Perkembangan kecerdasan buatan diketahui telah banyak membawa perubahan untuk mendukung pengambilan keputusan klinis. Dalam era big data saat ini, berbagai masalah diatasi menggunakan pendekatan machine learning (ML). Salah satu ML yang hingga kini menjadi andalan adalah Support Vector Machine (SVM). Sejak diperkenalkan beberapa dekade lalu, SVM terus mengalami penyempurnaan dan menjadi salah satu algoritma kecerdasan buatan dengan performa terbaik untuk klarifikasi dan memprediksi berbagai kondisi medis. SVM umumnya digunakan untuk diagnosis penyakit, prediksi luaran pasien, pengelolaan layanan kesehatan, hingga pengembangan sistem pendukung keputusan klinis.
Berdasarkan kajian artikel yang dilakukan oleh Guido et. al (2024), SVM bekerja dengan cara mempelajari pola dari data pasien untuk membedakan kelompok yang memiliki penyakit dan yang tidak. Keunggulan utama metode ini adalah kemampuannya menemukan batas pemisah (hyperplane) yang paling optimal sehingga mampu menghasilkan klasifikasi dengan tingkat akurasi tinggi bahkan ketika hubungan antar variabel bersifat kompleks dan tidak linier. Kemampuan tersebut membuat SVM banyak dimanfaatkan pada diagnosis kanker, penyakit kardiovaskular, gangguan neurologis, diabetes, penyakit hati, glaukoma, sleep apnea, serta analisis pencitraan medis seperti MRI, CT Scan, PET-CT, mammografi, dan foto toraks. Selain diagnosis, SVM juga digunakan untuk memperkirakan prognosis pasien, risiko komplikasi, angka kelangsungan hidup, lama rawat inap, dan kemungkinan readmisi rumah sakit.
Salah satu alasan SVM banyak digunakan di bidang kesehatan adalah kemampuannya bekerja secara efektif pada data berdimensi tinggi. Salah satu contoh penggunaanya diterapkan untuk mengolah data ekspresi gen yang dapat memiliki ribuan variabel tetapi jumlah sampelnya hanya sedikit. Contoh lainnya dalam penelitian genomik, SVM mampu membantu mengidentifikasi gen yang berhubungan dengan leukemia, kanker kolon, limfoma, dan berbagai jenis kanker lainnya. Teknologi ini juga berperan dalam pengembangan personalized medicine, yaitu penyusunan terapi yang disesuaikan dengan karakteristik genetik, kondisi klinis, dan profil masing-masing pasien sehingga pengobatan menjadi lebih presisi. Meskipun memiliki performa tinggi, penerapan SVM tidak lepas dari berbagai tantangan. Salah satu kendala terbesar adalah ketidakseimbangan data. Dalam praktik klinis, jumlah pasien yang mengalami penyakit tertentu sering kali jauh lebih sedikit dibandingkan pasien sehat. Kondisi ini dapat menyebabkan algoritma cenderung “belajar” dari kelompok mayoritas sehingga gagal mengenali pasien yang benar-benar sakit. Kesalahan seperti ini sangat berbahaya karena dapat meningkatkan risiko keterlambatan diagnosis dan penanganan.
Kajian ini juga menunjukkan bahwa perkembangan SVM tidak lagi berdiri sendiri, tetapi banyak dikombinasikan dengan algoritma optimasi dan teknik machine learning lainnya. Beberapa penelitian menggabungkan SVM dengan Particle Swarm Optimization, Grey Wolf Optimization, Whale Optimization Algorithm, Harris Hawk Optimization, atau metode clustering seperti K-Means untuk memperoleh parameter terbaik secara otomatis. Kombinasi tersebut terbukti mampu meningkatkan akurasi sekaligus mengurangi waktu komputasi. Pada beberapa dataset kanker payudara yang sering digunakan sebagai standar internasional, kombinasi berbagai metode tersebut berhasil mencapai akurasi lebih dari 99% untuk membedakan tumor jinak dan ganas. Meskipun demikian, penulis menegaskan bahwa hasil pada dataset penelitian belum tentu dapat langsung diterapkan pada populasi pasien di dunia nyata tanpa proses validasi eksternal yang memadai.
Selain meningkatkan akurasi, banyak inovasi SVM dikembangkan untuk mengatasi masalah efisiensi komputasi. Algoritma SVM konvensional membutuhkan waktu pelatihan yang cukup lama ketika jumlah data sangat besar karena harus menyelesaikan persoalan optimasi yang kompleks. Beberapa varian lainnya seperti Least Squares SVM (LS-SVM), Proximal SVM, dan Twin SVM juga dikembangkan untuk menjawab tantangan tersebut. Hal ini dilakukan untuk mempercepat proses pelatihan tanpa mengurangi performa klasifikasi secara signifikan. Pengembangan ini menjadi semakin penting seiring meningkatnya penggunaan big data kesehatan dan rekam medis elektronik yang menghasilkan jutaan data pasien setiap hari.
Kualitas data juga menjadi faktor yang sangat menentukan keberhasilan penerapan AI di bidang kesehatan. Penulis menekankan bahwa model secanggih apa pun tidak akan memberikan hasil optimal apabila data mengandung banyak kesalahan, label diagnosis yang tidak akurat, data hilang, atau informasi yang tidak lengkap. Oleh karena itu, proses pembersihan data, normalisasi, rekayasa fitur (feature engineering), serta evaluasi model merupakan tahapan yang sama pentingnya dibandingkan pemilihan algoritma. Kajian ini juga menyoroti pentingnya penggunaan indikator evaluasi yang tepat, seperti sensitivitas, spesifisitas, Area Under the Curve (AUC), Matthews Correlation Coefficient (MCC), dan F1-score ketika menghadapi data yang tidak seimbang. Mengandalkan akurasi saja dapat memberikan gambaran yang menyesatkan mengenai kemampuan suatu model.
Secara keseluruhan, tinjauan ini menunjukkan bahwa SVM masih menjadi salah satu algoritma machine learning yang paling relevan dalam bidang kesehatan dan memiliki potensi besar untuk mendukung layanan kesehatan berbasis data. Perkembangan SVM memberikan peluang besar untuk meningkatkan kualitas pelayanan klinis bagi praktisi kesehatan. Namun, SVM tentunya tidak dimaksudkan untuk menggantikan penilaian klinis tenaga kesehatan tetapi menjadi alat pendukung yang memperkuat ketepatan keputusan melalui analisis data yang lebih komprehensif. Dalam sisi manajemen rumah sakit, implementasi SVM seharusnya dapat membuka peluang untuk meningkatkan efisiensi operasional dan mutu layanan. Prediksi lama rawat inap, risiko readmisi, angka mortalitas, atau potensi komplikasi dapat membantu perencanaan kapasitas tempat tidur, alokasi sumber daya manusia, pengelolaan biaya pelayanan, hingga penyusunan strategi pencegahan kejadian yang tidak diinginkan.
Disarikan oleh:
Nikita Widya Permata Sari, S. Gz., MPH
(Peneliti Divisi Mutu PKMK FK-KMK UGM)
Selengkapnya:
Guido, R., Ferrisi, S., Lofaro, D., & Conforti, D. (2024). An Overview on the Advancements of Support Vector Machine Models in Healthcare Applications: A Review. Information, 15(4), 235. https://doi.org/10.3390/info15040235