SKRIPSI
JUNIANTO
131402110
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Sarjana Teknologi Informasi
JUNIANTO
131402110
PERNYATAAN
TRIGRAM ALGORITHM
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
JUNIANTO
131402110
Puji dan syukur kehadirat Allah SWT, karena rahmat dan izin-Nya penulis dapat
menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana
Komputer, pada Program Studi S1 Teknologi Informasi Fakultas Ilmu Komputer dan
Teknologi Informasi Universitas Sumatera Utara.
1. Bapak Prof. Runtung Sitepu, SH., M.Hum selaku Rektor Universitas Sumatera
Utara.
2. Bapak Prof. Dr. Drs. Opim Salim Sitompul, M.Sc selaku Dekan Fasilkom-TI
Universitas Sumatera Utara dan Dosen Pembanding I saya.
3. Bapak Romi Fadillah Rahmat, B.Comp.Sc., M.Sc selaku Ketua Program Studi S1
Teknologi Informasi Universitas Sumatera Utara dan Dosen Pembanding II saya.
4. Bapak Indra Aulia, S.TI., M.Kom selaku Dosen Pembimbing I yang telah
memberikan bimbingan dan saran kepada penulis.
5. Ibu Sarah Purnamawati, ST., M.Sc selaku Dosen Pembimbing II yang telah
memberikan bimbingan dan saran kepada penulis.
6. Ayahanda Edi Susanto dan Ibunda Sutini yang selalu memberikan doa, kasih
sayang, nasehat, dan semangat yang tiada putusnya kepada penulis.
7. Junita dan Novalianto selaku adik-adik saya yang selalu memberikan semangat
kepada penulis.
8. Keluarga besar dari ayahanda dan ibunda yang juga selalu memberikan dukungan
dan semangat kepada penulis.
9. Wanita yang selalu berada disamping penulis, menemani pada saat senang dan
susah, memberikan doa, nasehat, memberikan dukungan dan semangat kepada
Semoga Allah SWT melimpahkan berkah kepada semua pihak yang telah
memberikan bantuan, perhatian, serta dukungan kepada penulis dalam menyelesaikan
skripsi ini.
Penulis
ABSTRAK
Kata kunci : Pemeriksan laboratorium kimia darah, NLG, Data Extraction, Data Processing,
Text Generation, Trigram algorithm, Naturalness.
ABSTRACT
Keyword: Chemical Clinic Test, NLG, Data Extraction, Data Processing, Text Generation,
Trigram algorithm, Naturalness.
DAFTAR ISI
Halaman
Persetujuan ii
Pernyataan iii
Abstrak vi
Abstract vii
Daftar Tabel xi
Bab 1 Pendahuluan
2.3 Trigram 15
3.1.2. Proses 22
3.2.3. Output 34
5.1 Kesimpulan 60
5.2 Saran 61
Daftar Pustaka 62
Lampiran 63
DAFTAR TABEL
Halaman
DAFTAR GAMBAR
Halaman
Gambar 2.1 Arsitektur Umum NLG menurut Reither & Dale (2000) 8
Gambar 2.2 Contoh Trigram 15
Gambar 3.1 Arsitektur Umum 20
Gambar 3.2 Format Laporan Kimia Darah 21
Gambar 3.3 Flow Chart Data Extraction 22
Gambar 3.4 Contoh Pembacaan Baris ke 10 pada Tabel 23
Gambar 3.5 Contoh File Output.txt 25
Gambar 3.6 Flow Chart Data Processing 25
Gambar 3.7 Flow Chart Text Generation 28
Gambar 3.8 Pseudocode Status Checking 29
Gambar 3.9 Pseudocode Corpus Determining 30
Gambar 3.10 Pseudocode Tokenization 31
Gambar 3.11 Pseudocode Get First Word 32
Gambar 3.12 Output Dokumen 35
Gambar 3.13 Rancangan Tampilan Utama 36
Gambar 4.1 Tampilan halaman Utama 39
Gambar 4.2 Tampilan halaman utama 40
Gambar 4.3 Tampilan ketika Button Pilih Dokumen diklik 41
Gambar 4.4 Tampilan ketika file Dokumen Hasil Pemeriksaan telah dipilih 42
Gambar 4.5 Tampilan ketika dokumen Telah Selesai diinterpretasi 43
Gambar 4.6 Tampilan Dokumen Akhir 44
Gambar 4.7 Grafik Hasil Pengujian Data Extraction 45
Gambar 4.8 Identitas dengan format benar 46
PENDAHULUAN
Pemeriksaan kimia darah merupakan pemeriksaan yang sangat umum dan sering kita
lakukan. Fungsi dan kegunaan dari hasil pemeriksaan juga dapat memberitahukan
kesehatan tubuh namun selama ini hasil pemeriksaan direpresentasikan hanya dalam
bentuk laporan yang terstruktur dalam tabel, dan direpresentasikan dalam bentuk
angka, positive maupun negative sehingga butuh waktu bagi dokter dan petugas
medis untuk mengerti dan menginterpretasi data tersebut. Selain itu, dokter harus
menuliskan laporan hasil interpretasi pemeriksaan laboratorium kimia darah secarah
manual. Sistem ini diharapkan mampu dalam mempercepat penginterpretasian dan
penulisan laporan pemeriksaan kimia darah setiap pasien. Oleh karena itu dibutuhkan
sistem yang dapat menginterpretasi hasil lab kimia darah ke dalam laporan berbentuk
tekstual atau narasi.
Agar penelitian ini lebih terfokuskan pada proses intepretasi data, maka dalam
melakukan penelitian akan dibatasi pada hal-hal pokok sebagai berikut:
2. File input berupa hasil pemeriksaan laboratorium kimia darah dalam bentuk file
dokumen word dengan format yang digunakan oleh Hosana Hospital Cikarang.
3. Data yang digunakan sebagai input adalah hasil pemeriksaan laboratorium kimia
darah.
5. Corpora dibangun dengan melibatkan expert terkait dan berdomain pada kata-
kata yang sering digunakan dalam interpretasi hasil lab kimia darah dalam
Bahasa Indonesia.
6. Output pada sistem ini merupakan interpretasi hasil lab kimia darah dalam
bentuk tekstual berbahasa Indonesia dan disajikan dengan tabel pemeriksaan
kimia darah dalam dokumen pdf
1. Dapat membantu dokter dan petugas medis dalam melakukan interpretasi dan
pembuatan laporan hasil laboratorium kimia darah.
1.6 Metodologi
Adapun tahapan – tahapan yang akan dilakukan pada penelitian ini adalah :
1. Studi Literatur
Pada tahapan ini penulis mengumpulkan dan mempelajari informasi yang
diperoleh dari buku, skripsi, jurnal, dan berbagai sumber informasi lainnya.
Informasi yang berkaitan seperti hasil lab kimia darah, ekstraksi data, dan Trigram
Algorithm.
2. Analisis Permasalahan
3. Perancangan Sistem
Tahapan selanjutnya yaitu dilakukan perancangan sistem yang sesuai dari hasil
analisis permasalahan yang telah dilakukan. Pada penelitian ini, perancangan yang
dilakukan berupa perancangan arsitektur dan antarmuka sistem.
4. Implementasi
Pada tahap ini dilakukan implementasi berdasarkan analisis yang telah dilakukan
dalam bentuk pembuatan program sesuai dengan perancangan yang telah
dilakukan sebelumnya.
5. Pengujian
Tahap selanjutnya yaitu melakukan pengujian terhadap sistem yang telah
dibangun untuk menguji seberapa baik tingkat readabilty metode Trigram
Algorithm dalam meginterpretasi laporan hasil pemeriksaan kimia darah dan
memastikan hasil yang diperoleh sesuai dengan yang diharapkan.
6. Penyusunan Laporan
Pada tahap akhir dilakukan penulisan laporan dari keseluruhan penelitian yang
telah dilakukan.
Bab 1 : Pendahuluan
Bab ini membahas tentang latar belakang, rumusan masalah, batasan masalah, tujuan
penelitian, manfaat penelitian, metodologi penilitian dan sistematika penelitian.
LANDASAN TEORI
Bab ini membahas tentang teori penunjang dan penelitian terdahulu yang berhubungan
dengan penerapan metode Trigram Algorithm untuk menginterpretasikan hasil
pemeriksaan laboratorium kimia darah.
NLG atau Natural Language Generation merupakan metode untuk menghasilkan teks
yang dapat dipahami manusia berdasarkan input non-teks (Kondadadi,2013).
Arsitektur umum sistem NLG dapat digambarkan seperti pada gambar 2.1 (Reither &
Dale, 2000).
Gambar 2.1. Arsitektur Umum Sistem NLG Menurut Reither & Dale (2000)
Berikut adalah penjelasan dari arsitektur umum sistem NLG menurut Reither & Dale
(2000):
Output dari proses ini adalah document plan. Document plan kadang disebut
wacana perencanaan atau rencana teks spesifik yang biasanya direpresentasikan
dalam bentuk tree, dimana leaf nodes menentukan pesan atau konten dan internal
nodes menentukan struktur informasi seperti bagaimana pesan dikelompokan.
4. Surface realiser adalah proses pengurutan kata – kata, pemberian tanda baca
dan mark-up anotasi yang berhubungan untuk representasi hasil akhir. Ada
dua tugas penting pada tahap ini yaitu:
Output pada proses ini adalah teks yang sudah dapat digunakan untuk diintepretasikan
kedalam dokumen laporan dan sebagainya.
Pemeriksaan kimia darah adalah tes darah yang digunakan untuk mengukur tingkat
beberapa zat dalam darah (seperti elektrolit). Pemeriksaan ini akan menunjukkan
kesehatan umum Anda, membantu melihat masalah-masalah tertentu, dan mencari
tahu apakah pengobatan untuk masalah spesifik yang sedang Anda alami bekerja
dengan baik. Hasil dari pemeriksaan kimia darah ini dapat membantu dokter
memutuskan pengobatan yang sesuai untuk Anda(Herawati & Andrajati, 2011).
darah, fungsi pankreas, elektrolit dan dapat pula dipakai beberapa uji kimia yang
digunakan untuk membantu diagnosis(Biomedika, 2012).
1. Uji fungsi hati meliputi pemeriksaan kadar protein total & albumin, bilirubin total
& bilirubin direk, serumglutamic oxaloacetate transaminase (SGOT/AST)
& serum glutamic pyruvate transaminase (SGPT/ALT), gamma glutamyl
transferase (γ-GT), alkaline phosphatase (ALP) dan cholinesterase (CHE).
Pemeriksaan protein total dan albumin sebaiknya dilengkapi dengan pemeriksaan
fraksi protein serum dengan teknik elektroforesis. Dengan pemeriksaan
elektroforesis protein serum dapat diketahui perubahan fraksi protein di dalam
serum. Pemeriksaan elektroforesis protein serum ini menunjukkan perubahan
fraksi protein lebih teliti dari hanya memeriksa kadar protein total dan albumin
serum.
2. Uji fungsi jantung dapat dipakai pemeriksaan creatine kinase (CK),
isoenzim creatine kinase yaitu CKMB, N-terminal pro brain natriuretic
peptide (NT pro-BNP) dan Troponin-T. Kerusakan dari otot jantung dapat
diketahui dengan memeriksa aktifitas CKMB, NT pro-BNP, Troponin-T dan
hsCRP. Pemeriksaan LDH tidak spesifik untuk kelainan otot jantung, karena hasil
yang meningkat dapat dijumpai pada beberapa kerusakan jaringan tubuh seperti
hati, pankreas, keganasan terutama dengan metastasis, anemia hemolitik dan
leukemia.
3. Uji fungsi ginjal terutama adalah pemeriksaan ureum dan kreatinin. Ureum adalah
produk akhir dari metabolisme protein di dalam tubuh yang diproduksi oleh hati
dan dikeluarkan lewat urin. Pada gangguan ekskresi ginjal, pengeluaran ureum ke
dalam urin terhambat sehingga kadar ureum akan meningkat di dalam darah.
Kreatinin merupakan zat yang dihasilkan oleh otot dan dikeluarkan dari tubuh
melalui urin. Oleh karena itu kadar kreatinin dalam serum dipengaruhi oleh besar
otot, jenis kelamin dan fungsi ginjal. Di Laboratorium Klinik Utama Bio Medika
pemeriksaan kadar kreatinin dilaporkan dalam mg/dl dan estimated GFR (eGFR)
yaitu nilai yang dipakai untuk mengetahui perkiraan laju filtrasi glomerulus yang
dapat memperkirakan beratnya kelainan fungsi ginjal.
4. Beratnya kelainan ginjal diketahui dengan mengukur uji bersihan kreatinin
(creatinine clearance test/CCT). Creatinine clearance test/CCT memerlukan urin
kumpulan 24 jam, sehingga bila pengumpulan urin tidak berlangsung dengan baik
hasil pengukuran akan mempengaruhi nilai CCT. Akhir-akhir ini, penilaian fungsi
ginjal dilakukan dengan pemeriksaan cystatin-C dalam darah yang tidak
dipengaruhi oleh kesalahan dalam pengumpulan urin. Cystatin adalah zat dengan
berat molekul rendah, dihasilkan oleh semua sel berinti di dalam tubuh yang tidak
dipengaruhi oleh proses radang atau kerusakan jaringan. Zat tersebut akan
dikeluarkan melalui ginjal. Oleh karena itu kadar Cystatin dipakai sebagai
indikator yang sensitif untuk mengetahui kemunduran fungsi ginjal.
5. Pemeriksaan lemak darah meliputi pemeriksaan kadar kolesterol total, trigliserida,
HDL dan LDL kolesterol. Pemeriksaan tersebut terutama dilakukan pada pasien
yang memiliki kelainan pada pembuluh darah seperti pasien dengan kelainan
pembuluh darah otak, penyumbatan pembuluh darah jantung, pasien dengan
diabetes melitus (DM) dan hipertensi serta pasien dengan keluarga yang
menunjukkan peningkatan kadar lemak darah. Untuk pemeriksaan lemak darah
ini, sebaiknya berpuasa selama 12 - 14 jam. Bila pada pemeriksaan kimia darah,
serum yang diperoleh sangat keruh karena peningkatan kadar trigliserida
sebaiknya pemeriksaan diulang setelah berpuasa > 14 jam untuk mengurangi
kekeruhan yang ada. Untuk pemeriksaan kolesterol total, kolesterol HDL dan
kolesterol LDL tidak perlu berpuasa. Selain itu dikenal pemeriksaan lipoprotein
(a) bila meningkat dapat merupakan faktor risiko terjadinya penyakit jantung
koroner.
6. Pemeriksaan kadar gula darah dipakai untuk mengetahui adanya peningkatan atau
penurunan kadar gula darah serta untuk monitoring hasil pengobatan pasien
dengan Diabetes Melitus (DM). Peningkatan kadar gula darah biasanya
disebabkan oleh Diabetes Melitus atau kelainan hormonal di dalam tubuh. Kadar
gula yang tinggi akan dikeluarkan lewat urin yang disebut glukosuria. Terdapat
beberapa macam pemeriksaan untuk menilai kadar gula darah yaitu pemeriksaan
gula darah sewaktu, kadar gula puasa, kadar gula darah 2 jam setelah makan, test
toleransi glukosa oral, HbA1c, insulin dan C-peptide. Kadar gula darah sewaktu
adalah pemeriksaan kadar gula pada waktu yang tidak ditentukan. Kadar gula
darah puasa bila pemeriksaan dilakukan setelah pasien berpuasa 10 - 12 jam
sebelum pengambilan darah atau sesudah makan 2 jam yang dikenal dengan gula
darah 2 jam post-prandial.
Pada penelitian ini mengacu pada rumah sakit Hosana Hospital Cikarang, menggunakan
11 elemen yang dibagi menjadi 5 fungsi yaitu :
1. Fungsi Diabetes
A. Glukosa Puasa
- Untuk mengetahui kadar Glukosa darah, sehingga membantu menentukan
terapi pasien diabetes. (Herawati & Andrajati, 2011).
- Nilai Normal :70-110mg/dl
2. Fungsi Ginjal
A. Ureum
- Ureum merupakan produk sisa metabolisme yang dibuang ginjal melalui
urin dan hanya sedikit yang tersisa di darah. Bila terdapat gangguan pada
fungsi ginjal, maka terjadi kenaikan dari parameter ini. (Herawati &
Andrajati, 2011).
- Nilai Normal :10-50 mg/dl
B. Kreatinin
- Tes ini untuk mengukur jumlah kreatinin dalam darah. Kreatinin
dihasilkan selama kontraksi otot skeletal melalui pemecahan kreatinin
fosfat. Kreatinin diekskresi oleh ginjal dan konsentrasinya dalam darah
sebagai indikator fungsi ginjal. Pada kondisi fungsi ginjal normal,
kreatinin dalam darah ada dalam jumlah konstan. Nilainya akan meningkat
pada penurunan fungsi ginjal. (Herawati & Andrajati, 2011).
- Nilai Normal : Wanita :0.5-1.1 mg/dl sedangkan Pria:0.6-1.4 mg/dl.
-
C. Asam Urat
- Untuk mengetahui adanya penyakit Gout Arthritis (nyeri sendi karena
tingginya kadar asam urat).
- Nilai Normal : Wanita : 3.5-7.2 mg/dl dan Pria 2.9-5.2 mg/dl.
3. Fungsi Hati
A. SGOT/AST
- AST adalah enzim yang memiliki aktifitas metabolisme yang tinggi,
ditemukan di jantung, hati, otot rangka, ginjal, otak, limfa, pankreas dan
paru-paru. Penyakit yang menyebabkan perubahan, kerusakan atau
kematian sel pada jaringan tersebut akan mengakibatkan terlepasnya enzim
ini ke sirkulasi. (Herawati & Andrajati, 2011).
- Nilai Normal : Wanita: <32 µ /dl dan Pria: <36 µ/dl
B. SGPT/ALT
- Konsentrasi enzim ALT yang tinggi terdapat pada hati. ALT juga terdapat
pada jantung, otot dan ginjal. ALT lebih banyak terdapat dalam hati
dibandingkan jaringan otot jantung dan lebih spesifi k menunjukkan fungsi
hati daripada AST. ALT berguna untuk diagnosa penyakit hati dan
memantau lamanya pengobatan penyakit hepatik, sirosis postneurotik dan
efek hepatotoksik obat. (Herawati & Andrajati, 2011).
