Interpretasi Hasil Pemeriksaan Laboratorium Kimia Darah Dengan Trigram Algorithm

INTERPRETASI HASIL PEMERIKSAAN LABORATORIUM KIMIA
DARAH DENGAN TRIGRAM ALGORITHM
SKRIPSI
JUNIANTO
131402110
PROGRAM STUDI TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2018
Universitas Sumatera Utara

INTERPRETASI HASIL PEMERIKSAAN LABORATORIUM KIMIA
DARAH DENGAN TRIGRAM ALGORITHM
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Sarjana Teknologi Informasi
JUNIANTO
131402110
PROGRAM STUDI TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2018

ii

iii
PERNYATAAN
INTERPRETASI HASIL PEMERIKSAAN KIMIA DARAH DENGAN
TRIGRAM ALGORITHM
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 06 Februari 2018
JUNIANTO
131402110

iv
UCAPAN TERIMA KASIH
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.
Ucapan terima kasih penulis sampaikan kepada:
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

v
penulis sehingga penulis mampu menyelesaikan penelitian ini, Separuh Jiwaku

Widya Eka Sandri.
10. Sahabat yang senantiasa mendukung Priyanka S.Kom, Novira Naili Ulya Siregar,
Iin Leo yang selalu memberikan dukungan, mendengar keluh kesah saat pengerjaan
skripsi ini, menampung segala hal cerita yang lagi senang, bahagia, sedih,
memberikan nasehat dan sebagai saudara yang berbeda orangtua.
11. Sahabat seperjuangan dalam pengerjaan skripsi Deby Aprilia Sihombing, Odysius
Bhudistiani Anwar yang bersama berjuang setiap hari untuk menyelasaikan tugas
akhir kami.
12. BPH & Koor Himatif tahun 2016/2017 yang selalu menghibur penulis pada saat
senang dan susah.
13. Teman-teman Teknologi Informasi USU terkhusus angkatan 2013 yang selalu
memberi semangat kepada penulis.
14. Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat
penulis ucapkan satu persatu yang telah membantu penyelesaian skripsi ini.
Semoga Allah SWT melimpahkan berkah kepada semua pihak yang telah
memberikan bantuan, perhatian, serta dukungan kepada penulis dalam menyelesaikan
skripsi ini.
Medan, 06 Februari 2018
Penulis

vi
ABSTRAK
Pemeriksaan laboratorium klinik atau laboratorium medis adalah pemeriksaan laboratorium

dimana berbagai macam tes dilakukan pada spesimen biologis untuk mendapatkan informasi
tentang kesehatan pasien. Pemeriksaan laboratorium kimia darah merupakan salah satu
pemeriksaan laboratorium yang paling sering dilakukan dalam tahapan awal pemeriksaan dan
salah satu pertimbangan para dokter dalam mendiagnosis suatu penyakit. Pada penerapannya
hasil pemeriksaan kimia darah biasanya direpresentasikan dalam laporan disajikan dalam
bentuk tabel berisikan nama substansi yang sebagian di tulis dalam singkatan, hasil positif atau
negatif dan angka–angka yang dilengkapi dengan satuannya namun tanpa disertakan dengan
penjelasan tekstual (seperti : Glukosa darah: 94mg/dL , Albumin: 2.5g/dL, Blood Urea
Nitrogen (BUN): 94mg/dL). Hal ini menyebabkan hasil laboratorium kimia darah
membutuhkan waktu dan sulit untuk dapat dimengerti oleh dokter dan petugas medis yang
kurang memiliki pengetahuan di bidang ini, sehingga mereka tidak mengerti informasi apa
yang terkandung didalamnya. Oleh karena itu, dibutuhkannya sistem yang dapat
menginterpretasi hasil lab kimia darah ke dalam laporan berbentuk tekstual atau narasi agar
membantu para dokter muda dan petugas medis. Pada penelitian ini sistem menggunakan
metode Trigram Algorithm dalam membangun kalimat interpretasi. Sebelum kalimat
dibangun, data terlebih dahulu di proses melalui tahapan Data Extraction, Data Processing
dan kemudian data menuju proses Text Generation. Setelah dilakukan pengujian terhadap
dokter muda dan petugas medis, berdasarkan survey yang dilakukan tingkat naturalness
sistem mencapai 80% hingga 88%.
Kata kunci : Pemeriksan laboratorium kimia darah, NLG, Data Extraction, Data Processing,
Text Generation, Trigram algorithm, Naturalness.

vii
INTERPRETATION OF BLOOD CHEMISTRY
WITH TRIGRAM ALGORITHM
ABSTRACT
Clinical laboratory or medical laboratory examination is a laboratory examination where

various tests are performed on biological specimens to obtain information about the patient's
health. A blood chemistry laboratory examination is one of the most commonly performed
laboratory tests in the early stages of examination and one of the doctors considerations in
diagnosing a disease. In its application the results of blood chemistry examinations are usually
represented in the report presented in the form of a table containing the name of the substance
which is partially written in abbreviations, positive or negative results and figures equipped
with the unit but without the textual explanation (such as: Blood glucose: 94mg / dL,
Albumin: 2.5g / dL, Blood Urea Nitrogen (BUN): 94mg / dL). This causes the blood
chemistry laboratory results to be poorly understood by young doctors and medical personnel
who lack knowledge in this field, so they do not understand what information is contained
therein. Therefore, the need for a system that can interpret the blood chemistry lab results into
textual or narrative reports to help young doctors and medical personnel. In this research the
system uses Trigram Algorithm method in constructing interpretation sentences. Before the
sentence is built, the data first in the process through the stages of Data Extraction, Data
Processing and then data to the Text Generation process. After testing of young doctors and
medical officers, based on a survey conducted naturalness rate system reached 80% to 88%.
Keyword: Chemical Clinic Test, NLG, Data Extraction, Data Processing, Text Generation,
Trigram algorithm, Naturalness.

viii
DAFTAR ISI
Halaman
Persetujuan ii
Pernyataan iii
Ucapan Terima Kasih iv
Abstrak vi
Abstract vii
Daftar Isi viii
Daftar Tabel xi
Daftar Gambar xii
Bab 1 Pendahuluan
1.1 Latar Belakang 1
1.2 Rumusan Masalah 3
1.3 Batasan Masalah 4
1.4 Tujuan Penelitian 4
1.5 Manfaat Penelitian 4
1.6 Metodologi Penelitian 5
1.7 Sistematika Penulisan 6

ix
Bab 2 Landasan Teori
2.1 Natural Language Generation (NLG) 7
2.2 Pemeriksaan Kimia Darah (kimia klinik) 10
2.3 Trigram 15
2.4 Apache POI 16
2.6 Penelitian Terdahulu 16
Bab 3 Analisis dan Perancangan Sistem
3.1 Arsitektur Umum 20

3.1.1 Input 21
3.1.2. Proses 22
3.1.2.1 Data Extraction 22
3.1.2.2 Data Processing 25
3.1.2.3 Text Generation 28
3.2.3. Output 34
3.3 Perancangan Sistem 36
Bab 4 Implementasi dan Pengujian
4.1 Implementasi Sistem 38
4.1.1 Spesifikasi Perangkat Keras dan Perangkat Lunak 38
4.1.2 Implementasi Perancangan Antarmuka 39
4.1.3 Implementasi Data 39

x
4.2 Prosedur Operasional 40
4.3 Pengujian Unit Proses 45
4.3.1 Data Extraction 45
4.1.2 Data Processing 47
4.1.3 Sentence Generation 51
4.4 Pengujian Sistem 59
Bab 5 Kesimpulan dan Saran
5.1 Kesimpulan 60
5.2 Saran 61
Daftar Pustaka 62
Lampiran 63

xi
DAFTAR TABEL
Halaman
Tabel 2.1 Penelitian Terdahulu 18

Tabel 3.1 Aturan Penentuan Status Elemen Kimia Darah 26

xii
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

xiii
Gambar 4.9 Identitas pada Uji Unit Proses 46
Gambar 4.10 Hasil Ekstraksi Data sampel 47

Gambar 4.11 Grafik Hasil Pengujian Data Processing 48
Gambar 4.12 Hasil Ekstraksi Dokumen dengan Format Sesuai 49
Gambar 4.13 Hasil Ekstraksi Dokumen Sampel 49
Gambar 4.14 Hasil Data Processing Dokumen Sampel 50
Gambar 4.15 Grafik Hasil Pengujian Text Generation 51
Gambar 4.16 Kalimat Hasil Interpretasi Gambar 4.14 52
Gambar 4.17 Grafik Penilaian Naturalness oleh Dokter 54
Gambar 4.18 Grafik Penilaian Naturalness oleh Petugas Medis 55

BAB 1
PENDAHULUAN
1.1 Latar Belakang
Pemeriksaan laboratorium klinik atau laboratorium medis ialah pemeriksaan laboratorium

dimana berbagai macam tes dilakukan pada spesimen biologis untuk mendapatkan
informasi tentang kesehatan pasien. Pemeriksaan laboratorium kimia darah merupakan
salah satu pemeriksaan laboratorium yang paling sering dilakukan dalam tahapan awal
pemeriksaan dan salah satu pertimbangan para dokter dalam mendiagnosis suatu penyakit
(Herawati et al, 2011). Pemeriksaan kimia darah adalah pemeriksaan yang dilakukan
terhadap darah untuk mengetahui kadar substansi-substansi terlarut yang terdapat dalam
darah seperti ph, analisa gas darah, PCO2, PO2, BUN, glukosa dan lain sebagainya.
Adapun beberapa jenis pemeriksaan kimia darah antara lain: fungsi hati, fungsi ginjal,
kolestrol dan metabolisme karbohidrat / gula darah.
Pada penerapannya hasil pemeriksaan kimia darah biasanya direpresentasikan
dalam bentuk tabel yang berisikan nama substansi yang sebagian ditulis dalam singkatan,
hasil positif atau negatif dan angka–angka yang dilengkapi dengan satuannya namun
tanpa disertakan dengan penjelasan tekstual (seperti : Glukosa darah: 94mg/dL , Albumin:
2.5g/dL, Blood Urea Nitrogen (BUN): 94mg/dL).

