Tinjauan Literatur Penggunaan Berbagai Algoritma Machine Learning Dalam Deteksi Dan Prediksi Penyakit Autoimun

Abstract

Penyakit autoimun merupakan kelompok penyakit kompleks yang membutuhkan metode deteksi dan prediksi yang akurat untuk meningkatkan diagnosis dini dan pengelolaan pasien. Artikel ini menyajikan tinjauan literatur mengenai penerapan berbagai algoritma Machine Learning yang digunakan dalam penelitian terkait deteksi dan prediksi penyakit autoimun. Studi ini mencakup beberapa metode, yaitu jaringan hemato-endotelial, Teorema Bayes, algoritma Random Forest, algoritma genetika, dan Backpropagation. Setiap metode dievaluasi berdasarkan tujuan, hasil, serta efektivitasnya dalam mendeteksi dan memprediksi penyakit autoimun tertentu. Misalnya, jaringan hemato-endotelial memberikan wawasan baru dalam identifikasi penyakit autoimun, sedangkan Teorema Bayes diterapkan dalam sistem pakar untuk diagnosis yang lebih cepat dan akurat. Algoritma Random Forest menunjukkan efektivitas tinggi dalam klasifikasi multiple sclerosis, sementara algoritma Backpropagation dan genetika diuji dalam memprediksi penyakit autoimun lainnya dengan hasil yang memuaskan. Berdasarkan tinjauan ini, algoritma-algoritma tersebut berpotensi menjadi alat bantu penting bagi tenaga medis dalam mengidentifikasi jenis penyakit autoimun secara cepat dan akurat, serta mendukung pengambilan keputusan dalam pengelolaan penyakit. Dengan demikian, penelitian ini diharapkan dapat memberikan kontribusi dalam pemilihan algoritma Machine Learning yang tepat untuk mengoptimalkan diagnosis dan prediksi penyakit autoimun di masa mendatang.