| dc.description.abstract | Pengkodean penyakit yang lazim dilakukan di fasilitas layanan kesehatan memiliki 2
metode. Metode pertama koding penyakit dilakukan langsung oleh dokter dengan bantuan
referensi master ICD10, metode ini memiliki kelebihan lebih cepat namun memiliki
kekurangan yakni menambah beban kerja dokter. Metode kedua adalah koding dilakukan
oleh petugas Rekam Medis terlatih, metode ini memiliki kelebihan koding yang lebih presisi,
namun memiliki kekurangan yaitu lebih membutuhkan waktu dan tingkat human error yang
tinggi karena diagnosis yang ditulis dokter perlu dikonfirmasikan ulang apabila ada keraguan
didalamnya.Penelitian ini bertujuan membangun model klasifikasi penyakit dari diagnosis
dokter berdasarkan kode ICD10 untuk memangkas waktu koding. Metodologi yang akan
digunakan adalah Machine Learning klasifikasi unstructure text diagnosis dokter yang
dikategorikan berdasarkan kode ICD10. Data pasien penyakit dalam yang dilakukan pre-
processing, text representing, modeling, evaluating, dan pengujian. Pada tahapan pre-
processing dilakukan pengenalan singkatan dalam diagnosis dengan acuan kamus singkatan
yang sudah ditetapkan.Hasil evaluasi model didapatkan akurasi sebesar 91,8% yang berarti
model dapat mengukur sebanyak 91,8% dari seluruh prediksi yang benar dibandingkan
dengan total prediksi. Kemudian pengujian dengan data yang belum pernah dikenali model
didapatkan akurasi sebesar 89,3% angka tersebut menunjukkan bahwa model memiliki
kinerja yang relatif baik pada dataset pengujian.Model Machine Learning klasifikasi
menggunakan Algoritma Neural Network dengan bantuan kamus singkatan mampu
mengklasifikasikan unstructure text diagnosis dokter penyakit dalam ke dalam kode ICD10
dengan akurasi sebesar 91,8%. Selanjutnya model dari penelitian ini dapat digunakan secara
terintegrasi dengan Sistem Management Rumah Sakit (SIMRS) sebagai alat bantu petugas
koding dalam mengklasifikasikan diagnosis ke dalam kode ICD10. | en_US |
