<![CDATA[Perkembangan teknologi kecerdasan buatan,khususnya machine learning, telah membuka peluang barudalam bidang kesehatan, termasuk diagnosis dini Downsyndrome pada balita. Penelitian ini bertujuan menganalisisefisiensi dua model deep learning, yaitu Convolutional NeuralNetwork (CNN) dan Recurrent Neural Network (RNN), dalammengklasifikasikan Down syndrome berdasarkan citra wajah.Metode yang digunakan meliputi pengumpulan data, prapemrosesan citra, pelatihan model, dan evaluasi menggunakanmetrik accuracy, precision, recall, dan F1-score. Hasil penelitianmenunjukkan bahwa CNN mencapai akurasi lebih tinggi(0.9383 pada data pelatihan), namun memiliki keterbatasandalam mendeteksi kasus positif (precision 0.6772, recall 0.7044).Sementara itu, RNN menunjukkan kinerja lebih baik dalammendeteksi Down syndrome (recall 0.9571, F1-score 0.8724),meskipun akurasinya lebih rendah (0.7757). Pada tahap validasidan pengujian, RNN tetap unggul dalam recall (0.9832 dan0.9928), menjadikannya lebih cocok untuk aplikasi medis yangmemprioritaskan deteksi kasus positif. Penelitian inimenyimpulkan bahwa pemilihan model tergantung padakebutuhan: CNN untuk akurasi umum, sedangkan RNN untukdeteksi komprehensif dengan risiko false negative minimal.Temuan ini memberikan kontribusi penting bagipengembangan sistem diagnosis berbasis AI yang lebih akuratdan efisien.Kata kunci— Down syndrome, CNN, RNN, klasifikasicitra, machine learning]]>
Copyrights © 2025
