Analisis Gejala Penyakit Berdasarkan Rekam Medis Menggunakan Text Mining Classification

Sangaji, Alfonsus Haryo (2022) Analisis Gejala Penyakit Berdasarkan Rekam Medis Menggunakan Text Mining Classification. Masters thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 07111950062001-Master_Thesis.pdf] Text
07111950062001-Master_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 April 2024.

Download (2MB) | Request a copy

Abstract

Era digital membuat segala macam instansi baik negeri maupun swasta melakukan penyimpanan dan dokumentasi dalam bentuk digital. Begitu juga institusi perawatan kesehatan seperti rumah sakit. UU Praktik Kedokteran menegaskan bahwa dokter dan dokter gigi wajib membuat rekam medis dalam menjalankan praktik kedokteran. Rekam Medis Elektronik (EMR) telah menjadi sumber banyak wawasan bagi para tenaga kesehatan dan manajemen rumah sakit. EMR menyimpan banyak informasi penting dan pengetahuan baru mengenai banyak aspek untuk keunggulan kompetitif rumah sakit dan tenaga kesehatan. Namun, bentuk EMR yang tidak terstruktur menjadi tantangan bagi tenaga kesehatan.
Teknik penambangan data teks menjadi salah satu alternatif dalam membantu menemukan informasi berharga dalam data yang tidak terstruktur. Melalui model klasifikasi data dan ekstrasi informasi pola-pola gejala penyakit terhadap jenis penyakit dapat ditampilkan. Tantangan lain dalam pembuatan model data medis adalah jumlah data pada setiap penyakit berbeda. Model yang akan diusulkan adalah rule-based sebagai ekstrasi gejala, SMOTE sebagai penyeimbang data dan random forests sebagai klasifier. Penelitian ini dapat mengekstrasi gejala penyakit yang diderita pasien dengan baik dan model juga dapat melakukan klasifikasi penyakit dengan baik. Hasil ekperimen model diperoleh 89% akurasi dengan nilai f1-score masing penyakit 0.86 diabetes mellitus, 0.93 hipertensi, 0.85 kanker, 0.93 gagal ginjal, dan 0.89 tubercolusis.
================================================================================================
The digital era has made all kinds of public and private institutions store and document in digital form moreover health care institutions such as hospitals. The Medical Practice Law states that physicians and dentists must make medical records in carrying out the medical practice. Electronic Medical Records (EMR) have become a source of many insights for health workers and clinicians. EMR stores much important information and new knowledge about many aspects for the competitive advantage of hospitals and clinicians. However, unstructured EMR poses a challenge for many clinicians.
Text mining techniques are an alternative in helping to find valuable information in unstructured data. The pattern of disease symptoms for the type of disease can be displayed through the data classification model and the extraction of information. Another challenge in modelling medical data is the amount of data for each disease. The proposed model is rule-based as symptom extraction, SMOTE as imbalance data handler, and random forest as a classifier. This study can extract the symptoms of the disease suffered by the patient well. The model can also classify the disease well. The experimental model results obtained 89% accuracy with f1-score values for 0.86 diabetes mellitus, 0.93 hypertension, 0.85 cancer, 0.93 kidney failure, and 0.89 tuberculosis.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Electronic Medical Record, Symptoms Extraction, Random Forests, SMOTE, Rekam Medis Elektronik, Ekstrasi Gejala, Text Mining, Rule-based, Random Forest.
Subjects: Q Science > QA Mathematics > QA336 Artificial Intelligence
Q Science > QA Mathematics > QA76.9.D343 Data mining. Querying (Computer science)
T Technology > T Technology (General) > T57.5 Data Processing
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User: Alfonsus Haryo Sangaji
Date Deposited: 13 Feb 2022 14:37
Last Modified: 13 Feb 2022 14:37
URI: http://repository.its.ac.id/id/eprint/93535

Actions (login required)

View Item View Item