Implementasi Algoritma K-Means Untuk Clustering Data Penyakit Di Puskesmas Kotagede 2 Yogyakarta
DOI:
https://doi.org/10.36815/submit.v4i1.3195Keywords:
Clustering, Data Mining, Davies Bouldin Index, K-MeansAbstract
Puskesmas Kotagede 2 melayani pasien dari berbagai wilayah setiap hari, yang menghasilkan banyak data rekam medis. Saat ini, data tersebut hanya diarsipkan tanpa analisis lebih lanjut, menyebabkan pemimbunan data. Untuk mengatasi hal ini, diperlukan sistem yang dapat mengelompokkan data rekam medis berdasarkan kemiripan, untuk memberikan wawasan baru bagi tenaga medis tentang penyakit, faktor risiko, dan pola penyakit. Tujuan penelitian ini adalah menghasilkan dua cluster penyakit dan mengevaluasi hasilnya dengan Davies Bouldin Index yang bermanfaat untuk mengetahui kelompok penyakit yang banyak dan jarang, rata-rata usia penderitanya, dan wilayah asal penderita. Pengumpulan data dilakukan melalui proses wawancara dengan salah satu staff bagian rekam medis di Puskesmas Kotagede 2 Yogyakarta. Data rekam medis yang diperoleh dari puskesmas sebanyak 300 data yang akan diolah menjadi dataset sehingga dapat di proses oleh sistem. Agar sistem dapat berjalan denga n baik maka dilakukanlah analisis kebutuhan sistem, setelah melakukan analisis kebutuhan sistem selanjutnya merancang sistem. Sistem ini dirancang untuk bisa melalukan operasi clustering data menggunakan algoritma k-means. Pada penelitian ini data akan di kelompokkan menjadi dua cluster. Proses clustering ini kemudian di implementasikan ke dalam website agar mudah digunakan. Uji akurasi dilakukan setelah hasil clustering di temukan, uji akurasi pada penelitian ini menggunakan metode Davies Bouldin Index.
Hasil dari penelitian ini adalah terbentuknya dua cluster yang telah di uji menggunakan Davies Bouldin Index dengan nilai akurasi sebesar 0.73. Hasil dari clustering dari jumlah 300 data didapatkan jumlah anggota cluster 0 sebanyak 183 data pasien dengan penyakit yang banyak diderita nasofaringitis dan faringitis kronik, migren, diabetes mellitus 2, batuk, dan katarak, untuk usia rata – rata penderita pada cluster 0 ini adalah 34 tahun dengan wilayah pasien berasal dari Kelurahan Rejowinangun dan anggota cluster sebanyak 117 data pasien dengan penyakit yang jarang diderita yaitu tipus, anemia, dbd, vertigo, asam urat, campak, vertigo, sembelit, dan kolestrol dengan rata – rata usia penderita 29 tahun dengan wilayah asal pasien berasal dari Kelurahan Banguntapan.
References
Az-zahra, Alyeska Astri et al. 2021. “Penerapan Algoritma K-Modes Clustering Dengan Validasi Davies Bouldin Index Pada Pengelompokkan Tingkat Minat Belanja Online Di Provinsi Daerah Istimewa Yogyakarta.” Jurnal MSA ( Matematika dan Statistika serta Aplikasinya ) 9(1): 24.
Baharudin, Dapis, Riky Faza, and Leni Herfiyanti. 2021. “Perancangan Sistem Informasi Berkas Keluar Rekam Medis Di Puskesmas Baleenedah.” Jurnal Teknologi Informasi 5(2): 1–7.
Deny Jollyta, Muhammad Siddik, Herman Mawekang, Syahril Efendi. 2021. Teknik Evaluasi Cluster Solusi Menggunakan Python Dan RapidMiner. Sleman, Yogyakarta: Deepublish. https://edeposit.perpusnas.go.id/collection/teknik-evaluasi-cluster-solusi-menggunakan-python-dan-rapidminer-sumber-elektronis/47071#.
Hutagalung, Juniar, and Fifin Sonata. 2021. “Penerapan Metode K-Means Untuk Menganalisis Minat Nasabah.” Jurnal Media Informatika Budidarma 5(3): 1187.
Kurnia, Fitra et al. 2019. “PENERAPAN ALGORITMA K-MEANS UNTUK PENGELOMPOKAN DIAGNOSA PENYAKIT MATA BERDASARKAN RENTANG USIA.” Jurnal SPEKTRO 2(1).
Saripurna, D, and W Ristamaya. 2021. “Data Mining Untuk Pengelompokan Data Penjualan Cake Dengan Menggunakan Algoritma K-Means Clustering Pada Jofie Bakery.” Jurnal Cyber Tech (x). https://ojs.trigunadharma.ac.id/index.php/jct/article/view/373.
Septiani, Ike Wahyu, Abd. Charis Fauzan, and Muhamat Maariful Huda. 2022. “Implementasi Algoritma K-Medoids Dengan Evaluasi Davies-Bouldin-Index Untuk Klasterisasi Harapan Hidup Pasca Operasi Pada Pasien Penderita Kanker Paru-Paru.” Jurnal Sistem Komputer dan Informatika (JSON) 3(4): 556.
Siahaan, Herdianto. 2019. “Implementasi Metode Clustering Partitional Menentukan Item Slow Moving Dan Fast Moving Pada Persediaan Barang (Studi Kasus PT. SAT).” Jurikom) 6(2): 171–77. http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom%7CPage%7C171.
Wandana, Jeri, Sarjon Defit, and S Sumijan. 2020. “Klasterisasi Data Rekam Medis Pasien Pengguna Layanan BPJS Kesehatan Menggunakan Metode K-Means.” Jurnal Informasi dan Teknologi.
