Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Juni, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: x Received: 31 Maret 2025.
Accepted: 28 April 2025.
Published: Juni 2025 Penerapan Metode Content-Based Filtering untuk Rekomendasi pada Resep Obat Berdasarkan Diagnosa Pasien Idham Irama Permana1*.
Muhamad Miftahudin2 Program Studi Teknik Informatika.
Fakultas Informatika dan Komputer.
Universitas Binaniaga Indonesia e-mail: idham16ip@gmail.
*Coresponding Author
ABSTRACT
Health is an essential factor in improving the quality of human life.
Medication errors frequently occurring in healthcare services can result in serious harm to patients.
Therefore, a computational approach is needed to assist healthcare professionals in providing medication prescription This study aims to develop a prescription recommendation system using the Content-Based Filtering method to reduce the risk of medication errors by matching patient diagnosis data with relevant drug attributes.
Content-Based Filtering is a recommendation method that focuses on the similarity of attributes between items, in this case, diagnoses and prescriptions.
The system utilizes the descriptions or features available from patient diagnoses to match them with prescription references.
The system employs the Term Frequency-Inverse Document Frequency (TF-IDF) algorithm, which is a method to convert text into numerical representations.
This is crucial for calculating the relevance between diagnoses and After calculating TF-IDF, each diagnosis and prescription is represented as a vector.
Cosine Similarity is used to measure the angle between these vectors, determining the degree of similarity between patient diagnoses and references.
This research produced a prototype system based on the Laravel web framework for the frontend and Python Flask for the backend.
The system is capable of accurately providing prescription recommendations based on patient diagnoses.
System trials demonstrated an 85% increase in prescription recommendation accuracy, thereby supporting the effectiveness of healthcare services, particularly in community health centers (Puskesma.
and hospitals.
This prescription recommendation system proves effective in meeting patient needs, as evidenced by evaluations based on Precision.
Recall, and F1 Score metrics.
With all these metrics, the defined thresholds were met .
% for Precision and Recall, and 75% for F1 Scor.
Keywords: Medication Errors.
Content-Based Filtering Method, prescription recommendations.
Term Frequency-Inverse Document Frequency (TFIDF) algorithm.
Cosine Similarity Algorithm.
Evaluation Matrix.
Python.
Health Information System
ABSTRAK
Kesehatan merupakan faktor esensial dalam meningkatkan kualitas hidup manusia.
Kesalahan medikasi yang sering terjadi dalam pelayanan kesehatan dapat menyebabkan kerugian serius bagi pasien.
Oleh karena itu, diperlukan pendekatan komputasi untuk mempermudah tenaga kesehatan dalam memberikan rekomendasi resep obat.
Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi resep obat berbasis metode Content-Based Filtering untuk mengurangi risiko kesalahan medikasi dengan mencocokkan data diagnosa pasien dengan atribut obat yang relevan.
Content-Based Filtering merupakan metode rekomendasi yang berfokus pada kesamaan atribut antar item, dalam hal ini diagnosis dan resep obat.
Sistem memanfaatkan deskripsi atau fitur yang tersedia dari diagnosis pasien untuk mencocokkannya dengan referensi resep obat.
Sistem ini memanfaatkan algoritma Term Frequency-Inverse Document Frequency (TF-IDF) merupakan metode untuk mengubah teks menjadi representasi numerik.
Ini penting untuk menghitung relevansi diagnosis dan resep obat, setelah TF-IDF dihitung, setiap diagnosis dan resep obat direpresentasikan sebagai vektor.
Cosine Similarity digunakan untuk mengukur sudut antara dua vektor tersebut, sehingga menentukan tingkat kesamaan antara diagnosis pasien dan referensi.
Penelitian ini menghasilkan prototipe sistem berbasis web framework Laravel sebagai frontend menggunakan Python Flask sebagai backend yang mampu memberikan rekomendasi obat secara akurat berdasarkan diagnosa pasien.
Uji coba sistem menunjukkan peningkatan akurasi rekomendasi obat sebesar 85%, sehingga mendukung efektivitas layanan kesehatan terutama di Puskesmas dan rumah sakit.
Sistem rekomendasi resep obat ini menunjukkan efektif dengan kebutuhan pasien.
Hal ini dapat dilihat berdasarkan berdasarkan evaluasi Precision.
Recall, dan F1 Score.
Dengan semua metrik tersebut threshold yang telah ditentukan .