2
Hal ini menyebabkan hasil pemeriksaan laboratorium kimia darah membutuhkan

waktu dan sulit dimengerti oleh dokter dan petugas medis yang kurang memiliki
pengetahuan di bidang ini, sehingga mereka tidak mengerti informasi apa yang
terkandung di dalamnya. Oleh karena itu, dibutuhkan sistem yang dapat
menginterpretasi hasil laboratorium kimia darah ke dalam laporan berbentuk tekstual
atau narasi agar membantu para dokter dan petugas medis.
Sudah banyak penelitian yang berfokus pada pengiterpretasian data menjadi

bentuk tekstual atau narasi, seperti yang dilakukan oleh Eugiono, et al (2014),
Mahapatra et al,(2016) dan Pratomo,et al (2015) serta 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 (Reither & Dale, 2000).
Eugiono, et al (2014) membuat NLG sistem yang untuk menciptakan ringkasan

naratif dari data catatan singkat yang ditulis oleh dokter dan dokumentasi struktural
perawat (rencana perawatan kepada pasien) terhadap pasien penderita sakit jantung
yang telah melakukan rawat inap. Pembuatan ringkasan naratif ini berguna untuk
membantu pasien agar dapat merawat diri sendiri setelah mereka habis rawat inap dan
sebagai pendekataan untuk memberikan edukasi kepada pasien tentang perawatan apa
yang dilakukan kepada pasien selama proses rawat inap.
Pratomo,et al (2015) membuat suatu NLG sistem untuk membuat interpretasi

berbentuk naratif dari gambar grafik yang di ekstraksi untuk mendapatkan beberapa
informasi dari grafik input seperti legenda, judul, dan pola grafik yang kemudian di
segmentasi dan dibandingkan dengan Knowledge base untuk mendapatkan seed
words. Setelah seed words terbentuk, maka selanjutnya seed words akan di proses
sebagai pemicu pembangkitan kalimat yang akan di tampilkan pada hasil. Pada
penelitiannya seed words dipilih manual oleh user untuk memilih kalimat apa yang

3
ingin di bentuk dengan menggunakan Bigram algorithm dalam pembentukan kalimat

naratif kesimpulan grafik
Mahapatra, et al (2016) mencoba beberapa algoritma untuk diterapkan dalam

NLG dan mengajukan algoritma baru. Dalam penelitiannya dia mencoba beberapa
algoritma dan membandingkan dengan algoritma yang diajukannya. Berdasarkan uji
coba, algoritma yang diajukan menunjukkan hasil yang cukup baik.
Wijaya(2017) membuat suatu NLG sistem untuk menginterpretasikan hasil

pemeriksaan hematologi. Pada penelitianya wijaya menggunakan template-based
sebagai Text-Generator yang melewati beberapa proses. Proses yang dilakukan wijaya
diantaranya Data Extraction, Data Processing, Data Structuring, micro-planning, dan
Report Generation.
Berdasarkan latar belakang tersebut yang didukung beberapa penelitian terdahulu

maka penulis mengajukan proposal penelitian yang berjudul “Intepretasi Hasil
Pemeriksaan Laboratorium Kimia Darah dengan Trigram Algorithm”.
1.2 Rumusan Masalah
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.

4
1.3 Batasan Masalah
Agar penelitian ini lebih terfokuskan pada proses intepretasi data, maka dalam
melakukan penelitian akan dibatasi pada hal-hal pokok sebagai berikut:
1. Sistem hanya menginterpretasi data kimia darah tanpa melakukan diagnosis.
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.
4. Sistem ini ditujukan untuk dokter dan para petugas medis.
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
1.4 Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk menginterpretasikan hasil pemeriksaan kimia
darah dengan mengimplementasikan Trigram Algorithm dalam proses pembentukan
hasil interpretasi dalam bentuk naratif.
1.5 Manfaat Penelitian
Hasil dari penelitian ini diharapkan dapat memberikan manfaat, yaitu
1. Dapat membantu dokter dan petugas medis dalam melakukan interpretasi dan
pembuatan laporan hasil laboratorium kimia darah.
2. Sebagai referensi untuk penelitian Natural Language Generation dan Trigram

Algorithm.

5
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
Pada tahapan selanjutnya penulis menganalisis permasalahan dari informasi yang

didapat pada tahapan sebelumnya agar diperoleh metode yang tepat untuk
mengatasi masalah dalam penelitian ini. Kemudian melakukan perancangan
sistem yang sesuai dari hasil analisis permasalahan yang telah dilakukan.
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.

6
1.7 Sistematika Penulisan

Sistematika dari penulisan skripsi ini terdiri dari lima bagian, yaitu :
Bab 1 : Pendahuluan
Bab ini membahas tentang latar belakang, rumusan masalah, batasan masalah, tujuan
penelitian, manfaat penelitian, metodologi penilitian dan sistematika penelitian.
Bab 2 : Landasan Teori

Bab ini berisi tentang teori-teori penunjang yang digunakan untuk dapat memahami
permasalahan dari penelitian ini yaitu teori tentang Kimia Klinik, NLG(Natural
Language Generation), Probabilistic context free grammar, Trigram Algorithm,
Corpus dan juga tentang penelitian terdahulu.
Bab 3 : Analisis dan Perancangan

Bab ini berisi tentang analisis dari arsitektur umum dan metode yang digunakan dan
penerapannya dalam pembuatan sistem untuk menginterpretasi hasil pemeriksaan
kimia darah.
Bab 4 : Implementasi dan Pengujian

Bab ini berisi tentang implementasi dari analisis dan perancangan sistem yang telah
dilakukan sebelumnya serta membahas tentang pengujian terhadap sistem yang telah
dibangun.
Bab 5 : Kesimpulan dan Saran

Bab ini berisi tentang kesimpulan dari keseluruhan penelitian yang telah dilakukan
dan saran yang diajukan untuk pengembangan untuk penelitian selanjutnya.

BAB 2
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.
2.1 Natural Language Generation (NLG)
NLG atau Natural Language Generation merupakan metode untuk menghasilkan teks
yang dapat dipahami manusia berdasarkan input non-teks (Kondadadi,2013).
NATURAL LANGUAGE GENERATION (NLG) adalah subfield atau bagian dari

kecerdasan buatan dan linguistik komputasi yang berfokus pada sistem komputer yang
bisa menghasilkan teks yang dimengerti dalam bahasa Inggris atau bahasa manusia
lainnya. Biasanya dimulai dari beberapa informasi nonlinguistik sebagai input, sistem
NLG menggunakan pengetahuan tentang bahasa dan domain aplikasi untuk secara
otomatis menghasilkan dokumen, laporan, penjelasan, pesan bantuan, dan jenis teks
lainnya (Reiter & Dale, 2000).
Arsitektur umum sistem NLG dapat digambarkan seperti pada gambar 2.1 (Reither &
Dale, 2000).

8
Gambar 2.1. Arsitektur Umum Sistem NLG Menurut Reither & Dale (2000)
Berikut adalah penjelasan dari arsitektur umum sistem NLG menurut Reither & Dale
(2000):
1. Communicative goal adalah sesuatu informasi yang digunakan untuk

menentukan tujuan atau keluaran yang dihasilkan.
2. Document planner atau Document planning adalah proses menentukan isi

dan struktur dari sebuah dokumen. Proses ini bertanggung jawab untuk
memutuskan informasi apa yang akan dikomunikasikan dan menentukan
bagaimana informasi ini terstruktur untuk dipresentasikan. Ada dua tugas
yang dilakukan pada proses ini yaitu:

9
a. Content determination adalah tugas yang bertanggung jawab untuk

memilih informasi mana dari data input yang harus ditampilkan pada
hasil akhir. Tugas yang dilakukan yaitu menyaring dan menganalisis
data input untuk memilih informasi yang paling penting (Aires, 2016).
Proses ini juga melakukan pemotongan informasi menjadi potongan –
potongan konten.
b. Document structuring adalah tugas memutuskan bagaimana potongan

konten harus dikelompokan dalam dokumen dan bagaimana potongan
konten yang berbeda harus saling dikaitkan atau dihubungkan.
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.
3. Microplanner atau Microplanning adalah proses yang menerima input

berupa document plan dan melakukan penyempurnaan untuk menghasilkan
teks spesifik yang lebih rinci lalu akan dikirimkan ke proses surface realiser.
Ada tiga tugas yang dilakukan pada tahap ini:
a. Lexicalisation merupakan proses untuk memutuskan apa kata – kata

spesifik yang harus digunakan untuk mengekspresikan konten yang
dipilih dari proses Content determination. Proses ini juga melakukan
konstruksi sintaksis dan mark-up anotasi yang digunakan untuk
mengkomunikasikan informasi yang di-encoded dalam document plan.
b. Referring Expression Generation menentukan ekspresi apa yang harus

digunakan untuk mengidentifikasi entitas domain tertentu pada
penggunaannya didalam suatu kalimat.
c. Aggregation memutuskan berapa banyak informasi yang harus

dikomunikasikan di setiap kalimat dokumen. Tidak semua pesan atau
informasi perlu diungkapkan dalam kalimat terpisah, dengan

10
menggabungkan beberapa pesan menjadi satu kalimat lebih berpotensi

bahwa teks akan yang dihasilkan lebih mudah dibaca (Gatt &
Krahmer, 2017).
Output dari proses microplanning adalah text specification. Text specification

adalah spesifikasi frase–frase untuk intepretasi suatu dokumen namun belum
terstruktur.
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:
a. Linguistic Realisation yaitu tugas mengkonversi representasi kalimat

abstrak menjadi teks yang sesungguhnya.
b. Structure realisation yaitu tugas mengubah struktur abstrak menjadi

seperti paragraf.
Output pada proses ini adalah teks yang sudah dapat digunakan untuk diintepretasikan
kedalam dokumen laporan dan sebagainya.
2.2 Pemeriksaan Kimia Darah (Kimia Klinik)
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).
Pemeriksaan laboratorium yang berdasarkan pada reaksi kimia dapat digunakan

darah, urin atau cairan tubuh lain. Terdapat banyak pemeriksaan kimia darah di dalam
laboratorium klinik antara lain uji fungsi hati, otot jantung, ginjal, lemak darah, gula

11
darah, fungsi pankreas, elektrolit dan dapat pula dipakai beberapa uji kimia yang
digunakan untuk membantu diagnosis(Biomedika, 2012).
Adapun penjelasan masing masing uji fungsi menurut Biomedika :
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)

12
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

13
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.

14
-
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

15
C. LDL
- Mengisi Hampir sebagian besar kolestrol tubuh. Kadar LDL yang tinggi
dapat meningkatkan resiko penyakit jantung dan stroke.
D. Trigliserida
- Trigliserida ditemukan dalam plasma lipid dalam bentuk kilomikron dan
VLDL (very low density lipoproteins). (Herawati & Andrajati, 2011).
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.
Gambar 2.2 Contoh Trigram

16
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.
2.4 Apache POI
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.
2.5 Penelitian terdahulu
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).
Eugiono, et al (2014) membuat NLG sistem yang untuk menciptakan ringkasan

naratif dari data catatan singkat yang ditulis oleh dokter dan dokumentasi struktural
perawat (rencana perawatan kepada pasien) terhadap pasien penderita sakit jantung yang
telah melakukan rawat inap. Pembuatan ringkasan naratif ini berguna untuk membantu
pasien agar dapat merawat diri sendiri setelah mereka habis rawat inap dan sebagai
pendekataan untuk memberikan edukasi kepada pasien tentang perawatan apa yang
dilakukan kepada pasien selama proses rawat inap.

