Catatan bukti · UDINUS · SDGs
- Unit
- Rektorat UDINUS
- Periode
- 2025
- Tujuan
- Nomor
- 271d5b72-d63e-4d31-b4ec-3883fd187c3a
- Terbit
- 2026-10-30
Universitas Dian Nuswantoro melaksanakan studi prediksi risiko medis dengan partisipasi Kusuma, Muh Galuh Surya Putra; Setiadi, De Rosal Ignatius Moses; Herowati, Wise; Sutojo, T.; Adi, Prajanto Wahyu; Dutta, Pushan Kumar; dan Nguyen, Minh T. Kegiatan ini membahas kebutuhan terhadap model diagnostik yang akurat dan dapat diinterpretasikan untuk penyakit ginjal kronis, diabetes, dan penyakit jantung, yang dalam sumber disebut sebagai penyebab utama kematian di seluruh dunia. Studi ini juga mengkaji tantangan metode pembelajaran mesin konvensional, yaitu keterbatasan generalisasi, redundansi fitur, dan ketidakseimbangan kelas pada dataset medis.
Studi tersebut mengusulkan kerangka klasifikasi terintegrasi yang menggabungkan tiga paradigma fitur: atribut tabular klasik, fitur laten deep yang diekstraksi melalui encoder Long Short-Term Memory tanpa pengawasan, serta fitur terinspirasi kuantum yang diperoleh dari sirkuit lima qubit yang diimplementasikan dalam PennyLane. Fitur-fitur heterogen tersebut digabungkan menggunakan mekanisme atensi berbasis fitur dan dievaluasi dengan pengklasifikasi AdaBoost. Mekanisme atensi digunakan untuk memberikan bobot secara dinamis terhadap kontribusi fitur dan meningkatkan batas keputusan. Eksperimen mencakup tiga dataset medis benchmark untuk penyakit ginjal kronis, diabetes tahap awal, dan penyakit jantung. Evaluasi dilakukan pada konfigurasi seimbang dan tidak seimbang menggunakan validasi silang terstratifikasi lima lipatan. Tahap prapemrosesan dan ekstraksi fitur diisolasi pada setiap lipatan untuk mendukung evaluasi yang adil.
Model hibrida yang diusulkan mengungguli baseline konvensional dan ensemble dalam eksperimen yang dilaporkan. Akurasi puncak yang dicapai adalah 99,75% untuk penyakit ginjal kronis, 96,73% untuk diabetes, dan 91,40% untuk penyakit jantung, dengan nilai ROC AUC terkait hingga 1,00. Analisis ablasi menunjukkan bahwa penggabungan berbasis atensi meningkatkan akurasi dan recall, terutama pada kondisi tidak seimbang, sedangkan SMOTE memberikan kontribusi minimal setelah optimasi tingkat fitur diterapkan. Kegiatan ini berkaitan dengan RAW_GOALS melalui penelitian mengenai prediksi risiko medis dan pemodelan diagnostik. Dalam kerangka kelembagaan, UDINUS menempatkan kegiatan ini sebagai kontribusi penelitian kesehatan berbasis metode kuantum-terinspirasi, deep, klasik, atensi, dan ensemble.