Dosen Teknologi Sains Data: Keterlibatan Machine Learning dalam Dunia Kesehatan akan Menambah Efisiensi dan Akurasi Diagnosis

FTMM NEWS –  Belakangan ini, istilah machine learning dalam dunia kesehatan cukup hangat terdengar di telinga masyarakat. Selaku irisan cabang ilmu dari statistika, artificial intelligence, dan ilmu komputer, machine learning juga dikenal sebagai predictive analytics atau statistical learning.

Peran machine learning dalam bidang kesehatan sangat beraneka ragam, seperti halnya identifikasi, diagnosis, prediksi suatu penyakit, smart health records, medical imaging, dan lain sebagainya. Maka, tak heran jika tidak sedikit orang menganggap keberadaan machine learning akan sangat membantu.

Seperti yang diungkapkan oleh Ratih Ardiati Ningrum, M.S., M.Stat, selaku dosen Teknologi Sains Data (TSD) Fakultas Teknologi Maju dan Multidisiplin (FTMM), jika algoritma machine learning bisa diterapkan secara maksimal, maka seorang dokter dapat mendiagnosis suatu penyakit lebih awal dan akurat. 

“Beberapa dokter sudah mulai melirik algoritma machine learning untuk diterapkan pada pemrosesan datanya. Ini tentu akan memberikan efisiensi dan akurasi yang tinggi,” ujar dosen lulusan National Chiao Tung University, Taiwan itu.

 

Bertindak seperti Otak Manusia

Pada dasarnya, machine learning merupakan ilmu yang mempelajari bagaimana komputer dapat memahami dan bertindak seperti otak manusia melalui data. Tujuannya, agar komputer memperoleh insight dari data tersebut.

Fungsi machine learning sebagai tempat komputasi untuk menganalisis data tidak perlu diragukan manfaatnya. Terdapat banyak algoritma machine learning yang bisa dimanfaatkan untuk pengolahan dan analisis data, terutama jika dibandingkan dengan metode statistika tradisional. 

Sebagai contoh, penerapan metode pada statistika tradisional terdapat dua asumsi yang harus dipenuhi. Namun, dengan machine learning proses analisis data menjadi lebih fleksibel, kita dapat menggunakan algoritma mana saja dan menyesuaikannya dengan pola data yang ada. Selanjutnya, berdasarkan algoritma-algoritma tersebut kemudian dianalisis dan dipilih hasil yang paling optimal dalam akurasi, sensitivitas, nilai errornya, dan kriteria kebaikan model yang lain.

Machine learning membantu tenaga medis mendapatkan insight dari data supaya lebih cepat dan akurat dalam mendiagnosis atau mengidentifikasi penyakit,” jelas Ratih.

Menawarkan Banyak Algoritma Pemrosesan

Machine learning menawarkan banyak algoritma yang dapat digunakan mengolah data. Algoritma-algoritma tersebut terbagi ke dalam supervised, unsupervised, dan reinforcement learning dimana setiap jenisnya dibagi lagi ke dalam beberapa jenis algoritma. Sebagai contoh, untuk supervised learning dikenal decision tree, support vector machine, neural network, naive bayes, dan lain sebagainya. 

“Sebelum menerapkan algoritma-algoritma kedalam analisis pengolahan datanya, seorang health scientist perlu memahami kasus yang dihadapi. Selain itu, di samping pengetahuan terkait dengan machine learning, memiliki pengetahuan terkait problem yang akan diselesaikan juga sangat diperlukan,” imbuhnya.

Penerapan machine learning dalam bidang kesehatan seperti halnya pendeteksian suatu penyakit. Misalnya saja terdapat sebuah benjolan di kulit, maka machine learning bisa mendeteksi apakah benjolan itu merupakan tumor jinak atau tumor ganas (kanker). Selain itu, pada bidang radiologist, machine learning dapat membantu membaca visualisasi hasil X-Ray lebih cepat dan akurat.

“Semoga kedepannya machine learning lebih banyak digunakan dalam mengolah data, supaya lebih efektif, efisien, maksimal, dan akurat. Terlebih, menawarkan berbagai metode dan tools yang mudah digunakan dalam mengolah data,” pungkasnya.(*)(wil/cpw)

Photo by Markus Winkler on Unsplash

Share:

Share on facebook
Facebook
Share on twitter
Twitter
Share on whatsapp
WhatsApp
Share on telegram
Telegram
Share on email
Email
Share on linkedin
LinkedIn

Related Posts

Info Session FTMM dalam AEE 2024

FTMM NEWS – Dalam rangka Airlangga Education Expo (AEE) 2024, Fakultas Teknologi Maju dan Multidisiplin (FTMM) turut berpartisipasi pada Info