EDY KURNIAWAN 2209205007 DOSEN PEMBIMBING...
-
Upload
hoangkhuong -
Category
Documents
-
view
222 -
download
1
Transcript of EDY KURNIAWAN 2209205007 DOSEN PEMBIMBING...
EDY KURNIAWAN
2209205007
DOSEN PEMBIMBING
Dr. I Ketut Eddy Purnama, S.T., M.T
Dr. Surya Sumpeno, S.T., MS.c
PROGRAM MAGISTER
BIDANG KEAHLIAN JARINGAN CERDAS MULTIMEDIA (DATA MINING)
JURUSAN TEKNIK ELEKTRO
FAKULTAS TEKNOLOGI INDUSTRI
INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA
2011
LATAR BELAKANG
Salah satu layanan kepada masyarakat oleh dinas kesehatan adalah memberikan penyuluhan tentang kesehatan masyarakat.
Layanan kesehatan rumah sakit adalah memberikan pengobatan terhadap pasien sesuai dengan diagnosa yang dilakukan dan juga mendasar pada riwayat pasien.
Tujuan dan kegunaan rekam medis adalah menunjang tercapainya tertib administrasi dalam rangka upaya peningkatan pelayanan kesehatan.
LATAR BELAKANG Joint Commission on Accreditation of Healthcare Organization (JCAHO) melalui Pedoman Akreditasi untuk rumah sakit menetapkan tujuan rekam medis adalah 1. Sebagai dasar pemberian pelayanan dan evaluasi terapi
yang berkesinambungan 2. Sebagai pelengkap evaluasi medis pasien, terapi dan
perubahan kondisi pasien saat pasien berada dalam perawatan di rumah sakit, gawat darurat
3. Untuk mendokumentasikan komunikasi yang terjadi antara dokter-dokter yang bertanggung jawab memberikan pelayanan medis kepada pasien
4. Sebagai alat bantu hukum bagi pasien, rumah sakit dan dokter.
5. Sebagai data yang dapat digunakan untuk pendidikan dan penelitian.
RUMUSAN MASALAH
Dari penelitian terdahulu telah membahas tentang klasifikasi penyakit serebrovaskular dengan program pengobatannya dengan membandingkan tiga metode. (Duen-Yian Yeh, 2011)
T1
T2 T3
Sensitivity(SD) Accuracy(SD) Sensitivity(SD) Accuracy(SD) Sensitivity(SD) Accuracy(SD)
Decision tree 95.29% 98.01% 94.68% 98.01% 62.81% 66.93%
Bayesian classifier 87.10% 91.30% 86.30% 91.36% 66.60% 71.83%
BPNN 94.82% 97.87% 93.80% 98.05% 64.21% 69.32%
Menggali informasi yang terkandung dalam tumpukan data rekam medis (tersandikan berdasarkan ICD-10), untuk di jadikan pengetahuan bagi rumah sakit, dinas kesehatan, serta masyarakat.
1. Algoritma yang digunakan adalah decision tree J48
2. Pengambilan data pada satu rumah sakit pada triwulan pertama tahun 2011 (Rumah sakit Aisiyah Ponorogo)
3. Untuk tujuan kode etik identitas/nama pasien dari data di hilangkan
4. Informasi penyakit yang di cari adalah dalam bentuk pengelompokan jenis penyakit
5. Umur dan alamat di kelompokkan menjadi kelompok wilayah dan kelompok umur
6. Rekam medis yang digunakan adalah ICD-10
DATA MINING
Data mining adalah suatu proses yang menggunakan teknik statistik, matematika, kecerdasan buatan dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database dalam jumlah besar.
Klasifikasi
Klasifikasi adalah pengelompokan penyakit berdasarkan persamaan umur, tempat tinggal, jenis kelamin untuk mencari informasi yang ada di dalamnya.
Decison Tree J48
J48 merupakan implementasi dari algoritma C4.5 yang memproduksi Decision Tree.
