Fakultas Teknologi dan Ilmu Komputer, Program Studi Teknik Informatika, Indonesia¹, Fakultas Teknologi dan
Ilmu Komputer, Program Studi Teknik Informatika, Indonesia², Fakultas Teknologi dan Ilmu Komputer,
Program Studi Teknik Informatika, Indonesia³, Fakultas Teknologi dan Ilmu Komputer, Program Studi Teknik
Informatika, Indonesia⁴, Fakultas Teknologi dan Ilmu Komputer, Program Studi Teknik Informatika, Indonesia⁵
Email: abdidharma@unprimdn.ac.id
Abstrak
Machine learning adalah pembelajaran mesin yang sangat membantu dalam menyelesaikan masalah,
membuat mudah dalam mengerjakan sesuatu. Dibidang rumah sakit atau bidang kesehatan, machine
learning membuat mudah dalam mengerjakan sesuatu, contohnya dokter bisa mendiagnosa penyakit
jantung dalam waktu cepat tanpa memakan waktu yang lama. Dengan semakin pesat informasi
tentang machine learning sebagai mesin yang bisa belajar sendiri tanpa harus dikontrol tiap
pemakain.mempunyai kekurangan dan kelebihan. Kelebihan dari artikel ini adalah semua bersifat
baru, artikelnya diterbitkan tahun ini, serta memberikan rincian hasil yang sesuai dengan yang
diharapkan serta dalam penulisannya singkat dan jelas. Kekurangan dari artikel ini adalah bahan atau
dataset yang digunakan tergolong sedikit dan tidak menggunakan banyak data serta menggunakan
references yang telalu lama. Berdasarkan hasil penelitian yang dilakukan, machine learning sangatlah
bermanfaat dibidang kesehatan dan juga bidang lainnya, yang mebuat segala sesuatu menjadi mudah.
digunakan dalam dunia industri, pertanian, dunia dalam penelitian ini, penulis membuat batasan masalah
pendidikan dan lain sebagainya. Dalam hal ini penulis yaitu :
membuat sebuah review (pengulasan) tentang sebuah Data yang digunakan hanya membahas tentang
artikel, dengan mengangkat topik “ Penggunaan Machine penggunaan dan manfaat machine learning dibidang
Learning di Bidang Kesehatan”, untuk memberikan kesehatan.
informasi tentang peran machine learning di bidang Penelitian dilakukan hanya di rumah sakit.
kesehatan dan menambah ilmu tentang mechine learning. Pokok pembahasan tentang cara kerja machine
learning bukan pengembangan machine learning.
B. Rumusan Masalah
Didalam penelitian ini, penulis membuat rumusan F. Pembaharuan
masalah yaitu : Penelitian tentang penggunaan machine learning dibidang
Bagaimana memudahkan orang mencari informasi. kesehatan sudah pernah dilakukan oleh para peneliti-
Bagaimana penggunaan machine learning dibidang peneliti sebelumnya. Seperti penelitian yang dilakukan
kesehatan. oleh (Marios Anthimopoulos,stargios chistodoulidis,
Lucas ebner, Adreas christe dan Stavroula mougiakakou,
C. Manfaat 2016) dengan judul “ Lung Pattern Classification For
Didalam penelitian tentang pengulasan ini, penulis Interstitial Luang Disiases Using a Deep Convulutional
mendapat beberapa manfaat antara lain : Neural Network”, penelitian menggunakan metode CNN
Cepat mendapat gambaran atau gagasan dari sebuah dalam mengklasifkasi pola dan dievaluasi dari 120 kasus
karya ilmiah. dari dua rumah sakit yang berbeda. Metode ini
Mengidentifikasi metode yang pernah dilakukan dan menghasilkan pola yang unggul dari metode lainnya dan
yang relevan terhadap penelitian. lebih cepat dalam mengklasifikasi penyakit yang ada di
Menghindari membuat ulang sehingga banyak paru paru dalam bentuk gambar yang lebih besar dan
menghemat waktu dan menghindari kesalahan – jelas.
