Analisis Efisiensi Cnn Dan Rnn Dalam Klasifikasi Down Syndrome Pada Usia Balita

Abstract

Perkembangan teknologi kecerdasan buatan, khususnya machine learning, telah membuka peluang baru dalam bidang kesehatan, termasuk diagnosis dini Down syndrome pada balita. Penelitian ini bertujuan menganalisis efisiensi dua model deep learning, yaitu Convolutional Neural Network (CNN) dan Recurrent Neural Network (RNN), dalam mengklasifikasikan Down syndrome berdasarkan citra wajah. Metode yang digunakan meliputi pengumpulan data, prapemrosesan citra, pelatihan model, dan evaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa CNN mencapai akurasi lebih tinggi (0.9383 pada data pelatihan), namun memiliki keterbatasan dalam mendeteksi kasus positif (precision 0.6772, recall 0.7044). Sementara itu, RNN menunjukkan kinerja lebih baik dalam mendeteksi Down syndrome (recall 0.9571, F1-score 0.8724),meskipun akurasinya lebih rendah (0.7757). Pada tahap validasi dan pengujian, RNN tetap unggul dalam recall (0.9832 dan 0.9928), menjadikannya lebih cocok untuk aplikasi medis yang memprioritaskan deteksi kasus positif. Penelitian ini menyimpulkan bahwa pemilihan model tergantung pada kebutuhan: CNN untuk akurasi umum, sedangkan RNN untuk deteksi komprehensif dengan risiko false negative minimal. Temuan ini memberikan kontribusi penting bagi
pengembangan sistem diagnosis berbasis AI yang lebih akurat dan efisien.
Kata kunci— Down syndrome, CNN, RNN, klasifikasi citra, machine learning