- Nilai Normal : Wanita: <35 µ /dl dan Pria: <46 µ /dl
4. Fungsi Lemak
A. Kolestrol Total
- Untuk mengetahui profil lemak pasien, sehingga membantu menentukan
terapi, memantau terapi, menentukan faktor risiko PJK dan Stroke.
(Herawati & Andrajati, 2011).
- Nilai Normal: <200 mg/dl
B. HDL
- HDL merupakan produk sintetis oleh hati dan saluran cerna serta
katabolisme trigliserida. (Herawati & Andrajati, 2011).
- Nilai Normal: Wanita : 35-70 mg/dl dan peia 35-55 mg/dl
C. LDL
- Mengisi Hampir sebagian besar kolestrol tubuh. Kadar LDL yang tinggi
dapat meningkatkan resiko penyakit jantung dan stroke.
- Nilai Normal: <130 mg/dl
D. Trigliserida
- Trigliserida ditemukan dalam plasma lipid dalam bentuk kilomikron dan
VLDL (very low density lipoproteins). (Herawati & Andrajati, 2011).
- Nilai Normal: <150 mg/dl
5. Fungsi Imunologi
A. HBSAG
- HBSAG Merupakan permukaan antigen hepatitis B virus (HBV). Ini
menandakan ada atau tidaknya virus hepatitis,
- Nilai Normal : Negatif/ Non – Reaktif
2.3 Trigram
Trigram merupakan bagian dari N-Gram Language Model yang merupakan salah satu
proses yang secara luas digunakan dalam text mining (pengolahan teks) dan pengolahan
bahasa. N-gram merupakan sekumpulan kata yang diberikan dalam sebuah paragraf dan
ketika menghitung n-gram biasanya dilakukan dengan menggerakkan satu kata maju ke
depan (meskipun dalam prosesnya terdapat suatu proses dimana kata yang dimajukan
sejumlah X kata). N-gram adalah urutan N-kata maka 3-gram (trigram) adalah urutan tiga
kata seperti pada Gambar 2.2.
Dapat dilihat dari Gambar 2.2 bahwa trigram mengambil 3 token yang dalam hal ini
adalah kata dan tanda baca. Ini untuk memudahkan pemilihan kata selanjutnya guna
mengenerate kalimat otomatis.
Apache POI merupakan sebuah library yang dibangun oleh Apache Software Foundation
untuk membaca dan menulis file dengan format microsoft office seperti (Excel,
Word,PowerPoint).
Apache POI digunakan pada penilitian ini untuk membaca dan menulis file
dokumen hasil pemeriksaan kimia darah dalam format word. Apache POI memungkinkan
program java untuk mengekstrak seluruh informasi yang terdapat pada file-file dengan
format microsoft seperti tabel, paragraf, baris, kolom, cell, font dan lain sebagainya.
Sudah banyak penelitian yang berfokus pada pengiterpretasian data menjadi bentuk
tekstual atau narasi, seperti yang dilakukan oleh Eugiono, et al (2014), Pratomo,et al
(2015), Mahapatra et al,(2016) dan.Wijaya(2017) Bidang ilmu ini juga sering disebut
dengan Natural Language Generation(NLG). NLG merupakan bagian dari bidang ilmu
Natural Language Processing yang ditujukan untuk menciptakan bahasa alami dari
representasi data non tekstual. Pengembangan sistem NLG ditujukan agar membantu para
pembaca awam atau bukan ahli dalam membaca data data (Reither & Dale, 2000).
Evaluation dan hasilnya juga mereka menempati peringkat 5 dari 13 algoritma yang
dicoba.
Penelitian terdahulu yang telah dipaparkan dapat diuraikan secara singkat pada Tabel 2.6.
Bigram Algorithm
Adapun proses yang akan diajukan oleh pada penelitian ini akan di gambarkan pada
arsitektur umum yang dapat dilihat pada Gambar 3.1.
INPUT PROSES
Data Extraction
Hasil Pemeriksaan Laboratorium
Kimia Darah dalam dokumen Data Processing
Data Interpretation
Expertise
Text Generation
Trigram Algorithm
CORPORA
3.1.1. Input
Berdasarkan Arsitektur umum pada Gambar.3.1 dapat dilihat proses pertama adalah
input. Input yang digunakan dalam penelitian ini adalah dokumen berekstensi doc/docx
yang diperoleh dari rumah sakit Hosana Hospital Cikarang. Setelah Hasil laboratorium
kimia darah didapatkan kemudian diketik manual kedalam template dengan format yang
telah ditentukan seperti pada Gambar.3.2 kemudian, dokumen tersebut yang akan menjadi
input untuk sistem pada penelitian ini. Pada penelitian kali ini sistem akan dibuat
berdasarkan format yang dipakai oleh rumah sakit tersebut.
Pada penelitian ini menggunakan 20 data pasien yang diambil secara acak dari
kumpulan data pasien di rumah sakit tersebut yang akan dijadikan sebagai dataset untuk
pengujian pada penelitian ini. Format dokumen hasil pemeriksaan kimia darah yang
digunakan untuk input pada penelitian ini dapat dilihat pada Gambar 3.2.
Format dokumen hasil pemeriksaan kimia darah seperti pada gambar 3.2. Terdiri
dari 2 tabel utama yaitu tabel identitas dan tabel hasil pemeriksaan. Tabel identitas berisi
nama, no.lab, tanggal lahir, jenis kelamin dan tanggal pemeriksaan. Sedangkan tabel
pemeriksaan berisi elemen yang diperiksa, hasil dan nilai normal.
3.1.2. Proses
Tahapan berikutnya setelah input adalah proses. Tahapan ini merupakan tahapan proses
pengolahan dokumen hasil laboratorium kimia darah. Terdapat 4 proses yang dilakukan
terdiri dari Data Extraction, Data Processing, Text Generation.
Bagian pertama pada proses adalah Data Extraction. Proses Data Extraction digunakan
untuk mengambil data yang dibutuhkan dari dokumen input. Pada tahapan Data
Extraction ini, Dokumen hasil pemeriksaan kimia darah yang menjadi input pada Bagian
3.1.1 akan di ekstrak untuk mendapatkan nilai-nilai penting yang dibutuhkan untuk
melakukan proses. Adapun nilai-nilai penting yang dibutuhkan terdiri dari nama dan jenis
kelamin, serta nilai hasil pemeriksaan laboratorium kimia darah. Dokumen. Karena input
merupakan dokumen word maka penulis akan menggunakan library Apache POI agar
dapat memanipulasi dokumen word. Adapun proses yang dilakukan dapat dilihat pada
Gambar 3.3.
Dapat dilihat dari Gambar 3.4. merupakan contoh pembacaan baris ke-10.
Yang kemudian akan di pecah menjadi cell dan di akses seperti array dengan
urutan numeric. Maka pada Gambar 3.4. “Cholestrol Total” Merupakan cell-0,
“229” merupakan cell-1 dan “<200 mg/dl” merupakan cell-2.
Contoh 1. Berdasarkan Gambar 3.4. maka yang akan dilakukan adalah sebagai
berikut : Pertama periksa cell-0, karena cell-0 adalah “Cholestrol Total” dan
dibutuhkan dalam sistem ini maka kemudian ambil nilai pada cell-1 yaitu “229”
kemudian simpan dalam variabel.
Dalam sebuah entity dengan beberapa nama berbeda dapat ditulis pada
laporan pemeriksaan kimia darah. Sistem akan memeriksa entity dan
membandingkan pada nama-nama yang ada pada sistem. Sebagai contoh Glukosa,
glukosa dapat ditulis dengan glucose ataupun glukosa puasa. Ketiga nama tersebut
tetap dapat diidentifikasi oleh sistem.
Seperti yang dijelaskan pada poin 3, nilai output ditulis dengan format
“Entity”+”:”+”Value”. Setelah ditulis maka nilai-nilai yang dibutuhkan sudah tersimpan
dan siap untuk digunakan pada proses-proses berikutnya.
Setelah data disimpan pada file txt selanjutnya data akan memasuki tahap Data
Processing. Pada tahap Data Processing ini, data akan diproses hingga menghasilkan list
yang berisikan informasi tentang berbagai status elemen. Tahapan ini terdiri dari 2 sub
proses yaitu Data Interpretation dan Data Selection.
Data Processing
A. Data Interpretation
Pada tahapan Data Processing yang pertama dilakukan adalah Data Interpretation. Data
Interpretation dibuat untuk mendapatkan status pada tiap elemen. Pada tahapan ini data
akan di interpretasi sehingga akan mendapatkan tingkat kenormalan setiap elemen. Pada
sistem ini status elemen hasil interpretasi akan dibagi menjadi 3 tingkat yaitu meningkat,
menurun dan normal.
Setiap elemen pada hasil pemeriksaan kimia darah akan di bandingkan dengan
nilai normal seperti pada contoh 2. Nilai batas normal di ambil dari knowledge base yang
telah disiapkan sebelumnya.