17
Pratomo,et al (2015) membuat suatu NLG sistem untuk membuat interpretasi

berbentuk naratif dari gambar grafik yang di ekstraksi untuk mendapatkan beberapa
informasi dari grafik input seperti legenda, judul, dan pola grafik yang kemudian di
segmentasi dan dibandingkan dengan Knowledge base untuk mendapatkan seed words.
Setelah seed words terbentuk, maka selanjutnya seed words akan di proses sebagai
pemicu pembangkitan kalimat yang akan di tampilkan pada hasil. Pada penelitiannya seed
words dipilih manual oleh user untuk memilih kalimat apa yang ingin di bentuk dengan
menggunakan Bigram algorithm dalam pembentukan kalimat naratif kesimpulan grafik.
Molina,et al (2015) menjelaskan bagaimana deskripsi tekstual dapat dihasilkan

untuk sensor, dengan fokus pada referensi geografis. Masalah ini terkait dengan masalah
yang lebih umum disebut reference expression generation, seperti yang didefinisikan oleh
komunitas NLG. Sifat spasial dari jaringan sensor geografis membuat masalah ini
berbeda dari pendekatan umum lainnya. Misalnya, perlu menggunakan pengetahuan
geografis yang terperinci dan beragam (seperti koordinat, tempat, jarak, formasi alami,
dll.), Yang tidak selalu mudah didapat dan diproses. Namun, meningkatnya ketersediaan
informasi geografis di Web (misalnya, OpenStreetMap, Geonames, dll.) Dalam beberapa
tahun terakhir merupakan solusi alternatif potensial untuk masalah ini. Pada penelitian ini
mereka menggunakan Template-based. Pada awalnya seluruh data sensor akan di
kumpulkan sesuai dengan koordinat dan tipe sensornya. Kemudian data akan dikirim
menuju server dengan sistem NLG, di server ini data kemudian di ekstrak datanya
berdasarakan open geographic data antara lain: Open Street map, Geonames, DB
Pedia,Panoramio. Selanjutnya hasil ekstraksi berupa data geografis dikirim kembali pada
template selection rule kemudain untuk menghasilkan deskripsi tekstual.
Mahapatra, et al (2016) mencoba beberapa algoritma untuk diterapkan dalam

NLG dan mengajukan Algoritma baru.Dalam penelitiannya dia mencoba beberapa
algoritma dan membandingkan dengan algoritma yang diajukannya. Berdasarkan uji
coba, algoritma yang diajukan menunjukkan hasil yang cukup baik. Hal ini dapat dilihat
dari 2 jenis hasil uji coba yang dilakukanya. Pertama yaitu uji coba otomatis dengan
menggunakan automatic metric evaluation dengan Bleu score 0,61 dan Meteor score 0,81
sistem yang diajukan mereka medapatkan peringkat 5 kemudian dilakukan Human-Based

18
Evaluation dan hasilnya juga mereka menempati peringkat 5 dari 13 algoritma yang
dicoba.
Wijaya(2017) membuat suatu NLG sistem untuk menginterpretasikan hasil

pemeriksaan hematologi. Pada penelitianya wijaya menggunakan template-based sebagai
Text-Generator yang melewati beberapa proses. Proses yang dilakukan wijaya
diantaranya Data Extraction, Data Processing, Data Structuring, micro-planning, dan
Report Generation.
Wijaya menggenerate kalimat yang di interpretasi dari hasil pemeriksaan

hematologi berformat word, kemudian data tersebut diekstrak dan di proses untuk
mendapatkan nilai nilai yang dibutuhkan. Setelah nilai yang dibutuhkan telah didapatkan
maka data memasuki tahapa data processing. Pada tahap data processing, data diperiksa
apakah statusnya normal, abnormal meningkat , kritis meningkat, abnormal menurun, dan
kritis menurun. Setelah mendapatkan nilai statusnya, kemudian memasuki tahap data
structuring. Pada tahap ini data disusun dan dipersiapkan pesan-pesan apa saja yang akan
disampaikan.kemudian template akan di generate serta slot mana yang akan disubtitusi
pada tahap entity slotting.setelah itu memasuki tahap report generation. Tahap ini
menggabungkan kalimat-kalimat yang telah digenerate menjadi paragraf yang terstruktur.
Penelitian terdahulu yang telah dipaparkan dapat diuraikan secara singkat pada Tabel 2.6.
Tabel 2.1 Penelitian Terdahulu
No. Peneliti Judul Tahun Keterangan

1. Eugiono et al PatientNarr: Towards generating 2014 Membuat Sistem NLG
patient-centric summaries of hospital untuk membentuk
stays ringkasan tekstual
berdasarkan catatan dokter
dan perawat.
3. Pratomo,et al Performing chart interpretation using 2015 Membuat Sistem NLG
lexical selection in Indonesian untuk menginterpretasikan
language grafik menjadi interpretasi
tekstaul menggunakan

19
Bigram Algorithm
4. Molina et al Using Open Geographic Data to 2015 Membuat Sistem NLG

Generate Natural Language untuk membuat deskripsi
Descriptions for Hydrological Sensor tekstual dari data sensor
Networks. menggunakan Template –
Based
5. Mahapatra, et al Statistical Natural Language 2016 Membuat Sistem NLG
Generation from Tabular Non-textual dengan algoritma baru dan
Data melakukan percobaan
dengan Automatic Metric
Evaluation dan Human–
Based Evaluation
6. Wijaya Sistem Ringkasan otomatis untuk 2017 Membuat Sistem NLG
melaporkan hasil pemeriksaan
untuk menginterpretasikan
hematologi pasien dalam bentuk
representasi tekstual hasil pemeriksaan
hematologi dengan metode
Template-Based

BAB 3
ANALISIS DAN PERANCANGAN SISTEM
3.1. Arsitektur Umum
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
Expert Knowledge Data Selection
Text Generation
Trigram Algorithm
CORPORA
OUTPUT Laporan Hasil Laboratorium Kimia

Darah serta hasil intepretasi dalam
dokumen PDF
Gambar 3.1. Arsitektur Umum

21
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.
Gambar 3.2. Format Laporan Hasil Penelitian Kimia Darah

22
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.
3.1.2.1 Data Extraction
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.
Dokumen Input Membaca table pada Menyeleksi data

Start Doc/Docx dokumen yang dibutuhkan
Dokumen output Tulis Kedalam

Stop Dokumen output
Res.txt Sesuai dengan format
yang di tentukan
Gambar 3.3 FlowChart Data Extraction

23
Berikut ini merupakan penjelasan dari flowchart pada Gambar 3.3.
1. Membaca tabel pada dokumen.

Proses pertama yang dilakukan adalah membaca tabel pada dokumen. Pada proses
ini dokumen input yang berupa dokumen word yang terdiri dari beberapa table
seperti pada Gambar 3.1. di baca satu persatu menggunakan library Apache POI
berdasarkan row dan cell. Apache POI akan memilah tabel dan memecahnya
menjadi baris baris seperti contoh pada Gambar 3.4. kemudian cell yang terdapat
di dalam row di urutkan dan dapat di akses secara numeric berdasarkan urutan.
Urutan cell yang di terima pada row merupakan urutan yang sama dari kolom
serta kita dapat mengakses data yang terdapat di dalamnya.
Gambar 3.4. Contoh Pembacaan Baris ke 10 Pada Tabel.
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.

24
2. Menyeleksi data yang dibutuhkan.

Setelah mampu membaca table, row, cell serta data di dalamnya seperti yang
penulis sebutkan di poin 1, kemudian data tersebut akan diakses dan di seleksi
apakah data tersebut dibutuhkan oleh sistem atau tidak. Cara seleksi yang
digunakan pada penelitian ini yaitu membaca cell-0 setiap row yang berisi nama
elemen/unsur kemudian periksa apakah elemen tersebut dibutuhkan oleh sistem.
Dalam sebuah entitas dengan beberapa nama berbeda yang dapat ditulis
pada laporan pemeriksaan kimia darah. Sistem akan memeriksa entity dan
membandingkannya dengan nama-nama yang ada pada sistem. Sebagai contoh
Glukosa, glukosa dapat ditulis dengan glucose ataupun glukosa puasa. Ketiga
nama tersebut tetap dapat teridentifikasi oleh sistem seperti yang dapat dilihat
pada Contoh 1. Apabila elemen dibutuhkan oleh sistem maka elemen tersebut
akan disimpan dalam variabel.
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.
3. Tulis kedalam dokumen output sesuai dengan format yang ditentukan.

Setelah nilai-nilai penting tersebut di poin 2 telah diambil maka kemudian tuliskan
nilai nilai tersebut sesuai ke dalam file txt. Nilai ditulis pada file txt dengan format
“Entity”+”:”+”Value”. Ini ditujukan agar pengaksesan nilai entity lebih mudah
dan untuk menghindari terjadinya kesalahan pengambilan nilai. Contoh file
output dapat dilihat pada Gambar 3.5.

25
Gambar 3.5. Contoh File Output.txt
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.
3.1.2.2 Data Processing
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
Start Data Interpretation Data Selection Stop
Gambar 3.6. Alur Proses Data Processing

26
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.
Kemudian nilai status masing masing elemen dimasukkan ke dalam variable

untuk digunakan pada tahap berikutnya. Penentuan status pada elemen berdasarkan
rule/aturan-aturan sebagai berikut.
Tabel 3.1 Aturan Penentuan Status Elemen Kimia Darah
No. Status Aturan

1. Normal Pseudocode 3.1:
Read Value .
Read knowledge.
IF(Value > knowledge_batas_bawah&&Value<knowledge_batas_atas)

Then Status = normal.

