Article Penerapan Logika Fuzzy dalam Penanganan Penyakit Diabetes: Sistematik Literatur Review Dimas Febri Kuncoro 1.
Purwono 2 1,2 Informatika.
Universitas Harapan Bangsa.
Purwokerto.
Indonesia *Koresponding Author: dimasfebry9@gmail.
Abstract: This study presents an overview of the use of fuzzy methods in the diagnosis and prediction of diabetes mellitus.
Fuzzy logic approaches have attracted attention in diabetes management due to their ability to overcome uncertainty and vagueness in medical data.
Through the Literature Review research method, related articles selected from online databases have been systematically analyzed to evaluate the various approaches that have been developed.
Findings from the literature review show that the use of fuzzy methods in diabetes diagnosis and prediction has resulted in significant progress, with some studies achieving high levels of accuracy.
However, some challenges such as dataset limitations and dependency on certain features were also identified.
In addition, the potential and challenges of fuzzy logic in diabetes diagnosis are discussed, including opportunities to improve diagnostic interpretation and comorbidity of medical data.
Received: 21 Agustus 2024 Revised: 1 September 2024 Accepted: 3 September 2024 Published: 9 September 2024 Copyright: A 2024 by the authors.
License Universitas Hrapan Bangsa.
Purwokerto.
Indonesia.
This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution (CC BY) license .
ttps://creativecommons.
org/licenses/by/4.
0/).
Keywords: Fuzzy logic.
medical data.
Pendahuluan Kesehatan selalu dan akan selalu menjadi topik yang sangat penting untuk diperdebatkan.
Baik melalui pencarian metode baru yang tak henti-hentinya untuk mengurangi risiko terkena penyakit, atau melalui pencarian strategi baru yang entah bagaimana dapat berkontribusi pada peningkatan sistem kesehatan (Pintanel et al.
Diabetes mellitus adalah penyakit metabolik kronis yang ditandai oleh kadar glukosa darah yang tinggi .
akibat kekurangan insulin, resistensi insulin, atau keduanya (Tao et al.
Diabetes tipe 1 KORISA 2024, 14, 36.
https://ejournal.
id/index.
php/korisa Page 2 of 14 Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
1 Tahun 2024 disebabkan oleh kerusakan sel beta dalam pankreas yang menghasilkan insulin, sedangkan diabetes tipe 2 terjadi ketika tubuh tidak merespons insulin dengan baik atau tidak menghasilkan cukup insulin (Madhu 2.
, (Yuanyuan Li.
Peng, and Gu 2.
Penyakit diabetes mellitus merupakan salah satu penyakit kronis yang menjadi masalah kesehatan global yang Secara global, diperkirakan lebih dari 537 juta orang dewasa (Antonio-Villa et al.
berusia 20 hingga 79 tahun, yang merupakan 10,5% dari individu dalam rentang usia ini terkena diabetes (Mahat et al.
Dengan meningkatnya jumlah pasien diabetes, deteksi dini menjadi sangat penting (Thakkar et al.
Penyakit ini tidak hanya mempengaruhi kualitas hidup individu yang terkena, tetapi juga memiliki dampak ekonomi yang signifikan karena biaya perawatan yang tinggi dan produktivitas yang berkurang.
Komplikasi jangka panjang dari diabetes meliputi penyakit jantung, stroke, gagal ginjal, kebutaan, dan amputasi anggota tubuh.
Oleh karena itu, pengelolaan diabetes meliputi kontrol kadar glukosa darah, pengelolaan faktor risiko kardiovaskular, pengelolaan berat badan, dan pendidikan pasien tentang perubahan gaya hidup yang sehat (Y.
Liu et al.
(Idrees et al.
, (Harding et al.
Penanganan diabetes mellitus memerlukan pendekatan yang holistik dan terintegrasi, yang mencakup diagnosis yang tepat, pengelolaan risiko, dan pengobatan yang efektif.
Dalam upaya untuk meningkatkan kualitas perawatan bagi penderita diabetes, banyak penelitian telah dilakukan untuk mengintegrasikan teknologi dan metodologi baru ke dalam praktik klinis (Hashim 2.
, (Aloke et al.
Salah satu pendekatan yang menarik perhatian dalam penanganan diabetes adalah penggunaan logika fuzzy.
