UNIVERSITAS INDONESIA

TEKNOLOGI INFORMASI OG-miner

UNTUK PENCAPIAN MDGs PADA TAHUN 2015 DI INDONESIA.

Disusun Sebagai Tugas Mata Ajar Sistem Informasi Manajemen

Koordinator: Rr.Tutik Sri Hariyati, MARs

DISUSUN OLEH:

EKA RIYANTI

NIM : 1006749081

PROGRAM STUDI MAGISTER KEPERAWATAN

FAKULTAS ILMU KEPERAWATAN

UNIVERSITAS INDONESIA

2011

TEKNOLOGI INFORMASI OG-miner

UNTUK PENCAPIAN MDGs PADA TAHUN 2015 DI INDONESIA.

Eka riyanti

1006749081

ABSTRAK

Statistik terbaru dari WHO menunjukkan bahwa sekitar 500.000 perempuan meninggal dunia setiap tahun, mayoritas dari mereka berada di negara berkembang, karena adanya komplikasi kehamilan. Situasinya sangat serius bahwa PBB telah menetapkan target untuk mengurangi Angka Kematian Ibu (AKI) dengan 75% sampai tahun 2015 dalam tujuan milenium perkembangannya (MDGs).

Untuk pencapaian MDGs perlu untuk menyediakan solusi kesehatan yang terpadu dengan menggunakan Teknologi Informasi dan alat-alat kesehatan yang canggih yang menyediakan pelayanan antenatal. OG-Miner menggunakan teknik data mining untuk menentukan risiko faktor, yang dapat menyebabkan kematian seorang wanita hamil, atas dasar informasi diekstrak dari catatan kesehatan elektronik, tingkat akurasi lebih dari 98% pada dataset pasien risiko tinggi.

OG-Miner milik Afrid dapat diaplikasikan diindonesia dengan menggabungkanya dengan Sistem informasi teknologi canggih untuk ibu dan anak milik Lei Chen sehingga ibu hamil berisiko tinggi akan mendapat pelayanan kesehatan yang tepat sehingga angka kematian ibu dapat diturunkan dan Indonesia bisa mencapai MDGs pada tahun 2015

Kata kunci : teknologi informasi, OG miner, MDGs.

BAB I

LATAR BELAKANG

Statistik terbaru dari WHO menunjukkan bahwa sekitar 500.000 perempuan meninggal dunia

setiap tahun, mayoritas dari mereka berada di negara berkembang, karena adanya komplikasi

kehamilan. Situasinya sangat serius bahwa PBB telah menetapkan target untuk mengurangi

Angka Kematian Ibu (AKI) dengan 75% sampai tahun 2015 dalam tujuan milenium

perkembangannya (MDGs). Penyebab utama yang berkontribusi terhadap Angka Kematian Ibu

terutama di negara-negara Afrika dan Asia dengan sumber daya yang terbatas Adalah

Perdarahan, Hipertensi, persalinan lama/ macet dan Septikemia U. Fund (2008).

Kinerja penurunan angka kematian ibu secara global masih rendah. Di Indonesia, angka

kematian ibu melahirkan (MMR/Maternal Mortality Rate) menurun dari 390 pada tahun 1991

menjadi 228 per 100.000 kelahiran hidup pada tahun 2007. Target pencapaian MDG pada tahun

2015 adalah sebesar 102 per 100.000 kelahiran hidup, sehingga diperlukan kerja keras untuk

mencapai target tersebut. Walaupun pelayanan antenatal dan pertolongan persalinan oleh tenaga

kesehatan terlatih cukup tinggi, beberapa faktor seperti risiko tinggi pada saat kehamilan dan

aborsi perlu mendapat perhatian. Ke depan, upaya peningkatan kesehatan ibu diprioritaskan pada

perluasan pelayanan kesehatan berkualitas, pelayanan obstetrik yang komprehensif, peningkatan

pelayanan keluarga berencana dan penyebarluasan komunikasi, informasi dan edukasi kepada

masyarakat (laporan Indonesia).