Contoh 2. Dari hasil ektraksi pada gambar 3.4 kolestrol memiliki value 229, dengan nilai
normal <200. Karena kolestrol melebihi rentang normal, maka status_kolestrol adalah
meningkat.
IF(Value>knowledge_batas_atas)
Then Status = meningkat.
Berdasarkan tabel 3.1. dapat dilihat bahwa status sebuah elemen akan memiliki
nilai normal jika nilai elemen tersebut lebih besar dari batas normal terendah dan lebih
kecil dari batas normal tertinggi. Status sebuah elemen akan memiliki nilai meningkat
apabila nilai elemen tersebut lebih besar dari batas normal tertinggi dan sebaliknya, status
sebuah elemen akan dinyatakan menurun jika nilai elemen tersebut lebih rendah dari
batas normal terendah.
B. Data Selection
Setelah Data melewati tahap Data interpretation kemudian data akan memasuki tahapan
Data Selection. Pada proses ini, data akan di seleksi berdasarkan status. Tiap elemen akan
dikelompokan berdasarkan tingkat kenormalannya. Elemen-elemen tersebut akan
dipisahkan dengan cara memasukkan elemen tersebut kedalam list yang sudah disiapkan.
Terdapat 3 buah list untuk proses ini yaitu list_meningkat, list_menurun dan list_normal.
Setelah melewati tahapan Data Selection maka list pada poin 3.1.2.2. akan digunakan
sebagai input pada tahapan Text Generation. Tahapan ini berfungsi untuk membangun
kalimat interpretasi berdasarkan list input yang menunjukan status setiap elemen. Pada
tahapan ini pengetahuan status data akan diinterpretasikan dalam narasi berbahasa
indonesia.
Berdasarkan FlowChart pada Gambar 3.7. dapat dilihat bahwa Text Generation terdiri
dari 6 proses antara lain:
1. Status Checking
Tahapan yang pertama adalah status checking. Tahapan ini berfungsi untuk
memeriksa apakah program perlu menjalankan sisa proses atau tidak. Pada
tahapan ini list yang menjadi input akan diperiksa. Jika list_meningkat dan
list_menurun kosong maka hasil pemeriksaan langsung dinyatakan normal dan
kalimat default akan dimunculkan tanpa melewati sisa proses text generation
seperti yang ditunjukkan oleh pseudocode Gambar 3.8.
Contoh 4. Berdasarkan hasil seleksi pada 3.1.2.2. Maka akan diketahui bahwa
list_meningkat memiliki anggota / tidak kosong, maka sistem akan melanjutkan ke
proses selanjutnya. Jika yang berisi hanya list_normal maka sistem akan secara
langsung mengeluarkan output berupa kalimat default.
2. Corpus Determining.
Pada Corpus Determining kita akan mencari korpus apa yang cocok untuk
digunakan dalam membangun suatu kalimat. Pada tahapan ini masing-masing
elemen yang akan di interpretasi ke dalam bentuk kalimat akan di periksa terdapat
pada list yang mana. Kemudian korpus akan dipilih. Apabila elemen tersebut
3. Tokenization.
Setelah korpus di pilih pada poin 2, maka selanjutnya corpus akan menjadi input
pada tahap Tokenization. Tokenization. adalah tahapan yang akan digunakan
untuk memecah kalimat menjadi token-token yang lebih kecil. Token diambil
dengan cara displit menggunakan “ “(blank Space). Pada tanda baca yaitu “.”(dot)
dan “,”(comma) akan di anggap menjadi sebuah token seperti pseudocode pada
Gambar 3.9. Data yang disimpan menjadi token adalah kata, “.”(dot) dan
“,”(comma.)
FinalToken pada Gambar 3.10 merupakan list token akhir yang menjadi
output pada proses ini. FinalToken kemudian akan menjadi input pada proses
selanjutnya.
Kemudian kalimat pada contoh 6 dipisah menjadi token yang lebih kecil. Mejadi
seperti contoh 7.
READ FinalToken
FOREACH Token IN FinalToken
IF Token EQUALS “.”
THEN SET TempIndex = INDEX OF Token
THEN ADD FinalToken.get(TempIndex+1) TO ListFirstWord
END IF
END FOREACH
ADD FinalToken.get(0) TO ListFirstWord
Contoh 9. Sistem merandom index pada list kata pertama yang didapatkan
pada contoh 8 dan menghasilkan angka 8 . Kata dengan index 8 adalah
konsentrasi, maka konsentrasi digunakan sebagai kata pertama.
c. Hitung frequency dari kata yang di ambil dari poin b. kemudian kata dengan
probabilitas tertinggi akan diambil menjadi kata selanjutnya.
Contoh 12. Dapat kita lihat pada poin b bahwa jumlah {“konsentrasi”,
“kolesterol”, “total”} merupakan yang terbanyak maka Trigram tersebut yang
akan diambil.
d. Masukkan kata pertama dan kata index+1 ke dalam list kalimat yang baru.
Setelah itu masukkan index+2 ke variable keyword.
Contoh 13. Dari contoh 12 maka “konsentrasi” dan “kolesterol” akan
dimasukkan dalam list, sedangkan “total” akan menjadi keyword baru.
e. Kemudian proses akan mengalami iterasi hingga menemukan “.” Sebagai
penghenti dalam iterasi.
6. Combining Sentences.
Pada tahapan ini kalimat yang sudah didapat akan digabungkan menjadi sebuah
paragraf. List kalimat pada poin 4 kemudian akan di ubah menjadi paragraf
dengan method “foreach()”, kemudian append setiap element dalam list ke dalam
String Paragraf hasil Interpretasi. Kemudian Hasil Interpretasi akan di Append ke
dalam file dokumen doc/pdf dengan menggunakan Apache POI XWPFDocument.
Hasil akhir dapat dilihat pada Gambar 3.12.
3.1.3 Output
Setelah dilakukan tahapan pemrosesan maka diperoleh ouput sistem yaitu dokumen hasil
pemeriksaan laboratorium kimia darah dan hasil interpretasi dalam bentuk narasi dan
disimpan dengan nama yang diinginkan. Dokumen dapat disimpan baik dalam bentuk
word maupun pdf. Contoh output dapat dilihat pada Gambar 3.12.
Pada dokumen output dicantumkan tabel hasil pemeriksaan dan hasil interpretasi
dalam bentuk bahasa indonesia.
Perancangan sistem pada penelitian ini menggunakan sebuah tampilan utama yang dapat
dilihat pada Gambar 3.13.
B. Button Generate
Button ini merupakan Button fungsi untuk mengenerate kalimat hasil interpretasi
yang akan muncul di Field status elemen dan Field kalimat hasil interpretasi
Bab ini akan membahas hasil dari implementasi metode Trigram Algorithm dalam
menginterpretasikan hasil pemeriksaan laboratorium kimia darah dan pengujian sistem
sesuai dengan analisis data dan perancangan yang telah dibahas pada Bab 3.
Data untuk menguji sistem interpretasi kimia darah adalah data hasil pemeriksaan
kimia darah yang di ambil dari rumah sakit Hosana Hospital Cikarang. Format
laporan seperti yang sudah dijelaskan pada bagian 3.1.1.dan gambar 3.2. data
hasil pemeriksaan merupakan data dalam bentuk dokumen word berjumlah 20
buah(terlampir pada lampiran 1.).
Tampilan awal aplikasi merupakan tampilan utam dimana semua proses akan dijalankan
seperti yang ditunjukkan pada Gambar 4.1.
Pada halaman utama seperti pada Gambar 4.2. terdapat 4 button yang terdiri dari
button pilih dokumen, button generate hasil interpretasi, button simpan dalam word dan
button simpan dalam pdf.
Button pilih dokumen mempunyai fungsi untuk membuka dokumen yang akan di
interpretasi pada sistem interpretasi kimia darah. Button generate hasil interpretasi
berfungsi untuk menjalankan fungsi interpretasi sehingga menghasilkan status dan
kalimat hasil interpretasi. Button simpan dalam word dan button simpan dalam pdf
berfungsi untuk menyimpan dokumen hasil interpretasi seperti pada gambar 3.7.
Untuk memulai sistem, pertama kita hsrus memilih file input. Memilih file input
dilakukan dengan mengklik tombol pilih dokumen seperti pada gambar 4.3.
Button pilih dokumen apabila ditekan akan memunculkan window baru untuk
memilih dokumen. Dokumen yang telah dipilih kemudian akan di ekstrak dan data yang
di butuhkan oleh sistem. Data yang telah diekstrak akan terlihat pada tabel didalam field
data pasien. Tampilan tersebut dapat dilihat pada Gambar 4.4.
Gambar. 4.4. Tampilan setelah file dokumen hasil pemeriksaan setelah dipilih
Setelah file dokumen selesai dipih dan menunjukkan hasil ekstraksi pada tabel
didalam field pasien selanjutnya dokumen akan di interpretasi. Dokumen akan di
interpretasi dengan cara mengklik button generate hasil interpretasi dapat dilihat pada
gambar 4.5.