27
2. Meningkat Pseudocode 3.2:

Read Value .
Read knowledge.
IF(Value>knowledge_batas_atas)
Then Status = meningkat.
3. Menurun Pseudocode 3.3

Read Value .
Read knowledge.
IF(Value < knowledge_batas_bawah)

Then Status = menurun.
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

28
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.
Contoh 3. Berdasarkan dari contoh 2, Status_Kolestrol = meningkat, list_meningkat

menambahkan kolestrol ke dalam list.
Dari contoh 3 list_meningkat akan menambahkan Kolestrol sebagai anggotanya

dikarenakan kolestrol mengalami peningkata.
3.1.2.3 Text Generation
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.
List input digunakan sebagai generator kalimat interpretasi hasil pemeriksaan

laboratorium kimia darah. Proses Text Generation terdiri dari beberapa proses seperti
pada Gambar 3.7.
Start Status Checking Corpus Determining Tokenization

Normal
Combining sentences Sentences Generation

becoming paragraph First word
with Trigram
Stop and append to Generation
docs/pdf
Gambar 3.7. Alur Proses Text Generation
Berdasarkan FlowChart pada Gambar 3.7. dapat dilihat bahwa Text Generation terdiri
dari 6 proses antara lain:

29
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.
READ list_meningkat, list_menurun,list_normal

IF( list_meningkat.size() == 0 and list_menurun.size() == 0 )
THEN SET kalimat_output = kalimat default
ELSE
THEN RUN next_proses()
Gambar 3.8. Pseudocode Status Checking
Kalimat default adalah kalimat yang sudah disiapkan sebagai kalimat

output apabila semua elemen pemeriksaan kimia darah dalam keadaan normal.
Namun, jika terdapat elemen dengan status abnormal (meningkat atau menurun)
maka list akan memasuki proses selanjutnya.
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

30
meningkat akan menggunakan korpus peningkatan, apabila elemen tersebut

menurun maka akan menggunakan korpus menurun seperti pada pseudocode
Gambar 3.9.
READ List_meningkat, list menurun

FOREACH element IN list_meningkat
SET korpus_URL = Increased/CorpusName.txt
...
FOREACH element IN list_menurun
SET korpus_URL = Decreased/CorpusName.txt
...
Gambar 3.9 Pseudocode Corpus Determining.
Karena pada pembentukan kalimatnya menggunakan corpus masing

masing sehingga kalimat yang di bangun akan berdasarkan korpus yang relevan
dan menghindari kesalahan misinterpretasi.
Contoh 5. Berdasarkan hasil checking di contoh 4 maka kemudian akan dilakukan

pemilihan korpus. Berdasarkan contoh 3 maka salah satu anggota list_meningkat
adalah kolestrol. Sistem akan memilih korpus untuk kolestrol dengan status
meningkat.
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.)

31
READ FILE CorpusName.txt TO StringCorpus
SET List_Corpus = StringCorpus.split(“ “)

FOREACH Member IN List_Corpus
IF LAST CHARACTER OF Member CONTAINS “.” OR “,”
SET temp = LAST CHARACTER OF Member
THEN Member REMOVE LAST CHARACTER
ADD Member TO FinalToken
ADD Temp TO FinalToken
ELSE
ADD Member TO FinalToken
Gambar 3.10. Pseudocode Tokenization.
FinalToken pada Gambar 3.10 merupakan list token akhir yang menjadi
output pada proses ini. FinalToken kemudian akan menjadi input pada proses
selanjutnya.
Contoh 6. Contoh kalimat yang diambil dari korpus sebagai berikut.

Jumlah cholestrol pasien mengalami kenaikan signifikan dari batas normal.
...
cholestrol pasien mengalami kenaikan dari batas normal.
Kemudian kalimat pada contoh 6 dipisah menjadi token yang lebih kecil. Mejadi
seperti contoh 7.
Contoh 7. Jumlah cholestrol pasien mengalami kenaikan signifikan dari batas

normal. Diubah menjadi [“jumlah”, “cholestrol”, “pasien”, “mengalami”,
“kenaikan”, “signifikan”, “dari”, “batas”, “normal”, “.”] dan seterusnya hingga
semua token pada korpus telah dimasukan dalam list token.

32
4. First Word Generation.

Pada Tahapan ke 4 akan dilakukan First Word Generation. Tahapan First Word
Generation akan digunakan untuk mencari kata pertama (Initial Word). Setelah
korpus di tokenisasi pada poin 3 kemudian dibutuhkan kata pertama untuk
mengenerate seluruh kalimat. Adapun proses pada first word generation dapat
dibagi menjadi 2 proses yaitu Get First Word dan Random First Word.
a. Get First word
Proses Get First Word berguna untuk memasukan seluruh kata pertama pada
setiap kalimat. Pada fungsi ini, token yang didapat pada poin 3 akan diseleksi
dan diambil kata pertama setiap kalimat seperti pada Gambar 3.11.
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
Gambar 3.11 Pseudocode Get First Word

Cara yang digunakan adalah setiap kata yang berada setelah tanda “.”
Yang berdiri sendiri pada token, Diasumsikan sebagai kata pertama. Maka
terlebih dahulu periksa posisi ”.” Kemudian ambil kata setelahnya dan
ditambah dengan kata yang paling pertama pada token. Pada proses ini kata
pertama akan disimpan di dalam list.
Contoh 8. First word yang didapatkan [“jumlah”, “kadar”, “cholestrol”,

“kuantitas”, “elemen”, “kadar”, “konsentrasi”, “jumlah”, “kolestrol”]

33
b. Random First Word

Pada fungsi Random First Word ini list yang berisi kata kata pada poin a akan
di acak. Pengacakan dilakukan dengan cara mengacak index tiap kata yang di
dapat dengan merandom angka dari 0 sampai list.size(). Hasil random yang di
dapat kemudian akan menjadi index angka yang akan diambil.
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.
5. Sentence Generation with Trigram Algorithm.

Pada tahapan ini kalimat akan dibangun berdasarkan kata pertama. Setelah sudah
memiliki kata pertama selanjutnya akan mengenerate kata-kata berikutnya dengan
cara:
a. Mencari index dari keyword yang merupakan kata pertama dari poin4 pada
korpus. Mendapatkan index kata pertama pada list menggunakan
IndexOf(“N”) dimana N akan diganti dengan keyword.
Contoh 10. Kata “Konsentrasi” terletak pada token ke 15, 71, dan 86 karena
IndexOf(‘konsentration’)=[15, 71, 86]
b. Setelah mendapatkan index dari Keyword kemudian ambil 2 kata setelahnya.

Ambil kata-kata yang terletak pada index+1 dan index+2.
Contoh 11. Ambil token pada index+1 dan index+2 dari contoh 10. Maka
didapatkan list Trigram [{“konsentrasi”, “kolesterol”, “total”}, {“kosentreasi”,
“kolesterol”, “total”},{“konsentrasi”, “kolesterol”, “meningkat”}].
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.

34
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.

35
Gambar 3.12 Dokumen Ouput.
Pada dokumen output dicantumkan tabel hasil pemeriksaan dan hasil interpretasi
dalam bentuk bahasa indonesia.

36
3.2 Perancangan Sistem
Perancangan sistem pada penelitian ini menggunakan sebuah tampilan utama yang dapat
dilihat pada Gambar 3.13.
Gambar 3.13. Rancangan Tampilan Utama
Berikut ini penjelasan tentang Gambar 3.13.
A. Button Pilih Dokumen

Button ini digunakan untuk memilih dokumen yang akan di interpretasi. Setelah
dokumen dipilih maka data yang terekstrak akan ditampilkan pada Field Data
Pasien.
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

37
C. Field Data Pasien

Field untuk menampilkan data pasien dari dokumen yang telah dipilih.
D. Field Status Elemen
Field yang menampilkan status setiap elemen yang di interpretasi.
E. Field Kalimat Hasil Interpretasi
Field yang menampilkan paragraf hasil interpretasi pemeriksaan laboratorium
kimia darah.
F. Button Save as Doc
Save ke dalam file berekstensi doc pada folder yang dipilih.
G. Button Save as PDF
Save ke dalam file berekstensi doc pada folder yang dipilih.

BAB 4
IMPLEMENTASI DAN PENGUJIAN
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.
4.1. Implementasi Sistem
Pada tahap implementasi sistem, proses untuk menginterpretasikan hasil pemeriksaan

laboratorium kimia darah dimulai dari Data Extraction, Data Interpretation, Data
Selection dan Text Generation dan hingga tahap akhir yaitu penginterpretasian
diimplementasikan kedalam bahasa pemrograman Java dengan perancangan yang telah
dilakukan.
4.1.1. Spesifikasi perangkat keras dan perangkat lunak
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk

membangun sistem ini adalah sebagai berikut:
1. Processor Intel(R) Core(TM) i3-2365M CPU @ 1.40GHz (4 CPUs)
2. Kapasitas hard disk 500GB.
3. Memori RAM yang digunakan 4096 MB.
4. Sistem operasi yang digunakan Microsoft Windows 7 Ultimate.
5. Eclipse IDE Luna Service Release 2 (4.4.2)
6. Library yang digunakan adalah Apache POI 3.16

39
4.1.2. Implementasi Perancangan Antarmuka
Implementasi perancangan antarmuka berdasarkan rancangan sistem yang telah

dibahas pada Bab 3 adalah sebagai berikut :
1. Tampilan Halaman Utama
Halaman Utama merupakan tampilan awal saat sistem pertama kali

dijalankan. Tampilan halaman utama dapat dilihat pada Gambar 4.1.
Tampilan ini merupakan tampila dimana semua fungsi dijalankan
Gambar 4.1. Tampilan halaman menu
4.1.3. Implementasi data
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.).

40
4.2. Prosedur Operasional
Tampilan awal aplikasi merupakan tampilan utam dimana semua proses akan dijalankan
seperti yang ditunjukkan pada Gambar 4.1.
Gambar 4.2 Tampilan halaman Utama
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.

41
Untuk memulai sistem, pertama kita hsrus memilih file input. Memilih file input
dilakukan dengan mengklik tombol pilih dokumen seperti pada gambar 4.3.
Gambar 4.3. Tampilan ketika button pilih dokumen diklik
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.

42
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.

43
Gambar 4.5. Tampilan ketika Dokumen telah selesai diinterpretasi
Setelah data diinterpretasi maka status setiap akan terlihat pada field status element serta
hasil interpretasinya dalam bentuk narasi pada kalimat hasil interpretasi.
Setelah mendapatkan kalimat hasil interpretasi kemudian langkah terakhir yaitu

menyimpan dalam bentuk yang diinginkan. Menyimpan dapat dilakukan dengan cara
menekan button simpan dalam word atau simpan dalam word dapat dilihat pada gambar
4.6.

44
Gambar 4.6. Tampilan Dokumen Akhir
Hasil akhir dapat dilihat bahwa dokumen yang tergenerate adalah dokumen
dengan hasil pemeriksaan ditambah dengan hasil interpretasi kimia darah.

