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