% untuk Precision dan Recall, 75% untuk F1 Scor.
Kata Kunci: Kessalahan Medikasi.
Metode Content-Based Filtering.
Term Frequency-Inverse Document Frequency (TF-IDF).
Algoritma Cosine Similarity.
Evaluation Matix.
Python.
Sistem Informasi Kesehatan PENDAHULUAN Latar Belakang Kesehatan merupakan hal yang sangat penting serta krusial bagi semua manusia, karena tanpa kesehatan yang baik maka setiap manusia akan sulit dalam melaksanakan aktivitas sehari-hari.
Oleh karena itu, banyak masyarakat yang kini sadar akan kesehatan dan akan mengobati jika terjadi masalah dalam kesehatannya.
Dalam perkembangan ilmu teknologi yang semakin pesat, masyarakat kini dapat mencari tahu tentang Kesehatan melalui Website akan tetapi tidak semua pencarian informasi itu sesuai dengan masalah kesehatan karena harus ada pemeriksaan lebih lanjut oleh dokter yang sesuai dengan masalah kesehatannya.
Kesehatan merupakan salah satu faktor kualitas hidup yang mencerminkan pada pemenuhan kebutuhan dasar Peningkatan bidang kesehatan sangat penting untuk diperhatikan karena bidang ini sangat erat kaitannya dengan pembangunan, khususnya pembangunan yang menyangkut sumber daya manusia.
Tanpa adanya kondisi yang sehat maka kualitas sumber daya manusia yang tinggi sulit untuk tercapai.
Usaha-usaha meningkatkan kesehatan penduduk Indonesia lebih banyak dikerahkan pada pelayanan kesehatan yang merupakan penanganan orang sakit, atau lebih tepat disebut sebagai pengobatan.
Pembangunan kesehatan diarahkan untuk meningkatkan mutu pelayanan kesehatan yang dilaksanakan melalui peningkatan mutu pelayanan rumah sakit, puskesmas, puskesmas pembantu dan lembaga pelayanan kesehatan lainnya (Depkes RI, 1.
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Juni, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: x Medication Error (Kesalahan Medikas.
merupakan kesalahan yang dilakukan oleh tenaga kesehatan dalam merawat pasien yang sebenarnya dapat dicegah dan beresiko terjadi di berbagai rangkaian layanan kesehatan, termasuk perawatan di rumah sakit.
Kesalahan obat dapat terjadi di setiap rangkaian layanan obat dimulai dari tahap prescribing, transcribing dan dispending.
Kesalahan medis khususnya dalam pelayanan pemberian obat merupakan peristiwa yang berbahaya bagi pasien dan dapat dicegah dikarenakan adanya kesalahan dalam pelayanan obat dimulai dari salah satu atau seluruh tahapan pelayanan obat baik prescribing, transcribing dan dispending.
Timbulnya kesalahan tersebut, dapat terjadi dimanapun baik fasilitas kesehatan swasta maupun pemerintah.
Menurut (Resnick & Varian, 1997, hlm.
mengemukakan bahwa Content-Based Filtering atau Content-Based Recommender System merupakan salah satu bentuk pendekatan dari sistem rekomendasi yang bekerja dengan menyamakan atau mencocokan item yang disukai user dengan item lainnya yang mempunyai kesamaan atau kemiripan berdasarkan atribut pada objek atau itemA-nya dari proses pencocokan kemiripan item yang disukai user berupa pencocokan atribut profil user dimana preferensi dan minat user disimpan selanjutnya dicocokan dengan atribut objek atau item untuk memberikan rekomendasi item baru yang mungkin menarik bagi pengguna.
TF-IDF merupakan implementasi dari statistik numerik yang menunjukkan relevansi kata kunci dengan beberapa dokumen tertentu, dengan menyediakan kata kunci yang tersedia, beberapa dokumen tertentu dapat diidentifikasi atau dikategorikan sesuai dengan relevansinya (Qaiser & Ali, 2.
TF-IDF merupakan gabungan dari dua kata yang berbeda, yaitu TF (Term Frequenc.
dan IDF (Inverse Document Frequenc.
Term Frequency digunakan untuk mengukur berapa kali suatu term muncul dalam suatu dokumen.
Misalnya dalam sebuah dokumen AuA7Ay yang berisi 1000 kata dan terdapat kata AuInformasiAy dalam dokumen tersebut sebanyak 10 kali.
