Prediksi Kasus Aktif Covid-19. Jurnal Sains Komputer & Informatika (J-SAKTI), 5(1), 453–457. https://tunasbangsa.ac.id/ejurnal/index.php/jsakti
Yuniarossy, B. A., Maulida Hindrayani, K., Damaliana, A. T., Studi, P., Data, S., Pembangunan, U., Veteran, N. ", & Timur, J. (2024). Analisis Sentimen Terhadap Isu Feminisme Di Twitter Menggunakan Model Convolutional Neural Network (Cnn). 5(1), 477–491. http://lebesgue.lppmbinabangsa.id/index.php/home