Setelah data diinterpretasi maka status setiap akan terlihat pada field status element serta
hasil interpretasinya dalam bentuk narasi pada kalimat hasil interpretasi.
Hasil akhir dapat dilihat bahwa dokumen yang tergenerate adalah dokumen
dengan hasil pemeriksaan ditambah dengan hasil interpretasi kimia darah.
Pada sub-bab ini dilakukan pengujian setiap unit proses pada sistem secara individual.
Adapun unit proses yang akan diuji adalah Data Extraction, Data Processing dan Text
Generation.
Pada unit proses data extraction akan dilakukan pengujian dengan cara menguji
fleksibilitas Data Extraction. Adapun detail pengujian adalah sebagai berikut:
1. Data input : data input berupa 20 dokumen word hasil pemeriksaan kimia darah
dengan beberapa kondisi, antara lain 5 dokumen dengan format normal, 5
dokumen dengan urutan identitas yang berbeda, 5 dokumen dengan urutan hasil
pemeriksaan yang berbeda dan 5 dokumen dengan menggunakan nama elemen
yang berbeda namun yang memiliki persamaan makna dari format normal.
2. Expected Result : Hasil yang diharapkan pada pengujian ini adalah sistem mampu
mengatasi beberapa kondisi yang diujikan dengan hasil yang benar.
3. Result
Hasil Pada Pengujian ini dapat dilihat pada Gambar 4.7
3
Hasil Pemeriksaan Kimia darah
2
0
Normal Perubahan Perubahan Perubahan
Urutan Urutan Elemen Nama dengan
Identitas Kimia Darah sinonim
Dapat dilihat dari grafik pada Gambar 4.7 bahwa unit proses Data Extraction
berjalan dengan baik karena dari 20 data uji seluruhnya dapat diekstrak dengan benar.
Pada pengujian ini data-data tersebut dapat ditangani dengan baik karena pada proses
data extraction menggunakan metode subtitusi pada nilai yang akan diambil dan
diperiksa secara menyeluruh dengan memeriksa nama elemen yang diperiksa bersama
dengan kemungkinan kata-kata yang dapat menggantikan kata yang terdapat pada format
kemudian mengambil nilai cell selanjutnya untuk disimpan ke dalam file hasil.
Berikut ini penulis akan membahas sampel pada pengujian Data Extraction.
Sampel yang diambil adalah dokumen dengan perubahan urutan pada identitas. Pada
format yang berasal dari rumah sakit Hosana Hospital Cikarang dapat dilihat pada
Gambar 4.8
Sedangkan sampel data uji memiliki urutan yang berbeda pada gambar 4.9
Dapat dilihat pada Gambar 4.9 bahwa identitas sampel berbeda dengan identitas
format pada Gambar 4.8. Dapat dilihat bahwa posisi berbeda serta terdapat perubahan
nama entitas yaitu nama menjadi name, sex menjadi gender serta perubahan value sex
dari “w” menjadi “perempuan” namun hasil ektraksi yang di hasilkan memiliki nilai yang
sama. Hasil ekstraksi dapat dilihat pada gambar 4.10.
Dapat dilihat bahwa data sampel yang diubah urutannya tetap dapat diketahui
memiliki nama dan sex yang sama seperti data dengan format yang benar.
Berdasarkan pengujian diatas maka unit proses Data Extraction berjalan dengan
baik karena perubahan urutan, identitas dan nama elemen pemeriksaan tetap dapat
ditangani oleh proses Data Extraction sehingga bila terjadi penggantian format atau
perubahan nama elemen sistem tetap dapat berjalan dengan baik. Detail pengujian dapat
dilihat dalam tabel pada lampiran 3.
Pada unit proses data Processing akan dilakukan pengujian dengan cara menguji
ketepatan data diproses menjadi informasi. Adapun detail pengujian adalah sebagai
berikut:
1. Data input : data input berupa 20 hasil ekstraksi dokumen word yang merupakan
hasil uji dari Data Extraction.
2. Expected Result : Hasil yang diharapkan pada pengujian ini adalah sistem mampu
memproses data dan menghasilkan data yang sudah dikelompokan dalam list.
3. Result
Hasil Pada Pengujian ini dapat dilihat pada Gambar 4.11
Dapat dilihat dari grafik pada Gambar 4.10. bahwa unit proses Data Processing
berjalan sesuai dengan yang diharapkan karena dari seluruh data uji menghasilkan
informasi abnormalitas yang benar. Informasi elemen yang merupakan hasil ekstraksi dari
Data Processing kemudian diambil dan dimasukan kedalam variabel dengan nama yang
sama dengan entitas pada file hasil Data Extraction. Data processing tetap dapa berjalan
dengan baik walaupun urutan hasil dari data extraction tidak sama dengan format.
Berikut ini penulis akan membahas sampel pada pengujian Data Processing.
Sampel yang diambil adalah hasil ektraksi dokumen dengan format benar dan hasil
ektraksi dokumen pada sampel Data Extraction. Pada hasil ekstraksi dokumen dengan
format yang berasal dari rumah sakit Hosana Hospital Cikarang dapat dilihat pada
Gambar 4.12
Sedangkan hasil ektraksi data sampel dapat dilihat pada gambar 4.13
Dapat dilihat bahwa adanya perbedaan posisi elemen yang disimpan antara
Gambar 4.12. dan 4.13. Terdapat posisi yang berbeda yaitu posisi nama dan sex, pada
Gambar 4.12 nama merupakan elemen dengan urutan pertama dana sex merupakan urutan
kedua sedangkan pada Gambar 4.13 sebaliknya. Namun Data Processing tetap dapat
menemukan nilai keabnormalan yang benar. Ini dikarenakan proses pengambilan nilai
bukan berdasarkan urutan elemen, namun masing-masing elemen dicheck entitasnya
kemudian data yang didapat setelah delimiter (dalam penelitian ini saya menggunakan
“:”) akan diambil dan disimpan dalam variabel yang sama dengan entitas. Hasil Data
Processing dapat dilihat pada Gambar 4.14.
Sedangkan hasil data processing pada format yang tidak normal dapat dilihat pada
gambar 4.14.
Dapat dilihat bahwa pada Gambar 4.14 dan Gambar 4.15 tidak terdapat perbedaan
dan identik dan mencantumkan informasi yang sama sehingga bagaimanapun bentuk
format yang diubah akan tetap menghasilkan hasil Data Processing yang sama.
Dari pengujian diatas dapat kita lihat bahwa walaupun input yang di terima
mereka sedikit berbeda namun sistem memberikan hasil yang sama identik. Data
Processing berjalan dengan baik pada perubahan format. Sistem dapat menerima
perubahan format tanpa mempengaruhi hasil. Detail pengujian dapat dilihat dalam tabel
pada lampiran 3.
Pada unit proses Text Generation akan dilakukan pengujian dengan cara menguji sebuah
kalimat dengan melihat kebenaran makna yang disampaikan. Adapun detail pengujian
adalah sebagai berikut:
1. Data input : data input berupa 20 hasil proses dokumen word yang merupakan
hasil uji dari Data Processing.
2. Expected Result : Hasil yang diharapkan pada pengujian ini adalah sistem mampu
memproses data dan menghasilkan kalimat interpretasi
3. Result
Hasil Pada Pengujian ini dapat dilihat pada Gambar 4.16
Sales
Dapat dilihat dari grafik pada Gambar 4.16 bahwa unit proses Sentence
Generation berjalan sesuai dengan yang diharapkan karena dari seluruh data uji
menghasilkan kalimat dengan makna yang benar.
dengan format yang berbeda memiliki hasil yang sama pada Data Processing, maka
pengujian pada tahapan ini akan dilakukan dengan cara menguji kebenaran kalimat yang
dihasilkan.
Hasil Text Generation dari Gambar 4.15 dapat dilihat pada Gambar 4.17
Berdasarkan Gambar 4.15 kita mengetahui bahwa elemen yang abnormal adalah
cholestrol dan LDL. Dapat kita lihat pada Gambar 4.17 bahwa elemen yang abnormal
(Cholestrol dan LDL) tesebut dituliskan dengan interpretasi bahasa indonesia.
Berdasarkan pengujian diatas dapat disimpulkan bahwa walaupun input pada awal
sistem merupakan dokumen dengan berbagai format yang berbeda tidak mempengaruhi
performa sistem. Sistem tetap dapat membentuk kalimat interpretasi dengan benar.Detail
pengujian dapat dilihat dalam tabel pada lampiran 3.
Pada tahap ini akan dilakukan pengujian terhadap sistem. Pengujian pada sistem dilakukan
pada 20 dokumen word hasil pemeriksaan kimia darah yang kemudian akan menghasilkan
20 narasi hasil interpretasi kimia darah.
Pengujian sistem dilakukan dengan melakukan survey pada dokter muda/koas dan
tenaga medis terkait sebagai pengguna utama untuk mengevaluasi tingkat naturalness dari
kalimat-kalimat yang dihasilkan dari sistem interpreasi kimia darah. Survey dilakukan dengan
cara membagikan kuesioner. Para dokter koas diminta untuk mengisi kuesioner yang terdiri
dari 3 aspek. Aspek tersebut dinilai dengan memberikan bobot 1-5. Aspek yang dinilai adalah
readabilty, clarity dan general appropriateness(Belz&Reiter,2006).
