| dc.description.abstract | Keluhan pasien merupakan tahap awal pemeriksaan yang dilakukan oleh dokter untuk mengumpulkan informasi terkait kondisi yang sedang dirasakan oleh pasien agar dokter dapat menyimpulkan hasil diagnosis dari pasien tersebut. Penting bagi pasien untuk menggambarkan secara jelas mengenai gejala penyakit yang sedang dialaminya dengan bahasanya sendiri dan keluhan pasien harus didokumentasi dengan lengkap dari awal pemeriksaan. Keluhan pasien adalah salah satu jenis data klinis yang penting dalam catatan medis. Informasi yang terdapat dalam data keluhan pasien saat ini belum dikelola dengan baik secara digital. Data keluhan pasien sering dicatat dalam catatan klinis sebagai teks bebas tanpa adanya proses lanjutan seperti ekstraksi informasi untuk mengambil informasi yang penting dalam data tersebut. Tanpa adanya proses ekstraksi informasi pada data keluhan pasien dapat menghambat dapat menghambat proses pengambilan informasi terhadap data-data inti pada keluhan pasien jika sewaktu-waktu informasi tersebut diperlukan.
Ekstraksi informasi merupakan sebuah proses yang dilakukan untuk mendapatkan informasi inti atau utama dari data-data yang tidak terstruktur menjadi terstruktur. Proses ekstraksi yang dilakukan secara manual membutuhkan waktu yang lama karena dilakukan dengan cara membaca teks dan mengidentifikasi data yang relevan, kemudian disimpan ke dalam basis data.
Berdasarkan permasalahan di atas, dibutuhkan sebuah sistem yang mampu mengekstraksi informasi yang ada pada data keluhan pasien dengan memetakan teks pada keluhan tersebut. Keluhan pasien tersebut diklasifikasikan dalam sebelas komponen, yaitu keluhan utama, onset, keluhan lain, keterangan, frekuensi serangan, sifat serangan, durasi, lokasi, perjalanan penyakit, riwayat pengobatan sebelumnya dan akibat gangguan yang timbul. Pada penelitian ini dilakukan klasifikasi menggunakan metode statistik Support Vector Machine (SVM) . Hasil akurasi dengan rule base dan SVM sebesar 46%. Sedangkan hasil pengujian dengan SVM menggunakan confusion matrix diperoleh akurasi sebesar 56,75%, precision sebesar 41%, recall sebesar 53%, dan f1-score sebesar 42%. | en_US |
