Publisher

STMIK AMIKBANDUNGSTMIK AMIKBANDUNG

Journal Journal of Information TechnologyJournal of Information Technology Abstract

Puskesmas Cigugur Tengah dalam setiap harinya melayani pasien sekitar 150 orang dari berbagai wilayah didaerah Cigugur Tengah. Dengan bertambahnya jumlah pasien tersebut, maka bertambah pula data pasien setiap harinya, sehingga sejumlah data tidak dapat dipelajari lebih lanjut dan data tersebut hanya digunakan sebagai arsip saja. Berdasarkan latar belakang tersebut, maka penulis ingin mengolah data tersebut untuk mengelompokan penyakit pasien berdasarkan penyakit akut dan penyakit tidak akut menggunakan teknik data mining dengan metode clustering dengan algoritma k-means dan algoritma k-medoids sebagai pembanding. Sehingga nantinya dapat membantu pihak Puskesmas Cigugur Tengah untuk mengetahui penyakit apa yang paling banyak diderita pasien, kemudian dapat membantu pihak pemerintah khususnya Dinas Kesehatan dalam pemberian penyuluhan kesehatan kepada masyarakat sekitar. Berdasarkan hasil pengujian dari algoritma k-means dan algoritma k-medoids, didapat cluster model untuk algoritma k-means sebanyak 241 items pada cluster_0 atau penyakit akut sebesar 96% dan 9 items pada cluster_1 atau penyakit tidak akut sebesar 4% dari 250 data, sedangkan untuk algoritma k-medoids sebanyak 224 items pada cluster_0 atau penyakit akut sebesar 90% dan 26 items pada cluster_1 atau penyakit tidak akut sebesar 10% dari 250 data, maka penyakit yang paling banyak diderita pasien pada Puskesmas Cigugur Tengah adalah penyakit akut sebesar 93%, dengan nilai Davies Bouldin untuk algoritma k-means sebesar -0.453 dan algoritma k-medoids sebesar -1.276. Dari hasil tersebut dapat dikatakan bahwa algoritma yang menghasilkan nilai Davies Bouldin terkecil dianggap sebagai algoritma yang lebih baik, maka dapat disimpulkan bahwa algoritma k-means lebih baik dari algoritma k-medoids yang menghasilkan nilai rata – rata Davies Bouldin sebesar -1.276.

Conclusion

Penelitian ini mengelompokkan penyakit pasien menjadi dua cluster, yaitu cluster_0 untuk penyakit akut dan cluster_1 untuk penyakit tidak akut.Pengujian algoritma k-means menghasilkan nilai Davies‑Bouldin sebesar -0.453, lebih baik dibandingkan k-medoids yang memperoleh -1.Dari hasil clustering, mayoritas (93 %) pasien Puskesmas Cigugur Tengah menderita penyakit akut.

Future Research

Penelitian lanjutan dapat mengeksplorasi penggunaan algoritma clustering lain seperti hierarchical clustering atau DBSCAN untuk membandingkan akurasi dan ketepatan pengelompokan penyakit pada dataset yang sama, sehingga dapat mengidentifikasi metode yang paling efektif. Selain itu, analisis temporal dapat ditambahkan untuk mempelajari perubahan pola penyakit dari tahun ke tahun dengan mengaplikasikan teknik time‑series clustering, yang akan membantu pihak kesehatan dalam merencanakan intervensi lebih proaktif. Selanjutnya, studi dapat memperluas cakupan data dengan mengumpulkan rekam medis dari beberapa puskesmas di wilayah berbeda serta menambahkan variabel demografis seperti usia, jenis kelamin, dan status sosial ekonomi, guna menguji generalisasi model dan meningkatkan kemampuan prediksi penyakit pada populasi yang lebih luas.

References

1. Penerapan Algoritma K-Means Clustering Untuk Pengelompokkan Penyebaran Diare Di Kabupaten Langkat | CogITo... doi.org/10.31154/cogito.v2i2.19.108-119Penerapan Algoritma K Means Clustering Untuk Pengelompokkan Penyebaran Diare Di Kabupaten Langkat CogITo doi 10 31154 cogito v2i2 19 108 119

Metadata

File size	742.45 KB
Pages	6
DMCA	Report