MUMTAZAH, Nadya (2024) Implementasi Data Mining untuk Klasifikasi Penyakit pada Data Rekam Medis Pasien (Studi Kasus di Klinik Medicall). Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (38kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (114kB)
	Text 4. KATA PENGANTAR.pdf Download (65kB)
	Text 6. ABSTRAK.pdf Download (10kB)
	Text 7. ABSTRACT.pdf Download (9kB)
	Text 8. DAFTAR ISI.pdf Download (44kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (26kB)
	Text 16. DAFTAR PUSTAKA.pdf Download (154kB)

Abstract

Salah satu permasalahan yang dihadapi oleh layanan fasilitas kesehatan adalah banyaknya
pasien yang berobat setiap hari mengakibatkan antrian yang panjang dan waktu tunggu yang
lama. Hal tersebut dapat mengakibatkan menurunnya tingkat kepuasan masyarakat terhadap
layanan kesehatan. Selain itu, data rekam medis pasien yang terus bertambah setiap harinya
belum dimanfaatkan dengan baik. Padahal, jika data tersebut diolah dengan baik, dapat
memberikan informasi yang berharga. Penelitian ini menawarkan solusi untuk permasalahan
tersebut dengan mengembangkan model klasifikasi diagnosis penyakit yang akan menerima
masukan berupa gejala yang dialami pasien dan menampilkan hasil klasifikasi diagnosis
penyakit. Teknik yang digunakan yaitu data mining dengan metodologi Cross Industry
Standard Process for Data Mining (CRISP-DM). Penelitian ini membandingkan hasil
klasifikasi menggunakan algoritma Naïve Bayes dan K-Nearest Neighbor yang
dikombinasikan dengan Bag of Words dan TF-IDF untuk pemrosesan teks. Hasilnya,
menunjukkan bahwa algoritma KNN dan Bag of Words memberikan hasil yang terbaik
dengan akurasi 75%, sedangkan algoritma Naïve Bayes dan Bag of Words menghasilkan
akurasi sebesar 74%. Algoritma Naïve Bayes dan TF-IDF dan algoritma KNN dan TF-IDF
menghasilkan skor akurasi 73%. Model klasifikasi ini diharapkan dapat memberikan
gambaran kepada dokter mengenai penyakit yang dialami pasien, sehingga pemeriksaan
dapat dilakukan dengan lebih cepat dan efisien.
Kata kunci : data mining, k-nearest neighbor, naïve bayes, rekam medis

Actions (login required)

View Item