kesalahan yang pernah dilakukan. Dalam penelitian lain yang dilakukan oleh (Rifqi
Hammad, Julia Kurniasih, Nur Fitrianingsih Hasan,
D. Tujuan Christin Nandari Dengen, Kusrini. Tahun terbit 2019)
Dalam penelitian ini, tentang pengulasan artikel (review) dengan judul “Machine learning pada bidang kesehatan
penulis mempunyai tujuan yaitu : demensia (penurunan fungsi otak)” penelitian ini
Untuk mempermudah mendapat informasi dan menggunakan metode forward chaining digunakan untuk
menarik seseorang untuk lebih ingin tau tentang karya mengembangkan prototipe machine learning untuk
ilmiah seseorang . prognosis penyakit demensia, dengan menggunakan data
Untuk memberikan gambaran atau gagasan tentang literatur pemeriksaan pasien yang telah didiagnosis
Untuk lebih mengenal tentang karya ilmiah apa yang kadar lemak darah, kadar gula darah, vesicular dan
III. HASIL DAN PEMBAHASAN informasi membuat semua pekerjaan semakin rumit
A. Hasil karena kurangnya informasi yang didapat.
Machine learning adalah pembelajaran mesin yang Berdasarkan data yang didapat, penulis akan
sangat membantu dalam menyelesaikan masalah, menguraikan ulasan dari beberapa artikel, adalah sebagai
membuat mudah dalam mengerjakan sesuatu. Dibidang berikut : (1) “Applications of Machine Learning in Fatty
rumah sakit atau bidang kesehatan, machine learning Live Disease Prediction” penelitian ini dilakukan oleh
membuat mudah dalam mengerjakan sesuatu, contohnya Md.Mohaimenul Islam, dkk, dengan menggunakan
dokter bisa mendiagnosa penyakit jantung dalam waktu metode machine learning dan menggunakan dataset 994
cepat tanpa memakan waktu yang lama. Bukan hanya untuk bahan percobaan. Aplikasi pemrediksi penyakit
pekerjaan dokter saja yg dibuat mudah para medis juga hati kronis ini telah berhasil dalam memprediksi penyakit
diberi keuntungan yang sangat besar sehingga dalam yang di’idap oleh salah satu pasien,dengan memberikan
melakukan pekerjaan mereka semakin mudah. Machine hasil yang lebih dari yang diharapkan.
penyakit dibidang kesehatan menjadi mudah seperti, Using a Histogram based KNN Algorithm” yang
mengetahui jenis penyakit dan memberikan hasil dalam dilakukan oleh (sana Rebbah, daniel Delahaye, Stepane
bentuk gambar yang lebih optimal. Puechmorel, Pierre Marechal, Florenco Nicol. Tahun
Machine learning bermula saat manusia memikirkan 2019 ), penelitian ini menggunakan algoritma knn
bagaimana cara agar komputer dapat belajar dari sebagai metode menyelesaikan masalah, dengan
pengalaman atau dapat mengingat apa saja yang barusan mencakup 111 subjek, 71 kontrol sehat dari database
dioperasikan di komputer tersebut. Hal tersebut terbukti alzheimer disease neuroimaging initiative (ADNI) dan
pada tahun 1952, Arthur Samuel menciptakan sebuah menggunakan 40 pasien yang mengidap penyakit
program game of chekers, pada sebuah komputer IBM. multiple sclerosis sebagai data dalam penelitian ini,
Program tersebut dapat mempelajari gerakan untuk dengan cara ini masalah pengklasifikasi pengidap
memenangkan permainan chekers dan menyimpan penyakit multiple sclerosis dapat diselesaikan.
gerakan tersebut kedalam memorinya. Mechine learning Dalam artikel lain dengan judul (3) Skin
dibuat untuk membantu manusia dalam menyelesaikan Classification for Adult Image Recognition Based on
masalah serta tidak juga merepotkan dalam hal Combination of Gaussian and Weight KNN. Penelitian
penggunaan machine learning karena dia bisa berjalan ini dilakukan oleh sasan karamizadeh, abouzar
sendiri tanpa berulang ulang di install. arabsorkhi, tahun 2018 dengan menggunakan algoritma
Dalam perkembangan teknologi sekarang hampir knn. Adapun masalah yang akan diselesaikan yaitu
semua kalangan telah menikmati rasanya dan manfaat tentang pengenalan wajah orang dewasa. (4) Algoritma
teknologi. Seperti juga bidang kesehatan tidak Neural Network Untuk Prediksi penyakit Jantung.