Perlu diketahui bahwa panjang total dokumen dapat bervariasi dari sangat kecil hingga besar, sehingga ada kemungkinan bahwa istilah apapun dapat muncul lebih sering dalam dokumen yang lebih besar dibandingkan dengan dokumen kecil (Qaiser & Ali, 2.
Permasalahan Kejadian medication error dapat terjadi pada setiap tahapan pelayanan pemberian obat, baik tahap peresepan .
rescribing proces.
, penerjemahan resep .
ranscribing proces.
, peracikan hingga penyiapan obat .
ispensing proces.
, dan pemberian obat pada pasien .
dministration proces.
Penulisan resep yang baik dan benar, dapat memudahkan petugas farmasi menerjemahkan dan menyiapkan obat.
Kesalahan pengobatan .
edication erro.
dapat terjadi di rumah sakit.
Puskesmas.
Klinik atau instansi kesehatan manapun, salah satunya di Puskesmas.
Data kejadian kesalahan medikasi atau medication error di Puskesmas dapat dilihat pada Tabel 1.
Uraian permasalahan diatas dapat dikemukakan proses rekomendasi resep obat belum efektif.
Adanya peningkatan medication error, bila tidak dilakukan perbaikan dapat berisiko menurunnya mutu pelayanan, yang berujung pada rendahnya patient safety dan tingkat kepercayaan pasien terhadap Puskesmas.
Dari uraian diatas, dapat ditarik ke dalam poin-poin indikator masalah di antaranya:
Sistem peresepan elektronik belum efektif karena ketidaksesuaian pencatatan resep obat, gangguan teknis dan kesulitan akses pada sistem program.
Beban kerja yang tinggi, gangguan lingkungan seperti interupsi, dan keterbatasan jumlah staf farmasi menyebabkan tidak terlaksananya prosedur standar, seperti double-checking.
Tabel 1.
Pertanyaan Kuesioner Permasalahan Presentase total kejadian kesalahan medikasi Presentase total jenis kesalahan medikasi yang sering terjadi Presentase total faktor penyebab kesalahan medikasi Sering terjadi 87,5% Kesalahan dalam pemberian dosis 31,3% Beban kerja yang tinggi 57,1% Kadang-kadang Resep yang salah Sistem pencatatan yang buruk
35,7%
Sumber: Kuisioner Google Form .
ttps://forms.
gle/A3r4aLSywDeftfjy.
Permasalahan yang diangkat pada penelitian ini yaitu tulisan dokter yang sulit dibaca menjadi hambatan bagi apoteker maupun tenaga kesehatan untuk menafsirkan resep dengan benar.
Hal ini terjadi terutama karena dokter Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Juni, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: x sering terburu-buru atau terganggu oleh panggilan mendesak saat menuliskan resep.
Penggunaan sistem yang peneliti akan terapkan diharapkan dapat membuat proses kerja menjadi lebih efektif dan efisien terutama banyaknya pasien yang mengeluh karena kurang akuratnya obat yang diresepkan oleh dokter sehingga sangat merugikan Tujuan Memberikan informasi terkait sistem rekomendasi resep obat berdasarkan diagnosa pasien yang lebih tepat dan mengukur tingkat kefektifan sistem rekomendasi pada resep obat berdasarkan diagnosa pasien menggunakan metode Content-Based Filtering.
METODE
Metode Content-Based Filtering digunakan untuk merekomendasikan item .
alam hal ini resep oba.
berdasarkan kemiripan konten antara input pengguna .
iagnosis yang diberika.
dengan data yang sudah ada dalam sistem.
Dalam konteks ini.
Content-Based Filtering (CBF) merupakan teknik rekomendasi berbasis konten yang bertujuan untuk memberikan rekomendasi berdasarkan karakteristik dari data yang ada.
Dalam kasus ini, metode CBF digunakan untuk menganalisis diagnosis pasien dan memberikan rekomendasi resep obat yang sesuai.
Cara Kerja Content-Based Filtering meliputi:
Data diagnosis pasien yang diberikan sebagai teks Diagnosis pasien dan dataset diagnosis yang ada diubah menjadi vektor numerik menggunakan metode TFIDF Kemiripan antara input diagnosis pasien dengan diagnosis dalam dataset dihitung menggunakan Cosine Similarity.
Diagnosis dengan kemiripan di atas ambang batas .
dipilih Obat terkait diagnosis yang terpilih direkomendasikan kepada pasien TF-IDF adalah metode penghitungan skor untuk setiap istilah .
dalam suatu dokumen relatif terhadap seluruh dokumen dalam dataset.
