Deteksi Penyakit Paru dengan Metode Jaringan Saraf Tiruan (JST)
Keywords:
Logika jaringan saraf tiruanAbstract
Penelitian ini menggambarkan pengembangan program pendeteksi penyakit paru
menggunakan metode Jaringan Saraf Tiruan (JST) dengan submetode K-Nearest Neighbors
(KNN) dan Multilayer Perceptron (MLP). Penyakit paru merupakan masalah kesehatan yang
serius dan kompleks, sehingga deteksi dini sangat penting untuk meningkatkan prognosis dan
kesempatan penyembuhan pasien. Melalui penggunaan kecerdasan buatan, program pendeteksi
ini bertujuan untuk meningkatkan akurasi dan kecepatan diagnosis penyakit paru. Laporan ini
dimulai dengan pendahuluan yang menjelaskan latar belakang dan perumusan masalah terkait
penyakit paru serta tujuan penelitian dan manfaatnya. Tinjauan pustaka membahas berbagai
jenis penyakit paru, metode deteksi yang telah digunakan sebelumnya, konsep Jaringan Saraf
Tiruan (JST), aplikasi JST dalam deteksi penyakit paru, dataset, dan metode pengujian. Metode
penelitian menjelaskan langkah-langkah yang diambil dalam penelitian ini, termasuk metodologi
penelitian, subjek penelitian, dan metode pengumpulan data. Pembahasan mempresentasikan
hasil penelitian dan analisis yang dilakukan, termasuk submetode MLP dan KNN, serta data
training yang digunakan. Hasil penelitian menunjukkan bahwa program pendeteksi penyakit
paru yang dikembangkan dengan menggunakan JST, KNN, dan MLP dapat meningkatkan
akurasi dalam diagnosis penyakit paru. Program ini dapat mengklasifikasikan data berdasarkan
pola-pola yang ditemukan dalam data latih yang sudah memiliki label penyakit paru.
Kesimpulan dari penelitian ini menekankan manfaat penggunaan kecerdasan buatan dalam
meningkatkan deteksi dini penyakit paru, memberikan perawatan yang lebih tepat, dan
mengurangi dampak negatif penyakit terhadap pasien. Saran untuk penelitian lanjutan
mencakup penelitian lebih lanjut tentang pengembangan metode JST, eksplorasi data lain yang
relevan, dan peningkatan kinerja program pendeteksi.
References
Mercy Rajaselvi V, Sanjith J, Samuel
Koshy, Niranjan G M. "Forecasting
the lung diseases from Radiography
scans with hybrid Transfer Learning
Techniques." Dalam Jurnal IEEE
Explore, URL:
https://ieeexplore.ieee.org/document/9
Agatonovic-Kustrin, S., & Beresford,
R. (1999). Konsep Dasar Pemodelan
Jaringan Saraf Tiruan (Artificial
Neural Network/ANN) dan
Aplikasinya dalam Penelitian Farmasi.
Jurnal Farmasi, 5(3), 27-36. URL:
https://doi.org/10.1016/S0731-7085(9
00272-1
.Bourquin, J., Schmidli, H., van
Hoogevest, P., & Leuenberger, H.
(1997). Konsep Dasar Pemodelan
Jaringan Saraf Tiruan (ANN) dalam
Aplikasi Pengembangan Farmasi.
Jurnal Farmasi, 3(2), 45-58. Diakses
dari
https://doi.org/10.3109/108374597090
Mia, M. M. A., Biswas, S. K., Urmi,
M. C., & Siddique, A. (2015). An
Algorithm For Training Multilayer
Perceptron (MLP) For Image
Reconstruction Using Neural Network
Without Overfitting. International
Journal of Scientific & Technology
Research, 4(02), 271. ISSN
-8616.
Xing, W., & Bei, Y. (2019). Medical
Health Big Data Classification Based
on KNN Classification Algorithm.
IEEE Access, 7, 170783-170790.
doi: 10.1109/ACCESS.2019.2955754
Musa, O., & Alang. (2017). Analisis
Penyakit Paru-paru Menggunakan
Algoritma K-Nearest Neighbors pada
Rumah Sakit ALOEI SABOE Kota
Gorontalo. ILKOM Jurnal Ilmiah,
(3), 348. SSN Print 2087-1716, ISSN
Online 2548-7779.
Efniasari, M., Wantoro, A., &
Susanto, E. R. (2022). Pengembangan
Sistem Informasi Pelayanan
Kesehatan Berbasis Web
Menggunakan Metode Scrum (Studi
Kasus: Puskesmas Kisam Ilir). Jurnal
Teknologi dan Sistem Informasi
(JTSI), 3(3), 56-63. E-ISSN:
-3699.
http://jim.teknokrat.ac.id/index.php/JT
SI.
A. P. Sari, H. Suzuki, T. Kitajima, T.
Yasuno, D. A. Prasetya and N.
Nachrowie, "Prediction Model of
Wind Speed and Direction using
Convolutional Neural Network - Long
Short Term Memory," 2020 IEEE
International Conference on Power
and Energy (PECon), Penang,
Malaysia, 2020, pp. 356-361, doi:
1109/PECon48942.2020.9314474.
Astuti, S. R., & Nursanty, D. (2020).
Implementasi Jaringan Saraf Tiruan
dengan metode K-Nearest Neighbors
pada sistem deteksi dini penyakit paru.
Jurnal Nasional Informatika dan
Teknologi Jaringan, 9(1), 22-28.
Utami, R., Setiawan, I., & Akbar, R.
(2022). Deteksi penyakit paru
menggunakan Jaringan Saraf Tiruan
dan Metode K-Nearest Neighbors.
Jurnal Teknologi Informasi dan Ilmu
Komputer, 9(1), 59-64.
Sen, S., Sugiarto, D., & Rochman, A.
(2020). Komparasi Metode Multilayer
Perceptron (MLP) dan Long Short
Term Memory (LSTM) dalam
Peramalan Harga Beras. Ultimatics :
Jurnal Teknik Informatika, 12(1),
-41.
https://doi.org/https://doi.org/10.31937
/ti.v12i1.1572
Pratama, A. W., & Lutfiana, R.
(2020). Pengembangan Sistem Deteksi
Penyakit Paru Berbasis Jaringan Saraf
Tiruan dengan Metode K-Nearest
Neighbors. Jurnal Ilmiah Teknologi
Informasi Asia (JITIA), 17(3),
-190.
Rizal, M., & Cahyani, D. (2019).
Implementasi Jaringan Saraf Tiruan
dengan Metode K-Nearest Neighbors
untuk Deteksi Penyakit Paru. Jurnal
Informatika dan Rekayasa Elektronik
(JIRE), 6(2), 65-75.
Hashem, I. A. T., et al. (2018).
"Web-Based Intelligent System for
Predicting Customer Churn Using
MLP Neural Network." International
Journal of Advanced Computer
Science and Applications (IJACSA),
(5), 97-106.
Almomani, M., et al. (2018).
"Web-Based Heart Disease Prediction
Using MLP Neural Network."
International Journal of Computer
Science and Information Security
(IJCSIS), 16(4), 75-79.