1. Readability
Readability merupakan aspek yang menunjukan tingkat kepahaman dan kemudahan
pembaca dalam membaca kalimat-kalimat hasil interpretasi pemeriksaan kimia darah.
Adapun skala penilaian yang digunakan pada penelitian ini yaitu:
1 : Menyatakan bahwa kalimat hasil interpretasi sangat sulit dimengerti.
2 : Menyatakan bahwa kalimat hasil interpretasi sulit dimengerti.
3 : Menyatakan bahwa kalimat hasil interpretasi dapat dimengerti.
4 : Menyatakan bahwa kalimat hasil interpretasi mudah dimengerti.
5 : Menyatakan bahwa kalimat hasil interpretasi sangat mudah dimengerti.
2. Clarity
Clarity merupakan aspek yang menunjukan tingkat kejelasan dan ambiguitas kalimat
interpretasi.
Adapun skala penilaian yang digunakan pada penelitian ini yaitu:
1 : Menyatakan bahwa kalimat hasil interpretasi sangat tidak jelas/ ambigu.
2 : Menyatakan bahwa kalimat hasil interpretasi tidak jelas/ ambigu.
3 : Menyatakan bahwa kalimat hasil interpretasi cukup jelas.
4 : Menyatakan bahwa kalimat hasil interpretasi jelas.
5 : Menyatakan bahwa kalimat hasil interpretasi sangat jelas.
3. General appropriateness
General appropriateness merupakan aspek yang menunjukan tingkat menentukan
seberapa informatif kah kalimat hasil interpretasi kimia darah. Adapun skala penilaian
yang digunakan pada penelitian ini yaitu:
1 : Menyatakan bahwa kalimat hasil interpretasi sangat tidak tepat.
2 : Menyatakan bahwa kalimat hasil interpretasi tidak tepat.
3 : Menyatakan bahwa kalimat hasil interpretasi cukup tepat.
4 : Menyatakan bahwa kalimat hasil interpretasi tepat.
5 : Menyatakan bahwa kalimat hasil interpretasi sangat tepat.
Pada Gambar 4.18 menunjukkan tingkat naturalness dari masing-masing aspek penilaian
terhadap 20 contoh teks ringkasan hasil dari output sistem penelitian ini yang dinilai oleh 10
dokter muda/koas. Sedangkan itu, pada Gambar 4.19 menunjukkan tingkat naturalness dari
masing-masing aspek penilaian terhadap 20 contoh teks ringkasan hasil dari output sistem
penelitian ini yang dinilai oleh 7 petugas medis terkait.
50.00%
45.00%
40.00%
35.00%
Bobot 1
30.00%
Bobot 2
25.00%
Bobot 3
20.00% Bobot 4
15.00% Bobot 5
10.00%
5.00%
0.00%
Readability Clarity Appropriatness
60.00%
50.00%
40.00%
Bobot 1
Bobot 2
30.00%
Bobot 3
Bobot 4
20.00%
Bobot 5
10.00%
0.00%
Readability Clarity Appropriatness
dari teks Interpretasi hasil dari output sistem penelitian ini yang dinilai oleh 10
dokter muda/koas sebagai pengguna utama teks interpretasi yang dihasilkan sistem.
Adapun hasil penilaian yang terdapat pada Gambar 4.18 dan Gambar 4.19 dapat
dianalisis sebagai berikut:
1. Readability
Aspek Readability merupakan aspek yang menunjukan tingkat kepahaman dan
kemudahan pembaca dalam membaca kalimat-kalimat hasil interpretasi
pemeriksaan kimia darah. Readability suatu text bergantung pada content
(kompleksitas dari kosa kata yang digunakan) dan cara penyajiannya (seperti jenis
tulisan, ukuran tulisan, tinggi dan panjang baris). Para peneliti menggunakan
berbagai faktor untuk mengukur Readability menurut Tinker(1963) seperti:
1. Kecepatan persepsi.
2. Visibilitas.
3. Pergerakan mata.
4. Kelelahan dalam membaca.
5. Kecepatan membaca.
Sedangkan hasil survey Readability pada petugas medis pada Gambar 4.18
memiliki nilai tidak jauh berbeda. Sebanyak 11% petugas medis menyatakan
bahwa interpretasi hasil pemeriksaan kimia darah sangat mudah dimengerti. 36%
petugas medis menyatakan bahwa kalimat hasil interpretasi mudah dimengerti,
39% petugas medis menyatakan bahwa kalimat hasil interpretasi kimia darah
cukup mudah dimengerti, 12.10% menyatakan kalimat interpretsi sulit dimengerti
dan hanya 2.14% petugas medis menyatakan kalimat hasil interpretasi sangat sulit
untuk di pahami. Berdasarkan Persamaan 4.1, dapat disimpulkan bahwa 86%
petugas medis menyatakan bahwa hasil interpretasi hasil pemeriksaan kimia darah
mudah dimengerti. Hasil ini hanya berbeda sedikit dibanding dengan pendapat
dokter muda. Berdasarkan hasil survey diatas berarti bahwa hasil kalimat
interpretasi kimia darah dapat mudah dimengerti baik oleh petugas medis maupun
dokter muda karena pemilihan kata yang mudah dimengerti serta struktur kalimat
yang tidak terlalu kompleks sehingga kalimat hasil interpretasi mudah di baca dan
dipahami.
2. Clarity
Clarity merupakan aspek yang menunjukan tingkat kejelasan dan ambiguitas kalimat
interpretasi hasil pemeriksaan kimia darah. Keambiguan kalimat dapat disebabkan
oleh pemilihan kata yang memiliki makna ganda, pemilihan kata yang menyebabkan
rancunya pengertian suatu kalimat dan struktur kalimat yang dapat menyebabkan
ambigu. Nilai clarity kalimat hasil pemeriksaan kimia darah berdasarkan hasil
penilaian dokter muda/koas menunjukan bahwa 20% dokter muda atau koas
menyatakan kalimat hasil interpretasi sangat jelas, 35.5% dokter muda/koas
menyatakan bahwa kalimat hasil interpretasi jelas, 26.5% dokter muda/koas
menyatakan bahwa kalimat hasil interpretasi kimia darah cukup jelas, 10.5%
menyatakan kalimat interpretsi kurang jelas dan hanya 7.5% dokter muda/koas
menyatakan kalimat hasil interpretasi tidak jelas. Berdasarkan Persamaan 4.1,
menunjukan bahwa 82% dokter muda/koas menyatakan bahwa hasil interpretasi
hasil pemeriksaan kimia darah menyampaikan informasi secara jelas.
3. General appropriateness
General appropriateness merupakan aspek yang menunjukan tingkat menentukan
seberapa informatif kah kalimat hasil interpretasi kimia darah. General
appropriateness juga dipengaruhi dengan seberapa relevan kalimat dengan tema
materi yang akan dijelaskan. Nilai General Approroateness menurut hasil penilaian
dokter muda/koas menunjukan bahwa 18% dokter muda atau koas menyatakan
kalimat hasil interpretasi sangat tepat, 38.5% dokter muda/koas menyatakan
bahwa kalimat hasil interpretasi tepat, 28.5% dokter muda/koas menyatakan
bahwa kalimat hasil interpretasi kimia darah cukup tepat, 5% menyatakan kalimat
interpretsi kurang tepat dan 10% dokter muda/koas menyatakan kalimat hasil
interpretasi tidak tepat. Berdasarkan Persamaan 4.1, maka 85% dokter muda/koas
menyatakan bahwa hasil interpretasi hasil pemeriksaan kimia darah
menyampaikan interpretasi dengan tepat.
Sementara itu, hasil penilaian petugas medis menunjukan bahwa 6.7%
petugas medis menyatakan kalimat hasil interpretasi sangat tepat, 34% petugas
medis menyatakan bahwa kalimat hasil interpretasi tepat, 38.5% petugas medis
menyatakan bahwa kalimat hasil interpretasi kimia darah cukup tepat, 18.5%
menyatakan kalimat interpretsi kurang tepat. Banyaknya petugas medis yang
menyatakan kurang tepat karena kurangnya informasi nilai kritis tetapi hanya
1.4% petugas medis menyatakan kalimat hasil interpretasi tidak tepat.
Berdasarkan Persamaan 4.1, maka 79.2% petugas medis menyatakan bahwa hasil
interpretasi hasil pemeriksaan kimia darah menyampaikan interpretasi dengan
tepat.
Pada aspek ini terjadi sedikit perbedaan pendapat oleh dokter muda dan
koas. Sebanyak 85% dokter muda berpendapat bahwa hasil interpretasi
menyampaikan interpretasi dengan benar, tepat dan informatif sedangkan hanya
79.2% dari petugas medis yang menyatakan hal yang sama. Perbedaan pendapat
ini terdapat pada tingkat pengetahuan yang dimiliki. Menurut petugas medis
kalimat hasil interpretasi cukup tepat dan benar namun informasi yang
disampaikan masih kekurangan nilai kritis, sedangkan menurut dokter muda atau
koas informasi yang disampaikan sudah cukup tepa baik disertai dengan nilai
kritis maupun tidak.