Kematian bisa saja dengan mudah dihilangkan melalui pencegahan dan penanggulangan yang

efektif dan efisien. Tapi hal ini akan memberikan tuntutan terhadap kebutuhan kunjungan

antenatal yang tepat waktu kepada ahli medis yang terlatih. Untuk memenuhi tantangan

menyelamatkan nyawa ibu dan baru lahir, kita sebagai tenaga kesehatan perlu untuk

menyediakan solusi kesehatan yang terpadu dengan menggunakan ponsel infrastruktur

Teknologi Informasi dan alat-alat kesehatan yang canggih yang menyediakan pelayanan

antenatal pada tiap rumah yang ada perempuannya di daerah pedesaan Afridi (2011). OG-Miner

ini membangun jejaring lady health workers (LHWs) untuk mengintegrasikan mereka ke dalam

alur kerja system ini (lihat Gambar 1).

OG-miner dimulai dari LHW elektronik memasukan laporan kunjungan antenatalnya pada

ponsel dan kemudian mengirimkannya ke server, di mana data tersebut disimpan dalam suatu

system Electronic Medical Record (EMR), bertempat di sebuah rumah sakit perawatan tersier.

Server kemudian memanggil Clinical Decision Support System (CDSS) yang didasarkan pada

alat cerdas kesehatan (OG-Miner). Alat otomatis menganalisis catatan elektronik pasien dan

mengklasifikasikan sebagai pasien normal atau berisiko tinggi. Motivasi untuk menggunakan

alat cerdas kesehatan (OG-Miner) untuk membantu LHWs mendapatkan data yang akurat dan

arahan yang tepat waktu. Akibatnya, ia bertindak sebagai filter dan mengurangi beban kerja

konsultan medis yang sekarang hanya memanagement pasien risiko tinggi.

OG-Miner adalah mempunyai nilai besar untuk mengembangkan negara di mana dokter untuk

rasio populasi sangat rendah. Alat ini tingkat akurasi lebih dari 98% pada pasien risiko tinggi.

OG Miner dengan akurasi yang tinggi akan menjadi komponen penting dari lingkungan TI

berbasis kesehatan, akibatnya akan memainkan peran penting dalam mencapai MDGs melalui

pengurangan MMR di negara-negara berkembang. Oleh karena itu OG-miner penting untuk

diaplikasikan di Indonesia sehingga Indonesia bisa mencapai MDGs pada tahun 2015.

BAB II

KAJIAN LITERATUR

Status kesehatan ibu telah menjadi hal yang penting masalah dalam sistem perawatan kesehatan

di suatu negara. Selama dekade terakhir, tindakan perlindungan yang telah digunakan untuk

meningkatkan ibu sehingga kematian kehamilan berisiko tinggi , kematian bayi baru lahir dan

bayi baru lahir cacat telah berkurang secara dramatis sebagai hasil dari upaya. Di pedesaan

wilayah, sumber daya perawatan kesehatan untuk ibu dan anak-anak telah langka untuk waktu

yang lama karena tidak ada rumah sakit cukup atau dokter. Biasanya wanita hamil harus pergi ke

terdekat kota atau kota untuk mendapatkan layanan kesehatan. Sebagai akibat dari kekurangan

tersebut sumber daya kesehatan, wanita hamil dan anak bisa tidak mendapatkan pemeriksaan

dari rumah sakit atau mendapatkan terus pengawasan kesehatan, dan dokter mungkin tidak

memiliki cukup untuk mendiagnosis Yanqiu G (2009).