45
4.3. Pengujian Unit Proses
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.
4.3.1. Data Extraction.
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
Hasil Pemeriksaan Kimia darah

6
3
2
0
Normal Perubahan Perubahan Perubahan
Urutan Urutan Elemen Nama dengan
Identitas Kimia Darah sinonim
Gambar 4.7 Grafik Hasil Pengujian Data Extraction

46
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
Gambar 4.8 Identitas dengan Format yang Benar
Sedangkan sampel data uji memiliki urutan yang berbeda pada gambar 4.9
Gambar 4.9 Identitas pada Uji Unit Proses
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.

47
Gambar 4.10 Hasil Ekstrasi Data Sampel
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.
4.3.2 Data Processing
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.
memproses data dan menghasilkan data yang sudah dikelompokan dalam list.
3. Result

48
Status Hasil Ektraksi Benar

Status Hasil Ektraksi Salah
Gambar 4.11. Grafik Hasil Pengujian Data Processing
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

49
Gambar 4.12 Hasil Ekstraksi Dokumen dengan Format Sesuai
Sedangkan hasil ektraksi data sampel dapat dilihat pada gambar 4.13
Gambar 4.13 Hasil Ekstraksi Dokumen Sampel
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

50
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.
Gambar 4.14 Hasil Data Processing Dokumen dengan format normal
Sedangkan hasil data processing pada format yang tidak normal dapat dilihat pada
gambar 4.14.
Gambar 4.15 Hasil Data Processing Dokumen Sampel
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.

51
4.3.3 Sentence Generation
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.
memproses data dan menghasilkan kalimat interpretasi
3. Result
Sales
Sentence Generation berhasil

Sentence Generation Gagal
Gambar 4.16 Grafik Hasil Pengujian Sentence Generation
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.
Kalimat yang dibangun berdasarkan hasil Data Processing dan hanya

menggunakan data yang abnormal baik itu menurun ataupun meningkat. Karena data

52
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
Gambar 4.17 Kalimat Hasil Interpretasi dari Gambar 4.15
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.
4.4. Pengujian Sistem
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).

53
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.

54
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
Gambar 4.18 Grafik Penilaian Naturalness oleh Dokter

55
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
Gambar 4.19 Grafik Penilaian Naturalness oleh Petugas Medis
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.

56
Hasil penilaian dokter muda/koas menunjukan bahwa 25% dokter muda

atau koas menyatakan kalimat hasil interpretasi sangat mudah dimengerti. Ini
dikarenakan mereka dapat dengan cepat membaca dan memahami kalimat hasil
interpretasi kimia darah sehingga mereka menyatakan bahwa kalimat sangat
mudah dimengerti. 43% dokter muda/koas menyatakan bahwa kalimat hasil
interpretasi mudah dimengerti, 20% dokter muda/koas menyatakan bahwa kalimat
hasil interpretasi kimia darah cukup mudah dimengerti, 7.5% menyatakan kalimat
interpretsi sulit dimengerti dan hanya 4.5% dokter muda/koas menyatakan kalimat
hasil interpretasi sangat sulit untuk di pahami.Untuk menghitung persentase
keseleluruhan dari setiap aspek penilaian naturalness, Penelitian ini menggunakan
persamaan 4.1 seperti yang dilakukan Aulia(2015) dan Wijaya(2017). Dimana
presentase akhir adalah penjumlahan dari aspek penilaian dengan bobot 3 sampai
dengan 5.
𝑃𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝐴𝑠𝑝𝑒𝑘 (%) = Σ 𝑃𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝑆𝑘𝑎𝑙𝑎 5 .............(4.1)
Berdasarkan Persamaan 4.1, menunjukan bahwa kalimat hasil intepretasi

yang dihasilkan oleh sistem berdasarkan aspek readability mudah di pahami oleh
88% dokter muda/koas. Secara keseluruhan, 88% dokter muda/koas menyatakan
bahwa kalimat yang dihasilkan oleh sistem interpretasi dapat dimengerti. Hal
tersebut dikarenakan masing-masing kalimat memiliki objek yang dijelaskan
dengan kosa kata yang mudah dengan kata-kata yang mudah dimengerti. Setiap
kalimat hasil interpretasi menjelaskan setiap objek dengan tingkat keabnormalan
(menurun maupun meningkat). Tingkat Readability yang baik berbanding terbalik
dengan tingkat kelelahan membaca, sebab kalimat yang digunakan tidak rumit,
memiliki kompleksitas yang rendah dan kata-kata pada kalimat interpretasi yang
mengacu langsung pada masalah.

57
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.

58
Sedangkan hasil penilaian petugas medis menunjukan bahwa 8% petugas

medis menyatakan kalimat hasil interpretasi sangat jelas, 28% petugas medis
menyatakan bahwa kalimat hasil interpretasi jelas, 49% petugas medis
menyatakan bahwa kalimat hasil interpretasi kimia darah cukup jelas, 14.2%
menyatakan kalimat interpretsi kurang jelas dan hanya 0.7% petugas medis
menyatakan kalimat hasil interpretasi tidak jelas. Berdasarkan Persamaan 4.1,
maka 85% petugas medis menyatakan bahwa hasil interpretasi hasil pemeriksaan
kimia darah menyampaikan informasi secara jelas.
Petugas medis dan dokter muda memiliki pendapat yang tidak jauh berbeda.
Ini dapat dilihat dari hasil perhitungan tingkat clarity yang tidak jauh berbeda.
Hasil ini dipengaruhi oleh kejelasan kata-kata yang digunakan, dan faktor
Readability yang baik sehingga kalimat hasil interpretasi kimia darah dapat
menyampaikan informasi secara jelas. Kalimat hasil interpretasi kimia darah
menggunakan kata-kata yang jelas dengan menghindari kata-kata dengan makna
ganda untuk menghindari ambiguitas. Aspek Readability juga mempengaruhi
aspek Clarity karena semakin mudah suatu kalimat dimengerti maka
kemungkinan kejelasan makna suatu kalimat semakin tinggi. Pada hasil
interpretasi kimia darah memiliki tingkat Readability yang baik sehingga tingkat
claritynya juga cenderung baik.
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

59
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 5
KESIMPULAN DAN SARAN
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 :
1. Metode Trigram algorithm mampu melakukan interpretasi hasil pemeriksaan

kimia darah berdasarkan data yang didapatkan dari Rumah Sakit Hosana Cikarang
dalam bentuk dokumen word.
2. Trigram digunakan dalam penelitian ini untuk menghitung kata selanjutnya
dengan mengelompokan setiap kemungkinan 3 kata yang saling bersebelahan.
Kata yang diambil merupakan kata yang telah ditokenisasi dari korpus yang
sebelumnya telah pilih berdasarkan status elemen yang akan di interpretasi.
Kemudian kata dengan probabilitas tertinggi akan digunakan untuk dimasukan
dalam kalimat baru hasil interpretasi.
3. Hasil persentase ketiga aspek naturalness yang diperoleh dari penilaian para
dokter muda yaitu readability 88% dokter muda/koas menilai teks ringkasan yang
dihasilkan sistem mudah di pahami sedangkan petugas medis menunjukan

61
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
Adapun saran untuk pengembangan penelitian berikutnya adalah sebagai berikut :
1. Menambah pemeriksaan aturan tata bahasa indonesia pada kalimat hasil

interpretasi pemeriksaan kimia darah.
2. Mengembangkan pengetahuan sistem yang dibangun. Dapat
mempertimbangkan hasil pemeriksaan kimia darah yang memiliki nilai kritis
atau mengalami perubahan signifikan, dan nilai yang berbeda sangat sedikit
dari nilai normal apakah dalam keadaan normal atau abnormal ( misalnya hasil
pemeriksaan kimia darah menunjukan nilai kolestrol total sebesar 201.
Sedangkan nilai batas atas kolestrol adalah 200).
3. Menggunakan penggabungan kalimat yang memiliki makna selaras/ similar
meaning.
4. Menggunakan metode Text Generation lainnya untuk membandingkan dengan
hasil interpretasi yang diperoleh dari Trigram Algorithm.

DAFTAR PUSTAKA
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.

63
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.
Mahapatra, J., Kumar, S. & Bandyopadhya, S. 2016. Statistical Natural Language

Generation from Tabular Non-textual Data. Proceedings of The 9th International
Natural Language Generation conference (INLG-2016), pp. 143-152.
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.
Pemeriksaan Kimia Klinik. 2012. Biomedika.co.id, 05 Januari 2018 (diakses 06 Januari

2018).
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
Wijaya, H. 2017. Sistem ringkasan otomatis untuk melaporkan hasil pemeriksaan

Hematologi pasien dalam bentuk representasi tekstual. Skripsi. Universitas
Sumatera Utara.

64
Lampiran 1
Dokumen Hasil Pemeriksaan Kimia Darah Diujikan ke Sistem
Dokumen hasil pemeriksaan kimia darah ke-1:
PT. BELL SONICA

NAME : R.N.A.
No.LAB : 01
GENDER : PEREMPUAN
TGL LAHIR : 10/23/1993
TANGGAL : 01 FEBRUARI 2016
PEMERIKSAAN HASIL NILAI NORMAL

KIMIA
DIABETES
Glukosa Puasa 70 70 - 110 mg/dl
FUNGSI HATI
SGOT 16 W : ≤ 31 u/l P : ≤ 35 u/l
SGPT 23 W : ≤ 34 u/l P : ≤ 45 u/l
FUNGSI GINJAL
Ureum 16 10 - 50 mg/dl
Creatinine 1.0 W : 0.5 - 1.1 mg/dl P : 0.6 - 1.4 mg/dl
Asam Urat 3.7 P : 3.5 - 7.2 W : 2.9 - 5.2 mg /dl
FUNGSI LEMAK
Cholestrol Total 208 < 200 mg/dl
HDL Cholestrol 63 W : 35 - 70 mg/dl P : 35 - 55 mg dl
LDL Cholestrol 146 < 130 mg/dl
Trygliserida 84 < 150 mg/dl
IMUNOLOGI
HBsAG NON REAKTIF Negatif

65
PT. BELL SONICA

No.LAB : 01
GENDER : PEREMPUAN
TGL LAHIR : 10/23/1993
NAME : R.N.A.

