Literatur Review: Klasifikasi Penyakit Hati Menggunakan Metode Deep Neural Networks
Keywords:
Deep Neural Network, Penyakit HatiAbstract
Penyakit hati menjadi salah satu masalah kesehatan yang menyebar secara global, dengan prevalensi yang tinggi dan risiko komplikasi serius yang dapat berakhir pada kematian. Identifikasi dan diagnosis dini penyakit hati sangat penting agar pasien dapat menerima pengobatan tepat waktu. Namun, klasifikasi penyakit hati sering kali menantang bagi tenaga medis, terutama ketika menghadapi data medis yang kompleks dan jumlahnya besar. Oleh karena itu, diperlukan metode yang efektif dan akurat untuk membantu klasifikasi dan diagnosis penyakit hati secara otomatis. Dalam beberapa tahun terakhir, metode kecerdasan buatan, khususnya Deep Neural Networks (DNN), telah berkembang pesat dan menunjukkan performa yang menjanjikan dalam berbagai bidang, termasuk kesehatan. Deep Learning adalah jenis pembelajaran mesin yang mengajarkan komputer untuk melakukan tugas dengan menggunakan contoh manusia. Deep learning merupakan bagian dari machine learning yang terinspirasi dari sistem kerja otak manusia dengan menerapkan pembelajaran secara hirarki. Dengan adanya deep learning meminimalkan waktu yang digunakan untuk training data(Noris & Waluyo, 2023). DNN mampu mengolah data medis secara mendalam dan menghasilkan model prediksi dengan akurasi tinggi. Dengan karakteristiknya yang kuat dalam analisis data yang kompleks, DNN diharapkan dapat menjadi solusi yang efektif untuk klasifikasi penyakit hati. Literature review ini akan membahas penelitian-penelitian terdahulu yang menggunakan metode DNN untuk klasifikasi penyakit hati. Pembahasan meliputi berbagai pendekatan dan teknik DNN yang telah diterapkan, data yang digunakan, hasil yang diperoleh, serta kelebihan dan kekurangan dari setiap pendekatan. Dengan demikian, tinjauan ini akan mengidentifikasi kekurangan dan celah dalam penelitian terdahulu, serta potensi pengembangan lebih lanjut untuk meningkatkan akurasi dan efisiensi klasifikasi penyakit hati menggunakan Deep Neural Network (DNN) adalah Algoritma deep neural network sering dimanfaatkan untuk menganalisis beragam fitur atau variabel.DNN terdiri dari Perceptron berlapis-lapis, di mana setiap neuron dalam satu lapisan terhubung dengan seluruh neuron di lapisan berikutnya. Kesimpulan yang bisa diambil yaitu, Metode Deep Neural Network(DNN) dapat menjadi solusi yang efektif untuk mengklasifikasikan penyakit hati, terutama jika didukung oleh teknik pra-pemrosesan yang tepat dan data yang berkualitas.
References
Afrah, A. S. (2023). Sistem Diagnosa Penyakit Liver Menggunakan Metode Artificial Neural Network: Studi Berdasarkan Dataset Indian Liver Patient Dataset. Jurnal Informatika: Jurnal Pengembangan IT, 8(3), 308–312. https://doi.org/10.30591/jpit.v8i3.5346
Al Fadil Syahputra, S., Mita Azizah, N., Aiman, J., Ainun Nikmah, D., & Rosyani, P. (2024). Identifikasi dan Prediksi Umur Bedasarkan Citra Wajah Menggunakan Deep Learning Algoritma Convolutional Neural Network(CNN). Jurnal Artificial Inteligent Dan Sistem Penunjang Keputusan, 2(1), 87–95.
Fernianti, A. (2020). Literature Review : Penataan Ruang Belajar Yang Menarik Dan Perkembangan Kognitif Anak. 1–36.
Gunawan, D., & Setiawan, H. (2022). Convolutional Neural Network dalam Citra Medis. KONSTELASI: Konvergensi Teknologi Dan Sistem Informasi, 2(2), 376–390. https://doi.org/10.24002/konstelasi.v2i2.5367
Irmawati, I., Widianto, K., Aziz, F., Rifai, A., & Rahmawati, A. (2022). Implementasi Artificial Neural Network Dalam Mendeteksi Penyakit Hati (Liver). Journal of Information System, Applied, Management, Accounting and Research, 6(1), 193–198. https://doi.org/10.52362/jisamar.v6i1.694
Naraloka, T., Kesuma, L. I., Sukmawati, A., & Cristianti, M. (2022). Arsitektur U-Net pada Segmentasi Citra Hati sebagai Deteksi Dini Kanker Liver. Techno.Com, 21(4), 753–764. https://doi.org/10.33633/tc.v21i4.6669
Noris, S., & Waluyo, A. (2023). Penerapan Deep Learning untuk Klasifikasi Buah Menggunakan Algoritma Convolutional Neural Network (CNN). Jurnal Teknologi Sistem Informasi Dan Aplikasi, 6(1), 39–46. https://doi.org/10.32493/jtsi.v6i1.29648
Rasywir, E., Sinaga, R., & Pratama, Y. (2020). Evaluasi Pembangunan Sistem Pakar Penyakit Tanaman Sawit dengan Metode Deep Neural Network (DNN). Jurnal Media …, 4(5), 1206–1215. https://doi.org/10.30865/mib.v4i4.2518
Rosyani, P., Saprudin, S., & Amalia, R. (2021). Klasifikasi Citra Menggunakan Metode Random Forest dan Sequential Minimal Optimization (SMO). Jurnal Sistem Dan Teknologi Informasi (Justin), 9(2), 132. https://doi.org/10.26418/justin.v9i2.44120
Triandini, E., Jayanatha, S., Indrawan, A., Putra, G. W., Iswara, B., Studi, P., Informasi, S., Bali, S., Raya, J., & No, P. (n.d.). Metode Systematic Literature Review untuk Identifikasi Platform dan Metode Pengembangan Sistem Informasi di Indonesia. In Indonesian Journal of Information Systems (IJIS (Vol. 1, Issue 2). https://www.google.com