Logika fuzzy (Mosavi et al.
adalah sebuah pendekatan dalam kecerdasan buatan yang memungkinkan pemrosesan data yang tidak tegas atau Berbeda dengan logika klasik yang menggunakan nilai kebenaran biner .
enar atau sala.
, logika fuzzy memungkinkan variabel untuk memiliki derajat keanggotaan di dalam sebuah himpunan.
Konsep utama dalam logika fuzzy adalah himpunan fuzzy, yang memungkinkan penanganan ketidakpastian dan ketidakjelasan dalam data (Mavani et al.
, (Chaki 2.
, (Bansal et al.
Penerapan logika fuzzy dalam penanganan diabetes berkaitan erat dengan kemampuannya untuk mengatasi ketidakpastian dan ketidakjelasan dalam data medis.
Dalam konteks diagnosis, logika fuzzy dapat membantu dalam memperhitungkan berbagai variabel yang mempengaruhi status kesehatan seseorang dan menyediakan kerangka kerja yang fleksibel untuk membuat keputusan (Aamir et al.
, (Aynur Jabiyeva and Mahabbat Khudaverdiyeva 2.
Penerapan logika fuzzy juga diterapkan dalam pengaturan dosis obat, di mana faktor-faktor seperti respons individual terhadap obat, kondisi kesehatan yang bervariasi, dan toleransi terhadap efek samping dapat Jurnal Kolaborasi Riset Sarjana 2024.
Page 1-14 https://ejournal.
id/index.
php/korisa Page 3 of 14 Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
1 Tahun 2024 diperhitungkan secara lebih holistik (Cleophas and Zwinderman 2.
, (Jabiyeva 2.
Dalam himpunan fuzzy, setiap anggota memiliki tingkat keanggotaan yang berkisar dari 0 hingga 1, yang menunjukkan sejauh mana suatu elemen termasuk dalam himpunan tersebut.
Operasi logika fuzzy, seperti operasi AND.
OR, dan NOT, diterapkan pada tingkat keanggotaan ini untuk menghasilkan keluaran yang lebih halus dan lebih kontinu daripada logika klasik (J.
Zhang.
Wu, and Lu 2.
, (P.
Liu et al.
, (Baradaran and Ghorbani 2.
, (S.
Li and Wei 2.
Metode Penelitian Penelitian ini menggunakan metode penelitian Literature Review dengan cara pengumpulan informasi yang didapatkan dari studi terdahulu yang terkait dengan penggunaan metode fuzzy dalam diagnosis dan prediksi Pencarian literatur dilakukan melalui database online seperti PubMed.
Ie Xplore, dan ScienceDirect dalam rentang waktu lima tahun terakhir.
Dari kumpulan literatur yang ditemukan, dilakukan filter dengan menggunakan kriteria tertentu.
Proses seleksi dilakukan secara sistematis dengan mempertimbangkan relevansi dan kualitas setiap artikel.
Kriteria tersebut mencakup aspek-aspek seperti penggunaan metode fuzzy dalam prediksi diabetes, akurasi klasifikasi, teknik pengolahan data yang digunakan, serta penelitian terbaru dalam domain ini.
Setelah proses seleksi, referensi yang sesuai dipilih untuk analisis lebih lanjut.
Ini bertujuan untuk memahami berbagai pendekatan metode fuzzy dalam diagnosis dan prediksi diabetes, mengevaluasi kelebihan dan kekurangan masing-masing pendekatan, serta mengidentifikasi tren dan kesenjangan penelitian yang perlu dieksplorasi lebih lanjut.
Langkah-langkah metodologi ini akan membantu dalam menyusun gambaran komprehensif tentang penggunaan metode fuzzy dalam bidang kesehatan, khususnya dalam konteks diagnosis dan prediksi diabetes, serta mengarahkan arah penelitian yang potensial untuk diteliti lebih lanjut.
Tabel 1.
Pertanyaan Penelitian Pertanyaan Penelitian RQ 1 Bagaimana penggunaan metode fuzzy dalam diagnosis dan prediksi diabetes meningkatkan akurasi dibandingkan dengan metode diagnostik tradisional? RQ 2 Sejauh mana aturan logika fuzzy dapat meningkatkan penalaran dan interpretasi data medis dalam diagnosis dan penanganan komorbiditas diabetes? RQ 3 Apa saja tantangan utama dalam penerapan logika fuzzy dan AI untuk diagnosis diabetes terkait dengan privasi data dan keamanan informasi pasien? Jurnal Kolaborasi Riset Sarjana 2024.
