Meningkatnya permintaan untuk self diagnosis, terutama sebagai respons terhadap krisis kesehatan global, menekankan kebutuhan kritis akan deteksi kondisi medis yang akurat dan tepat waktu. Kemajuan terbaru dalam deep learning telah menunjukkan potensi yang substansial dalam klasifikasi penyakit berdasarkan data gejala.
Self diagnosis dini dapat secara signifikan meningkatkan hasil kesehatan dengan memungkinkan intervensi segera, sementara deteksi yang tertunda dapat memperburuk keparahan dan progresivitas penyakit. Oleh karena itu, diperlukan pendekatan berbasis kecerdasan buatan yang mampu mengklasifikasikan penyakit dengan tingkat akurasi tinggi guna mendukung proses diagnosis medis.
Studi ini bertujuan untuk melakukan analisis komparatif terhadap tiga arsitektur deep learning utama—Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN), dan Deep Neural Networks (DNN)—dalam klasifikasi penyakit berdasarkan dataset gejala penyakit dan profil pasien.
Eksperimen dilakukan dengan mengevaluasi kinerja setiap model berdasarkan metrik utama, termasuk accuracy, sensitivity, specificity, dan F1-score. Hasil menunjukkan bahwa setelah dilakukan hyperparameter tuning, model DNN mencapai akurasi tertinggi sebesar 98,36%, diikuti oleh RNN dengan 98,77%, dan CNN dengan 98,16%. Peningkatan ini menegaskan bahwa tuning secara signifikan meningkatkan akurasi dan generalisasi model. DNN lebih unggul dalam menangani data terstruktur, CNN lebih sesuai untuk data citra medis, dan RNN lebih efektif dalam mengenali pola temporal. Temuan ini menunjukkan bahwa optimasi parameter berperan penting dalam meningkatkan keandalan sistem untuk diagnosis berbasis kecerdasan buatan.