Pada OG-miner langkah pertama yang dilakukan mengumpulkan data nyata Obstetri dan

Gynekologi dari 1200 pasien dari dua rumah sakit perawatan tersier dan perawatan di daerah

pedesaan terutama ibu yang memiliki resiko tinggi seperti hipertensi, perdarahan, persalinan

macet, septikemia. Kemudian memvisualisasikan dan menganalisa data set untuk menemukan

trend dan pola yang membantu kita dalam melakukan rekayasa persyaratan sebuah classifier

kembali akurat dan akhirnya dapat diandalkan. Dari analisa data tersebut bisa diperoleh data ibu

mana yang membutuhkan pemeriksaan lebih dari tenaga medis sehingga bisa mengurangi beban

kerja tenaga menis dan dapat mencegah resiko-resiko yang terjadi pada ibu hamil, melahirkan

dan postpartum sehingga diharapkan MDGs pada tahun 2015 dapat dicapai terutama di

Indonesia.

Alur kerja OG-Miner dimulai dari LHW elektronik memasukan laporan kunjungan antenatalnya

pada ponsel dan kemudian mengirimkannya ke server, di mana data tersebut disimpan dalam

suatu system Electronic Medical Record (EMR), bertempat di sebuah rumah sakit perawatan

tersier. Server kemudian memanggil Clinical Decision Support System (CDSS) yang didasarkan

pada alat cerdas kesehatan (OG-Miner). Alat otomatis menganalisis catatan elektronik pasien dan

mengklasifikasikan sebagai pasien normal atau berisiko tinggi. Motivasi untuk menggunakan

alat cerdas kesehatan (OG-Miner) untuk membantu LHWs mendapatkan data yang akurat dan

arahan yang tepat waktu. Akibatnya, ia bertindak sebagai filter dan mengurangi beban kerja

konsultan medis yang sekarang hanya memanagement pasien risiko tinggi Afridi (2011).

Gambar 1. Alur Kerja Sistem informasi OG-Miner

OG-Miner menggunakan teknik data mining untuk menentukan risiko faktor, yang dapat

menyebabkan kematian seorang wanita hamil, atas dasar informasi diekstrak dari catatan

kesehatan elektronik. Hal ini penting untuk memiliki sistem seperti karena alasan yang

disebutkan dalam bagian sebelumnya. Komplikasi kehamilan menunjukkan pola tertentu yang

dinyatakan mungkin dianggap normal. Misalnya tekanan darah dari 130/90 adalah alarm risiko

tinggi untuk wanita hamil tapi untuk wanita lain tidak karena sudah terbiasa. Untuk

menyimpulkan, kita harus memiliki dataset untuk kehamilan terkait komplikasi karena

metodologi penilaian risiko untuk wanita hamil benar-benar berbeda dibandingkan dengan

normal yang.

Pekerjaan yang dilaporkan dalam C.Shu(2008), Y.Chae (2001), A.Tanwani (2009), M.Wozniak

(2005) tidak berlaku data mining untuk dataset hipertensi tetapi dataset tidak berfokus pada

wanita hamil. Penelitian hanya dikenal pada wanita hamil mendeteksi pra-eklampsia -

komplikasi yang dihasilkan karena hipertensi - dengan mengidentifikasi pola-pola metabolik

pada pasien plasma L.Kenny (2005). Goodwin et al(2001) dilakukan penelitian tentang pasien

wanita hamil dengan tujuan yang untuk memprediksi - mempertimbangkan faktor demografi -

kelahiran prematur. Ide menggunakan sistem pakar untuk penilaian risiko kelahiran prematur

merupakan fokus dari Woolery et al(1994). Untuk menyimpulkan, OG-Miner adalah alat

pertama yang menargetkan faktor risiko tinggi kematian ibu dengan penggunaan data mining dan

teknik belajar mesin.

Berbeda dengan OG-Miner milik M.Jamal Afridi dan Muddassar Farooq, Sistem informasi

teknologi canggih untuk ibu dan anak milik Lei Chen memiliki tahapan yaitu pengumpulan data,

pengolahan data, data mining dan pelayanan kesehatan Lie Chen (2011).

A. Pengumpulan data

Fungsi pengumpulan data dirancang untuk mengumpulkan dan mentransfer tanda-tanda

fisik wanita hamil. Ada tiga langkah-langkah penting untuk mewujudkan dalam fungsi ini.

