Article Per Year (5 Year)
p-Index From 2021 - 2026
2.083
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) SAINS MEDIKA : JURNAL KEDOKTERAN DAN KESEHATAN snimed INDONESIAN JOURNAL OF LEGAL AND FORENSIC SCIENCES Jurnal Pendidikan dan Pembelajaran Kimia (JPPK) Mutiara Medika: Jurnal Kedokteran dan Kesehatan Berkala Kedokteran JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI ComTech: Computer, Mathematics and Engineering Applications YARSI Medical Journal Jurnal Informatika dan Rekayasa Elektronik Indonesian Journal of Clinical Pathology and Medical Laboratory (IJCPML) JKKI : Jurnal Kedokteran dan Kesehatan Indonesia Jurnal Sains, Nalar, dan Aplikasi Teknologi Informasi Berkala Ilmiah Kedokteran dan Kesehatan Masyarakat
Linda Rosita
Departemen Patologi Klinik, Fakultas Kedokteran, Universitas Islam Indonesia
Biochemistry, Genetics & Molecular Biology Chemistry Computer Science & IT Decision Sciences, Operations Research & Management Dentistry Education Engineering Health Professions Immunology & microbiology Law, Crime, Criminology & Criminal Justice Mathematics Medicine & Pharmacology Neuroscience Public Health

Published : 38 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : snimed

 1 
SPK Penentuan Severity Level Kasus Penyakit Dengan Pohon Keputusan Puspitorini, Sukma; Kusumadewi, Sri; Rosita, Linda
Seminar Nasional Informatika Medis (SNIMed) 2016: Prosiding SNIMED 2016
Publisher : Magister Teknik Informatika, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Case-mix adalah sistem pengklasifikasian penyakit yang mengkombinasikan antara sekelompok penyakit dengan karakteristik klinis yang sama/mirip Dasar pengklasifikasian adalah utilization yaitu penggunaan sumber daya rumah sakit yang homogen, serta clinical characteristic yang meli-puti gejala klinis yang similar atau sama. Dasar pengelompokan dengan menggunakan ICD – 10 untuk diagnosis dan ICD-9 untuk prosedur atau tindakan. Besarnya tarif/biaya yang harus dibayarkan/ditagih kepada Badan Penyelenggara Jaminan Sosial (BPJS) Kesehatan ditentukan oleh kode Indonesia Case Base Groups (INA CBGs) yang terdiri dari 4 digit. Digit keempat atau digit terakhir menunjukkan tingkat keparahan (severity level) kasus penyakit. yang dipengaruhi oleh diagnosis sekunder (komplikasi dan komorbiditas). Severity level berkaitan dengan resource intensity level yaitu sumber daya yang dihabiskan oleh rumah sakit dalam menangani seorang pasien. Penelitian ini bertujuan membangun sistem pendukung keputusan untuk menentukan severity level kasus penyakit menggunakan data mining model klasifikasi (classification) dengan pohon keputusan. Atribut yang akan digunakan sebagai masukan sistem untuk melakukan pred-iksi severity level adalah atribut umur, diagnosis utama (DU), diagnosis sekunder 1 (DS 1), dan diagnosis sekunder 2 (DS 2). Proses training menggunakan Algoritma C4.5 dengan konsep entropi-gain untuk menentukan akar pohon dan membangun pohon keputusan (decsision tree) secara keseluruhan dan kemudian dibuat aturannya dalam bentuk IF_THEN. Uji kredibilitas sistem dilakukan dengan melakukan proses testing dan hasilnya disajikan dalam bentuk matriks konfusi. Hasil dari penelitian ini adalah sistem yang dibangun dapat digunakan untuk melakukan prediksi severity level kasus penyakit dan dari aturan yang terbentuk menunjukkan bahwa atribut diagnosis sekunder 1 (DS 1) berpengaruh signifikan dalam proses pembentukan aturan.
PENGEMBANGAN SISTEM PENDUKUNG KEPUTUSAN PATOLOGI KLINIS PADA PERANGKAT MOBILE UNTUK DIAGNOSIS PENYAKIT DENGAN GEJALA DEMAM Kusumadewi, Sri; Rosita, Linda
Seminar Nasional Informatika Medis (SNIMed) SNIMed IV (2013)
Publisher : Magister Teknik Informatika, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan untuk membangun sebuah Model Sistem Pendukung Keputusan Patologi Klinis (SPKPK) yang mampu membantu para tenaga medis dalam memberikan keputusan diagnosis pada pasien yang akan diimplementasikan pada smartphone berbasis Android. Penelitian dilakukan melalui beberapa tahap: 1) melakukan kajian literatur; 2) analisis dan perancangan model sistem pendukung keputusan dengan mengambil data pada penelitian Tahun I; 3) membangun prototipe model SPKK berbasis Android; 4) mengujicoba sistem pada dokter pada rumah sakit yang menjadi rekanan peneliti. Bentuk produk akhir penelitian berupa prototipe aplikasi SPKPK berupa mobile application berbasis Android. Prototipe sudah berhasil dibuat dan diimplementasikan pada tablet. SPKPK mampu mendiagnosis sebanyak sepuluh penyakit berdasarkan sebelas gejala. Ada dua model basis pengetahuan yang dibangun, yaitu basis pengetahuan untuk diagnosis awal (BP1) dan basis pengetahuan untuk menentukan jenis item uji laboratorium klinik (BP2). Kedua basis pengetahuan tersebut direpresentasikan dengan menggunakan pohon keputusan. Selanjutnya dibuat juga model inference engine untuk melakukan penalaran. Ada dua inference engine yang dibuat, yaitu forward chaining untuk proses diagnosis awal (IE1) dan backward chaining untuk penentuan item uji laboratorium klinis (IE2). Proses pengujian telah dilakukan dan SPKPK ini telah berhasil menguji semua diagnosis awal dengan sempurna. Untuk selanjutnya akan dilakukan pengujian aplikasi ke dokter untuk mengukur seberapa besar kinerja dari SPKPK tersebut.
