Penerapan Speech to Text Berbasis Deep Learning pada Aplikasi Paperless Hospital Menggunakan Metode Gate Recurrent Unit (GRU)

Salahuddin Salahuddin, M Khadafi, Zaharatul Dahlia

Sari


Sistem informasi rekam medis memiliki peranan yang sangat penting dalam penyediaan informasi dan pelayanan kesehatan pasien di rumah sakit. Selama ini penggunaan aplikasi rekam medis elektronik pada Rumah Sakit Umum Daerah (RSUD) masih mengandalkan inputan/entri data secara manual terutama dalam pencatatan rekam medis pasien kedalam aplikasi. Urgensi penelitian adalah mengubah suara (voice) tenaga medis kedalam bentuk teks/tulisan sebagai inputan pencatatan rekam medis otomatis pada aplikasi rekam medis elektronik RSUD. Tujuan akhir penelitian untuk menghasilkan produk hilirisasi dalam penerapan model inputan pencatatan data rekam medis otomatis pada aplikasi rekam medis elektronik. Metodologi penelitian terdiri dari pengumpulan data, analisa kebutuhan sistem, desain sistem, koding sistem, pengujian sistem/uji coba model, implementasi dan pengoperasian sistem pada mitra. Sedangkan luaran yang ditargetkan yaitu : enerapan modul aplikasi Automatic Speech Recognition (ASR) Aplikasi Rekam Medis Elektronik Rumah Sakit Berbasis Deep Learning Menggunakan Metode Gate Recurrent Unit (GRU). Hasil penelitian menunjukkan bahwa model GRU-MK1 mencapai akurasi 83%, presisi 83%, dan recall 82%, dengan waktu pelatihan 5 jam dan 18 menit. Model GRU-MK2 dan GRU-MK3 menunjukkan kinerja yang serupa, dengan akurasi 92%, presisi 93%, dan recall 92%. Untuk waktu pelatihan, GRU-MK1 membutuhkan waktu lebih sedikit dibandingkan model lainnya, yaitu 5 jam 13 menit, sementara model GRU-MK2 membutuhkan waktu 6 jam 40 menit GRU-MK3 membutuhkan waktu 5 jam 52 menit.


Teks Lengkap:

PDF

Referensi


J. Schmidhuber, “Deep Learning in neural networks: An overview,” 2015. doi: 10.1016/j.neunet.2014.09.003.

J. Brownlee, “Machine learning mastery,” 2020.

S. Flora et al., “SISTEM PENGELOLAAN REKAM MEDIS PUSKESMAS HEALTH MEDICAL RECORD MANAGEMENT SYSTEM,” Jambura Health and Sport Journal, vol. 4, no. 2, 2022.

I. Sudirahayu, A. Harjoko, H. A. Moeloek, and P. Lampung, “Analisis Kesiapan Penerapan Rekam Medis Elektronik Menggunakan DOQ-IT di RSUD Dr. H. Abdul Moeloek Lampung,” 2016.

B. Schloss and S. Konam, “Towards an Automated SOAP Note: Classifying Utterances from Medical Conversations,” in Proceedings of Machine Learning Research, 2020.

G. Naidu, T. Zuva, and E. M. Sibanda, “A Review of Evaluation Metrics in Machine Learning Algorithms,” in Lecture Notes in Networks and Systems, 2023. doi: 10.1007/978-3-031-35314-7_2.

K. Cho et al., “Learning phrase representations using RNN encoder-decoder for statistical machine translation,” in EMNLP 2014 - 2014 Conference on Empirical Methods in Natural Language Processing, Proceedings of the Conference, 2014. doi: 10.3115/v1/d14-1179.

M. Muntean and F. D. Militaru, “Metrics for Evaluating Classification Algorithms,” in Smart Innovation, Systems and Technologies, 2023. doi: 10.1007/978-981-19-6755-9_24.

J. Chung, C. Gulcehre, K. Cho, and Y. Bengio, “Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling,” Dec. 2014, [Online]. Available: http://arxiv.org/abs/1412.3555


Refbacks

  • Saat ini tidak ada refbacks.


##submission.copyrightStatement##

##submission.license.cc.by-sa4.footer##

Creative Commons License

Prosiding Seminar Nasional Politeknik Negeri Lhokseumawe is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License

© 2017 All rights reserved |Seminar nasional Politeknik Negeri Lhokseumawe p-ISSN:2598-3954.

.