Page 1-14 https://ejournal.
id/index.
php/korisa Page 4 of 14 Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
1 Tahun 2024 Studi Literatur Berdasarkan hasil pencarian studi literatur mengenai implementasi logika fuzzy dalam bidang penyakit diabetes dari berbagai sumber, diperoleh hasil penelitian terdahulu sebagai berikut dengan analisis hasil penelitian, kelebihan dan kekurangan penelitian.
Tabel 2.
Penelitian Terdahulu No.
Judul A Fuzzy RuleBased System Classification of Diabetes .
Penulis Khalid Mahmood Aamir.
Laiba Sarfraz.
Muhammad Ramzan dkk A proposed approach for diagnosis using neuro-fuzzy technique .
Maher Talal Alasaady.
Teh Noranis Mohd Aris Jurnal Kolaborasi Riset Sarjana 2024.
Page 1-14 Hasil Hasil dari penelitian ini adalah sistem berbasis aturan fuzzy untuk prediksi dini Dua klasifier fuzzy telah dikonstruksi yang seseorang sebagai penderita diabetes atau non-diabetes.
Klasifier pertama mencapai akurasi 96,47%, sedangkan klasifier kedua mencapai akurasi 95,38%.
Temuan menunjukkan bahwa model yang diusulkan dapat diabetes dengan akurasi yang lebih tinggi daripada metode sebelumnya.
Hasil dari penelitian ini adalah pendekatan untuk menggunakan sistem inferensi neuro-fuzzy adaptif (ANFIS) kumpulan data diabetes Pima Kelebihan Penelitian ini memiliki beberapa kelebihan terkait dengan metode fuzzy.
Salah satunya adalah tingkat akurasi klasifikasi yang tinggi dalam memprediksi Selain itu, penelitian ini juga mencakup berbagai metode fuzzy yang inovatif, seperti penggunaan algoritma genetika, neuro-fuzzy, dan fuzzy rule-based systems, yang berkontribusi pada peningkatan akurasi prediksi diabetes.
Kekurangan Kekurangan dari penelitian ini adalah bahwa penelitian ini hanya menggunakan fitur-fitur sederhana seperti usia.
BMI, dan lainnya untuk Selain itu, penelitian ini hanya menggunakan satu dataset diabetes, yaitu dataset Pima Indians Diabetes (PID), yang mungkin membatasi generalisasi hasilnya ke populasi yang lebih Penelitian ini menunjukkan bahwa pendekatan ini menghasilkan tingkat akurasi klasifikasi sebesar 92,77%, yang terlihat cukup dibandingkan dengan aplikasi klasifikasi lain untuk topik ini Kekurangan dari penelitian ini adalah bahwa ukuran dataset yang digunakan relatif kecil, yaitu 768 Hal ini dapat mempengaruhi generalisasi hasil penelitian ke populasi yang lebih besar.
Selain itu, penelitian ini juga tidak https://ejournal.
id/index.
php/korisa Page 5 of 14 Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
1 Tahun 2024 A Fuzzy Approach for Diabetes Mellitus Type 2 Classification .
Glaucia Maria Bressan.
Beatriz Cristina Flamia de Azevedo.
Roberto Molina de Souza Fuzzy Based Decision Making System for the Detection of Diabetic Retinopathy .
Ratish.
Neeru Malhotra.
Vishav Kapoor Jurnal Kolaborasi Riset Sarjana 2024.
Page 1-14 Indians (PIDD).
Pendekatan ini terdiri dari tiga tahap: prapemrosesan, klasifikasi, dan Hasil dari penelitian menunjukkan bahwa metode manajemen kasus perawatan dengan intervensi perawat memiliki dampak positif pada kontrol glikemia penderita diabetes Hal ini terlihat dari penurunan yang signifikan dalam tingkat glikemia pada kelompok intervensi dibandingkan dengan kelompok perawatan Dengan demikian, penelitian ini memberikan kontribusi yang signifikan dalam prioritisasi tindakan untuk pasien yang benar-benar mendapat manfaat yang lebih besar dari perawatan khusus dibandingkan dengan perawatan biasa.