ketinggalan dalam perkembangan teknologi. Penelitian ini dilakukan oleh Bakhtiar Rifai, tahun 2013
Perkembangan teknologi informasi dibidang kesehatan dengan Algoritma jaringan saraf. Masalah yang
sekarang sudah marak digunakan oleh setiap rumah sakit diselesaikan yaitu Algoritma ini mendeskripsikan pola
sebagai sumber informasi atau sistem yang dapat bekerja sebagai latihan diteruskan ke unit lapisan terluar. (5)
layaknya seorang dokter/tenaga medis lainnya. Klasifikasi penyakit tuberculosis TB) organ paru manusia
Sebaliknya jika teknologi tidak dikembangkan atau berdasarkan citra x-ray mengunakan metode CNN.
bidang kesehatan menolak dalam menggunakan teknologi Penelitian ini dilakukan oleh Sri Anggreani nasution,
Program Studi Teknik Informatika
Universitas Prima Indonesia (UNPRI) Medan 4
Jurnal Penelitian Teknik Informatika Volume 2 Nomor 2, Oktober 2019
Universitas Prima Indonesia (UNPRI) Medan e-ISSN : 2541-2019
Classification of sana Rebbah, Dalam Dalam tingkat Dalam Dalam penelitian ini Dalam penelitian ini
Multiple daniel clasifika akurasi dalam penelitian mencakup 111 subjek, 71 menyelesaikan masalah
Sclerosis Delahaye, si ini membedakan pesien ini telah kontrol sehat dari database tentang clasifikasi pasien
Patients Using a Stepane menggu HC dan MS berhasil dan alzheimer disease yang mengidap penyakit
Histogram Puechmorel, nakan mencapai 80 %. mencapai neuroimaging initiative multiple sclerosis (MS) dan
based KNN Pierre metode kecepatan (ADNI) dan menggunakan meningkatkan kinerja dalam
Algorithm Marechal, algoritm yg optimal 40 pasien yang mengidap mengklasifikasi penyakit
Florenco a KNN penyakit multiple sclerosis.
Nicol. Tahun
2019
Skin Sasan Penelitia Tingkat akurasi Penelitian Data yang digunakan dalam Untuk pengenalan wajah
Classification karamizadeh, n ini ini telah penelitian ini adalah data orang dewasa
dalam penelitian ini
for Adult Image abouzar mengun mencapai gambar dewasa sebanyak
Recognition arabsorkhi, akan meningkat hingga rata-rata dan 8650 gambar
Based on tahun 2018. metode menghasilka
90,3 %
Combination of algoritm n hasil yg
Gaussian and a knn sesuai
Weight KNN
Algoritma Bakhtiar Algorit Menghasilkan Dalam Dataset yang digunakan Dalam penelitian ini
Neural Network Rifai, tahun ma tingkat akurasi penelitian dalam penelitian uji coba menghasilkan prediksi
Untuk Prediksi 2013. jaringan sebesar 91,45% ini sebanyak 573 orang, dengan penyakit jantung serta
penyakit saraf yang diperoleh menggunak hasil 259 orang terdeteksi mengklasifikasi penyakit
Jantung digunak untuk melihat an data sakit dan 314 tedeteksi jantung.
an untuk akurasi termasuk sebanyak sehat.
me kedalam kategori 573 orang,
mpredik kelompok sangat diperiksa
si baik karena nilai sebanyak
penyakit AUC antara 0,90- 259 pasien
jantung 1,00. terdeteksi
dan sakit dan
meningk 314 pasien
atkan terdeteksi
kinerja sehat.
A Lung Disease Yue Cheng Penelitia Sebesar 92,59% Semakin Data citra x-ray yang Membantu mengklasifikasi
2018 n ini besar nilai diperoleh sebanyak 100 tuberkulosis berdasarkan citra
Classification
menggu hiden node citra dataset training dan 27 x- ray dari paru-paru manusia.
