STUDI KASUS ANAMNESIS PADA REKAM MEDIS ELEKTRONIK Fadhil Kasvi Primary Author mixed material bibliography Banda Aceh Fakultas mipa 2026

Theses

Ketidaktepatan pengkodean diagnosis ICD-10 di fasilitas kesehatan masih menjadi tantangan besar yang berdampak pada pelaporan kesehatan dan klaim asuransi. Masalah ini sering disebabkan oleh beban kerja tenaga medis yang tinggi dan dokumentasi anamnesis yang tidak terstruktur. Penelitian ini bertujuan untuk membangun model klasifikasi otomatis kodifikasi ICD-10 berdasarkan data teks anamnesis menggunakan pendekatan Deep Learning berbasis konteks, yaitu IndoBERT. Data yang digunakan bersumber dari rekam medis rawat jalan Rumah Sakit Ibnu Sina Aceh Besar sebanyak 12.139 data. Metodologi penelitian meliputi pra-pemrosesan teks, pembagian data (training, validation, test), dan proses fine-tuning model IndoBERT. Eksperimen juga dilakukan dengan menerapkan filter panjang kalimat (7 hingga 40 kata) untuk mengoptimalkan performa model. Hasil penelitian menunjukkan bahwa model IndoBERT dengan filter panjang kalimat memberikan performa paling stabil dan akurat dibandingkan model BERT standar. Model ini berhasil mencapai nilai akurasi dan F1-score di atas 90% pada data pengujian. Hal ini menunjukkan bahwa penggunaan arsitektur berbasis transformer yang dilatih pada korpus bahasa Indonesia sangat efektif dalam memahami konteks medis lokal. Penelitian ini menyimpulkan bahwa otomasi ICD-10 menggunakan IndoBERT dapat menjadi solusi praktis dalam meningkatkan akurasi dan efisiensi administrasi rekam medis di rumah sakit. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 1711119 2026-01-28 11:39:42 2026-01-28 12:12:26 machine generated