Hasil dari penelitian ini adalah sebuah sistem keputusan berbasis fuzzy untuk deteksi retinopati diabetik.
Sistem ini menggunakan logika fuzzy untuk memproses informasi tentang parameter kesehatan, seperti tekanan darah, kadar gula darah, dan lainnya, guna yang ditemukan dalam literatur.
Metode fuzzy penanganan informasi yang tidak pasti dan tidak akurat, yang seringkali terdapat dalam basis data Diabetes.
Hal ini sistem klasifikasi untuk lebih konsisten dan lebih mudah matematis dalam Penelitian ini melakukan simulasi untuk mendapatkan data yang lebih luas, yang memberikan evaluasi yang lebih baik terhadap sistem klasifikasi yang Kelebihan dari penelitian ini adalah penggunaan sistem keputusan berbasis fuzzy untuk deteksi retinopati diabetik.
Sistem ini memiliki biaya komputasi yang rendah dan hasil yang komparatif dengan akurasi 88%, sehingga dapat membantu dalam deteksi dini retinopati diabetik.
mencakup proses penggunaan algoritma deep learning, atau penerapan klasifikasi untuk penyakit Penelitian ini bergantung pada database penelitian klinis, yang mungkin memiliki keterbatasan dalam hal kualitas data, kelengkapan, dan keterwakilan Studi ini didasarkan pada database tertentu dan mungkin tidak dapat digeneralisasikan ke populasi atau lingkungan lain.
Kekurangan dari penelitian ini termasuk tidak faktor usia dan hubungan keturunan, tingkat keparahan penyakit, serta untuk memberikan saran pengobatan.
Selain itu, penelitian ini tidak https://ejournal.
id/index.
php/korisa Page 6 of 14 Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
1 Tahun 2024 Early Detection of Diabetes Mellitus using Feature Selection and Fuzzy Support Vector Machine .
Rian Budi Lukmanto.
Suharjito.
Ariadi Nugroho.
Habibullah Akbar Indeterminacy Handling of Adaptive Neuro-fuzzy Inference System Using Neutrosophic Set Theory:
A Case Study for the Classification of Diabetes Mellitus .
Rajan Prasad.
Praveen Kumar Shukla Comparative of data mining and fuzzy logic used in diabetes prognosis .
Harshil Thakkar.
Vaishnavi Shah.
Hiteshri Yagnik.
Manan Shah Jurnal Kolaborasi Riset Sarjana 2024.
Page 1-14 memprediksi kondisi kesehatan mata Penelitian menunjukkan bahwa pengklasifikasi Fuzzy SVM secara efektif melatih data untuk menghasilkan aturan Fuzzy, yang mengarah ke kinerja Fuzzy Inferensi yang Model N-ANFIS yang diusulkan berhasil menangani informasi yang tidak jelas dan mencapai akurasi tinggi dalam diabetes, melampaui algoritma klasifikasi Studi ini menggunakan fungsi trapesium dan segitiga untuk menunjukkan hasil yang menjanjikan dalam menangani ketidakpastian dalam data dunia nyata.
Hasil dari penelitian ini menunjukkan bahwa teknik-teknik data mining dan logika fuzzy yang digunakan untuk diagnosis diabetes telah terbukti memberikan akurasi yang cukup tinggi.
Teknik logika fuzzy telah menunjukkan akurasi hingga 96%, sementara metode data mining seperti pengklasifikasi hutan faktor-faktor tersebut dalam sistemnya.
Mencapai akurasi yang menjanjikan sebesar 89,02% dalam memprediksi pasien dengan Diabetes Mellitus.
Secara efektif jumlah aturan Fuzzy akurasi yang cukup.
Pendekatan berbasis aturan fuzzy dengan aturan IF-THEN interpretabilitas dan membantu dalam Logika fuzzy memungkinkan untuk ambiguitas data dan definisi kelas yang tumpang tindih, meningkatkan tugas Menyediakan pemahaman yang mendalam tentang penggunaan data mining dan logika fuzzy dalam diagnosis diabetes, yang dapat membantu dalam deteksi dini penyakit Menunjukkan bahwa teknik logika fuzzy mampu memberikan akurasi hingga 96%, sementara data mining seperti Kurangnya eksplorasi pengelompokan atau algoritma genetik untuk berpotensi Studi ini tidak metodologi yang diusulkan dengan teknik pengklasifikasi lain yang ada untuk klasifikasi Diabetes Mellitus.
