Perpustakaan Digital ITB

Saat ini penelitian penggunaan pembelajaran mesin dalam bidang kesehatan khususnya dalam bidang kedokteran semakin berkembang, ditambah dukungan regulasi yang ada. Kebutuhan akan analisis data yang akurat dan tepat waktu terkait masalah kesehatan menjadi sangat penting untuk pencegahan dan pengobatan penyakit. Tetapi kebanyakan dari penelitian tersebut secara spesifik berfokus pada penggunaan pembelajaran mesin untuk memprediksi penyakit tertentu saja atau hanya menggunakan satu atau dua jenis data rekam medis pasien. Sementara jumlah golongan penyakit sangat banyak dan regulasi yang ada khususnya di Indonesia, bahwa penegakan penyakit pasien adalah wewenang dari tenaga medis (dokter). Dokter dalam menegakkan penyakit pasien membutuhkan data rekam medis pasien yang komprehensif. Task kecerdasan buatan yang bisa mengatasi permasalahan tersebut adalah sistem pemberi rekomendasi dengan pendekatan output multiclass yang bisa memberikan output top-n penyakit pasien. Content-based filtering (CBF) adalah pendekatan dalam sistem pemberi rekomendasi yang membutuhkan atribut- atribut data yang lengkap, dan data rekam medis bisa memenuhi kebutuhan itu. Data rekam medis pasien memiliki atribut-atribut (feature) yang banyak dengan tipe data yang beragam. Fitur-fitur data rekam medis tersebut tidak semuanya berkontribusi terhadap penyakit pasien. Oleh karena itu perlu dibangun sebuah model algoritma untuk memilih fitur-fitur yang berkontribusi terhadap penyakit pasien. Kombinasi algoritma Light Gradient Boosting Machine (LightGBM) dan SHapley Additive exPlanations (SHAP) adalah salah satu metode yang bisa menghitung nilai kontribusi dari setiap fitur terhadap class target dan algoritma K- Nearest Neighbors (K-NN) dengan similarity/distance metric yang berbeda sesuai tipe data bisa mengatasi nilai fitur yang beragam. Penelitian ini mengusulkan model sistem pemberi rekomendasi diagnosis pasien dengan pendekatan CBF dan multiclass, kombinasi LightGBM dan SHAP untuk menghitung nilai kontribusi setiap fitur, dan algoritma K-NN dengan similarity/distance metric Euclidean dan Jaccard untuk memprediksi penyakit. Secara umum, model yang diusulkan ini menghasilkan kinerja yang lebih baik dari model rujukan lainnya dengan accuracy sebesar 82,19% dan f1-score sebesar 82,38%.