Deteksi Dini Penyakit Ginjal Kronis Dengan Menggunakan Algoritma Deep Learning

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.