Kompleksitas sistem meningkat karena setiap fitur memiliki tiga nilai ketidakpastian, dan kepalsuan, mirip dengan sistem fuzzy Model yang diusulkan lebih menantang untuk dibandingkan dengan model pembelajaran mesin lainnya, membutuhkan daya komputasi tinggi karena menghasilkan sejumlah besar data.
Ketergantungan pada dataset yang digunakan dan jumlah atribut yang dalam klasifikasi pasien dapat akurasi model, sehingga hasilnya dapat bervariasi tergantung pada karakteristik dataset yang digunakan.
https://ejournal.
id/index.
php/korisa Page 7 of 14 Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
1 Tahun 2024 An Intelligent Medical Expert System Using Temporal Fuzzy Rules and Neural Classifier .
Praveen Talari.
Suresh.
Kavitha Combining Supervised and Unsupervised Fuzzy Learning Algorithms for Robust Diabetes Diagnosis .
Kwang Baek Kim.
Hyun Jun Park.
Doo Heon Song Type-2 Fuzzy Neural System Rahib H.
Abiyev.
Hamit Altiparmak Jurnal Kolaborasi Riset Sarjana 2024.
Page 1-14 acak juga mencapai akurasi hingga Studi ini menunjukkan bahwa kedua pendekatan tersebut efisien dalam hal akurasi mereka dalam Hasil dari penelitian ini adalah pengembangan dan implementasi sistem prediksi penyakit baru untuk diabetes secara efektif dengan menerapkan jaringan saraf tiruan dengan logika fuzzy dan batasan waktu, serta metode pemilihan fitur berbasis algoritma genetika.
Penelitian tersebut membahas metode yang diusulkan untuk pembelajaran yang diawasi dan tidak diawasi untuk diagnosis diabetes yang kuat.
Disebutkan bahwa metode yang menunjukkan hasil yang lebih unggul dibandingkan dengan algoritma jaringan syaraf tiruan berbasis fuzzy standalone dan Hasil dari penelitian ini adalah pengklasifikasi hutan acak mencapai akurasi hingga 99.
efektivitas kedua pendekatan tersebut dalam mendiagnosis kelebihan dari penelitian ini adalah metode pemilihan fitur berbasis algoritma genetika yang dapat mengidentifikasi dan memilih seperangkat fitur untuk memprediksi diabetes tipe 1 dan diabetes Algoritma pemilihan fitur ini membantu dalam membersihkan data input, melakukan reduksi tupel, dan memilih fitur-fitur yang sesuai.
Kelebihan dari penelitian ini adalah hierarkis komponen pembelajaran fuzzy tak terawasi .
dan pembelajaran fuzzy terawasi .
dalam satu algoritma.
Dengan menggunakan metode ini, penelitian ini berhasil menunjukkan hasil yang lebih robust dan stabil dalam melakukan prediksi Penelitian ini mungkin terbatas pada dataset yang digunakan untuk pengujian dan Penggunaan dataset yang lebih luas dan variasi yang lebih besar dapat membantu dalam menguji generalisasi dari model yang Kelebihan dari penelitian ini adalah pengembangan sistem Kekurangan dari penelitian ini adalah Penelitian hanya dilakukan pada satu set data terbuka (PID databas.
, sehingga generalisasi langsung dari hasil eksperimen ini mungkin tidak tepat untuk menilai kinerja keseluruhan dari algoritma yang https://ejournal.
id/index.
php/korisa Page 8 of 14 Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
1 Tahun 2024 for Diagnosis of Diabetes .
Deep learning immersion and control for type-I diabetes .
Amir H.
Mosavi.
Ardashir Mohammadzadeh Self Organising Fuzzy Logic Classifier for Predicting Type-2 Diabetes Mellitus using ACO-ANN .
Ratna Patil.
Dr.
Sharvari Tamane.
Dr.
