Mohon tunggu...
Bisnis Digital 2022D
Bisnis Digital 2022D Mohon Tunggu... Mahasiswa - Universitas Negeri Surabaya

Untuk Keperluan Mata Kuliah Manajemen Operasi yang di ajar Renny Sari Dewi, S.Kom., M.Kom.

Selanjutnya

Tutup

Ilmu Sosbud

Penggunaan Deep Neural Networks dalam Expert-Level Sleep Scoring

24 November 2023   00:28 Diperbarui: 24 November 2023   00:50 100
+
Laporkan Konten
Laporkan Akun
Kompasiana adalah platform blog. Konten ini menjadi tanggung jawab bloger dan tidak mewakili pandangan redaksi Kompas.

Ditulis oleh: Nessa Aulia Jalapuspa Tambunan

Deep neural networks untuk mengotomatisasi tugas manual dalam scoring data polysomnography laboratorium tidur. Para penulis menggunakan kombinasi deep recurrent dan convolutional neural networks untuk supervised learning dari label klinis, mencapai kinerja tingkat ahli.

Efek Penggunaan Deep Neural Networks

Penggunaan deep neural networks pada jurnal tersebut memberikan hasil yang sangat baik dalam mengotomatisasi tugas scoring tidur pada data polysomnography laboratorium. Dalam studi tersebut, deep neural networks berhasil mencapai kinerja yang setara dengan ahli manusia dalam mengklasifikasikan tahap tidur pada data tidur. Hal ini membuka jalan untuk akses yang lebih luas dan lebih tepat waktu terhadap diagnosis tidur. Automasi scoring yang akurat dapat meningkatkan efektivitas dan efisiensi pendekatan di laboratorium dan di rumah untuk diagnosis tidur, yang berpotensi memperluas jangkauan keahlian tidur di luar klinik spesialis.

Metode dan Hasil Pengujian

Dalam jurnal tersebut, deep neural networks diuji menggunakan data polysomnography (PSG) dari 1.050 pasien yang diatasi oleh ahli tidur manusia. Mereka berhasil mengklasifikasikan tahap tidur dengan kinerja setara ahli manusia, menunjukkan potensi besar dalam otomatisasi scoring tidur untuk diagnosis yang lebih efektif dan efisien.

Hasil dari pengujian deep neural networks pada jurnal tersebut menunjukkan bahwa deep neural networks dapat mencapai kinerja yang setara dengan ahli manusia dalam mengklasifikasikan tahap tidur pada data tidur. Dalam pengujian tersebut, deep neural networks berhasil mencapai akurasi sebesar 90,7% dalam mengklasifikasikan tahap tidur pada data tidur, yang setara dengan kinerja ahli manusia. Hal ini menunjukkan bahwa deep neural networks dapat digunakan untuk mengotomatisasi tugas scoring tidur pada data polysomnography laboratorium dengan kinerja yang sangat baik.

Deep Recurrent and Convolutional Neural Networks (RCNN)

Deep Recurrent and Convolutional Neural Networks (RCNN) adalah jenis arsitektur deep learning yang digunakan dalam jurnal tersebut untuk mengklasifikasikan tahap tidur pada data tidur. RCNN menggabungkan dua jenis arsitektur deep learning, yaitu Recurrent Neural Networks (RNN) dan Convolutional Neural Networks (CNN). 

RNN adalah jenis arsitektur deep learning yang dirancang untuk memproses data yang memiliki urutan atau urutan waktu, seperti data teks atau data waktu. RNN memiliki kemampuan untuk menyimpan informasi dari urutan sebelumnya dan menggunakannya untuk memproses urutan berikutnya. Sementara itu, CNN adalah jenis arsitektur deep learning yang dirancang untuk memproses data yang memiliki struktur spasial, seperti gambar. 

HALAMAN :
  1. 1
  2. 2
Mohon tunggu...

Lihat Konten Ilmu Sosbud Selengkapnya
Lihat Ilmu Sosbud Selengkapnya
Beri Komentar
Berkomentarlah secara bijaksana dan bertanggung jawab. Komentar sepenuhnya menjadi tanggung jawab komentator seperti diatur dalam UU ITE

Belum ada komentar. Jadilah yang pertama untuk memberikan komentar!
LAPORKAN KONTEN
Alasan
Laporkan Konten
Laporkan Akun