The implementation of two stages clustering (k-means clustering and adaptive neuro fuzzy inference system) for prediction of medicine need based on medical data

Husein, Amir Mahmud; Harahap, Mawaddah; Aisyah, Siti; Purba, Windania; Muhazir, Abdullah

doi:10.1088/1742-6596/978/1/012019

Cited by 10 publications

(7 citation statements)

References 14 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Some JHLSCM 12,1 researchers try to find a trade-off between accuracy versus computational time. For instance, Husein et al (2018) combine K-means clustering and adaptive neuro-fuzzy inference system to predict hospital medicines needs. This AI-based forecasting model has an autonomous learning capability and gives a faster response compared to neural networks.…”

Section: Related Workmentioning

confidence: 99%

A preliminary study for selecting the appropriate AI-based forecasting model for hospital assets demand under disasters

Jebbor

Chiheb

Afia

2021

JHLSCM

View full text Add to dashboard Cite

PurposeHospitals recently search for more accurate forecasting systems, given the unpredictable demand and the increasing occurrence of disruptive incidents (mass casualty incidents, pandemics and natural disasters). Besides, the incorporation of automatic inventory and replenishment systems – that hospitals are undertaking – requires developed and accurate forecasting systems. Researchers propose different artificial intelligence (AI)-based forecasting models to predict hospital assets consumption (AC) for everyday activity case and prove that AI-based models generally outperform many forecasting models in this framework. The purpose of this paper is to identify the appropriate AI-based forecasting model(s) for predicting hospital AC under disruptive incidents to improve hospitals' response to disasters/pandemics situations.Design/methodology/approachThe authors select the appropriate AI-based forecasting models according to the deduced criteria from hospitals' framework analysis under disruptive incidents. Artificial neural network (ANN), recurrent neural network (RNN), adaptive neuro-fuzzy inference system (ANFIS) and learning-FIS (FIS with learning algorithms) are generally compliant with the criteria among many AI-based forecasting methods. Therefore, the authors evaluate their accuracy to predict a university hospital AC under a burn mass casualty incident.FindingsThe ANFIS model is the most compliant with the extracted criteria (autonomous learning capability, fast response, real-time control and interpretability) and provides the best accuracy (the average accuracy is 98.46%) comparing to the other models.Originality/valueThis work contributes to developing accurate forecasting systems for hospitals under disruptive incidents to improve their response to disasters/pandemics situations.

show abstract

Section: Related Workmentioning

confidence: 99%

A preliminary study for selecting the appropriate AI-based forecasting model for hospital assets demand under disasters

Jebbor

Chiheb

Afia

2021

JHLSCM

View full text Add to dashboard Cite

show abstract

“…Model regresi yang membantu memprediksi angka, seperti waktu rata-rata sebelum kerusakan. Analisis prediktif semakin banyak digunakan oleh berbagai organisasi di banyak sektor, seperti rumah sakit [4]- [7], ritel [8], [9], manufaktur [10], layanan keuangan dan lainnya [11].…”

Section: Pendahuluanunclassified

Analisis Prediktif untuk Keputusan Bisnis : Peramalan Penjualan

Husein

Lubis

Harahap³

2021

dsi

View full text Add to dashboard Cite

Peramalan penjualan produk adalah aspek utama dari manajemen pembelian, persediaan yang melebihi permintaan atau kekurangan akan berdampak pada manajemen pelayanan maupun secara ekominis. Makalah ini fokus mencoba menyajikan penerapan analisis prediktif dengan mengadopsi kerangka kerja Data Science (ilmu data) untuk menemukan wawasan yang berguna dalam pengambilan keputusan bisnis khususnya tentang peramalan penjualan produk di masa depan. Kerangka CRISP-DM diusulkan dengan tahapan pemahasan bisnis, pemahaman dan persiapan data, exploratory data analysis (EDA) dan pemodelan. Berdasarkan hasil pengujian data penjualan yang dievaluasi berdasarkan RMSE dan MAE, algoritma XGBoost menghasilkan prediksi berada dalam 1,3% kemudian ARIMA sebesar 1.6%, masih lebih baik dibandingkan LinearRegression, RandomForestdan LSTM dengan tingkat kesalahan sebesar 1.81%, 1.97%, 2.21% pada masing-masing algoritma dari data aktual.