Kanishk Patil Jurnal Kolaborasi Riset Sarjana 2024.
Page 1-14 sistem identifikasi diabetes berbasis T2FNN (Type-2 Fuzzy Neural Networ.
yang logika fuzzy tipe-2 dan struktur jaringan saraf tiruan.
Penelitian ini datasets Pima yang diperpanjang dengan 2000 sampel data untuk perancangan sistem identifikasi Hasil dari penelitian ini mencakup pendekatan baru untuk regulasi glukosa pada pasien diabetes tipe 1.
Berdasarkan hasil simulasi, pendekatan yang diusulkan terbukti efektif dalam mengatur glukosa dalam rentang yang diinginkan lebih dari 99% dari waktu.
Hasil dari penelitian ini adalah model prediktif
untuk Diabetes Mellitus Tipe-2
(T2DM)
pendekatan SelfOrganizing Fuzzy Logic Classifier (SOF) yang diintegrasikan dengan Ant Colony Optimization (ACO) identifikasi diabetes yang menggunakan metode T2FNN.
Hasil menunjukkan bahwa peningkatan jumlah aturan fuzzy meningkatkan akurasi sistem T2FNN dalam diagnosis diabetes.
langsung dengan model-model lainnya yang digunakan untuk diagnosis diabetes.
Meskipun hasilnya efisiensi penggunaan sistem T2FNN dalam diagnosis diabetes, penelitian ini tidak langsung dengan model lain yang sudah ada di literatur.
Kelebihan dari penelitian ini pendekatan baru berdasarkan teorema Immersion and Invariance (I&I) untuk menyerap gangguan dinamis dan ketidakpastian dalam metabolisme glukosainsulin.
Selain itu, pendekatan baru berbasis deep learning fuzzy logic system (T2FLS) dikembangkan untuk kesalahan estimasi dan menjamin Penggunaan pendekatan online dan offline dalam pelatihan model, memungkinkan model untuk terus belajar dari data baru dan menyesuaikan diri dengan perubahan pola data.
Pengembangan model yang tidak tergantung pada asumsi penelitian ini juga memiliki kekurangan, termasuk fokus yang sangat teknis dan keterbatasan dalam aplikabilitas di dunia Selain itu, hasil dari penelitian ini hanya didasarkan pada simulasi dan belum diuji pada subjek manusia nyata.
Oleh karena itu, hasil dari penelitian ini perlu diuji lebih lanjut dalam uji klinis dan lingkungan praktis sebelum dapat secara luas.
Penggunaan dataset yang dikumpulkan dari rumah sakit lokal, yang mungkin memiliki keterbatasan dalam representasi populasi secara Penggunaan jarak Euclidean dan kesamaan kosinus sebagai metrik jarak, tanpa eksplorasi metrik jarak lainnya https://ejournal.
id/index.
php/korisa Page 9 of 14 Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
1 Tahun 2024 Prediction of Type - I and Type AeII Diabetes: A Hybrid Approach using Fuzzy Logic and Machine Learning Algorithms .
Geeta Pattun.
Khaleda Afroaz dkk Presenting a Fuzzy Expert System for Diagnosis of Diabetes .
Abolfazl Kazemi.
Ali Mohammadi Jurnal Kolaborasi Riset Sarjana 2024.
Page 1-14 untuk pemilihan fitur yang optimal.
Model yang dikembangkan pasien sebagai sehat, prediabet, atau penderita diabetes dengan tingkat akurasi yang tinggi.
Hasil dari penelitian ini adalah pendekatan hibrid logika fuzzy dan pembelajaran mesin untuk memprediksi risiko diabetes tipe I dan tipe II.
Tiga model pembelajaran mesin dilatih untuk pasien ke dalam dua kategori diabetes berdasarkan dataset klinis mereka.
Algoritma regresi polinomial mencapai sementara algoritma regresi vektor dukungan dengan kernel rbf mencapai Hasil penelitian ini peningkatan yang sebelumnya dan kinerja yang baik dibandingkan dengan hasil dokter.
Sistem ahli fuzzy untuk kasus dengan diagnosis yang benar sebelumnya tentang model generasi data.
yang mungkin dapat performa model.