Pada kasus ini, istilah-istilah yang dianalisis adalah kata-kata dalam deskripsi diagnosis Diagnosis input diubah menjadi vektor numerik menggunakan metode TF-IDF (Term Frequency-Inverse Document Frequenc.
Vektor ini merepresentasikan diagnosis dalam bentuk angka, dengan masing-masing angka menunjukkan pentingnya suatu istilah .
dalam diagnosis tersebut.
Pada log yang terlihat.
TF-IDF menghasilkan vektor yang kebanyakan terdiri dari nol, yang menunjukkan bahwa kata-kata dalam diagnosis input sangat jarang atau tidak relevan dengan kata-kata lain dalam dataset.
Term Frequency (TF): Mengukur frekuensi kemunculan suatu kata dalam satu dokumen .
alam kasus ini, diagnosis Rumus TF-IDF:
ycNya Oe yayaya.
c, yc.
= ycNya.
c, yc.
y yayaya.
Term Frequency (TF): Mengukur frekuensi kemunculan suatu kata dalam sebuah dokumen:
TF.
, .
= yaycycoycoycaEa ycoyceycoycycuycaycycoycaycu ycoycaycyca yc yccycuycoycycoyceycu ycc ycNycuycycayco ycoycaycyca yccycaycoycayco yccycuycoycycoyceycu ycc Inverse Document Frequency (IDF): Mengukur seberapa umum atau jarang suatu kata dalam kumpulan dokumen:
ycA IDF.
= log ( 1 yaya.
ycA = Total jumlah dokumen.
DF.
= Jumlah dokumen yang mengandung kata yc.
Cosine Similarity digunakan untuk menghitung tingkat kemiripan antara dua vektor berdasarkan sudut antar-vektor Rumus Cosine Similarity:
Cosine Similarity (A.
B) = yaOoyaA AnyaAn Anyan yaOoyaA = Dot Product antara dua vektor ya dan yaA.
AnyaAn = Norma atau panjang vektor ya.
Anyan = Norma atau panjang vektor yaA.
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Juni, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN
e-ISSN: x
HASIL DAN PEMBAHASAN
Hasil Implementasi dan perhitungan langkah-langkah diawali dengan meng-input diagnosis.
"Demam tinggi disertai sakit kepala" Selanjutnya pada langkah representasi data (TF-IDF) Dataset diagnosis .
Tabel 2.
Tabel Dataset Diagnosis Diagnosis Demam tinggi Sakit kepala Demam berdarah TF-IDF Vektor .
9, 0.
1, 0.
2, 0.
8, 0.
6, 0.
0, 0.
TF-IDF input:
TF Oe IDF("Demam tinggi disertai sakit kepala") = .
8,0.
3,0.
Penghitungan Cosine Similarity Hitung Cosine Similarity antara input diagnosis dan dataset diagnosis:
yaOoyaA Cosine Similarity (A.
B) = AnyaAn Anyan Contoh perhitungan dengan diagnosis "Demam tinggi":
Cosine Similarity (A.
B) = .
,8 y 0,.
,3 y 0,.
,1 0,.
Oo.
,82 0,32 0,12 ) y Oo.
,92 0,12 0,02 ) Hasil:
Cosine Similarity = 0,85 Seleksi Diagnosis Diagnosis dengan nilai Cosine Similarity di atas threshold 0,85 dipilih:
"Demam tinggi" .
"Sakit kepala" .
Rekomendasi Obat Setelah diagnosis relevan ditemukan, resep obat direkomendasikan:
Tabel 3.
Tabel Resep Obat Direkomendasi Diagnosis Demam tinggi Sakit kepala Resep Obat Paracetamol Ibuprofen Rekomendasi akhir:
"Paracetamol.
Ibuprofen" Jadi.
Metode TF-IDF merepresentasikan teks diagnosis menjadi vektor numerik, sementara Cosine Similarity menentukan tingkat kemiripan antara input dan dataset diagnosis.
Threshold Cosine Similarity memastikan hanya diagnosis relevan yang dipilih.
Rekomendasi obat diambil berdasarkan diagnosis relevan dalam dataset, memastikan hasil yang akurat dan relevan.
Metode Content-Based Filtering berfokus pada pencocokan atribut deskriptif antara diagnosa pasien dan deskripsi obat.
