Publisher

UNKLABUNKLAB

Journal CogITo Smart JournalCogITo Smart Journal Abstract

Setiap fasilitas kesehatan seperti rumah sakit, klinik dan puskesmas yang bekerjasama dengan BPJS wajib melakukan klaim pembiayaan atas perawatan kesehatan terhadap pasien menggunakan tarif INACBGs (Indonesian - Case Based Groups). Tarif INACBGs merupakan paket layanan yang didasarkan kepada pengelompokan diagnosa penyakit yang menggunakan kode ICD-10. Penelitian ini bertujuan menemukan pola frekuensi pada dataset INA-CBGs terutama kombinasi diagnosa agar diketahui kombinasi diagnosa apa saja yang sering muncul untuk bahan evaluasi lebih lanjut oleh pihak manajemen fasilitas kesehatan. Penelitian ini membandingkan kinerja Algoritma Apriori, FP-Growth dan Eclat. Nilai Akurasi Lift Ratio dan Rule Asosiasi ketiga algoritma didapatkan nilai yang sama, tetapi untuk waktu komputasi dan pemakaian memori pada Algoritma Eclat lebih banyak daripada Algoritma Apriori dan Fp-Growth, maka dapat disimpulkan bahwa Algoritma FP-Growth dan Apriori lebih cocok untuk dijadikan solusi dalam menemukan pola frekuensi pada dataset INACBGs.

Conclusion

Hasil dari proses pembentukan aturan asosiasi oleh algoritma Apriori, FP Growth dan ECLAT pada dataset DIAGLIST, dengan menentukan nilai support 0.6 didapatkan hasil yang sama yaitu memperoleh 7 aturan asosiasi, adapun deskripsi dari aturan asosiasi tersebut adalah “Jika pasien melahirkan dengan tindakan operasi caesar maka sebagian besar melahirkan 1 bayi, “Jika pasien melahirkan dengan normal maka sebagian besar melahirkan 1 bayi, “Jika pasien melahirkan bayi premature maka sebagian besar melahirkan 1 bayi, “Jika pasien didiagnosa tumor maka sebagian besar dilakukan kemoterapi, “Jika pasien bayi baru lahir mengalami susah menelan maka sebagian besar terkena juga penyakit kuning, “Jika pasien didiagnosa Hiperosmolalitas dan hypernatremia maka biasanya mengalami gagal nafas, “Jika pasien bayi lahir dengan berat badan rendah maka sebagian besar terkena juga penyakit kuning.Aturan asosiasi yang dihasilkan dari frequent itemset dapat dipakai sebagai pendukung keputusan bagi fasilitas kesehatan dalam melakukan persiapan pelayanan yang berkaitan antara dua penyakit, meningkatkan pemantauan pelayanan pada kasus-kasus penyakit yang sering terjadi, dan meningkatkan persiapan obat, alat kesehatan dan sarana prasarana yang mendukung pelayanan tersebut.Hasil perbandingan dari waktu proses perhitungan pembentukan aturan asosiasi dengan menggunakan algoritma Eclat membutuhkan waktu paling lama yaitu 179,21 detik, sedangkan FP-Growth adalah algoritma yang paling cepat waktu prosesnya yaitu 2,7484 detik.Dalam proses pembentukan aturan asosiasi Algoritma ECLAT membutuhkan kapasitas memori yang paling besar jika dibandingkan dengan kapasitas memori yang dibutuhkan Algoritma Apriori dan FP- Growth untuk melakukan proses perhitungan pembentukan aturan asosiasi tersebut.Maka dari hasil analisis ketiga perbandingan tadi peneliti menyimpulkan bahwa Algoritma FP-Growth adalah algoritma yang paling cocok dan efisien dalam melakukan proses pembentukan aturan asosiasi untuk dataset DIAGLIST pada database INACBG.

Future Research

Berdasarkan hasil penelitian, algoritma FP-Growth menunjukkan kinerja yang lebih baik dalam menemukan pola frekuensi dan aturan asosiasi pada dataset INA-CBGs. Namun, penelitian ini hanya fokus pada variabel DIAGLIST dan belum mengungkap semua variabel lain yang dimiliki database INA-CBGs. Untuk penelitian lanjutan, disarankan untuk melakukan analisis yang lebih komprehensif dengan mempertimbangkan semua variabel dalam database. Selain itu, dapat dilakukan perbandingan dengan algoritma data mining lainnya untuk menemukan algoritma yang paling optimal dalam menganalisis dataset INA-CBGs. Dengan demikian, penelitian lanjutan dapat memberikan kontribusi yang lebih luas dalam bidang datascience dan membantu fasilitas kesehatan dalam melakukan evaluasi dan perbaikan layanan kesehatan.

References

1. Determination of the best rule-based analysis results from the comparison of the Fp-Growth, Apriori,... doi.org/10.31940/matrix.v13i2.52-67Determination of the best rule based analysis results from the comparison of the Fp Growth Apriori doi 10 31940 matrix v13i2 52 67
2. Evaluation of Apriori, FP growth and Eclat association rule mining algorithms | International journal... doi.org/10.53730/ijhs.v6nS2.6729Evaluation of Apriori FP growth and Eclat association rule mining algorithms International journal doi 10 53730 ijhs v6nS2 6729
3. Comparison of Priori and FP-Growth Algorithms in Determining Association Rules | IEEE Conference Publication... doi.org/10.1109/ICEEIE47180.2019.8981438Comparison of Priori and FP Growth Algorithms in Determining Association Rules IEEE Conference Publication doi 10 1109 ICEEIE47180 2019 8981438

Metadata

File size	432.01 KB
Pages	15
DMCA	Report