Pengenalan Entitas Biomedis Dengan Pembelajaran Semi-Supervised Untuk Identifikasi Gejala Penyakit Dalam Bahasa Indonesia

Abdillah, Abid Famasya (2022) Pengenalan Entitas Biomedis Dengan Pembelajaran Semi-Supervised Untuk Identifikasi Gejala Penyakit Dalam Bahasa Indonesia. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025201012-Master_Thesis.pdf Restricted to Repository staff only Download (3MB)

Abstract

Identifikasi gejala penyakit merupakan salah satu indikator penting untuk deteksi dini potensi penyakit yang ada di masyarakat. Seiring dengan meningkatnya penggunaan internet, masyarakat mulai menggunakan internet platform seperti sosial media dan forum untuk berbagi kondisi kesehatan mereka. Oleh karena itu, metode untuk melakukan ekstraksi informasi gejala penyakit dari data digital menjadi perhatian utama bagi peneliti dan analis kesehatan masyarakat. Salah satu metode yang jamak digunakan adalah pengenalan entitas biomedis berbasis deep learning yang dikenal dengan Biomedical Named Entity Recognition (BioNER). Dalam pembangunan BioNER, banyak penelitian menggunakan data sosial media sebagai data latihnya. Akan tetapi, representasi data domain medis pendekatan ini kurang optimal. Di samping itu, kebutuhan data latih yang besar juga merupakan tantangan untuk membangun BioNER dalam Bahasa Indonesia. Untuk menyelesaikan persoalan tersebut, penelitian ini mengusulkan suatu metode pembangunan model BioNER yang dilatih pada situs konsultasi kesehatan online (KKO) agar memiliki representasi data domain medis yang lebih baik. Uji coba untuk mendapatkan konfigurasi BioNER terbaik dilakukan dengan arsitektur LSTM sebagai metode yang umum digunakan dengan Transformer dan hybrid LSTM-Transformer sebagai state-of-the-art. Implementasi semi-supervised learning juga dilakukan untuk mengatasi data latih yang terbatas, sehingga hasil akurasi model juga meningkat. Model akhir tahapan teersebut akan digunakan iv dalam uji coba identifikasi gejala penyakit pada studi kasus COVID-19 pada tahun 2021. Hasil evaluasi kualitatif terhadap sumber data latih menunjukkan bahwa informasi biomedis yang tersedia pada situs konsultasi kesehatan online lebih banyak dan representatif dibandingkan data sosial media. Uji coba terhadap pembentukan BioNER juga menunjukkan bahwa model berbasis Transformer paling unggul dibanding model lain dengan nilai F1 sebesar 0,7691. Hasil ini berhasil ditingkatkan hingga mencapai nilai 0,8172 dengan proses semi-supervised learning. Evaluasi hasil ekstraksi gejala penyakit terkait COVID-19 menggunakan BioNER dengan kasus riil COVID-19 juga menunjukkan RMSE sebesar 0,2708. Model BioNER yang terbentuk juga dapat mengenali gejala penyakit secara general, antara lain kesehatan mental, masalah gigi dan penyakit mata meskipun hanya dilatih pada gejala penyakit HIV, AIDS, diare dan TBC.
==============================================================================================================================
Identification of disease symptoms is one of the important indicators for early detection of potential diseases in the community. Along with the increasing use of the internet, people began to use internet platforms such as social media and forums to share their health conditions. Therefore, methods for extracting disease symptom information from digital data are a major concern for researchers and public health analysts. To extract such information, a commonly used method is a deep learning-based biomedical entity known as Biomedical Named Entity Recognition (BioNER). Many studies in the development of BioNER use social media data as the training data. However, this approach is not optimal due to the lack of representation of medical domain in social media data. In addition, the need for large training data is also a challenge for the development of BioNER in Indonesian. To solve this challenge, this study proposes a method to develop BioNER model based on online health consultation (OHC) data to gain a better representation of medical domain data. Experiments will be carried out with LSTM as well as state of the art Transformer and hybrid LSTM-Transformer to find out the best configuration for BioNER model. An implementation of semi-supervised learning is also used to overcome the limited training data. The final BioNER model is applied to identify COVID-19 related symptoms in 2021. A qualitative evaluation on the OHC as training data sources show that OHC data contains more health domain representation than social media data. vi Experiment results on BioNER development also shows that the Transformer-based model is superior than other models, with an F1 score of 0.7691. Semi-supervised learning implementation could also increase this score to reach F1 score of 0.8172. Correlation analysis between extracted symptoms related with COVID-19 with real cases of COVID-19 also showed an RMSE score of 0.2708. Finally, BioNER model could also recognize general disease symptoms, including mental health, dental problems and eye diseases, despite of only trained on HIV, AIDS, diarrhea and tuberculosis symptoms.

Item Type:	Thesis (Masters)
Additional Information:	RTIf 006.7 Abd p-1 2022
Uncontrolled Keywords:	arsitektur LSTM, arsitektur Transformer, deep learning, identifikasi gejala penyakit, pengenalan entitas biomedis. biomedical NER, deep learning, LSTM architecture, symptoms identification, Transformer architecture.
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	06 Jul 2026 04:35
Last Modified:	06 Jul 2026 04:45
URI:	http://repository.its.ac.id/id/eprint/134340

Actions (login required)

View Item