Dengan memanfaatkan algoritma TF-IDF dan Cosine Similarity, sistem dapat memberikan rekomendasi obat yang relevan, akurat, dan efisien, sehingga mengurangi risiko kesalahan medikasi.
Metode Content-Based Filtering, dengan dukungan algoritma TF-IDF dan Cosine Similarity juga merupakan pendekatan yang sesuai untuk meningkatkan akurasi dan efisiensi dalam rekomendasi resep obat berdasarkan diagnosa pasien.
Metode ini memberikan dasar yang kuat untuk pengembangan prototipe sistem berbasis web dengan fokus pada solusi teknologi informasi di bidang kesehatan.
Untuk diagnosis input diubah menjadi vektor TF-IDF berdasarkan frekuensi kemunculan kata, selanjutnya kemiripan antara diagnosis input dan diagnosis lain dihitung menggunakan Cosine Similarity dan tahap terakhir diagnosis dengan kemiripan tertinggi dipilih, dan obat Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Juni, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: x yang terkait dengan diagnosis tersebut direkomendasikan.
Dengan proses ini, sistem dapat memberikan rekomendasi obat berdasarkan kemiripan teks diagnosis pasien dengan diagnosis lain dalam dataset.
Pembahasan Hasil pengujian menggunakan Evaluation Matrix dilakukan digunakan untuk serangkaian pengukuran yang digunakan untuk menilai kinerja model rekomendasi atau model klasifikasi.
Dalam konteks sistem rekomendasi resep obat berbasis Content-Based Filtering, tiga metrik evaluasi utama yang sering digunakan adalah Precision.
Recall, dan F1 Score.
Uji hasil efektivitas dari sebuah model klasifikasi dapat diukur menggunakan metrik dari evaluation matrix.
Berikut merupakan data pada tabel 4.
yang berisi data keseluruhan pasien:
Tabel 4.
Data Keseluruhan Pasien Nama Gender Umur Diagnosa Antidiarrea (Opsional & Harus dengan Hati-hat.
Kanker Payudara Triple-Negatif (Tidak Respon Terhadap Estrogen.
Progesteron, atau HER.
Resep Obat Loperamide.
Bismuth Ari Wibowo Laki-laki Kartika Putri Saraswati Perempuan Lestari Ananda Perempuan Gagal Jantung Pratama Putra Laki-laki Malaria berat/komplikasi Rahayu Setyawati Perempuan Strongyloides stercoralis (Infeksi cacing benan.
Pratama Putra Laki-laki Tifus Hendra Saputra Laki-laki Yudi Hartono Laki-laki Hendra Lesmana Laki-laki Jajang Mulyana Laki-laki Influenza Oseltamivir (Tamifl.
Zanamivir (Relenz.
Baloxavir marboxil albuterol/ipratropium, budesonide/fluticasone.
Azitromisin Risperidone (Risperda.
Olanzapine (Zyprex.
Quetiapine (Seroque.
Anemia Defisiensi Vitamin B12 Antidiarrea (Opsional & Harus dengan Hati-hat.
Diare Antibiotik .
anya jika infeksi Budi Santoso Laki-laki Bronkitis Kronis .
erhubungan dengan Penyakit Paru Obstruktif Kronik atau PPOK) Fitri Ayu Perempuan Skizofrenia Sari Mukti Hasanah Perempuan Fadel Alfarisi Laki-laki Ahmad Rivaldy Laki-laki Anemia Defisiensi Asam Folat (Vitamin B.
Kanker Payudara Stadium Awal (Stadium 0-.
Anemia Defisiensi Vitamin B12 Carboplatin Enalapril.
Lisinopril.
Ramipril Artesunate intravena/intramuskular.
Quinidine intravena Ivermectin.
Albendazole Ciprofloxacin.
Azithromycin.
Ceftriaxone Vitamin B12 injeksi.
Vitamin B12 pil oral Loperamide.
Bismuth Ciprofloxacin.
Azithromycin.
Metronidazole Suplemen asam folat Lumpektomi atau Mastektomi.
Terapi radiasi.
Tamoxifen Vitamin B12 injeksi.
Vitamin B12 pil oral Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Juni, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: x Nama Gender Umur Diagnosa Farhan Afliansyah Laki-laki Tukak Lambung Muhammad Husein Laki-laki Sri Utami Perempuan Jajang Mulyana Laki-laki Bronkitis Bakteri Anemia Defisiensi Asam Folat (Vitamin B.
