IMPLEMENTASI FT-TRANSFORMER UNTUK KLASIFIKASI PENYAKIT DARAH BERDASARKAN PARAMETER HEMATOLOGI RUMAH SAKIT ROYAL PRIMA MEDAN

Abstrak

Penelitian ini bertujuan mengembangkan model Deep Learning berbasis arsitektur Feature Tokenizer Transformer (FT-Transformer) untuk klasifikasi penyakit darah menggunakan 103.024 data sekunder retrospektif Complete Blood Count (CBC) pasien dari RS Royal Prima Medan. Mekanisme selfattention pada model ini diimplementasikan untuk memetakan interaksi kompleks antar-parameter hematologi secara otomatis tanpa memerlukan rekayasa fitur (feature engineering) manual. Hasil pengujian menunjukkan bahwa FT-Transformer secara efektif mampu mengatasi tantangan data klinis yang sangat tidak seimbang (highly imbalanced data), menghasilkan performa klasifikasi multi-kelas yang superior dan stabil. Hal ini dibuktikan oleh metrik Accuracy, Precision, Recall, dan F1-Score yang mencapai angka 0.98 hingga 1.00 pada empat diagnosis utama: Normal, Anemia, Sepsis/Infection, dan Thrombocytopenia. Secara keseluruhan, pendekatan komputasional ini berhasil menghasilkan prototipe Clinical Decision Support System (CDSS) yang tangguh dan berpresisi tinggi dalam menginterpretasikan hasil laboratorium tabular.

Identifier

• OpenAlex: https://openalex.org/W7167907219
• DOI: https://doi.org/10.36341/rabit.v11i2.8040