KIMIA
DIABETES
FUNGSI HATI
SGOT 16 W : ≤ 31 u/l P : ≤ 35 u/l
SGPT 23 W : ≤ 34 u/l P : ≤ 45 u/l
FUNGSI GINJAL
Asam Urat 3.7 P : 3.5 - 7.2 W : 2.9 - 5.2 mg /dl
FUNGSI LEMAK
IMUNOLOGI

66
PT. BELL SONICA

NAME : R.N.A.
No.LAB : 01
GENDER : PEREMPUAN
TGL LAHIR : 10/23/1993

KIMIA
DIABETES
FUNGSI HATI
SGOT 16 W : ≤ 31 u/l P : ≤ 35 u/l
SGPT 23 W : ≤ 34 u/l P : ≤ 45 u/l
FUNGSI GINJAL
Asam Urat 3.7 P : 3.5 - 7.2 W : 2.9 - 5.2 mg /dl
FUNGSI LEMAK
IMUNOLOGI

67
PT. BELL SONICA

NAME : R.N.A.
No.LAB : 01
GENDER : PEREMPUAN
TGL LAHIR : 10/23/1993

KIMIA
DIABETES
FUNGSI HATI
SGOT 16 W : ≤ 31 u/l P : ≤ 35 u/l
SGPT 23 W : ≤ 34 u/l P : ≤ 45 u/l
FUNGSI GINJAL
Kreatinin 1.0 W : 0.5 - 1.1 mg/dl P : 0.6 - 1.4 mg/dl
Asam Urat 3.7 P : 3.5 - 7.2 W : 2.9 - 5.2 mg /dl
FUNGSI LEMAK
IMUNOLOGI

68
PT MULTIFILING MITRA
NAMA : T.D.
No.LAB : 4
TGL LAHIR : 04/03/1979
SEX : P
KIMIA
DIABETES
FUNGSI HATI
SGOT 24 W : ≤ 31 u/l P : ≤ 35 u/l
SGPT 26 W : ≤ 34 u/l P : ≤ 45 u/l
FUNGSI GINJAL
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
IMUNOLOGI

69
NAMA : T.D.
TGL LAHIR : 04/03/1979
No.LAB : 4
SEX : P
KIMIA
DIABETES
FUNGSI HATI
SGOT 24 W : ≤ 31 u/l P : ≤ 35 u/l
SGPT 26 W : ≤ 34 u/l P : ≤ 45 u/l
FUNGSI GINJAL
Asam Urat 5.2 P : 3.5 - 7.2 W : 2.9 - 5.2 mg /dl
LEMAK
IMUNOLOGI

70
NAMA : T.D.
No.LAB : 4
TGL LAHIR : 04/03/1979
SEX : P
KIMIA
DIABETES
FUNGSI HATI
SGOT 24 W : ≤ 31 u/l P : ≤ 35 u/l
SGPT 26 W : ≤ 34 u/l P : ≤ 45 u/l
FUNGSI GINJAL
Asam Urat 5.2 P : 3.5 - 7.2 W : 2.9 - 5.2 mg /dl
LEMAK
IMUNOLOGI

71
NAMA : T.D.
No.LAB : 4
TGL LAHIR : 04/03/1979
SEX : P
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
Asam Urat 5.2 P : 3.5 - 7.2 W : 2.9 - 5.2 mg /dl
LEMAK
IMUNOLOGI

72
CONWOOD
NAMA : R.A.
No.LAB : 04
TGL LAHIR : 10/19/1991
JENIS KELAMIN : LAKI-LAKI
TANGGAL : 01 OKTOBER 2016

KIMIA
DIABETES
FUNGSI HATI
SGOT 21 P : ≤ 31 u/l L : ≤ 35 u/l
SGPT 42 P : ≤ 34 u/l L : ≤ 45 u/l
IMUNOLOGI
HbsAG NON REAKTIF NON REAKTIF
FUNGSI GINJAL
Creatinine 1.0 P : 0.5 - 1.1 mg/dl L : 0.6 - 1.4 mg/dl
Asam Urat 8,1 L : 3.5 - 7.2 P : 2.9 - 5.2 mg /dl
FUNGSI LEMAK
HDL Cholestrol 40 P : 35 - 70 mg/dl L : 35 - 55 mg dl

73
CONWOOD
TGL LAHIR : 10/19/1991
No.LAB : 04
NAMA : R.A.

KIMIA
DIABETES
FUNGSI HATI
SGOT 21 P : ≤ 31 u/l L : ≤ 35 u/l
SGPT 42 P : ≤ 34 u/l L : ≤ 45 u/l
IMUNOLOGI
FUNGSI GINJAL
Asam Urat 8,1 L : 3.5 - 7.2 P : 2.9 - 5.2 mg /dl
FUNGSI LEMAK

74
CONWOOD
NAMA : R.A.
No.LAB : 04
TGL LAHIR : 10/19/1991

KIMIA
DIABETES
FUNGSI HATI
SGPT 42 P : ≤ 34 u/l L : ≤ 45 u/l
SGOT 21 P : ≤ 31 u/l L : ≤ 35 u/l
IMUNOLOGI
FUNGSI GINJAL
Asam Urat 8,1 L : 3.5 - 7.2 P : 2.9 - 5.2 mg /dl
FUNGSI LEMAK

75
CONWOOD
NAMA : R.A.
No.LAB : 04
TGL LAHIR : 10/19/1991

KIMIA
DIABETES
FUNGSI HATI
SGOT 21 P : ≤ 31 u/l L : ≤ 35 u/l
SGPT 42 P : ≤ 34 u/l L : ≤ 45 u/l
IMUNOLOGI
FUNGSI GINJAL
Uric Acid 8,1 L : 3.5 - 7.2 P : 2.9 - 5.2 mg /dl
FUNGSI LEMAK

76
CONWOOD
NAMA : D.S.
No.LAB : 01
TGL LAHIR : 01/09/1993

KIMIA
DIABETES
FUNGSI HATI
SGOT 21 P : ≤ 31 u/l L : ≤ 35 u/l
SGPT 30 P : ≤ 34 u/l L : ≤ 45 u/l
IMUNOLOGI
FUNGSI GINJAL
Creatinine 1,2 P : 0.5 - 1.1 mg/dl L : 0.6 - 1.4 mg/dl
Asam Urat 4,1 L : 3.5 - 7.2 P : 2.9 - 5.2 mg /dl
FUNGSI LEMAK

77
CONWOOD
TGL LAHIR : 01/09/1993
No.LAB : 01
NAMA : D.S.

KIMIA
DIABETES
FUNGSI HATI
SGOT 21 P : ≤ 31 u/l L : ≤ 35 u/l
SGPT 30 P : ≤ 34 u/l L : ≤ 45 u/l
IMUNOLOGI
FUNGSI GINJAL
Asam Urat 4,1 L : 3.5 - 7.2 P : 2.9 - 5.2 mg /dl
FUNGSI LEMAK

78
CONWOOD
NAMA : D.S.
No.LAB : 01
TGL LAHIR : 01/09/1993

KIMIA
DIABETES
FUNGSI HATI
SGOT 21 P : ≤ 31 u/l L : ≤ 35 u/l
SGPT 30 P : ≤ 34 u/l L : ≤ 45 u/l
IMUNOLOGI
FUNGSI GINJAL
Asam Urat 4,1 L : 3.5 - 7.2 P : 2.9 - 5.2 mg /dl
FUNGSI LEMAK

79
CONWOOD
NAMA : D.S.
No.LAB : 01
TGL LAHIR : 01/09/1993

KIMIA
DIABETES
Glucose 98 70 - 110 mg/dl
FUNGSI HATI
SGOT 21 P : ≤ 31 u/l L : ≤ 35 u/l
SGPT 30 P : ≤ 34 u/l L : ≤ 45 u/l
IMUNOLOGI
FUNGSI GINJAL
Kreatinin 1,2 P : 0.5 - 1.1 mg/dl L : 0.6 - 1.4 mg/dl
Uric Acid 4,1 L : 3.5 - 7.2 P : 2.9 - 5.2 mg /dl
FUNGSI LEMAK
Kolesterol Total 173 < 200 mg/dl
HDL Kolesterol 37 P : 35 - 70 mg/dl L : 35 - 55 mg dl
LDL Kolesterol 71 < 130 mg/dl

80
PT. CONWOOD
NAMA : S.A.
No.LAB : 13
TGL LAHIR : 06/15/1984
SEX : W
TANGGAL : 04 MARET 2016

KIMIA
DIABETES
FUNGSI HATI
SGOT 10 W : ≤ 31 u/l P : ≤ 35 u/l
SGPT 12 W : ≤ 34 u/l P : ≤ 45 u/l
FUNGSI GINJAL
Creatinine 0,9 W : 0.5 - 1.1 mg/dl P : 0.6 - 1.4 mg/dl
Asam Urat 3,9 P : 3.5 - 7.2 W : 2.9 - 5.2 mg /dl
LEMAK
IMUNOLOGI
HBsAG NON REAKTIF NON REAKTIF

81
PT. CONWOOD
NAMA : S.A.
No.LAB : 13
SEX : W
TGL LAHIR : 06/15/1984

KIMIA
DIABETES
FUNGSI HATI
SGOT 10 W : ≤ 31 u/l P : ≤ 35 u/l
SGPT 12 W : ≤ 34 u/l P : ≤ 45 u/l
FUNGSI GINJAL
Asam Urat 3,9 P : 3.5 - 7.2 W : 2.9 - 5.2 mg /dl
LEMAK
IMUNOLOGI

82
PT. CONWOOD
NAMA : S.A.
No.LAB : 13
TGL LAHIR : 06/15/1984
SEX : W

KIMIA
DIABETES
FUNGSI HATI
SGOT 10 W : ≤ 31 u/l P : ≤ 35 u/l
SGPT 12 W : ≤ 34 u/l P : ≤ 45 u/l
FUNGSI GINJAL
Asam Urat 3,9 P : 3.5 - 7.2 W : 2.9 - 5.2 mg /dl
LEMAK
IMUNOLOGI

83
PT. CONWOOD
NAMA : S.A.
No.LAB : 13
TGL LAHIR : 06/15/1984
SEX : W

KIMIA
DIABETES
FUNGSI HATI
SGOT 10 W : ≤ 31 u/l P : ≤ 35 u/l
SGPT 12 W : ≤ 34 u/l P : ≤ 45 u/l
FUNGSI GINJAL
Asam Urat 3,9 P : 3.5 - 7.2 W : 2.9 - 5.2 mg /dl
LEMAK
Kolesterol Total 198 < 200 mg/dl
IMUNOLOGI

84
Lampiran 2
Contoh Content pada Corpus dalam Corpora
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.

85
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.