Pertama, data yang akurat harus dikumpulkan tepat waktu. Kabel sensor bukan pilihan yang

baik karena tidak bekerja di luar skenario dan tidak nyaman bagi wanita hamil. Untuk

menggunakan sensor nirkabel, sensor harus nirkabel dipakai. Selama beberapa tahun

terakhir, banyak miniaturisasi, multiparameter, rendah daya digital sampling dan

pemantauan peralatan telah dikembangkan Pantelopoulos, A (2010). Dan ini berlangsung

memungkinkan untuk mengumpulkan banyak tanda-tanda fisik yang penting, seperti

sebagai elektrokardiogram, suhu, oksigen darah darah, tekanan, gula darah, denyut jantung,

denyut jantung janin, pada hamil perempuan kehidupan sehari-hari oleh sensor nirkabel.

Kedua, data yang dikumpulkan oleh sensor harus dipindahkan ke tepat waktu ke pusat data.

Data dikirim melalui Internet dan telepon selular jaringan tersebar luas di cina, data yang

dikumpulkan oleh sensor dapat ditransfer ke pusat-pusat kesehatan data dengan cepat dan

mudah melalui Internet. Dalam rangka untuk mengurangi biaya perangkat data akan dikirim

ke perangkat pintar digunakan sehari-hari dan ditransfer ke pusat data oleh perangkat pintar,

antara lain ponsel yang canggih, komputer melalui Bluetooth. Kim (2007).

Program tertentu akan ditempatkan di perangkat pintar. Program berjalan, perangkat cerdas

akan mengirimkan data yang dikumpulkan untuk data pusat melalui Internet. Ketiga, data

yang dikumpulkan oleh sensor harus bersatu dalam format. Format data harus bersatu

sebelum memproses. Penyimpanan jangka panjang harus dipertimbangkan. Data kesehatan

wanita hamil harus dikumpulkan terus menerus dari awal sampai akhir dari keseluruhan

proses kehamilan.

B. Pengolahan data

Dengan terus menerus dikumpulkan data kesehatan, dokter mungkin tawaran yang lebih

baik diagnostik untuk wanita hamil, dan banyak penyakit, seperti diabetes gestasional,

hipertensi kehamilan, denyut jantung janin yang abnormal, dapat dideteksi dalam

tahap awal. Akibatnya, dokter dapat memenangkan waktu yang berharga untuk pengobatan

sebelum perkembangan penyakit. Data fungsi pengolahan dirancang untuk proses baku yang

dikumpulkan Data. Fungsi pengolahan data terdiri dari tiga bagian: Alarm fungsi fungsi,

Peramalan dan Klasifikasi fungsi. Fungsi alarm berfokus pada beberapa tanda fisik (seperti

elektrokardiogram, denyut jantung, tekanan darah) yang menunjukkan status fisiologis

wanita hamil. Jika tanda-tanda fisik menjadi tidak biasa, mungkin menunjukkan status

fisiologis ibu hamil adalah normal. Program alarm harus menilai apakah status abnormal

tersebut menunjukkan wanita hamil dalam bahaya dan perlu pertolongan pertama

pengobatan. Jika keputusan adalah pertolongan pertama pengobatan dibutuhkan, sistem

harus meminta pertolongan pertama pengobatan untuk ibu hamil segera dalam situasi ini.

Fungsi peramalan ini dirancang untuk meramalkan penyakit akut. Berbeda dengan

fungsi alarm, peramalan fungsi fokus pada beberapa tanda-tanda fisik yang berbeda dan

menggunakan indeks yang berbeda dalam rangka untuk meramalkan perempuan hamil

fisiologis status dalam waktu singkat di masa depan. Jika beberapa sinyal abnormal

terdeteksi, program peramalan harus menilai apakah wanita hamil adalah pada tahap awal

dari beberapa penyakit akut. Tanda-tanda fisik seperti tekanan darah, gula darah akan hati-

hati dianalisis oleh fungsi mengklasifikasikan. Fungsi mengklasifikasikan akan menilai

masih ada dari mereka yang kronis penyakit. Berdasarkan penilaian, para wanita hamil

dapat mendapatkan program perawatan kesehatan jangka panjang, dan sistem akan

membantu mereka melaksanakan program seperti pribadi menawarkan obat pengingat.

