Data Mining Rekam Medis Untuk Menentukan Penyakit Terbanyak Menggunakan Decision Tree C4.5



Yuli Mardi(1*)

(1) Apikes Iris Padang
(*) Corresponding Author

Abstract


Data rekam medis yang terdapat di rumah sakit jarang sekali digunakan untuk penelitian dan menambah pengetahuan. Data rekam medis tersebut sangat banyak dan hanya memenuhi media penyimpanan yang ada di rumah sakit, baik itu penyimpanan secara elektronik ataupun penyimpanan secara fisik berupa kertas. Penggunaan data mining dalam mengolah data rekam medis bisa diterapkan untuk menggali pengetahuan dan pengambilan keputusan. Salah satu metode yang digunakan dalam data mining adalah klasifikasi. Dengan klasifikasi, keputusan dapat dibuat dalam bentuk desicion tree. Dengan menerapkan metode decision tree algoritma c4.5, kita dapat mengklasifikasi sebaran penyakit disuatu wilayah tertentu dengan mengacu pada variabel-variabel jenis kelamin, usia dan kecamatan. Dari data mining yang diperoleh di Rumah Sakit Umum Citra BMC Padang yang berobat pada bulan Januari 2013, dilakukan analisis dan tahapan-tahapan dalam proses klasifikasi baik secara manual maupun menggunakan software Knime sehingga didapatkan sebaran penyakit terbanyak terdapat pada BAB XVIII (R00-R99) yaitu sebanyak 8 orang dari 21 pasien rawat inap yang berobat di rumah sakit umum Citra BMC Padang.

Medical record data in hospitals is rarely used for research and increase knowledge. Medical record data stored electronically or stored in the form of archives, periodically will be removed by the hospital according to existing rules, because the data is considered waste that will burden the storage media only. The main purpose of this research is how to utilize the medical record data that is considered to be a waste in order to give positive contribution for all parties both for hospital in making policy, for health facility, and for government in handling health. From data mining obtained at Citra BMC Padang General Hospital in January 2013, data analysis, data classification and decision tree making using algortima c4.5 were used, so that from total of 21 patients who got treatment got total entrophy 2,5061441 with amount most cases were found in CHAPTER XVIII (R00-R99) as many as 8 patients from 21, with sex details (female 5 patients and 3 men), age (elderly 5 patients, young and adults 1 patient, infant and child 2 patient), address (Padang Timur 4 patients, North Padang 1 patient, Lubuk Begalung 2 patient and Padang Barat 1 patient).


Keywords


C4.5; Data Mining; Decision Tree; Knime; Rekam Medis

Full Text:

PDF

References


Achmad, B. D. M., & Fauzi, S. (2012). Klasifikasi data karyawan untuk menentukan jadwal kerja menggunakan metode decision tree. Jurnal IPTEK, 16:1, 1–7. Diambil dari http://jurnal.itats.ac.id/wp-content/uploads/2013/06/Klasifikasi-Data-Karyawan-.-.-.-..pdf

Bramer, M. (2007). Principles of data mining. London: Springer.

Kusrini., & Luthfi, E. T. (2009). Algoritma data mining. Yogyayakarta.: ANDI Yogyakarta.

Larose, D. T. (2005). Discovering Knowledge in Data An Introduction to Data Mining. New Jersey: John Wiley & Sons, Inc.

Mabrur, A. G., & Lubis, R. (2012). Penerapan data mining untuk memprediksi kriteria nasabah kredit. Jurnal Komputer dan Informatika (KOMPUTA), 1:1, 53–57. Diambil dari http://komputa.if.unikom.ac.id/_s/data/jurnal/volume-01/komputa-1-1-penerapan-data-mining-riani-8.pdf/pdf/komputa-1-1-penerapan-data-mining-riani-8.pdf

Mawarni, D., & Wulandari, R. D. (2013). Identifikasi ketidaklengkapan rekam medis pasien rawat inap Rumah Sakit Muhammadiyah Lamongan. Jurnal Administrasi Kesehatan Indonesia, 1:2, 192–199. Diambil dari http://download.portalgaruda.org/article.php?article=133649&val=1097

Mujiasih, S. (2011). Pemanfaatan data mining untuk prakiraan cuaca. Jurnal Meteorologi dan Geofisika, 12:2, 189–195. Diambil dari http://puslitbang.bmkg.go.id/jmg/index.php/jmg/article/viewFile/100/94

Putra, E. (2015). Aplikasi software gratisan untuk keperluan predictive analytic. Diambil 26 April 2017, dari http://www.bianalyst.net/2015/05/Aplikasi-Software-Gratisan-Predictive-Analytic.html

Rusliyanti, N. K. L., Hidayat, A. R., & Seha, H. N. (2016). Analisis ketepatan pengkodean diagnosis berdasarkan ICD-10 dengan penerapan karakter ke-5 pada pasien fraktur rawat jalan semester II di RSU Mitra Paramedika Yogyakarta. JURNAL PERMATA INDONESIA, 7:1, 26–34. Diambil dari http://www.permataindonesia.ac.id/wp-content/uploads/2016/08/03.-Jurnal-PI_Lusi-Anas-Harinto.pdf

Widodo, P. P., Handayanto, R. T., & Herlawati. (2013). Penerapan data mining dengan matlab. Bandung: Rekayasa Sains, Bandung.

Yuliani, N. (2010). Analisis keakuratan kode diagnosis penyakit commotio cerebri pasien rawat inap berdasarkan ICD-10 rekam medik di Rumah Sakit Islam Klaten. ejurnalinfokes, 1:1, 17–31. Diambil dari http://www.apikescm.ac.id/ejurnalinfokes/images/volume1/novita_vol1.pdf


Refbacks

  • There are currently no refbacks.


Copyright (c) 2018 Yuli Mardi

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

JSI Indexed by :

       

-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Published by Lembaga Layanan Pendidikan Tinggi (LLDIKTI) Wilayah X

Khatib Sulaiman Street Padang
West Sumatera
Phone: +62751705637
Fax: +62751705637
Email: sainsinformatika@kopertis10.or.id

E ISSN 2502-096X | Print ISSN 2459-9549
 

 

      
Web
Analytics View My Stats