86
Lampiran 3
Data Hasil Pengujian Unit Proses
Data Hasil Pengujian Data Extraction:
Data Expected Result Test Result Keterangan

Data – 1 nama:r.n.a. Berhasil
sex:w Terkestraksi
glukosa:70
sgot:16
dengan benar
sgpt:23
ureum:16
creatinine:1.0
asam urat:3.7
cholestrol:208
hdl:63
ldl:146
trigliserida:84
hbsag:non reaktif

sex:w Terkestraksi
glukosa:70
sgot:16
dengan benar
sgpt:23
ureum:16
creatinine:1.0
asam urat:3.7
cholestrol:208
hdl:63
ldl:146
trigliserida:84
hbsag:non reaktif

sex:w Terkestraksi
glukosa:70
sgot:16
dengan benar
sgpt:23
ureum:16
creatinine:1.0
asam urat:3.7
cholestrol:208
hdl:63
ldl:146
trigliserida:84
hbsag:non reaktif

87

sex:w Terkestraksi
glukosa:70
sgot:16
dengan benar
sgpt:23
ureum:16
creatinine:1.0
asam urat:3.7
cholestrol:208
hdl:63
ldl:146
trigliserida:84
hbsag:non reaktif
Data – 5 nama:t.s. Berhasil

sex:p Terkestraksi
glukosa:86
sgot:24
dengan benar
sgpt:26
ureum:90
creatinine:1.1
asam urat:5.2
cholestrol:290
hdl:39
ldl:180
trigliserida:200
hbsag:non reaktif

sex:p Terkestraksi
glukosa:86
sgot:24
dengan benar
sgpt:26
ureum:90
creatinine:1.1
asam urat:5.2
cholestrol:290
hdl:39
ldl:180
trigliserida:200
hbsag:non reaktif

88

sex:p Terkestraksi
glukosa:86
sgot:24
dengan benar
sgpt:26
ureum:90
creatinine:1.1
asam urat:5.2
cholestrol:290
hdl:39
ldl:180
trigliserida:200
hbsag:non reaktif

sex:p Terkestraksi
glukosa:86
sgot:24
dengan benar
sgpt:26
ureum:90
creatinine:1.1
asam urat:5.2
cholestrol:290
hdl:39
ldl:180
trigliserida:200
hbsag:non reaktif
Data – 9 nama:r.a Berhasil

sex:p Terkestraksi
glukosa:91
sgot:21
dengan benar
sgpt:42
hbsag:non reaktif
ureum:27
creatinine:1.0
asam urat:8,1
cholestrol:130
trigliserida:67
hdl:40
ldl:77

89

sex:p Terkestraksi
glukosa:91
sgot:21
dengan benar
sgpt:42
hbsag:non reaktif
ureum:27
creatinine:1.0
asam urat:8,1
cholestrol:130
trigliserida:67
hdl:40
ldl:77

sex:p Terkestraksi
glukosa:91
sgot:21
dengan benar
sgpt:42
hbsag:non reaktif
ureum:27
creatinine:1.0
asam urat:8,1
cholestrol:130
trigliserida:67
hdl:40
ldl:77

sex:p Terkestraksi
glukosa:91
sgot:21
dengan benar
sgpt:42
hbsag:non reaktif
ureum:27
creatinine:1.0
asam urat:8,1
cholestrol:130
trigliserida:67
hdl:40
ldl:77

90
Data – 13 nama:d.s. Berhasil

sex:p Terkestraksi
glukosa:98
sgot:21
dengan benar
sgpt:30
hbsag:non reaktif
ureum:26
creatinine:1,2
asam urat:4,1
cholestrol:173
trigliserida:171
hdl:37
ldl:71

sex:p Terkestraksi
glukosa:98
sgot:21
dengan benar
sgpt:30
hbsag:non reaktif
ureum:26
creatinine:1,2
asam urat:4,1
cholestrol:173
trigliserida:171
hdl:37
ldl:71

sex:p Terkestraksi
glukosa:98
sgot:21
dengan benar
sgpt:30
hbsag:non reaktif
ureum:26
creatinine:1,2
asam urat:4,1
cholestrol:173
trigliserida:171
hdl:37
ldl:71

91

sex:p Terkestraksi
glukosa:98
sgot:21
dengan benar
sgpt:30
hbsag:non reaktif
ureum:26
creatinine:1,2
asam urat:4,1
cholestrol:173
trigliserida:171
hdl:37
ldl:71
Data – 17 nama:s.a. Berhasil

sex:w Terkestraksi
glukosa:80
sgot:10
dengan benar
sgpt:12
ureum:21
creatinine:0,9
asam urat:3,9
cholestrol:198
hdl:47
ldl:139
trigliserida:60
hbsag:non reaktif

sex:w Terkestraksi
glukosa:80
sgot:10
dengan benar
sgpt:12
ureum:21
creatinine:0,9
asam urat:3,9
cholestrol:198
hdl:47
ldl:139
trigliserida:60
hbsag:non reaktif

92

sex:w Terkestraksi
glukosa:80
sgot:10
dengan benar
sgpt:12
ureum:21
creatinine:0,9
asam urat:3,9
cholestrol:198
hdl:47
ldl:139
trigliserida:60
hbsag:non reaktif

sex:w Terkestraksi
glukosa:80
sgot:10
dengan benar
sgpt:12
ureum:21
creatinine:0,9
asam urat:3,9
cholestrol:198
hdl:47
ldl:139
trigliserida:60
hbsag:non reaktif
Data hasil pengujian Data Processing:

Data – 1 Normal = { glukosaPuasa, Berhasil
SGOT, SGPT, Ureum, Terseleksi
Creatinine, AsamUrat, HDL, dengan
Trigliserida, HBSAG.} benar
Meningkat ={ CholestrolTotal,
LDL.}

93

LDL.}

LDL.}

LDL.}

94
Data – 5 Meningkat :[Ureum, Berhasil

CholestrolTotal, LDL, Terseleksi
Trigliserida]. dengan
benar
Normal :[GlukosaPuasa, SGOT,
SGPT, Creatinine, AsamUrat,
HDL, HBSAG].

benar
HDL, HBSAG].

benar
HDL, HBSAG].

95

benar
HDL, HBSAG].
Data – 9 Meningkat:[AsamUrat]. Berhasil

Terseleksi
Normal:[GlukosaPuasa, SGOT, dengan
SGPT, Ureum, Creatinine, benar
CholestrolTotal, HDL, LDL,
Trigliserida, HBSAG].

96

Terseleksi

Terseleksi

97

Terseleksi
Data – 13 Meningkat:[Trigliserida]. Berhasil

Terseleksi
Normal :[ GlukosaPuasa, SGOT, dengan
AsamUrat, CholestrolTotal,
HDL, LDL, HBSAG]

98

Terseleksi
HDL, LDL, HBSAG]

Terseleksi
HDL, LDL, HBSAG]

99

Terseleksi
HDL, LDL, HBSAG]
Data – 17 Meningkat :[LDL]. Berhasil

Terseleksi
Normal :[GlukosaPuasa, SGOT, dengan
HDL, Trigliserida, HBSAG].

100

Terseleksi

Terseleksi

Terseleksi

101
Data hasil pengujian Sentence Generation:

Data – 1 Menjelaskan - Jumlah cholestrol pasien Berhasil
tentang mengalami kenaikan membuat
meningkatnya signifikan dari batas normal. kalimat
elemen: - Elemen LDL mengalami yang
CholestrolTotal, kenaikan signifikan. menjelaskan
LDL. objek yang
diinginkan
Data – 2 Menjelaskan - Konsentrasi cholestrol pasien Berhasil
tentang mengalami kenaikan. membuat
meningkatnya - Kadar LDL melebihi batas kalimat
elemen: normal. yang
CholestrolTotal, menjelaskan
LDL. objek yang
diinginkan
Data – 3 Menjelaskan - Kadar cholestrol melewati Berhasil
tentang batas normal. membuat
meningkatnya - Kadar LDL melebihi batas kalimat
elemen: normal. yang
CholestrolTotal, menjelaskan
LDL. objek yang
diinginkan
Data – 4 Menjelaskan Berhasil
tentang - Kadar cholestrol melewati membuat
meningkatnya batas normal. kalimat
elemen: - Jumlah LDL Cholestrol yang
CholestrolTotal, pasien mengalami kenaikan menjelaskan
LDL. signifikan dari batas normal. objek yang
diinginkan
Data – 5 Menjelaskan - Ureum pasien mengalami Berhasil
tentang Peningkatan signifikan dari membuat
elemen: Ureum, - Jumlah cholestrol pasien yang
CholestrolTotal, mengalami kenaikan menjelaskan
LDL, signifikan dari batas normal. objek yang
Trigliserida. - Konsentrasi LDL Cholestrol diinginkan
pasien mengalami kenaikan
signifikan Kadar Trigliserida
pasien mengalami peningkatan
signifikan.

102
Data – 6 Menjelaskan - Ureum pasien mengalami Berhasil

tentang Peningkatan signifikan dari membuat
elemen: Ureum, - Kadar cholestrol melewati yang
CholestrolTotal, batas normal. menjelaskan
LDL, - Kadar LDL melebihi batas objek yang
Trigliserida. normal. diinginkan
- Kadar Trigliserida pasien
mengalami peningkatan
signifikan.
Data – 7 Menjelaskan Berhasil
tentang - Jumlah Ureum pasien membuat
meningkatnya mengalami Peningkatan kalimat
elemen: Ureum, signifikan dari batas normal. yang
CholestrolTotal, - Kadar cholestrol melewati menjelaskan
LDL, batas normal. objek yang
Trigliserida. - Jumlah LDL Cholestrol diinginkan
pasien mengalami kenaikan
signifikan dari batas normal.
- Jumlah Trigliserida pasien
signifikan.
Data – 8 Menjelaskan - Kadar Ureum melebihi batas Berhasil
tentang normal. membuat
meningkatnya - Konsentrasi cholestrol pasien kalimat
elemen: Ureum, mengalami kenaikan. yang
CholestrolTotal, - Elemen LDL mengalami menjelaskan
LDL, kenaikan signifikan. objek yang
Trigliserida. - Terdapat keabnormalan diinginkan
terhadap Trigliserida pasien
signifikan.
Data – 9 Menjelaskan - Kadar Asam Urat pasien Berhasil
meningkatnya signifikan kalimat
elemen : yang
AsamUrat. menjelaskan
objek yang
diinginkan
Data – 10 Menjelaskan - Asam Urat pasien mengalami Berhasil
tentang kenaikan signifikan dari batas membuat
meningkatnya normal. kalimat
elemen : yang
objek yang
diinginkan

103
Data – 11 Menjelaskan - Jumlah Asam Urat pasien Berhasil

meningkatnya signifikan dari batas normal. kalimat
elemen : yang
objek yang
diinginkan
Data – 12 Menjelaskan - Konsentrasi Asam urat pasien Berhasil
tentang melebihi batas normal. membuat
meningkatnya kalimat
elemen : yang
objek yang
diinginkan
Data – 13 Menjelaskan - Elemen Trigliserida Berhasil
tentang mengalami peningkatan membuat
meningkatnya signifikan kalimat
elemen : yang
Trigliserida. menjelaskan
objek yang
diinginkan
Data – 14 Menjelaskan - Kadar Trigliserida pasien Berhasil
meningkatnya signifikan. kalimat
elemen : yang
objek yang
diinginkan
Data – 15 Menjelaskan - Trigliserida pasien mengalami Berhasil
tentang peningkatan signifikan. membuat
meningkatnya kalimat
elemen : yang
objek yang
diinginkan
Data – 16 Menjelaskan - Jumlah Trigliserida pasien Berhasil
elemen : yang
objek yang
diinginkan