Based on nakan maka citra dataset testing. Masing
algoritm ningkat masing dataset training
Feature Fusion
a CNN akurasi akan yaitu 34 m,32 normal,34
Convolutional semakin primary. Sedangkan dataset
tinggi, testing yaitu 10 miliar dan
Neural Network
sehingga 10 primary
with X-ray dapat
mempermud
Image
ah dokter
Enhancement dalam
mengklasifi
kasi
penyakit
tuberkulosis
paru – paru
berdasarkan
cintra x-ray
Prototipe Rifqi Forward Menghasilkan Yang jelas Menggunakan data literatur Mendapatkan solusi prognosis
Machine Hammad, chaining akurasi sistem 90% tentang pemeriksaan pasien yang penyakit demensia yang
learning untuk Julia perkembang telah didiagnosis penyakit sesuai dengan hasil
prognosi Kurniasih, an penyakit demensia, meliputi pemeriksaan
penyakit Nur dan pemeriksaan tekanan darah,
demensia Fitrianingsih kemungkina kadar lemak darah, kadar
Hasan, n tindakan gula darah, vesicular dan
Tahun 2019 perawatan inspeksi abdomen.
Convolutional Rika Convolu Pada citra tulang Dataset citra US B– mode Telah mengklasifiki dan
Neural Network Rokhana1,4 , tional dengan daging, diuji coba dengan memberikan gambar 2D
untuk Joko Neural akurasi tertinggi, menggunakan parameter k apakah oarang ini terdeteksi
Pendeteksian Priambodo1 , Network sebesar 94%, sebesar 5. Sedangkan pada patah tulang atau tidak
Patah Tulang Tita Karlita1 , diberikan oleh metode SVM, dataset diuji sebagai hasilnya.
Femur pada I Made Gede arsitektur CNN5 coba menggunakan linear
Citra Ultrasonik Sunarya1 , dengan jumlah kernel.
B–Mode Eko Mulyanto epoch 100.
Yuniarno2,3 ,
I Ketut Eddy
Purnama2,3 ,
Mauridhi
Hery
Purnomo2,3
A pilot study of Luke Mengun Tingkat akurasa Data yang digunakan adalah Dalam penelitian ini berhasil
breast cancer Barracliffe, akan yang dihasilkan data pasien wanita dewasa mengurangi masalah tentang
patients: can ognjen metode mencapai 82 % berusia 28-85 tahun, dengan konsultasi, sehingga pasien
machine Arandjelovic, machine melibatkan 91 orang yang cepat dalam konsultasi tanpa
learning predic Gerry learning dijadikan sebagai uji coba. menunggu lama dan
healthcare Humphris. meninggkatkan kesehatan
professionals’ pasien.
responsea to
patient emotions
B. Pembahasan Dalam tingkat akurasi dalam
Dari beberapa artikel yang penulis baca dan review, Tingkat membedakan pesien HC dan MS
akurasi mencapai 80 %.
penulis menemukan satu artikel yang membahas tentang
Tingkat Dalam penelitian ini telah berhasil dan
penggunaan machine learning dengan jelas dan terperinci, mencapai kecepatan yg optimal
kecepatan
berikut ini kami paparkan hasil reviewnya. Berdasarkan
dalam penelitian ini mencakup 111
dari tolak ukur yang dibuat penulis, bahwa artikel yang subjek, 71 kontrol sehat dari database
Jumlah alzheimer disease neuroimaging
dipaparkan diatas memiliki kelebihan dari artikel yang dataset yg initiative (ADNI) dan menggunakan
lain. Seperti: bersifat baru, memiliki tingkat akurasi yang digunakan 40 pasien yang mengidap penyakit
multiple sclerosis.
baik, memberikan hasil yang optimal dan sumber
pendungkung yang terbaru. Dalam penelitian ini menyelesaikan
Masalah masalah tentang klasifikasi pasien
Judul : “Classification of Multiple Sclerosis Patients yang yang mengidap penyakit multiple
Using a Histogram based KNN Algorithm” diselesaika sclerosis (MS) dan meningkatkan
n kinerja dalam mengklasifikasi
Penulis: sana Rebbah, daniel Delahaye, Stepane penyakit
Puechmorel, Pierre Marechal, Florenco Nicol.