Kelebihan dari penelitian ini termasuk penggunaan pendekatan hibrid yang inovatif, kombinasi logika fuzzy dengan pembelajaran mesin, yang meningkatkan ketepatan model prediksi risiko Metode ini mampu menangani data yang tidak pasti dengan baik dan strategi identifikasi dan intervensi dini.
Kekurangan dari penelitian ini mungkin termasuk keterbatasan dalam jumlah data yang digunakan, serta fokus pada dataset klinis tertentu dari Katihar Medical College & Hospital dan Suvadhan Lab.
Selain itu, penelitian ini mungkin memerlukan validasi lebih lanjut dengan dataset yang lebih luas dan beragam untuk memastikan generalisasi hasil.
Studi ini menggunakan teknik sistem pakar fuzzy untuk menganalisis variabel pada pasien diabetes, memberikan metode baru untuk kontrol pada pasien Model yang digunakan dalam penelitian ini adalah Multiple Input Single Output (MISO), yang variabel input Usia.
Potensi keterbatasan penelitian ini mungkin disebabkan oleh ketergantungan pada masukan data dan perlunya eksplorasi dan perbaikan lebih lanjut dalam hal penerapan dan efisiensi dalam Satu kasus ketidakcocokan dalam diagnosis, dikaitkan https://ejournal.
id/index.
php/korisa Page 10 of 14 Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
1 Tahun 2024 An Intelligent Fuzzy System for Diabetes Disease Detection using Harris Hawks Optimization .
Zahra Asghari Varzaneh.
Soodeh Hosseini dari 27 tes yang Berat, dan Olahraga, dan variabel output diabetes dengan tiga Sistem pakar fuzzy yang diusulkan untuk peningkatan akurasi beberapa metode terkenal untuk diagnosis penyakit Hasil menunjukkan bahwa sistem ahli memiliki akurasi, sensitivitas, dan spesifisitas yang lebih tinggi dibandingkan dengan model penambangan data lainnya dalam Sistem pakar fuzzy yang diusulkan untuk peningkatan akurasi beberapa metode terkenal untuk diagnosis penyakit ketidakpastian dalam prediksi dan pengaruh parameter yang tidak termasuk dalam sistem.
Penelitian ini hanya berfokus pada pasien wanita keturunan Indian Pima dan mungkin tidak berlaku untuk populasi lain.
Selain itu, penelitian ini hanya menggunakan satu dataset dan mungkin tidak dapat digeneralisasikan ke dataset lainnya.
Hasil dan Pembahasan Berdasarkan hasil review studi literatur menunjukan bahwa penggunaan metode fuzzy dalam diagnosis dan prediksi diabetes telah menunjukkan kemajuan yang signidikan.
Beberapa penelitian berhasil mengembangkan sistem berbasis aturan fuzzy yang mampu memprediksi diabetes dengan tingkat akurasi yang tinggi, bahkan melebihi metode-metode sebelumnya.
Metode fuzzy memungkinkan penanganan informasi yang tidak pasti dalam data diabetes, sehingga sistem klasidikasi menjadi lebih konsisten dan mudah diolah secara matematis.
Penggunaan metode fuzzy memiliki beberapa kekurangan seperti keterbatasan dalam ditur-ditur yang digunakan dan ketergantungan pada dataset tertentu, yang dapat membatasi generalisasi hasil penelitian.
Implementasi logika fuzzy secara keseluruhan pada penelitian menunjukkan potensi besar dalam penggunaan metode fuzzy untuk meningkatkan diagnosis dan prediksi penyakit diabetes.
Peluang dan Tantangan Logika Fuzzy pada Penyakit Diabetes Di antara teknik penjelasan model spesifik penggunaan aturan logika fuzzy telah muncul sebagai metode yang Aturan fuzzy memungkinkan penalaran seperti manusia untuk menyimpulkan hasil prediksi (Yarong Li Jurnal Kolaborasi Riset Sarjana 2024.
Page 1-14 https://ejournal.
id/index.
php/korisa Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
1 Tahun 2024 Page 11 of 14 et al.
, (Xue.
Zhou, and Cai 2.
, (Y.
Zhang et al.
Aturan-aturan ini dirumuskan sebagai pernyataan IF-THEN berdasarkan pengetahuan atau data ahli dan memanfaatkan logika fuzzy untuk memberikan interpretasi semantik dan pemahaman semantik tingkat tinggi dalam proses penalaran yang menyerupai perilaku penalaran manusia (Casalino et al.