Antidiarrea (Opsional & Harus dengan Hati-hat.
Joko Prasetyo Laki-laki Mukti Ranuwidjaya Laki-laki Sissy Nasution Perempuan Andi Wijaya Laki-laki Atep Permana Laki-laki Arga Falih Laki-laki Gagal Jantung Malaria Plasmodium falciparum tanpa Demam Berdarah Dengue (DBD) Cacing Gelang (Ascaris Cacing Pita (Taenia Cacing Tambang (Ancylostoma duodenale/Necator Resep Obat Omeprazole (Prilose.
Lansoprazole (Prevaci.
Pantoprazole (Protoni.
penisilin, azithromycin Suplemen asam folat Loperamide.
Bismuth Enalapril.
Lisinopril.
Ramipril Artemether-Lumefantrine (Coarte.
DihydroartemisininPiperaquine Istirahat total.
Paracetamol.
Oralit/cairan elektrolit Albendazole.
Mebendazole.
Pyrantel pamoate Praziquantel.
Niclosamide Albendazole Krioterapi atau terapi laser.
LEEP (Loop Electrosurgical Excision Procedur.
atau konisasi .
ksisi kerucu.
Lumpektomi atau Mastektomi Putri Kurniasari Perempuan Kanker Serviks PraKanker atau Stadium Awal (Stadium 0 dan IA) Rina Mulyani Perempuan Faringitis Bakteri .
kibat Streptococcu.
Cefuroxime/Azithromycin.
Penisilin V/Amoksisilin Sari Mukti Hasanah Perempuan Bronkitis Akut Paracetamol/Ibuprofen, pseudoefedrin, loratadine atau cetirizine Sissy Nasution Perempuan Siti Badriah Perempuan Fitri Ayu Perempuan Khairunnisa Rizky Perempuan Putri Salsabila Perempuan Larasati Sanusi Perempuan Cacing Kremi (Enterobius Faringitis Akibat Virus Tifus Asma Persisten Sedang hingga Berat Pneumonia Aspirasi .
isebabkan masuknya makanan, minuman, atau cairan tubuh ke paru-par.
Malaria Plasmodium falciparum tanpa Albendazole.
Mebendazole.
Pyrantel pamoate Paracetamol/Ibuprofen Ciprofloxacin.
Azithromycin.
Ceftriaxone Budesonide/Fluticasone.
Budesonide-Formoterol Clindamycin/Piperacillintazobactam.
Terapi Oksigen.
Drainase Postural Artemether-Lumefantrine (Coarte.
DihydroartemisininPiperaquine Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Juni, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: x Nama Gender Umur Maya Sari Perempuan Atep Permana Laki-laki Siti Aminah Perempuan Muhammad Husein Laki-laki Kartika Putri Saraswati Perempuan Widia Pratama Putra Laki-laki Atep Permana Laki-laki Azril Gymnastiar Laki-laki Ari Wibowo Laki-laki Arga Falih Laki-laki Putri Kurniasari Perempuan Saepul Laki-laki Diagnosa Cacing Gelang (Ascaris Malaria Plasmodium vivax/Plasmodium Gagal Jantung Anemia Defisiensi Vitamin B12 Bronkitis Kronis .
erhubungan dengan Penyakit Paru Obstruktif Kronik atau PPOK) Malaria Plasmodium vivax/Plasmodium Malaria berat/komplikasi Anemia Defisiensi Zat Besi Malaria pada Pneumonia Jamur Kanker Payudara Stadium 4 (Metastatik atau Kanker yang Menyebar ke Organ Lai.
Skizofrenia Resep Obat Albendazole.
Mebendazole.
Pyrantel pamoate Chloroquine.
Primaquine Enalapril.
Lisinopril.
Ramipril Vitamin B12 injeksi.
Vitamin B12 pil oral albuterol/ipratropium.
Azitromisin Chloroquine Artesunate intravena/intramuskular.
Quinidine intravena ferrous sulfate, ferrous gluconate, ferrous fumarate Quinine.
Clindamycin.
Artemether-Lumefantrine Amfoterisin B paclitaxel, capecitabine Risperidone (Risperda.
Quetiapine (Seroque.
Pada Metode Content-Based Filtering merupakan metode rekomendasi yang berfokus pada kesamaan atribut antar item, dalam hal ini diagnosis dan resep obat.