OHBM 2019, pertemuan tahunan ke 25 Berdasarkan hasil diatas, penulis menemukan bahwa
organisasi pemetaan otak manusia, juni 2019, dalam artikel ini mempunyai kekurangan dan kelebihan.
Roma, Italia. Kelebihan dari artikel ini adalah semua bersifat baru,
artikelnya diterbitakan tahun ini, serta memberikan
Tabel 3. Pengukuran rincian hasil yang sesuai dengan diharapkan serta dalam
Metode Dalam clasifikasi ini menggunakan penulisan singkat dan jelas. Kekurangan dari artikel
yang metode algoritma KNN diatas adalah bahan atau dataset yang digunakan
digunakan
tergolong sedikit dan tidak menggunakan data yang Research in Computer Engineering &
Technology (IJARCET). Vol. 4.(12).
banyak serta menggunakan references yang telalu lama.
[14] Smarsly, Kay., Etc All. 2016. “Machine learning
techniques for structural health monitoring”.
European Workshop On Structural Health
Daftar Pustaka
Monitoring (EWSHM).
[1] Cheng, Yue., Etc All. 2018. “A Lung Disease [15] Tiwari, Arvind Kumar. 2016. “MACHINE
Classification Based on Feature Fusion Convolutional LEARNING BASED APPROACHES FOR
Neural Network with X-ray Image Enhancement”. PREDICTION OF PARKINSON’S DISEASE”.
Proceedings, APSIPA Annual Summit and Conference.
Machine Learning and Applications: An
[2] Dewangan, Amit kumar., Agrawal, Pragati,. International Journal (MLAIJ).Vol.3.(2).
2015. “Classification of Diabetes Mellitus Using
Machine Learning Techniques”. International
Journal of Engineering and Applied Sciences
(IJEAS). Vol.2(5).
[3] Fatima, Meherwar., Pasha, Maruf. 2017. “Survey
of Machine Learning Algorithms for Disease
Diagnostic”. Journal of Intelligent Learning
Systems and Applications.
[4] GUPTA, DEEP., ETC ALL. 2016. “. A METHOD TO
PREDICT DIAGNOSTIC CODES FOR CHRONIC
DISEASES USING MACHINE LEARNING
TECHNIQUES”. INTERNATIONAL CONFERENCE ON
COMPUTING, COMMUNICATION AND AUTOMATION
(ICCCA)
[5] Hammad, Rifqi., Etc All. 2019.” Prototipe
Machine learning untuk prognosi penyakit
demensia”. IPTEK-KOM. Vol.21.(1).
[6] Karamizadeh, sasan karamizadeh., 2018. ”Skin
Classification for Adult Image Recognition Based on
Combination of Gaussian and Weight KNN”. IJICTR.
Vol.10(2).
[7] Luke Barracliffe, ognjen Arandjelovic, Gerry
Humphris.” A pilot study of breast cancer patients: can
machine learning predic healthcare professionals’
responsea to
patientemotions”https://www.researchgate.net/publ
ication/312900919.
[8] Md, Mohaimenul Islam., Etc All. 2018.”
Applications of Machine Learning in Fatty Live
Disease Prediction” This article is published
online with Open Access by IOS Press and
distributed under the terms.
[9] Rana, Mandeep., Etc All. 2015. “Breast Cancer
Diagnosis And Recurrence Prediction Using
Machine Learning Techniques”. International
Journal of Research in Engineering and
Technology(IJRET).
[10] Rebbah, Sana., Etc All. 2019. “Classification of
Multiple Sclerosis patients using a histogram-based K-
Nearest Neighbors algorithm”.HAL.https://hal-
enac.archives-ouvertes.fr/hal-02156448.
[11] Rifai , Bakhtiar. 2013. “Algoritma Neural Network
Untuk Prediksi penyakit Jantung”. Tekno Nusa Mandiri.
Vol. IX(1).
[12] Rokhana, Rika., Etc All. 2019. “Convolutional Neural
Network untuk Pendeteksian Patah Tulang Femur pada
Citra Ultrasonik B–Mode”. JNTETI. Vol.8(1).
[13] Sharma, Vijeta., Etc All. 2015. “Malaria
Outbreak Prediction Model Using Machine
Learning”. International Journal of Advanced