Penanganan Big Data terhadap Mekanisme dalam Aplikasi Healthcare

Healthcare saat ini memberikan berbagai pelayanan, mulai dari melakukan diagnosa, pengobatan, pencegahan penyakit, penanganan cedera, bahkan penanganan mental. Pada era kemajuan besar dalam teknologi saat ini memberikan dampak pada berbagai bidang kehidupan manusia, mulai dari bisnis, Pendidikan, dan tak terlepas pula dalam bidang kesehatan atau healthcare. Terdapat kemajuan besar dalam bidang healthcare saat ini yang disebabkan oleh kemajuan pesat teknologi. Pada saat ini terdapat banayak sekali bentuk kemajuan teknologi yang dapat kita nikmati, seperti Internet of Things (IoT), Artificial Intelligence (AI), dan lainnya seperti Big Data.

Big Data adalah kumpulan proses yang terdiri dari volume data dalam jumlah besar yang terstruktur maupun tidak terstruktur. Big Data mengacu pada kumpulan data besar dan majemuk yang berada di luar kemampuan sistem manajemen data lama untuk menyimpan, mengelola, dan memprosesnya secara tepat waktu dan ekonomissekian banyak kemajauan teknologi yang terjadi, Di dalam bidang kesehatan sendiri adalah industry yang besar dan cepat berkembang, sehingga Big Data sangat cocok digunakan dalam industry ini.

Large-scale distributed data processing applications dalam Healthcare adalah konsep dasar beroperasi pada data yang berjumlah besar. Oleh karena itu, fungsi aplikasi big data adalah bagian utama dari operasi pelayanan kesehatan. Dalam bidang kesehatan, Big Data dapat digunakan dalam berbagai hal seperti re-commendation system, sensor-based health condition, dan studi asosiasi genome yang dapat mengatasi banyak masalah atau mengidentifikasi penyakit.

Dikarenakan kaitannya dengan large-scale data-intensive computing applications, maka MapReduce merupakan salah satu model pemrograman yang efektif untuk digunakan. MapReduce adalah model pemrograman sederhana untuk mengembangkan aplikasi intensif data terdistribusi di platform cloud. Fungsi Map adalah memproses pasangan kunci/nilai untuk membuat satu set pasangan kunci/value pairs. Sedangkan, fungsi Reduce adalah menggabungkan semua nilai antara yang identik.

Kita dapat menggunakan Hadoop framework sebagai implementasi dari model MapReduce. Hal ini tentunya akan membuat aplikasi dapat berjalan dengan lancar di cluster besar yang dibangun dari perangkat keras komoditas. Kerangka kerja Hadoop MapReduce berisi node master tunggal yang menjalankan instance Jobtracker yang menerima permintaan pekerjaan dari node klien tempat node slave menjalankan instance Tasktracker. Jobtracker bertanggung jawab untuk memberikan status dan informasi diagnostik kepada klien. Itu mengeksekusi tugas dalam proses java sehingga beberapa tugas dapat dilakukan secara parallel bersamaan.

Healthcare operation menghasilkan volume data yang besar. Harus terdapat metode analitis untuk memperoleh keputusan yang dapat ditindaklanjuti dari mekanisme penanganan Big Data. Dalam menangani mekanisme di dalam bidang healhcare dibagi menjadi beberapa based, yaitu :

• Machine Learning Based

Machine learning sebagai pendekatan praktis dan efektif untuk penanganan big data berdasarkan teknik kecerdasan buatan dan basis data historis telah digunakan baru-baru ini. Machine learning memberikan kinerja tinggi dengan waktu pelatihan yang singkat. Mekanisme ini berguna untuk memecahkan tantangan sulit dari big data, mengurangi waktu komputasi dan memberikan kepuasan, berguna untuk mengelompokkan hasil menggunakan kolaboratif minimal dari status konformasi protein yang representatif (reseptor ensemble docking). Namun kekurangannya adalah sebagian besar mekanisme ini membutuhkan waktu eksekusi yang tinggi. Selain itu, perlu untuk melatih kembali model melalui seluruh proses pembuatan model mulai dari perayapan, penguraian, dan penandaan pos untuk setiap jenis obat. Namun, machine learning based memberikan skalabilitas tinggi, akurasi yang tinggi, dan dapat menghindari satu titik masalah kegagalan.

• Agent-Based mechanism

Mekanisme agent based telah memberikan efisiensi, skalabilitas, dan kerahasiaan yang tinggi. Efisiensi sistem healthcare ditingkatkan melalui integrasi pemantauan terdistribusi dengan analitik terpusat dan perawatan populasi jangka panjang dapat ditingkatkan. Mekanisme ini menghindari satu titik masalah kegagalan. Salah satu contohnya adalah mengatasi permasalahan pasien yang memiliki kesamaan atas arsitektur MapReduce. Metode ini mendukung penyimpanan dan pengambilan semua jenis sumber data secara tepat waktu. Sifat dinamis dari sistem membantu pasien untuk menentukan kondisi pada semua bidang yang dimasukkan.

• Cloud-based mechanism

Salah satu contoh mekanisme berbasis cloud pada healthcare adalah melakukan self-diagnose. Cluster pencarian terdistribusi disediakan untuk mendukung deteksi rekam medis secara bersamaan dan terukur, perlindungan privasi, dan pemeriksaan data. Selain itu, untuk mempercepat pengambilan rekam medis, Hadoop Cluster diadopsi untuk penyimpanan data offline dan pembuatan indeks. Juga, catatan medis historis dan ciri-ciri gejala penyakit digunakan untuk mengidentifikasi jenis penyakit mana yang mungkin menginfeksi mereka. Maka ditarik kesimpulan bahwa Cloud-based mechanism memiliki beberapa fitur seperti efisiensi, konfigurasi, keamanan tinggi, dan kinerja tinggi. Beberapa mekanisme juga memberikan kegunaan dan sistem pemantauan kesehatan yang sesuai.

Meskipun terlihat sudah cukup mumpungi, setiap mekanisme yang disebutkan masih memiliki kekurangan masing-masing sehingga masih perlu dilakukan perbaikan. Hal yang paling menakjubkan dengan adanya big data dalam Healthcare adalah kemungkinan bahwa tersedianya layanan self-caring berupa self-diagnose yang sangat akurat dan mengembangkan informasi perawatan kesehatan berdasarkan platform cloud. 

Referensi

Pashazadeh, N.J. Navimipour. (2018). Big Data Handling Mechanisms in the Healthcare Applications: A Comprehensive and Systematic Literature Review. Journal of Biomedical Informatics, 82, 47-62.

Khanra, S., Dhir, A., Islam, A, K, M, N., Najmul Islam & Mäntymäki, M. (2020). Big Data Analytics in Healthcare: A Systematic Literature Review. Enterprise Information Systems, 14(7), 878-912, DOI: 10.1080/17517575.