Pengembangan Next Word Prediction Pada Rekam Medis Elektronik Menggunakan Bidirectional Long Short-Term Memory Studi Kasus: UPT Klinik Utama Sungai Bangkong

Islamaynita, Nurul Shinta (2025) Pengembangan Next Word Prediction Pada Rekam Medis Elektronik Menggunakan Bidirectional Long Short-Term Memory Studi Kasus: UPT Klinik Utama Sungai Bangkong. Skripsi thesis, Universitas Tanjungpura.

	Text (Cover-Bab I) Cover-Bab1_H1101201016.pdf - Published Version Download (633kB)
	Text (H1101201016_NURUL SHINTA ISLAMAYNITA) H1101201016_NURUL SHINTA ISLAMAYNITA.pdf - Accepted Version Restricted to Repository staff only Download (2MB)

Abstract

Di era digitalisasi pada pelayanan kesehatan mengalami perubahan dalam pencatatan data rekam medis yang diwajibkan dilakukan secara elektronik. Perubahan ini dialami oleh UPT Klinik Utama Sungai Bangkong Pontianak Kalimantan Barat. Saat ini Klinik Utama sudah memiliki Sistem Informasi Klinik (SIKLIK) dalam memanajemen operasional data salah satunya dalam pencatatan rekam medis, tetapi penggunaan SIKLIK belum sepenuhnya digunakan secara real-time oleh dokter atau perawat salah satunya pada bagian poli dan masih pencatatan manual dibuku kemudian direkap ke SIKLIK dalam input diagnosa dokter maupun perawat hanya memiliki waktu yang sangat terbatas karena antrian pasien. Berdasarkan permasalahan tersebut untuk memudahkan dan mempercepat penginputan diagnosa pasien pada SIKLIK dikembangkan prediksi kata selanjutnya. Pengembangan ini menggunakan salah satu metode neural network yaitu Bidirectional Long Short-Term Memory dalam memprediksi kata dengan mengolah sebanyak 500 data riwayat diagnosa pasien Klinik Utama. Bidirectional LSTM memproses dari arah maju-mundur pada data input untuk menghasilkan prediksi. Hasil dari pengembangan ini didapatkan model terbaik menggunakan jumlah unit LSTM 100, epoch 55, batch size 64, learning rate 0,001 dan dropout 0,5 dengan akurasi tertinggi sebesar 76,5% dengan loss sebesar 0,89 pada data training. Pada data validasi, model mencapai akurasi sebesar 58,5% dengan loss sebesar 2,68, sedangkan pada data testing akurasi mencapai 57,4% dengan loss sebesar 2,59. Model berhasil diimplementasikan model melalui REST API menggunakan kerangka kerja Flask ke Sistem Informasi Klinik (SIKLIK) UPT Klinik Utama Sungai Bangkong.

Actions (login required)

View Item