Publisher

UIN SUKAUIN SUKA

Journal JISKA (Jurnal Informatika Sunan Kalijaga)JISKA (Jurnal Informatika Sunan Kalijaga) Abstract

Penyakit jantung menjadi permasalahan kesehatan serius diseluruh dunia. Pendeteksian dini dan pengelompokan pasien berdasarkan ciri-ciri khusus dapat mendukung manajemen penanganan ini mengusulkan algoritma K-Means clustering untuk penyakit mengelompokkan pasien penyakit jantung dengan dataset medis sebanyak 303 pasien. Dataset mencakup atribut Umur, Jenis Kelamin, Jenis Nyeri Dada, Tekanan Darah, Kadar Serum Kolesterol, Gula Darah, Hasil Elektrokardiografi, Denyut Jantung Maksimum, Angina, Depresi ST, dan Kemiringan Segmen ST. Tujuan penelitian ini adalah mengelompokkan pasien penyakit jantung berdasarkan tingkat keparahan atau kegawatdaruratan pasien menggunakan algoritma K-Means clustering. Wawancara bersama ahli medis untuk pembagian kelompok menjadi empat cluster berdasarkan jenis nyeri dada yang merupakan gejala utama tingkat keparahan penyakit jantung. Interpretasi menghasilkan 5 cluster dengan cluster k1 berjumlah 27 pasien, k2 berjumlah 135 pasien, k3 berjumlah 15 pasien, dan k4 berjumlah 126 pasien. Analisis data menunjukan, cluster 1 (k1), cenderung terdiri dari pasien yang lebih tua, mayoritas laki-laki, menunjukan risiko tinggi dengan gejala nyeri dada parah, tekanan darah, dan kadar kolesterol tinggi. Sementara itu, cluster k2, k3, dan k4 menunjukkan risiko lebih rendah, dengan variasi respons terhadap aktivitas fisik. Pengelompokan ini memberikan dukungan kepada dokter dan peneliti dalam memahami pola penyakit jantung serta merancang strategi pengobatan yang lebih spesifik dan personal.

Conclusion

Penelitian menunjukkan bahwa cluster k1 memiliki profil risiko tertinggi, mayoritas laki-laki, usia lebih tua, nyeri dada parah, tekanan darah dan kolesterol tinggi.Cluster k2, k3, k4 memiliki risiko lebih rendah dengan parameter kesehatan lebih normal dan respons baik terhadap aktivitas fisik, meskipun nyeri dada masih dominan.Pengelompokan ini memberikan wawasan penting untuk strategi pengelolaan yang berbeda, di mana k1 memerlukan intervensi intensif dan pemantauan ketat, sementara cluster lain memerlukan pendekatan yang disesuaikan.

Future Research

Bagaimana performa algoritma clustering lain, seperti DBSCAN atau hierarchical clustering, dalam mengelompokkan pasien penyakit jantung dibandingkan dengan K-Means pada dataset yang lebih besar dan beragam, sehingga dapat menilai keunggulan atau keterbatasan masing-masing metode? Apakah penambahan variabel klinis tambahan, misalnya riwayat keluarga, kebiasaan merokok, atau hasil tes biomarker, dapat meningkatkan akurasi dan interpretabilitas cluster yang dihasilkan, sehingga membantu dokter dalam membuat keputusan yang lebih tepat? Sejauh mana hasil pengelompokan cluster dapat diterapkan secara real‑time dalam praktik klinis, dengan melakukan studi prospektif pada populasi pasien yang dipantau selama periode waktu tertentu untuk mengevaluasi dampak intervensi berbasis cluster terhadap outcome kesehatan, sehingga dapat menilai manfaat praktis dari pendekatan ini dalam meningkatkan kualitas hidup pasien.

References

1. K Value Effect on Accuracy Using the K-NN for Heart Failure Dataset | MATRIK : Jurnal Manajemen, Teknik... doi.org/10.30812/matrik.v22i3.2984K Value Effect on Accuracy Using the K NN for Heart Failure Dataset MATRIK Jurnal Manajemen Teknik doi 10 30812 matrik v22i3 2984
2. Data Mining Menggunakan Metode K-Means Clustering Untuk Menentukan Besaran Uang Kuliah Tunggal | Journal... journal.isas.or.id/index.php/JACOST/article/view/102Data Mining Menggunakan Metode K Means Clustering Untuk Menentukan Besaran Uang Kuliah Tunggal Journal journal isas index php JACOST article view 102
3. IMPLEMENTASI ALGORITMA K-MEDOIDS UNTUK CLUSTERING WILAYAH TERINFEKSI KASUS COVID-19 DI DKI JAKARTA |... doi.org/10.31884/jtt.v7i2.353IMPLEMENTASI ALGORITMA K MEDOIDS UNTUK CLUSTERING WILAYAH TERINFEKSI KASUS COVID 19 DI DKI JAKARTA doi 10 31884 jtt v7i2 353

Metadata

File size	608.57 KB
Pages	12
DMCA	Report