104
Data – 17 Menjelaskan - Kadar Trigliserida pasien Berhasil

elemen : yang
LDL. menjelaskan
objek yang
diinginkan
Data – 18 Menjelaskan - Konsentrasi Trigliserida Berhasil
tentang pasien mengalami peningkatan membuat
elemen : yang
LDL. menjelaskan
objek yang
diinginkan
Data – 19 Menjelaskan - Terdapat keabnormalan Berhasil
tentang terhadap Trigliserida pasien membuat
meningkatnya mengalami peningkatan kalimat
elemen : signifika yang
LDL. menjelaskan
objek yang
diinginkan
Data – 20 Menjelaskan - Jumlah Trigliserida pasien Berhasil
elemen : yang
LDL. menjelaskan
objek yang
diinginkan

105
Lampiran 4
KUESIONER

104
Lampiran 4
Format Kuesioner
1. Tabel hasil pemeriksaan kimia darah pasien

Jenis Kelamin: Wanita
Pemeriksaan Hasil Satuan Nilai Normal
Tidak ada komponen darah hasil pemeriksaan kimia
darah yang abnormal
Teks ringkasan:
Pada tabel hasil pemeriksaan kimia darah pasien di atas, tidak ditemukan nilai abnormal.
A. Apakah teks ringkasan di atas mudah untuk dipahami oleh anda?

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

Tidak ada komponen darah hasil pemeriksaan kimia
darah yang abnormal
Teks ringkasan:
Pada tabel hasil pemeriksaan kimia darah pasien di atas, tidak ditemukan nilai abnormal.

1 2 3 4 5
1 2 3 4 5
1 2 3 4 5

Cholestrol 229 mg/dl <200
LDL 146 mg/dl <130
Teks ringkasan:
Konsentrasi cholestrol pasien mengalami kenaikan. Jumlah LDL Cholestrol pasien mengalami
kenaikan signifikan dari batas normal .

105
1 2 3 4 5
1 2 3 4 5
1 2 3 4 5

Jenis Kelamin: Pria
Ureum 90 mg/dl 10-50
cholestrol 146 mg/dl <200
LDL 180 mg/dl <130
Trigliserida 200 mg/dl <150
Teks ringkasan:
Kadar Ureum melebihi batas normal . cholestrol pasien mengalami kenaikan signifikan dari batas
normal . Konsentrasi LDL Cholestrol pasien mengalami kenaikan signifikan. Elemen Trigliserida
mengalami peningkatan signifikan.

1 2 3 4 5
1 2 3 4 5
1 2 3 4 5

Jenis Kelamin: Pria
Asam urat 8.1 mg/dl 3.5-5.5
Teks ringkasan:
Jumlah Asam Urat pasien mengalami kenaikan signifikan dari batas normal .

1 2 3 4 5
1 2 3 4 5
1 2 3 4 5

106

Jenis Kelamin: Pria
Trigliserida 171 mg/dl 150
Teks ringkasan:
Konsentrasi Trigliserida pasien mengalami peningkatan signifikan

1 2 3 4 5
1 2 3 4 5
1 2 3 4 5

Ldl 139 mg/dl <130
Teks ringkasan:
Elemen LDL mengalami kenaikan signifikan

1 2 3 4 5
1 2 3 4 5
1 2 3 4 5

Jenis Kelamin: Pria
Trigliserida 171 mg/dl 150
Teks ringkasan:
Konsentrasi Trigliserida pasien mengalami peningkatan signifikan

1 2 3 4 5
1 2 3 4 5
107
1 2 3 4 5

Ldl 139 mg/dl <130
Teks ringkasan:

1 2 3 4 5
1 2 3 4 5
1 2 3 4 5

Ldl 169 mg/dl <130
Teks ringkasan:
Elemen LDL mengalami kenaikan signifikan dari batas normal.

1 2 3 4 5
1 2 3 4 5
1 2 3 4 5

Trigliserida 224 mg/dl <150
Glukosa 170 mg/dl 70-110
Teks ringkasan:
Trigliserida pasien mengalami peningkatan signifikan . Kadar glukosa puasa mengalami
peningkatan dari batas normal .

1 2 3 4 5
108
1 2 3 4 5
1 2 3 4 5

Ldl 146 mg/dl <130
Teks ringkasan:
Elemen cholestrol mengalami kenaikan signifikan. Konsentrasi LDL Cholestrol pasien mengalami
kenaikan signifikan.

1 2 3 4 5
1 2 3 4 5
1 2 3 4 5

kreatinin 0.4 mg/dl 0.5-1.1
Teks ringkasan:
Kadar Kreatinin tidak mencapai batas normal .

1 2 3 4 5
1 2 3 4 5
1 2 3 4 5

109

Glukosa 139 mg/dl 70-110
Teks ringkasan:
Elemen Glukosa mengalami kenaikan signifikan

1 2 3 4 5
1 2 3 4 5
1 2 3 4 5

Tidak terdapat nilai abnormal padad pemeriksaan
kimia darah.
Teks ringkasan:
Pada tabel hasil pemeriksaan laboratorium kimia darah pasien tidak ditemukan nilai abnormal.

1 2 3 4 5
1 2 3 4 5
1 2 3 4 5

Jenis Kelamin: Pria
Hdl 56 mg/dl 35-55
Teks ringkasan:
Elemen HDL mengalami kenaikan signifikan

1 2 3 4 5
110
1 2 3 4 5
1 2 3 4 5

Ldl 139 mg/dl <130
Teks ringkasan:

1 2 3 4 5
1 2 3 4 5
1 2 3 4 5

Ldl 131 mg/dl <130
Hdl 79 mg/dl 35-70
Asam Urat 2.8 mg/dl 2.9-5.2
Teks ringkasan:
Konsentrasi cholestrol pasien mengalami kenaikan Elemen HDL mengalami kenaikan signifikan.
Kadar LDL melebihi batas normal . Konsentrasi Asam urat pasien mengalami penurunan
signifikan

1 2 3 4 5
1 2 3 4 5
1 2 3 4 5

Ureum 58 mg/dl <130
111
Teks ringkasan:
Kadar Ureum mengalami kenaikan dari batas normal.

1 2 3 4 5
1 2 3 4 5
1 2 3 4 5

Asam Urat 5.8 mg/dl 2.9-5.5
Teks ringkasan:
Kadar Asam Urat pasien mengalami kenaikan signifikan

1 2 3 4 5
1 2 3 4 5
1 2 3 4 5

112
Lampiran 5
Hasil Kuesioner
Berdasarkan penilaian dokter muda/koas:
No. Aspek Penilaian Skala 1 Skala 2 Skala 3 Skala 4 Skala 5

1. Readability 9 15 40 86 50
2. Clarity 15 27 47 71 40
3. General Apropriateness 20 10 57 76 37
Berdasarkan penilaian petugas medis:
No. Aspek Penilaian Skala 1 Skala 2 Skala 3 Skala 4 Skala 5

1. Readability 3 15 53 50 19
2. Clarity 1 28 69 31 11
3. General Apropriateness 2 26 60 43 9

Interpretasi Hasil Pemeriksaan Laboratorium Kimia Darah Dengan Trigram Algorithm

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Interpretasi Hasil Pemeriksaan Laboratorium Kimia Darah Dengan Trigram Algorithm

Diunggah oleh

Hak Cipta:

Format Tersedia

INTERPRETASI HASIL PEMERIKSAAN LABORATORIUM KIMIA

DARAH DENGAN TRIGRAM ALGORITHM

PROGRAM STUDI TEKNOLOGI INFORMASI

Universitas Sumatera Utara

PROGRAM STUDI TEKNOLOGI INFORMASI

Universitas Sumatera Utara

Universitas Sumatera Utara

INTERPRETASI HASIL PEMERIKSAAN KIMIA DARAH DENGAN

Medan, 06 Februari 2018

Universitas Sumatera Utara

UCAPAN TERIMA KASIH

Ucapan terima kasih penulis sampaikan kepada:

Universitas Sumatera Utara

penulis sehingga penulis mampu menyelesaikan penelitian ini, Separuh Jiwaku

Medan, 06 Februari 2018

Universitas Sumatera Utara

Pemeriksaan laboratorium klinik atau laboratorium medis adalah pemeriksaan laboratorium

Universitas Sumatera Utara

INTERPRETATION OF BLOOD CHEMISTRY

WITH TRIGRAM ALGORITHM

Clinical laboratory or medical laboratory examination is a laboratory examination where

Universitas Sumatera Utara

Ucapan Terima Kasih iv

Daftar Isi viii

Daftar Gambar xii

1.1 Latar Belakang 1

1.2 Rumusan Masalah 3

1.3 Batasan Masalah 4

1.4 Tujuan Penelitian 4

1.5 Manfaat Penelitian 4

1.6 Metodologi Penelitian 5

1.7 Sistematika Penulisan 6

Universitas Sumatera Utara

Bab 2 Landasan Teori

2.1 Natural Language Generation (NLG) 7

2.2 Pemeriksaan Kimia Darah (kimia klinik) 10

2.4 Apache POI 16

2.6 Penelitian Terdahulu 16

Bab 3 Analisis dan Perancangan Sistem

3.1 Arsitektur Umum 20

3.1.2.1 Data Extraction 22

3.1.2.2 Data Processing 25

3.1.2.3 Text Generation 28

3.3 Perancangan Sistem 36

Bab 4 Implementasi dan Pengujian

4.1 Implementasi Sistem 38

4.1.1 Spesifikasi Perangkat Keras dan Perangkat Lunak 38

4.1.2 Implementasi Perancangan Antarmuka 39

4.1.3 Implementasi Data 39

Universitas Sumatera Utara

4.2 Prosedur Operasional 40

4.3 Pengujian Unit Proses 45

4.3.1 Data Extraction 45

4.1.2 Data Processing 47

4.1.3 Sentence Generation 51

4.4 Pengujian Sistem 59

Bab 5 Kesimpulan dan Saran

Universitas Sumatera Utara

Tabel 2.1 Penelitian Terdahulu 18

Universitas Sumatera Utara

Universitas Sumatera Utara

Gambar 4.9 Identitas pada Uji Unit Proses 46

Gambar 4.10 Hasil Ekstraksi Data sampel 47