Sistem memanfaatkan deskripsi atau fitur yang tersedia dari diagnosis pasien untuk mencocokkannya dengan referensi resep obat.
langkah-langkah dalam Content-Based Filtering yaitu:
Persiapan data, pada Dataset pasien berisi informasi tentang pasien, seperti nama, gender, diagnosis dan resep obat yang diberikan.
Selanjutnya dataset referensi berisi pasangan diagnosis dan resep obat yang umum Preprocessing, semua teks diubah menjadi huruf kecil untuk menghindari mismatch akibat perbedaan huruf besar dan huruf kecil.
dan pada diagnosa serta resep obat dipecah menjadi format token untuk mempermudah Representasi Diagnosis dan Resep Obat, pada diagnosis pasien direpresentasikan sebagai vektor fitur berdasarkan kata-kata yang muncul.
dan selanjutnya pada setiap resep obat juga direpresentasikan dalam bentuk vektor yang sama, menggunakan pendekatan TF-IDF.
Pencocokan dan Pemberian Rekomendasi.
Dengan menggunakan Cosine Similarity, diagnosis pasien dibandingkan dengan diagnosis pada referensi untuk menentukan kemiripan dan pada resep obat dengen kemiripan tertinggi direkomendasikan kepada pasien.
Selanjutnya pada metode TF-IDF (Term Frequency-Inverse Document Frequenc.
adalah metode untuk mengubah teks menjadi representasi numerik.
Ini penting untuk menghitung relevansi diagnosis dan resep obat.
Langkahlangkah perhitungan pada metode TF-IDF yaitu:
Term Frequency (TF) untuk mengukur seberapa sering kata yc muncul dalam dokumen ycc, dan rumusnya:
ycNya .
c, ycc ) = yaycycoycoycaEa ycoyceycoycycuycaycycoycaycu ycoycaycyca yc yccycaycoycayco yccycuycoycycoyceycu ycc ycNycuycycayco ycoycaycyca yccycaycoycayco yccycuycoycycoyceycu ycc Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Juni, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: x Inverse Document Frequency (IDF) yaitu untuk mengukur seberapa unik suatu kata dimana ycA adalah jumlah total dokumen, dan rumusnya:
= ycoycuyci di seluruh dokumen ycA 1 yaycycoycoycaEa yccycuycoycycoyceycu ycycaycuyci ycoyceycuyciycaycuyccycycuyci yc TF-IDF Score, yaitu menggabungkan TF dan IDF untuk mendapatkan skor relevansi setiap kata dalam dokumen, dan rumusnya:
TF Oe IDF.
, .
= TF.
, .
y IDF.
Setelah TF-IDF dihitung, setiap diagnosis dan resep obat direpresentasikan sebagai vektor.
Cosine Similarity digunakan untuk mengukur sudut antara dua vektor tersebut, sehingga menentukan tingkat kesamaan antara diagnosis pasien dan referensi.
Berikut adalah rumus dari Cosine Similarity.
yaycuycycnycuyce ycIycnycoycnycoycaycycnycyc.
a, yaA) = Ocycuycn=1 yaycn yaAycn ocycuycn=1 ya2ycn y ocycuycn=1 yaAycn2 yang artinya Nilai Cosine Similarity berkisar antara 0 hingga 1.
nilai 1 yang dimana Diagnosis dan resep obat sangat mirip, dan nilai 0 yang dimana tidak ada kesamaan antara diagnosis dan resep obat.
Berikut adalah contoh perhitungannya pada Representasi TF-IDF dan Cosine Similarity.
yaycnycayciycuycuycycnyc ycEycaycycnyceycu: Auyccycnycaycayceycyceyc ycoycycuycuycnycAy ycIyceycyceycy ycIyceyceyceycyceycuycycn: Auycoyceycyceycuycycoycnycu, ycnycuycycycoycnycuAy Representasi TF-IDF:
ycOyceycoycoycycuyc ycycuycycyco yccycnycayciycuycuycycnyc: .
,8, 0,1, 0,.
ycOyceycoycoycycuyc ycycuycycyco ycyceycyceycy ycyceyceyceycyceycuycycn: .
,7, 0,2, 0,.
Cosine Similarity:
yaycuycycnycuyce ycIycnycoycnycoycaycycnycyc = .
,8 y 0,.
,1 y 0,.
,3 y 0,.
Oo.
,82 0,12 0,32 ) y Oo0,72 0,22 0,42 0,56 0,02 0,12 0,64 0,01 0,09 y Oo0,49 0,04 0,16 Oo Oo0,74 y Oo0,69 = 0,95 Hasilnya adalah 0.
