EDY KURNIAWAN DOSEN PEMBIMBING Dr. I Ketut Eddy Purnama, S.T., M.T Dr. Surya Sumpeno, S.T., MS.c

Transkripsi

1 EDY KURNIAWAN 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

2 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.

3 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.

4 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%

5 Menggali informasi yang terkandung dalam tumpukan data rekam medis (tersandikan berdasarkan ICD-10), untuk di jadikan pengetahuan bagi rumah sakit, dinas kesehatan, serta masyarakat.

6 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

7 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.

8 Klasifikasi Klasifikasi adalah pengelompokan penyakit berdasarkan persamaan umur, tempat tinggal, jenis kelamin untuk mencari informasi yang ada di dalamnya.

9 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

10 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

11 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.

12 METODOLOGI Struktur data Cleaning data Selection data Penyiapan file Classification Analisa

13 METODOLOGI Struktur data Cleaning data Selection data Penyiapan file Classification Analisa Pengambilan data rekam medis dari RS berupa file Excel

14 METODOLOGI Struktur data Cleaning data Selection data Penyiapan file Jenis kelamin Umur Alamat Kode ICD 10 Classification P Kaporan 3/4 Kaporan Badegan L 45 Sukosari 1/1 Babadan L 17 Gandu 1/2 Mlarak M 8010/3 C 53.9 Analisa P 0 Pctn Z 38.0 P 00.9

15 METODOLOGI Struktur data Cleaning data Pengelompokan Wilayah Perkotaan Pedesaan Pegungungan Selection data Penyiapan file Classification Pengelompokan Umur Bayi dan Anak 15 tahun Muda dan Dewasa 15 s/d 50 tahun Tua 50 tahun Analisa Pengelompokan ICD Kode ICD yang mewakili Kelompok Penyakit

16 METODOLOGI Struktur data Cleaning data Selection data Diagnosa (ex.) Kode ICD (ex.) ICD (berdasarkan kelompok penyakit) Kelompok ICD Keterangan Penyiapan file DHF + Thypoid A 09 + A 01.0 A00 - B99 Certain infectious and parasitic diseases Ca Mamae C 50.9 C00 - D48 Neoplasms Classification SOP + Vertigo F R42 F00 - F99 Mental, behavioural disorders Analisa

17 METODOLOGI Struktur data Cleaning data Selection data Penyiapan file Classification 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 Analisa Munggung 2/2 Pulung Dk. Patuk Tranjang Pulung Pegunungan

18 METODOLOGI Struktur data Cleaning data Selection data Penyiapan file Classification Analisa Penyiapan file dalam bentuk *.CSV atau *.ARFF

19 METODOLOGI Struktur data Cleaning data Selection data Penyiapan file Classification Analisa Decison Tree J48

20 HASIL DAN PEMBAHASAN Ada 4 atribut rekam medis yang digunakan dalam penelitian ini Jenis Kelamin Umur Kode ICD Alamat

21 HASIL DAN PEMBAHASAN Data yang di dapat setelah melakukan cleaning data dan selection data, maka di dapat data bersih sebesar 1628 Data Rekam Medis Training test Uji

22 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 - D n L Anak-anak dan Bayi Pedesaan Z00 - Z99

23 HASIL DAN PEMBAHASAN Jumlah Pasien Perempuan 280 Laki-laki 254 Jumlah Total Pasien 542 Entropy RM = P i. log 2 (P i ) c i=1 0,9983 Jumlah Pasien Perempuan 633 Laki-laki 451 Jumlah Total Pasien 1084 Entropy RM = P i. log 2 (P i ) c i=1 0,9795

24 Confidence Factor Confidence Faktor 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% ,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 Correctly Classified Instances Incorrectly Classified Instances

25 Uji Cross Validation Fold Rata-rata Data Uji 73,7 78,8 77, ,1 70% Fold Rata-rata Data Uji 53, ,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%

26 Decision Tree J48 dari Hasil Rekam Medis

27 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

28 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

29 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.

30 TERIMA KASIH