<![CDATA[Tujuan utama dari penelitian ini adalah untuk membuat model Gated Recurrent Unit (GRU) yang dirancang khusus untuk meramalkan kata berikutnya dalam rekam medis elektronik (RME). Pembangunan model ini melibatkan serangkaian proses, seperti membangun struktur dan parameter, serta melakukan pelatihan menggunakan dataset yang berisi 169.544 token. Desainnya terdiri dari beberapa lapisan GRU yang berurutan dengan karakteristik tertentu. Data pelatihan dibagi menjadi rasio pelatihan 80% dan rasio pengujian 20%. Evaluasi kinerja dilakukan selama rentang waktu 90 epoch, menghasilkan penurunan loss function dari 2,2836 menjadi 0,800 dan peningkatan akurasi dari 60,26% menjadi 80,59% di seluruh epoch. Model GRU memiliki akurasi prediksi yang mengesankan sebesar 87,04% pada dataset pengujian, yang menunjukkan kemampuannya untuk mengidentifikasi pola dalam data medis secara efektif dan potensinya untuk meningkatkan manajemen RME dalam pengaturan perawatan kesehatan.]]>
Copyrights © 2024