Tujuan utamanya adalah untuk memilih atribut , dimana atribut tersebut merupakan yang mampu untuk membagi data item kedalam kelas masing-masing
REKAM MEDIS
Rekam medis adalah keterangan pasien tentang identitas, anamnesa, penentuan fisik , laboratorium, diagnosa segala pelayanan dan tindakan medik yang diberikan kepada pasien dan pengobatan baik yang dirawat inap, rawat jalan maupun yang mendapatkan pelayanan gawat darurat
ICD (International Classification of Diseases) » Volume 1 terdiri dari daftar kategori 3 karakter dan daftar
tabel inklusi dan subkategori 4 karakter. Inti klasifikasi adalah daftar kategori 3 karakter yang dianjurkan untuk pelaporan ke WHO mortality database dan perbandingan umum internasional.
» Volume 2 berisi petunjuk pemakaian ICD » Volume 3 berisi alfabet klasifikasi, dibagi dalam 3 bagian:
bagian 1, terdiri atas indeks tentang penyakit dan luka alami. Bagian 2, merupakan indeks penyebab luar morbiditas dan mortalitas, berisi seluruh term yang diklasifikasi. Bagian 3, berisi tabel obat dan bahan kimia.
METODOLOGI
Struktur data
Cleaning data
Selection data
Penyiapan file
Classification
Analisa
METODOLOGI
Struktur data
Cleaning data
Selection data
Penyiapan file
Classification
Analisa Pengambilan data rekam medis
dari RS berupa file Excel
METODOLOGI
Struktur data
Cleaning data
Selection data
Penyiapan file
Classification
Analisa
Jenis kelamin Umur Alamat Kode ICD 10
P Kaporan 3/4 Kaporan Badegan
M 8010/3 C 53.9
L 45 Sukosari 1/1 Babadan
L 17 Gandu 1/2 Mlarak
P 0 Pctn Z 38.0 P 00.9
METODOLOGI
Struktur data
Cleaning data
Selection data
Penyiapan file
Classification
Analisa
Pengelompokan
Wilayah
Perkotaan
Pedesaan
Pegungungan
Pengelompokan
Umur
Bayi dan Anak
≤ 15 tahun
Muda dan Dewasa
15 s/d 50 tahun
Tua
≥ 50 tahun
Pengelompokan
ICD
Kode ICD yang mewakili
Kelompok Penyakit
METODOLOGI
Struktur data
Cleaning data
Selection data
Penyiapan file
Classification
Analisa
Diagnosa (ex.) Kode ICD (ex.)
ICD (berdasarkan kelompok penyakit)
Kelompok ICD Keterangan
DHF +
Thypoid
A 09 + A 01.0 A00 - B99 Certain infectious
and parasitic
diseases
Ca Mamae C 50.9 C00 - D48 Neoplasms
SOP +
Vertigo
F 48.8 + R42 F00 - F99 Mental,
behavioural
disorders
METODOLOGI
Struktur data
Cleaning data
Selection data
Penyiapan file
Classification
Analisa
Alamat Kecamatan Kel. Wilayah
Jl. Budi Utomo No. 102, Siman Siman Perkotaan
Tulung 1/1 Sampung Sampung Pedesaan
Jl. Batoro Katong No. 122, babadan Babadan Perkotaan
Munggung 2/2 Pulung Dk. Patuk Tranjang Pulung Pegunungan
METODOLOGI
Struktur data
Cleaning data
Selection data
Penyiapan file
Classification
Analisa
Penyiapan file dalam bentuk
*.CSV atau *.ARFF
METODOLOGI
Struktur data
Cleaning data
Selection data
Penyiapan file
Classification
Analisa Decison Tree J48
HASIL DAN PEMBAHASAN
Ada 4 atribut rekam medis yang digunakan dalam penelitian ini
Jenis Kelamin
Umur
Kode ICD
Alamat
HASIL DAN PEMBAHASAN
Data yang di dapat setelah melakukan cleaning data dan selection data, maka di dapat data bersih sebesar 1628
542
1084
Data Rekam Medis
Training test
Uji
HASIL DAN PEMBAHASAN
RM Gender Kelompok Umur Wilayah Kelompok ICD
1 P Muda dan Dewasa Perkotaan O00 - O99
2 P Muda dan Dewasa Pedesaan O00 - O99
3 P TUA Pegunungan D50 - D89
..... ...... ...... ....... .......