show abstract

“…Obat adalah segala bahan atau ramuan yang digunakan untuk mencegah, meringankan, dan menyembuhkan penyakit pada makhluk hidup, sehingga menjadikan obat sebagai salah satu komponen yang tak tergantikan dalam pelayanan kesehatan [1] dan hal yang paling dibutuhkan oleh makhluk hidup saat sakit [2]. Aspek penting dalam pengelolaan obat adalah perencanaan kebutuhan obat, karena dapat berpengaruh pada pengadaan, peredaran dan penggunaan obat di unit pelayanan kesehatan.…”

Section: Pendahuluanunclassified

Identifikasi Tingkat Pemakaian Obat Menggunakan Metode Fuzzy C-Means

Rusnedy¹,

Nurcahyo

Sumijan

2021

jidt

View full text Add to dashboard Cite

Obat merupakan salah satu komponen tak tergantikan dalam pelayanan Kesehatan yang dapat membantu dalam mengobati masyarakat yang sakit. Perencanaan kebutuhan obat merupakan salah satu aspek penting dalam pengelolaan obat, karena berpengaruh pada pengadaan, peredaran dan penggunaan obat di unit pelayanan kesehatan. Perencanaan kebutuhan obat yang tepat akan menjadikan pengadaan efektif dan efisien sehingga sesuai dengan kebutuhan pelayanan kesehatan dengan kualitas yang terjamin dan dapat diperoleh pada saat dibutuhkan. Puskesmas merupakan salah satu pelayanan kesehatan yang dikelola di bawah Dinas Kesehatan Kabupaten dan Kota. Namun pada kenyataannya masih terdapat kendala dalam proses pengadaan obat di Puskesmas sehingga belum mencapai pelayanan prima terkait ketersediaan pelayanan obat. Clustering dalam Data Mining dapat digunakan untuk menganalisa pemakaian obat-obatan, perencanaan dan pengendalian obat-obatan di Puskesmas. Metode yang akan digunakan dalam penelitian ini adalah algoritma Fuzzy C-Means yang merupakan metode pembelajaran mesin tanpa pengawasan yang paling banyak digunakan dan relatif berhasil di antara banyak algoritma pengelompokan fuzzy. Tujuan dari penelitian ini adalah untuk mengelompokkan data obat-obatan yang dapat digunakan sebagai referensi dalam pengambilan keputusan dalam perencanaan dan pengendalian pasokan medis di puskesmas tersebut. Berdasarkan 501 record data LPLPO Bulanan Farmasi pada bulan Oktober 2020-Februari 2021, didapatkan hasil cluster satu sebanyak 179 jenis obat yang termasuk ke dalam tingkat pemakaian rendah, cluster 2 terdapat 18 jenis obat yang termasuk ke dalam tingkat pemakaian sedang dan cluster 3 sebanyak 4 jenis obat yang termasuk ke dalam tingkat pemakaian tinggi

show abstract

The implementation of two stages clustering (k-means clustering and adaptive neuro fuzzy inference system) for prediction of medicine need based on medical data

Cited by 10 publications

References 14 publications

A preliminary study for selecting the appropriate AI-based forecasting model for hospital assets demand under disasters

A preliminary study for selecting the appropriate AI-based forecasting model for hospital assets demand under disasters

Analisis Prediktif untuk Keputusan Bisnis : Peramalan Penjualan

Identifikasi Tingkat Pemakaian Obat Menggunakan Metode Fuzzy C-Means

Contact Info

Product

Resources

About