Bab ini akan membahas tentang kesimpulan dari metode yang telah digunakan untuk
mengidentifikasi penyakit retinoblastoma pada bagian 5.1 dan juga saran-saran untuk
pengembangan penelitian berikutnya pada bagian 5.2.
5.1. Kesimpulan
Kesimpulan yang dapat diambil berdasarkan hasil pengujian sistem interpretasi hasil
pemeriksaan kimia darah dengan menggunakan Trigram algorithm adalah sebagai
berikut :
persentase sebesar 86% terhadap aspek ini. Pendapat petugas medis dan dokter
tidak jauh berbeda tentang aspek readability pada hasil Interpretasi yaitu mudah
dimengerti. Berdasarkan aspek clarity dokter muda/koas menunjukan persentase
sebesar 82% terhadap aspek ini sedangkan petugas medis juga memiliki pendapat
yang tidak jauh berbeda yaitu menunjukan persentase 85%. Aspek terakhir dari
naturalness adalah general appropriates. Pada aspek ini dokter muda dan koas
menunjukan persentase 85% sedangkan penilaian menurut petugas medis lainnya
menunjukkan angka 79.2%. Sedikit perbedaan pendapat pada aspek ini
disebabkan oleh perbedaan pengetahuan antara dokter dan petugas medis. Dokter
menganggap bahwa informasi yang disampaikan oleh sistem sudah baik dan dapat
berguna sedangkan menurut petugas medis sistem sudah cukup baik namun
mereka menginginkan informasi yang lebih. Sehingga dapat disimpulkan bahwa
secara keseluruhan sistem ini berjalan dengan cukup baik.
5.2. Saran
Archarya, S., Eugenio, B.D., Boyd, A.D., Lopez, K.D, Cameron, R. & Keenan, G.M.
2016. Generating summaries of hospitalizations: A new metric to assess the
complexity of medical terms and their definitions. Proceedings of The 9th
International Natural Language Generation conference, pp. 26–30.
Eugenio, B.D., Boyd, A.D., Lugaresi, C., Balasubramanian, A., Keenan, G.M., Burton,
M., Macieira, T.G.R. & Lopez, K.D. 2014. PatientNarr: Towards generating
patient-centric summaries of hospital stays. Proceedings of the 8th International
Natural Language Generation Conference, pp. 6-10.
Gatt, A & Reiter,E. 2009. SimpleNLG: A realisation engine for practical applications.
Proceedings of the 12th European Workshop on Natural Language Generation,
pp. 90-93.
Gkatzia, D., Rieser, V. & Lemon, O. 2016. How to Talk to Strangers: Generating Medical
Reports for First-Time Users. In Proceedings of the IEEE International
Conference on Fuzzy Systems (FUZZ) and the IEEE World Congress on
Computational Intelligence (IEEE WCCI), pp. 579-586.
Herawati, F., & Andrajati, R. 2011. Pedoman Interpretasi Data klinik. Jakarta:
Kementrian Kesehatan Republik Indonesia.
Jordan, P. Green, L.N. Thomas, C. Holm, S. 2014. TBI-Doc: Generating Patient &
Clinical Reports from brain imaging data. Proceedings of the 8th International
Natural Laguage Generation Conference(INLG), pp.143-146.
Labbe, C., Roncancio, C., & Bras, D. 2015. A personal storytelling about your favorite
data. Proceedings of the 15th European Workshop on Natural Language
Generation (ENLG), pp.166-174.
Molina, M., Soriano, S.S., & Corcho, O. 2016. Using Open Geographic Data to Generate
Natural Language Descriptions for Hydrological Sensor Networks. Department of
Artificial Intelligence, Technical University of Madrid, Spain.
Pratomo, W. & Barmawi, A.M. 2016. Performing chart interpretation using lexical
selection in Indonesian language. Informatics Engineering, Graduate School of
Telkom Institute of Technology,Indonesia.
Reiter, E., & Dale, R. 2000. Building Natural Language Generation System. Cambridge
University Press : Cambridge.
Schneider, A., Vaudry, P., Mort, A., Mellish, C., Reiter, E., and Wilson, P. 2013. MIME -
NLG in Pre-hospital Care. In Proceedings of 14th European Natural Language
Generation Workshop (ENLG), pp 152–156.
Sevens, L., Vandeghinste., Schurman, I. & Eynde, F.V. 2015. Natural Language
Generation from Pictographs. Proceedings of the 15th European Workshop on
Natural Language Generation (ENLG), pp. 71-75.
Tinker & Miles.A. 1983. Legibility of Print. Iowa: Iowa State University Press, pp. 5-7
Lampiran 1
Dokumen Hasil Pemeriksaan Kimia Darah Diujikan ke Sistem
PT MULTIFILING MITRA
NAMA : T.D.
No.LAB : 4
TGL LAHIR : 04/03/1979
SEX : P
TANGGAL : 01 FEBRUARI 2016
KIMIA
DIABETES
Glukosa Puasa 86 70 - 180 mg/dl
FUNGSI HATI
SGOT 24 W : ≤ 31 u/l P : ≤ 35 u/l
SGPT 26 W : ≤ 34 u/l P : ≤ 45 u/l
FUNGSI GINJAL
Ureum 90 10 - 50 mg/dl
Creatinine 1.1 W : 0.5 - 1.1 mg/dl P : 0.6 - 1.4 mg/dl
Asam Urat 5.2 P : 3.5 - 7.2 W : 2.9 - 5.2 mg /dl
LEMAK
Cholesterol Total 290 < 200 mg/dl
HDL Cholesterol 39 W : 35 - 70 mg/dl P : 35 - 55 mg dl
LDL Cholesterol 180 < 130 mg/dl
Trygliserida 200 < 150 mg/dl
IMUNOLOGI
HBsAG NON REAKTIF Negatif
PT MULTIFILING MITRA
NAMA : T.D.
TGL LAHIR : 04/03/1979
No.LAB : 4
SEX : P
TANGGAL : 01 FEBRUARI 2016
KIMIA
DIABETES
Glukosa Puasa 86 70 - 180 mg/dl
FUNGSI HATI
SGOT 24 W : ≤ 31 u/l P : ≤ 35 u/l
SGPT 26 W : ≤ 34 u/l P : ≤ 45 u/l
FUNGSI GINJAL
Ureum 90 10 - 50 mg/dl
Creatinine 1.1 W : 0.5 - 1.1 mg/dl P : 0.6 - 1.4 mg/dl
Asam Urat 5.2 P : 3.5 - 7.2 W : 2.9 - 5.2 mg /dl
LEMAK
Cholesterol Total 290 < 200 mg/dl
HDL Cholesterol 39 W : 35 - 70 mg/dl P : 35 - 55 mg dl
LDL Cholesterol 180 < 130 mg/dl
Trygliserida 200 < 150 mg/dl
IMUNOLOGI
HBsAG NON REAKTIF Negatif
PT MULTIFILING MITRA
NAMA : T.D.
No.LAB : 4
TGL LAHIR : 04/03/1979
SEX : P
TANGGAL : 01 FEBRUARI 2016
KIMIA
DIABETES
Glukosa Puasa 86 70 - 180 mg/dl
FUNGSI HATI
SGOT 24 W : ≤ 31 u/l P : ≤ 35 u/l
SGPT 26 W : ≤ 34 u/l P : ≤ 45 u/l
FUNGSI GINJAL
Ureum 90 10 - 50 mg/dl
Creatinine 1.1 W : 0.5 - 1.1 mg/dl P : 0.6 - 1.4 mg/dl
Asam Urat 5.2 P : 3.5 - 7.2 W : 2.9 - 5.2 mg /dl
LEMAK
Cholesterol Total 290 < 200 mg/dl
LDL Cholesterol 180 < 130 mg/dl
HDL Cholesterol 39 W : 35 - 70 mg/dl P : 35 - 55 mg dl
Trygliserida 200 < 150 mg/dl
IMUNOLOGI
HBsAG NON REAKTIF Negatif
PT MULTIFILING MITRA
NAMA : T.D.
No.LAB : 4
TGL LAHIR : 04/03/1979
SEX : P
TANGGAL : 01 FEBRUARI 2016
KIMIA
DIABETES
Glucose 86 70 - 180 mg/dl
FUNGSI HATI
SGOT 24 W : ≤ 31 u/l P : ≤ 35 u/l
SGPT 26 W : ≤ 34 u/l P : ≤ 45 u/l
FUNGSI GINJAL
Ureum 90 10 - 50 mg/dl
Creatinine 1.1 W : 0.5 - 1.1 mg/dl P : 0.6 - 1.4 mg/dl
Asam Urat 5.2 P : 3.5 - 7.2 W : 2.9 - 5.2 mg /dl
LEMAK
Cholesterol Total 290 < 200 mg/dl
HDL Cholesterol 39 W : 35 - 70 mg/dl P : 35 - 55 mg dl
LDL Cholesterol 180 < 130 mg/dl
Trygliserida 200 < 150 mg/dl
IMUNOLOGI
HBsAG NON REAKTIF Negatif
CONWOOD
NAMA : R.A.