n L Anak-anak dan Bayi Pedesaan Z00 - Z99
HASIL DAN PEMBAHASAN
Jumlah Pasien
Perempuan 280
Laki-laki 254
Jumlah Total Pasien 542
𝐸𝑛𝑡𝑟𝑜𝑝𝑦 𝑅𝑀 = −𝑃𝑖 . 𝑙𝑜𝑔2(𝑃𝑖)
𝑐
𝑖=1
0,9983
Jumlah Pasien
Perempuan 633
Laki-laki 451
Jumlah Total Pasien 1084
𝐸𝑛𝑡𝑟𝑜𝑝𝑦 𝑅𝑀 = −𝑃𝑖 . 𝑙𝑜𝑔2(𝑃𝑖)
𝑐
𝑖=1
0,9795
Confidence Factor
Confidence Faktor
0.1 0.2 0.3 0.4 0.5 0.6 0.7
Correctly Classified Instances 66.24% 66.61% 68.27% 68.82% 69.19% 69.19% 69.19%
Incorrectly Classified Instances 33.76% 33.39% 31.73% 31.18% 30.81% 30.81% 30.81%
0
10
20
30
40
50
60
70
80
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8
Correctly Classified Instances Incorrectly Classified Instances
Uji Cross Validation
Fold
Rata-rata
1 2 3 4 5
Data Uji 73,7 78,8 77,4 71 49,1 70%
Fold Rata-rata
1 2 3 4 5 6 7 8 9 10
Data Uji 53,2 33 67,9 52,3 51,9 49,1 76,9 51,9 44,4 57,4 53,8%
Fold
5 10
Data Uji 70% 53,8%
Decision Tree J48 dari Hasil Rekam Medis
Rule dari Decison Tree J48
if kelompok umur = anak-anak dan bayi then
if Gender = P then
if (wilayah = perkotaan) then
A00-B99
else if wilayah = pedesaan then
Z00-Z99
else P00-P96
end if
else A00-B99
end if
else if kelompok umur = muda dan dewasa then
if Gender = L then
if wilayah = perkotaan then
S00-T98
else if wilayah = pedesaan then
A00-B99
else S00-T98
end if
else O00-O99
end if
else I00-I99
end if
KESIMPULAN DAN SARAN
KESIMPULAN
Dari 1921 data kotor setelah dilakukan pembersihan data tidak lengkap dan melalui
proses seleksi sesuai yang dibutuhkan dalam analisa rekam medis maka didapat data
1628 data bersih. Dari data yang ada dilakukan split untuk digunakan 1/3(542) data
training dan 2/3(1082) data test.
Hasil pengujian keseluruhan data dengan memakai cross validation 5 fold di dapat
akurasi pengujian sebesar 70%. Dari hasil pohon keputusan memberikan informasi
bahwa untuk kelompok usia tua di dominasi dengan kelompok penyakit I00-I99 (atau
kelompok penyakit yang berhubungan dengan pembuluh darah. Sedangkan pada
kelompok umur anak-anak serta muda dan dewasa mempunyai sebaran kelompok
penyakitnya
KESIMPULAN DAN SARAN
SARAN
Penelitian ini menggunakan metode offline dalam melakukan pengolahan dari
database rekam medis yang ada di rumah sakit. Untuk memberikan kemudahan dalam
pengambilan sampling data yang akan di olah untuk di cari pengetahuan yang ada
didalamnya, maka diperlukan interkoneksi database rekam medis dengan sistem
analisa data mining.
TERIMA KASIH