Next Word Prediction pada Rekam Medis Elektronik menggunakan Gated Recurrent Unit
Sari
Tujuan utama dari penelitian ini adalah untuk membuat model Gated Recurrent Unit (GRU) yang dirancang khusus untuk meramalkan kata berikutnya dalam rekam medis elektronik (RME). Pembangunan model ini melibatkan serangkaian proses, seperti membangun struktur dan parameter, serta melakukan pelatihan menggunakan dataset yang berisi 169.544 token. Desainnya terdiri dari beberapa lapisan GRU yang berurutan dengan karakteristik tertentu. Data pelatihan dibagi menjadi rasio pelatihan 80% dan rasio pengujian 20%. Evaluasi kinerja dilakukan selama rentang waktu 90 epoch, menghasilkan penurunan loss function dari 2,2836 menjadi 0,800 dan peningkatan akurasi dari 60,26% menjadi 80,59% di seluruh epoch. Model GRU memiliki akurasi prediksi yang mengesankan sebesar 87,04% pada dataset pengujian, yang menunjukkan kemampuannya untuk mengidentifikasi pola dalam data medis secara efektif dan potensinya untuk meningkatkan manajemen RME dalam pengaturan perawatan kesehatan.
Kata Kunci
Teks Lengkap:
PDFReferensi
Arfianti, U. I., Novitasari, D. C. R., Widodo, N., Hafiyusholeh, Moh., & Utami, W. D. (2021). Sunspot Number Prediction Using Gated Recurrent Unit (GRU) Algorithm. IJCCS (Indonesian Journal of Computing and Cybernetics Systems), 15(2), 141. https://doi.org/10.22146/ijccs.63676
Boonstra, A., Versluis, A., & Vos, J. F. J. (2014). Implementing electronic health records in hospitals: A systematic literature review. BMC Health Services Research, 14(1), 370. https://doi.org/10.1186/1472-6963-14-370
Cho, K., van Merrienboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014, September 2). Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation. arXiv. Retrieved from http://arxiv.org/abs/1406.1078
Chung, J., Gulcehre, C., Cho, K., & Bengio, Y. (2014, December 11). Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling. arXiv. Retrieved from http://arxiv.org/abs/1412.3555
Harrison, C. J., & Sidey-Gibbons, C. J. (2021). Machine learning in medicine: A practical introduction to natural language processing. BMC Medical Research Methodology, 21(1), 158. https://doi.org/10.1186/s12874-021-01347-1
Krishnan, S., Magalingam, P., & Ibrahim, R. (2021). Hybrid deep learning model using recurrent neural network and gated recurrent unit for heart disease prediction. International Journal of Electrical and Computer Engineering (IJECE), 11(6), 5467. https://doi.org/10.11591/ijece.v11i6.pp5467-5476
Pierre, A. A., Akim, S. A., Semenyo, A. K., & Babiga, B. (2023). Peak Electrical Energy Consumption Prediction by ARIMA, LSTM, GRU, ARIMA-LSTM and ARIMA-GRU Approaches. Energies, 16(12), 4739. https://doi.org/10.3390/en16124739
Sidey-Gibbons, J. A. M., & Sidey-Gibbons, C. J. (2019). Machine learning in medicine: A practical introduction. BMC Medical Research Methodology, 19(1), 64. https://doi.org/10.1186/s12874-019-0681-4
Zhang, D., Yin, C., Zeng, J., Yuan, X., & Zhang, P. (2020). Combining structured and unstructured data for predictive models: A deep learning approach. BMC Medical Informatics and Decision Making, 20(1), 280. https://doi.org/10.1186/s12911-020-01297-6
Zhang, Y., & Yang, Q. (2022). A Survey on Multi-Task Learning. IEEE Transactions on Knowledge and Data Engineering, 34(12), 5586–5609. https://doi.org/10.1109/TKDE.2021.3070203
DOI: https://doi.org/10.31294/jki.v12i2.23669
##submission.copyrightStatement##
Dipublikasikan oleh LPPM Universitas Bina Sarana Informatika
Email : jurnalkhatulistiwainformatika@bsi.ac.id
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License
Jurnal Khatulistiwa Informatika Indexed by:
