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
References
[1] M. Dierssen, M. Fructuoso, M. Martínez De Lagrán, M. Perluigi, and E. Barone, “Down syndrome Is a Metabolic Disease: Altered Insulin Signaling Mediates Peripheral and Brain Dysfunctions,” Front. Neurosci., vol. 14, p. 670, Jul. 2020, doi: 10.3389/fnins.2020.00670.
[2] S. Urohmah and Y. Firda Nadhirah, “Memahami Anak Down Syndrom di SKH Negeri 1 Kota Serang,” J. Ilm. PGSD FKIP Univ. Mandiri, vol. 10 No. 4, no. 477–5673, p. 11, Desember 2024.
[3] Imam Fathurrahman, Mahpuz, Muhammad Djamaluddin, Lalu Kerta Wijaya, and Ida Wahidah, “Pengembangan Model Convolutional Neural Network (CNN) untuk Klasifikasi Penyakit Kulit Berbasis Citra Digital,” Infotek J. Inform. Dan Teknol., vol. 8, no. 1, pp. 298–308, Jan. 2025, doi: 10.29408/jit.v8i1.28655.
[4] Lola, “PERANCANGAN IDENTIFIKASI WAJAH PENGIDAP DOWN SYNDROME MENGGUNAKAN MODEL CNN,” J. Ismetek, vol. 16 No. 1, p. 5, Desember Tahun 2023.
[5] A. Tjahjo Nugroho, Y. Wulandari, and B. Eko Cahyono, “Klasifikasi Down syndrome Menggunakan Tekstur LBP dengan Tiga Variasi Distance Classifiers _ Nugroho _ STRING (Satuan Tulisan Riset dan Inovasi Teknologi),” STRING Satuan Tulisan Ris. Dan Inov. Teknol., vol. 7 No. 1, p. Agustus 2022
[6] S. Budiarti, “KLASIFIKASI WAJAH ANAK - ANAK DOWN SYNDROME MELALUI CITRA WAJAH MENGGUNAKAN ALGORITMA PROBABILISTIC NEURAL NETWORK (PNN) SKRIPSI
[7] E. Setyati, S. Az, S. P. Hudiono, and F. Kurniawan, "CNN based Face Recognition System for Patients with Down and William Syndrome," Knowledge Engineering and Data Science (KEDS), vol. 4, no. 2, pp. 138-144, Dec. 2021
[8] H. M. Metavia and R. Widyana, “Pengaruh Down syndrome terhadap Perkembangan Akademik Anak di Indonesia,” J. Wacana Kesehat., vol. 7, no. 2, p. 54, Dec. 2022, doi: 10.52822/jwk.v7i1.403.
[9] I. Septian and H. Septanto, “Pengembangan Model Pendeteksian Gambar Alat Musik dengan Metode Faster R-CNN dengan Library Keras,” vol. 8, no. 1, 2022.
[10] J. Gu et al., “Recent Advances in Convolutional Neural Networks,” Oct. 19, 2017, arXiv: arXiv:1512.07108. doi: 10.48550/arXiv.1512.07108.
[11] I. D. Mienye, T. G. Swart, and G. Obaido, “Recurrent Neural Networks: A Comprehensive Review of Architectures, Variants, and Applications,” Aug. 12, 2024, Computer Science and Mathematics. doi: 10.20944/preprints202408.0748.v1.
[12] R. V. Talumepa, D. A. Putra, and H. Soetanto, “Sistem Presensi Pendeteksi Wajah menggunakan Metode Modified Region Convolutional Neural Network dan PCA,” Edumatic J. Pendidik. Inform., vol. 8, no. 1, pp. 46–55, Jun. 2024, doi: 10.29408/edumatic.v8i1.25207.
[13] J. K S and D. S. David, “A Novel Based 3d Facial Expression Detection Using Recurrent Neural Network,” Int. J. Sci. Res. Comput. Sci. Eng. Inf. Technol., pp. 48–53, Mar. 2020, doi: 10.32628/CSEIT20622.
[14] S. Swaminathan and B. R. Tantri, “Confusion Matrix-Based Performance Evaluation Metrics,” African Journal of Biomedical Research, vol. 27, no. 4s, pp., 2024
