Data Mining dalam Pengelompokan Penyakit Pasien dengan Metode K-Medoids

Abstract

Penyakit merupakan suatu kondisi di mana pikiran dan tubuh mengalami semacam gangguan dan ke tidaknyamanan bagi yang mengalaminya. Semakin hari, jumlah pasien di Puskesmas Kuok semakin meningkat dengan beragam jenis penyakit yang berbeda-beda. Peningkatan jumlah pasien mengharuskan staff Puskesmas Kuok harus selalu memperbaharui data rekam medis pasien. Data rekam medis pasien ini berupa laporan yang berisikan jumlah pasien dan penyakit yang diderita. Berdasarkan data tersebut, pihak Puskesmas perlu untuk mengetahui informasi tentang penyakit yang paling rentan dan banyak diderita pasien. Penelitian ini bertujuan untuk mengelompokkan data penyakit pasien untuk mengetahui penyakit yang paling banyak diderita oleh pasien di Puskesmas Kuok Kabupaten Kampar. Pengelompokan data penyakit pasien dilakukan dengan tahapan Data Mining Clustering dan dilanjutkan dengan tahapan metode K-Medoids. Selanjutnya, di lakukan pengujian cluster menggunakan Silhouette Coefficient. Hasil penelitian ini menunjukkan bahwa pada cluster 1 penyakit yang paling banyak diderita oleh pasien adalah penyakit Diabetes Melitus tidak bergantung Insulin (tipe II) dengan total kasus sebanyak 435 kasus. Pada cluster 2, penyakit yang paling banyak diderita oleh pasien adalah penyakit Hipertensi Esensial (Primer) dengan total kasus sebanyak 2785 kasus. Untuk cluster ke 3, penyakit yang paling banyak diderita oleh pasien adalah penyakit Vulnus Laseratum, Punctum, dengan total kasus sebanyak 328 kasus. Dari hasil cluster yang diperoleh, maka didapatkan hasil pengujian Silhouette Coeficient sebesar 0,900033674.

A review of accident data for traffic safety studies in Indonesia

“…Previous studies attempted to identify accident patterns using data mining analysis, primarily employing K-means clustering. These analyses were conducted not only to cluster locations based on vulnerability (e.g., [14]) but also to cluster the occurrence of accidents based on time (e.g., [15]).…”

Penerapan Data Mining untuk Prediksi Pelanggan di PT. XYZ Menggunakan Algoritma Linear Regression

“…Metod penelitian dilakukan dalam penelitian ini dengan menerapkan linear regresi yang merupakan sebuah algoritma supervised learning yang banyak digunakan untuk menganalisis hubungan antara variable variable terikat dan variable variable tidak terikat, dalam penelitian ini penulis menggunakan metod CRISP-DM, CRISP-DM merupakan sebuah proses dalam menganalisa suatu data yang sangat besar dengan sudut pandang yang berbeda guna untk mengeluarkan sebuah informasi yang berguna [19] untuk mlakukan penelitian ini, dimana penelitian ini adalah menggunakan data set yang berbeda dari penelitian penelitian sebelumnya.…”

Penerapan Metode K-Medoids Guna Pengelompokan Data Usaha Mikro, Kecil dan Menengah (UMKM) Bidang Kuliner Di Kota Yogyakarta

“…Kuliner di Kota Yogyakarta menjadi salah satu daya tarik wisatawan yang berkunjung ke Kota Yogyakarta, selama masa pandemi covid-19 ribuan pelaku usaha mengalami keterpurukan sehingga masih membutuhkan dukungan agar bisa bangkit Kembali [4]. UMKM juga merupakan salah satu cara untuk mempercepat Pembangunan daerah [5]. Oleh sebab itu pemerintah kini sedang merencanakan untuk pendampingan UMKM salah satunya bidang kuliner.…”

“…Salah satu penerapan clustering dalam UMKM adalah analisis pengaruh media social menggunakan K-Means [7]. Metode yang lainnya adalah K-Medoids, yang digunakan dalam bidang akademik [8] dan strategi marketing UMKM [5]. Pengelompokkan UMKM bidang jasa juga pernah dilakukan sebelumnya menggunakan metode Analitical Hierarcy Clustering [9].…”

“…(4) c. Menghitung nilai silhouette coefficient dapat dilihat pada persamaan (5) pers. (5) Keterangan : SC1(i) = nilai silhouette coefficient ai = jarak rata-rata i dengan seluruh objek pada cluster yang sama. bi = jarak rata-rata i dengan seluruh objek pada cluster lain.…”