Pengolahan data harus selesai secepat mungkin. Mungkin ada cukup banyak terminal

mengirim data ke datacenter pada waktu yang sama dan menunggu. Dan layanan penyedia

tidak mampu memberikan layanan ke terminal sampai mendapatkan hasil yang diproses.

Jadi Program menerapkan data fungsi pengolahan harus sangat bersamaan dan realtime.

C. Data Mining

Dalam data mining, data disimpan secara elektronik dan pencarian otomatis-

atau setidaknya ditambah-oleh komputer. Data mining adalah tentang memecahkan masalah

dengan menganalisis data yang telah hadir di database Witten (2005).

Data fungsi pencarian data ini dirancang untuk membantu ahli medis atau dokter

menganalisis data yang dikumpulkan dan menciptakan model pengolahan yang baru. Semua

tanda fisik yang dikumpulkan disimpan dalam pusat data untuk menghasilkan model yang

mungkin untuk data pengolahan fungsi. Fungsi pencairan data dapat dibagi menjadi tiga

jenis: fungsi menganalisis tanda fisik, fungsi menganalisis penyakit akut, fungsi

menganalisis penyakit kronis. Biasanya, data mining membutuhkan banyak daya

komputerisasi. Di pusat data, daya komputasi dapat terpisah dalam cukup banyak dari

server. Program melaksanakan fungsi data mining harus dirancang untuk berjalan dalam

lingkungan ini.

D. Pelayanan Kesehatan

Tujuan dari mengumpulkan dan menganalisis data sehingga banyak adalah untuk

menawarkan layanan kesehatan yang tepat untuk wanita hamil. Layanan khas dapat

diberikan adalah: pertolongan pertama pengingat obat, panduan medis, konsultasi jarak jauh

dan manajemen kesehatan.

Contohnya sebuah kasus obat pengingat. Untuk wanita hamil dengan penyakit kronis adalah

penting mengambil obat tepat waktu dan benar. Kedua data yang dikumpulkan oleh sensor

dan perintah dokter disimpan di pusat data. Pengingat obat akan diberikan berdasarkan pada

mereka. Dan pasien akan diingatkan untuk minum obat tepat waktu.

OG-miner akan lebih lengkap jika di gabung dengan Sistem informasi teknologi canggih

untuk ibu dan anak milik Lei Chen karena setelah mendapat ibu hamil yang berisiko tenaga

kesehatan akan memberikan pelayanan yang sesuai dengan kondisi pasien sehingga ibu bisa

meningkat status kesehatannya menurun angka kematiannya sehingga tercapai MDGs tahun

2015.

BAB IIIKESIMPULAN DAN SARAN

OG-Miner menggunakan teknik data mining untuk menentukan risiko faktor, yang dapat

menyebabkan kematian seorang wanita hamil, atas dasar informasi yang diekstrak dari catatan

kesehatan elektronik. OG-Miner mendapatkan data yang akurat dan arahan yang tepat waktu.

OG-Miner juga sebagai filter dan mengurangi beban kerja konsultan medis karena dengan

adanya analisis apakah wanita itu keadaannya normal atau berisiko tinggi, maka tenaga

kesehatan akan lebih focus dalam melakukan asuhan keperawatan pada pasien risiko tinggi.

OG-Miner akan lebih lengkap jika digabung dengan Sistem informasi teknologi canggih untuk

ibu dan anak milik Lei Chen, karena dalam system tersebut tidak hanya menentukan factor

resiko tinggi saja tetapi juga membuka pelayanan apa yang tepat untuk meningkatkan kesehatan

ibu. Dengan meningkatnya kesehatan ibu angka kematian ibu bisa diturunkan sehingga

pencapaian MDGs akan tercapai pada tahun 2015.