, (Algehyne et al.
Untuk meningkatkan interpretasi dan analisis diagnostik dan komorbiditas data medis, kita dapat menggunakan teknik berharga seperti ekstraksi aturan asosiasi dan logika fuzzy.
Keunggulan pertama adalah pendekatan populer tanpa pengawasan yang digunakan untuk mengeksplorasi dan menafsirkan kumpulan data transaksional berukuran besar untuk mengidentifikasi pola dan aturan unik.
Dengan kata lain, teori himpunan fuzzy menyediakan mekanisme yang efisien untuk mengelola informasi yang tidak lengkap atau tidak tepat (Subasi Mempertimbangkan hal di atas dan fakta bahwa dalam database medis terdapat data yang tidak lengkap dan tidak tepat, pendekatan seperti aturan asosiasi fuzzy tampaknya menjadi yang paling cocok untuk menjadi solusi terbaik untuk mendiskritisasi nilai numerik secara halus dan mengungkap serta mewakili hubungan tersembunyi dengan cara yang dapat dimengerti oleh pengguna akhir (Fernandez-Basso et al.
Karena sistem AI klinis dikembangkan pada jumlah besar dari data kesehatan dunia nyata, label dan kualitas data yang sesuai akan secara langsung menentukan performa model.
Kualitas data mungkin mempunyai masalah berikut: kualitas data itu sendiri yang buruk, seperti gambar yang tidak rata dan buram.
kualitas label data yang buruk, seperti label yang salah.
dan data tidak mencukupi, dimana hanya sebagian kecil data yang diberi label.
Selain itu, sistem yang didukung AI dapat memperkuat bias dan diskriminasi implisit jika dilatih berdasarkan data yang mencerminkan kesenjangan layanan kesehatan yang dialami oleh kelompok-kelompok berdasarkan ras, etnis, gender, orientasi seksual, status sosial ekonomi, atau lokasi geografis (Johnson-Mann.
Loftus, and Bihorac Untuk memitigasi kendala-kendala ini.
Algoritme AI harus dilatih berdasarkan kumpulan data yang adil yang mencakup dan secara akurat mewakili faktor sosial, lingkungan, dan ekonomi yang memengaruhi kesehatan (Loftus et al.
Masalah utama bagi masa depan AI di bidang kedokteran adalah penerapan privasi data dan jaminan keamanan.
Karena banyaknya masalah peretasan di seluruh dunia, tidak ada ruang bagi algoritme yang mungkin berisiko mengungkapkan riwayat kesehatan pasien dalam praktik klinis (Topol 2.
Selain itu, terdapat potensi risiko fatal bagi pasien jika jenis algoritme AI tertentu diretas, seperti overdosis insulin untuk pasien diabetes dalam sistem pengiriman insulin otomatis loop tertutup.
Identitas seseorang juga semakin mungkin ditentukan melalui Jurnal Kolaborasi Riset Sarjana 2024.
Page 1-14 https://ejournal.
id/index.
php/korisa Jurnal Kolaborasi Riset Sarjana.
Vol.
1 No.
1 Tahun 2024 Page 12 of 14 pengenalan wajah atau urutan genom dari database yang sangat besar, yang selanjutnya menghambat perlindungan privasi (Guan et al.
Kesimpulan Berdasarkan hasil penelitian menunjukkan bahwa penggunaan metode logika fuzzy dalam diagnosis dan prediksi diabetes telah menunjukkan kemajuan yang signifikan.
Meskipun telah mencapai tingkat akurasi yang tinggi, masih ada beberapa potensi penelitian yang dapat dieksplorasi lebih lanjut untuk meningkatkan efektivitasnya di masa depan.
Hal tersebut meliputi pengembangan model yang lebih komprehensif dengan integrasi data klinis tambahan, validasi menggunakan dataset yang lebih luas dan representatif, serta peningkatan interpretasi dan keamanan data untuk mendukung aplikasi dalam praktik klinis yang lebih luas.
Dengan menggali potensi ini, logika fuzzy memiliki potensi untuk terus meningkatkan manajemen diabetes dan perawatan pasien di masa Daftar Pustaka