No.LAB : 04
TGL LAHIR : 10/19/1991
JENIS KELAMIN : LAKI-LAKI
TANGGAL : 01 OKTOBER 2016
CONWOOD
TGL LAHIR : 10/19/1991
No.LAB : 04
NAMA : R.A.
JENIS KELAMIN : LAKI-LAKI
TANGGAL : 01 OKTOBER 2016
CONWOOD
NAMA : R.A.
No.LAB : 04
TGL LAHIR : 10/19/1991
JENIS KELAMIN : LAKI-LAKI
TANGGAL : 01 OKTOBER 2016
CONWOOD
NAMA : R.A.
No.LAB : 04
TGL LAHIR : 10/19/1991
JENIS KELAMIN : LAKI-LAKI
TANGGAL : 01 OKTOBER 2016
CONWOOD
NAMA : D.S.
No.LAB : 01
TGL LAHIR : 01/09/1993
JENIS KELAMIN : LAKI-LAKI
TANGGAL : 03 OKTOBER 2016
CONWOOD
TGL LAHIR : 01/09/1993
No.LAB : 01
NAMA : D.S.
JENIS KELAMIN : LAKI-LAKI
TANGGAL : 03 OKTOBER 2016
CONWOOD
NAMA : D.S.
No.LAB : 01
TGL LAHIR : 01/09/1993
JENIS KELAMIN : LAKI-LAKI
TANGGAL : 03 OKTOBER 2016
CONWOOD
NAMA : D.S.
No.LAB : 01
TGL LAHIR : 01/09/1993
JENIS KELAMIN : LAKI-LAKI
TANGGAL : 03 OKTOBER 2016
PT. CONWOOD
NAMA : S.A.
No.LAB : 13
TGL LAHIR : 06/15/1984
SEX : W
TANGGAL : 04 MARET 2016
PT. CONWOOD
NAMA : S.A.
No.LAB : 13
SEX : W
TGL LAHIR : 06/15/1984
TANGGAL : 04 MARET 2016
PT. CONWOOD
NAMA : S.A.
No.LAB : 13
TGL LAHIR : 06/15/1984
SEX : W
TANGGAL : 04 MARET 2016
PT. CONWOOD
NAMA : S.A.
No.LAB : 13
TGL LAHIR : 06/15/1984
SEX : W
TANGGAL : 04 MARET 2016
Lampiran 2
1. Jumlah Asam Urat pasien mengalami kenaikan signifikan dari batas normal. Asam Urat
pasien mengalami kenaikan dari batas normal. Konsentrasi Asam urat pasien melebihi
batas normal. Kadar Asam Urat melewati batas normal. Elemen Asam Urat mengalami
kanikan. Kadar Asam Urat terlalu banyak dalam darah.
2. Jumlah cholestrol pasien mengalami kenaikan signifikan dari batas normal. cholestrol
pasien mengalami kenaikan dari batas normal. Konsentrasi cholestrol pasien melebihi
batas normal. Kadar cholestrol melewati batas normal. Elemen cholestrol mengalami
kenanikan. Kadar cholestrol terlalu banyak dalam darah.
3. Jumlah Kreatinin pasien mengalami Kenaikan signifikan dari batas normal. Kreatinin
pasien mengalami kenaikan dari batas normal.Konsentrasi kreatinin serum meningkat
pada gangguan fungsi ginjal baik karena disebabkan oleh nefritis, penyumbatan saluran
urin, penyakit otot atau dehidrasi akut. Konsentrasi Kreatinin pasien kelebihan dari batas
normal. Kadar Kreatinin melewati batas normal. Elemen Kreatinin mengalami kenaikan.
Kadar Kreatinin terlalu banyak dalam darah. Kreatinin pasien mengalami kenaikan dari
batas normal. Konsentrasi kreatinin serum menurun akibat distropi otot, atropi, malnutrisi
atau penurunan masa otot akibat penuaan.
4. Kadar glukosa puasa mengalami kenaikan dari batas normal. Peningkatan gula darah
(hiperglikemia) atau intoleransi glukosa dapat menyertai penyakit cushing, stres akut,
feokromasitoma, penyakit hati kronik, defisiensi kalium, penyakit yang kronik, dan
sepsis.
5. Jumlah Glukosa pasien mengalami kenaikan signifikan dari batas normal. Glukosa pasien
melebihi dari batas normal. Konsentrasi Glukosa pasien mengalami kenaikan. Kadar
Glukosa melewati batas normal. Elemen Glukosa mengalami kenaikan. Kadar Glukosa
terlalu banyak dalam darah. Glukosa pasien mengalami kenaikan dari batas normal.
6. HBSAG menunjukkan tanda reaktif. HBSAG mengalami ketidaknormalan. HBSAG
positif menandakan adanya tanda kerusakan pada hati(hepatitis) serta menandakan ifeksi
VHB aktif.
7. Jumlah HDL Cholestrol pasien mengalami kenaikan signifikan dari batas normal. HDL
Cholestrol pasien mengalami Kelebihan dari batas normal. Konsentrasi HDL Cholestrol
pasien melewati batas normal. Kadar HDL melebihi batas normal. Elemen HDL
mengalami kenaikan. Kadar HDL terlalu banyak dalam darah.
8. Jumlah LDL Cholestrol pasien mengalami kenaikan signifikan dari batas normal. LDL
Cholestrol pasien mengalami Kelebihan dari batas normal. Konsentrasi LDL Cholestrol
pasien melewati batas normal. Kadar LDL melebihi batas normal. Elemen LDL
mengalami kenaikan. Kadar LDL terlalu banyak dalam darah.
9. Peningkatan kadar SGOT (Serum Glutamic Oxaloasetik Transaminase) dapat terjadi pada
MI, penyakit hati, pankreatitis akut, trauma, anemia hemolitik akut, penyakit ginjal akut,
luka bakar parah dan penggunaan berbagai obat, misalnya: isoniazid, eritromisin,
kontrasepsi oral. Kadar SGOT pasien mengalami peningkatan di atas nilai normal.
10. Peningkatan kadar SGPT (Serum Glutamic Piruvate Transaminase) dapat terjadi pada
penyakit hepatoseluler, sirosis aktif, obstruksi bilier dan hepatitis. Peningkatan kadar
SGPT dapat meningkat pada keadaan obesitas, preeklamsi berat, Acute Lymphoblastic
Leukemia (ALL).Kadar SGPT pasien mengalami peningkatan signifikan dari batas
normal. Kadar SGPT pasien mengalami peningkatan dari batas normal. Kadar SGPT
mengalami penurunan dari batas normal.
11. Kadar Trigliserida pasien mengalami peningkatan signifikan. Kadar Trigliserida pasien
mengalami kenaikan. Kadar Trigliserida pasien mengalami peningkatan dari batas
normal. Terdapat keabnormalan terhadap Trigliserida pasien karena berada di atas batas
normal.
12. Jumlah Trigliserida pasien mengalami peningkatan signifikan dari batas normal.
Trigliserida pasien berlebih dari batas normal. Konsentrasi Trigliserida pasien mengalami
kenaikan dari batas normal. Kadar Trigliserida tidak mencapai batas normal. Elemen
Trigliserida mengalami peningkatan. Kadar Trigliserida terlalu banyak dalam darah.
13. Jumlah Ureum pasien mengalami Peningkatan signifikan dari batas normal. Ureum
pasien mengalami kenaikan dari batas normal. Konsentrasi Ureum pasien berlebih dari
batas normal. Kadar Ureum melebihi batas normal. Elemen Ureum mengalami kenaikan.
Kadar Ureum terlalu banyak dalam darah.
Lampiran 3
Data Hasil Pengujian Unit Proses
Meningkat ={ CholestrolTotal,
LDL.}
Meningkat ={ CholestrolTotal,
LDL.}
Meningkat ={ CholestrolTotal,
LDL.}
Meningkat ={ CholestrolTotal,
LDL.}
Lampiran 4
KUESIONER
Lampiran 4
Format Kuesioner
1 2 3 4 5
B. Apakah teks ringkasan di atas sudah jelas penyampaiannya dalam memberikan informasi mengenai
hasil pemeriksaan kimia darah pasien?
1 2 3 4 5
C. Apakah teks ringkasan di atas sudah tepat disampaikan untuk memberikan informasi mengenai hasil
pemeriksaan kimia darah pasien?
1 2 3 4 5
1 2 3 4 5
B. Apakah teks ringkasan di atas sudah jelas penyampaiannya dalam memberikan informasi mengenai
hasil pemeriksaan kimia darah pasien?
1 2 3 4 5
C. Apakah teks ringkasan di atas sudah tepat disampaikan untuk memberikan informasi mengenai hasil
pemeriksaan kimia darah pasien?
1 2 3 4 5
C. Apakah teks ringkasan di atas sudah tepat disampaikan untuk memberikan informasi mengenai hasil
pemeriksaan kimia darah pasien?
1 2 3 4 5
1 2 3 4 5
C. Apakah teks ringkasan di atas sudah tepat disampaikan untuk memberikan informasi mengenai hasil
pemeriksaan kimia darah pasien?
1 2 3 4 5
Teks ringkasan:
Kadar Ureum mengalami kenaikan dari batas normal.
Lampiran 5
Hasil Kuesioner