95, menunjukkan tingkat kesamaan yang tinggi.
Untuk menghitung dengan Evaluation Matrix berdasarkan data keseluruhan pasien, proses tersebut menggunakan python pada Cursor Software dengan beberapa library seperti seaborn untuk menghitung dari Evaluation Matrix dan Seaborn untuk mempermudah dalam memvisualisasikan Evaluation Matrix.
Dengan langkah-langkah sebagi Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Juni, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: x Gambar 1.
Langkah-langkah Skrip Kode Uji Hasil Evaluation Matrix Berdasarkan Script Python terdapat rumus yang menghitung metrik evaluasi untuk sistem rekomendasi:
Precision:
ycEycyceycaycnycycnycuycu = Recall:
ycIyceycaycaycoyco = ycNycycyce ycEycuycycnycycnycyceyc .
cNycE) ycNycycyce ycEycuycycnycycnycyceyc .
cNycE) yaycaycoycyce ycEycuycycnycycnycyceyc .
aycE) ycNycycyce ycEycuycycnycycnycyceyc .
cNycE) ycNycycyce ycEycuycycnycycnycyceyc .
cNycE) yaycaycoycyce ycAyceyciycaycycnycyceyc .
aycA) F1 Score:
ya1 = 2 y ycEycyceycaycnycycnycuycu y ycIyceycaycaycoyco ycEycyceycaycnycycnycuycu ycIyceycaycaycoyco Setelah seluruh kodingan dijalankan, maka didapatkan hasil Evaluation Matrix sebagai berikut:
Jurnal SAINTEKOM (Sains dan Teknologi Komputas.
Vol.
No.
Juni, 2025 Lembaga Penelitian.
Pengembangan, dan Pengabdian Kepada Masyarakat UNBIN e-ISSN: x Gambar 2.
Hasil Dari Evaluation Matrix Pada gambar tersebut dapat diperoleh 3 metrik utama yaitu:
Precision: 99,05% Recal: 100,00% F1-Score: 99,52% Dari ketiga matrik tersebut memenuhi threshold yang ditentukan sebelumnya yaitu Threshold Precision: 0,8 .
%) Threshold Recall: 0,8 .
%) Threshold F1-Score: 0,75 .
%) Sistem rekomendasi resep obat ini memiliki kinerja yang sangat baik berdasarkan evaluasi Precision.
Recall, dan F1 Score.
Dengan semua metrik di atas threshold yang telah ditentukan .
% untuk Precision dan Recall, 75% untuk F1 Scor.
, dapat disimpulkan bahwa sistem memiliki akurasi yang tinggi (Precision tingg.
, sehingga resep yang diberikan efektif untuk memberikan manfaat kepada pasien.
KESIMPULAN
Berdasarkan hasil penelitian dan pengujian yang dilakukan pada Penerapan Metode Content-Based Filtering Untuk Rekomendasi Pada Resep Obat Berdasarkan Diagnosa Pasien, dapat diuraikan beberapa kesimpulan, antara lain:
Metode Content-Based Filtering ini mampu menentukan resep obat berdasarkan diagnosa pasien yang tepat untuk digunakan oleh Apoteker atau Dokter dan untuk hasil keseluruhan dari pengguna rata-rata persentase kelayakan berkisar 73,75% Menghasilkan prototype berupa sistem rekomendasi yang dirancang dapat menerapkan metode Content-Based Filtering dengan TF-IDF dan Cosine Similarity dalam merekomendasikan resep obat untuk pasien berdasarkan kesamaan diagnosa mereka dengan pasien lain yang pernah diberi resep obat yang sama.
Dimana penerapan metode Content-Based Filtering ini digunakan untuk rekomendasi resep obat berdasarkan diagnosa pasien yang mana dapat membantu dokter dalam memberikan perawatan yang lebih tepat serta personalisasi bagi pasien dan untuk hasil keseluruhan dari para ahli rata-rata persentase kelayakan berkisar 85%.
Sistem rekomendasi resep obat ini efektif dengan kebutuhan pasien.
Hal ini dapat dilihat berdasarkan berdasarkan evaluasi Precision.
Recall, dan F1 Score.
Dengan semua metrik tersebut threshold yang telah ditentukan .
% untuk Precision dan Recall, 75% untuk F1 Scor.
DAFTAR PUSTAKA