Penerapan Text Mining dalam Pengkodean Penyakit Pasien Berdasarkan Kode ICD 10 Untuk Penyakit Dalam

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.