MODEL SISTEM PENDUKUNG KEPUTUSAN UNTUK DIAGNOSIS PENYAKIT ANAK DENGAN GEJALA DEMAM MENGGUNAKAN NAIVE BAYESIAN CLASSIFICATION Mulyati, Sri; Kusumadewi, Sri; Rosita, Linda
Seminar Nasional Informatika Medis (SNIMed) 2012
Publisher : Magister Teknik Informatika, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Demam merupakan gejala yang umum dirasakan ketika seorang anak mengalami penyakit tertentu. Hampir semua penyakit yang disebabkan oleh virus atau bakteri umumnya ditandai dengan gejala ini. Di sisi lain, beberapa penyakit yang berbeda adakalanya ditandai dengan gejala-gejala yang hampir sama. Hal ini menyebabkan dokter perlu berpikir keras untuk melakukan diagnosis awal penyakit. Model sistem pendukung keputusan diagnosis penyakit anak dengan gejala demam ini dibangun untuk membantu dokter dalam melakukan diagnosis awal. Model yang dibangun meliputi model basis pengetahuan, mesin inferensi, dan model penghitungan tingkat kepastian. Basis pengetahuan dibentuk dengan menggunakan IF-THEN rules. Mesin inferensi menggunakan konsep forward chaining. Naive Bayesian Classification (NBC) digunakan untuk menentukan tingkat kepastian munculnya penyakit jika diketahui gejala tertentu dalam bentu probabilitas.
Model Natural Language Processing untuk Perumusan Keluhan Pasien Ratnasari, Chanifah Indah; Kusumadewi, Sri; Rosita, Linda
Seminar Nasional Informatika Medis (SNIMed) 2014: Prosiding SNIMED 2014
Publisher : Magister Teknik Informatika, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Anamnesis atau wawancara medis (history taking) merupakan tahap awal dari rang- kaian pemeriksaan pasien. Pada umumnya pencatatan anamnesis keluhan pasien yang berupa teks bebas atau narasi medis pada Electronic Medical Recordsulit untuk dilakukan pemrosesan komputasi, dikarenakan pencatatan sering terdapat kesalahan eja / salah ketik, tata bahasa yang buruk, dan singkatan yang tidak konvensional. Hal ini perlu ditangani dengan cara yang tepat mengingat informasi penting dalam teks bebas tersebut dapat dipergunakan untuk menjalankan berbagai macam pendukung keputusan klinis (Clinical Decission Support). Teks masukan yang berupa keluhan pasien merupakan bahasa alami (natural language), sehingga agar teks keluhan pasien tersebut dapat dikenali oleh komputer maka dipergunakan pengolahan bahasa alami / Natural Language Processing (NLP). Penelitian ini bertujuan untuk membangun sebuah model Natural Language Processing untuk perumusan keluhan pasien yang mampu memetakan narasi keluhan pasien ke dalam objek yang tepat, sehingga dapat menghasilkan teks dengan makna yang sama dengan teks narasi keluhan pasien, tetapi dalam bahasa yang lebih baku atau dalam bahasa medis yang tepat.
Co-Authors Abd. Halim Adika Zhulhi Arjana Al Amin, Muhammad Zainudin Asri Hendrawati Budi Mulyono Budi Mulyono Chanifah Indah Ratnasari Cita Auli Nisa Devita Ninda Elyza Gustri Wahyuni Erlina Marfianti, Erlina Ester Tri Rahayu Farida Juliantina Rachmawaty Ingesti Bilkis Zulfatina Irfan, Mohammad Rozan Irfan, Rozan Muhammad Izzati Muhimmah Juwariyah Juwariyah Juwariyah Juwariyah Jwitaningsih, Tita Khairul Hafidh Malfica, Muhammad Joddy Muhammad Salman Shalahuddin Nisa, Cita Auli O Sianipar Onne Degita Santi Pembantjanawati, Endah Permana, I Gede Surya Prita Murani Nugraheti Rahayu, Ester Tri Rian Ma’rufi Rositasari, Annisa Rozan Muhammad Irfan Seno Dwi Prasetyo Setyawati Setyawati Siregar, Raudatul Hasanah Sri Kusumadewi Sri Mulyati Sukma Puspitorini Supardianto Supadianto Syaefudin Ali Akhmad Usi Sukorini Utami Mulyaningrum Yeny Dyah Cahyaningrum Yuantari, Rahma