OG-Miner bisa diaplikasikan diindonesia, tetapi membutuhkan dukungan yang besar baik itu

dari komitmen pemerintahan, SDM khususnya perawat yang mempunyai ahli di sistem

informasi, dan peralatan yang mahal dan dengan biaya perawatan alat yang mahal.

DAFTAR PUSTAKA

Afridi M. Jamal and M Farooq(2011). OG-miner: an Intelligent Healt Tool For Achieving Millennium Development Goals (MDGs) in m-Health Environments. Proceedings of the 44th Hawaii International Conference on System Sciences.

A. Tanwani, J. Afridi, M. Shafiq, and M. Farooq,(2009) “Guidelines to Select Machine Learning Scheme for Classification of Biomedical Datasets,” in Proceedings of the 7th European Conference on Evolutionary Computation, Machine Learning and Data Mining in Bioinformatics. Springer, 2009, pp. 128–139.

BAPPENAS, (2010). Laporan Pencapaian Tujuan Pembangunan Milinium di INDONESIA 2010. Kementerian Perencanaan Pembangunan Nasional / Badan Perencanaan Pembangunan Nasional (BAPPENAS) ISBN 978 - 979 - 3764 - 64 - 1

C. Su and C. Yang,(2008) “Feature selection for the SVM: An application to hypertension diagnosis,” Expert Systems with Applications, vol. 34, no. 1, pp. 754–763, 2008.

Kim, Dae-Young Cho, Jinsung,(2007) "WBAN Meets WBAN: Smart Mobile Space over Wireless Body Area Networks", Vehicular Technology Conference Fall (VTC 2009-Fall), Sept. 2007, pp. 1-5, doi:10.1109/VETECF.2009.5378899.

L. Goodwin, M. Iannacchione, W. Hammond, P. Crockett, S. Maher, and K. Schlitz,(2001) “Data mining methods find demographic predictors of preterm birth,” Nursing research, vol. 50, no. 6, p. 340.

L. Kenny, W. Dunn, D. Ellis, J. Myers, P. Baker, and D. Kell,(2005) “Novel biomarkers for pre-eclampsia detected using metabolomics and machine learning,” Metabolomics, vol. 1, no. 3, pp. 227–234.

L. Woolery and J. Grzymala-Busse,(1994) “Machine learning for an expert system to predict preterm birth risk,” Journal of the American Medical Informatics Association, vol. 1, no. 6, p. 439.

Lei Chen, Ji-Jiang Yang, Qing Wang, Ming-yu Wang(2011). An Intelligent Information System for Maternal and Child Health Care. 2011 35th IEEE Annual Computer Software and Applications Conference Workshops

M. Wozniak,(2005) “Boosted Decision Trees for Diagnosis Type of Hypertension,” Entropy, vol. 1.

Pantelopoulos, A., Bourbakis, N.G.(2010), “A survey on wearable sensorbased systems for health monitoring and prognosis”,IEEE Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews,Vol. 40, No. 1, Jan. 2010, pp.1-12, doi: 10.1109/TSMCC.2009.2032660

U. Fund, ( 2008)“State of the Worlds Children 2009. Maternal and Newborn Health,” New York: UNICEF, vol. 60.

Witten and E. Frank,(2005) Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann Pub, 2005.

Y. Chae, S. Ho, K. Cho, D. Lee, and S. Ji, (2001)“Data mining approach to policy analysis in a health insurance domain,” International journal of medical informatics, vol. 62, no. 2-3, pp. 103–111.

Yanqiu G, Ronsmans C, An L(2009),"Time trends and regional differences in maternal mortality in China", Bull World Health Organ ,vol.87, Dec.2009, pp.913-920, doi: 10.2471/BLT.08.060426.