Penerapan Algoritma K-Means Clustering Untuk Pengelompokan Penyebaran Penyakit Tbc (Studi Kasus: Puskesmas Di Kabupaten Jember)
Abstract
TBC (Tuberculosis) merupakan penyakit yang menyerang paru-paru yang ditimbulkan oleh kuman Mycobacterium tuberculosis. Di Indonesia penyakit TBC hampir tersebar di seluruh wilayah yang salah satunya di Kabupaten Jember Provinsi Jawa Timur dimana jumlah kasus TBC terus meningkat setiap tahunnya. Diperlukan sebuah upaya untuk pengelompokkan penyebaran penyakit TBC berdasarkan puskesmas di kabupaten Jember. Penelitian ini bertujuan untuk mencari cluster yang memiliki nilai optimum dan untuk mengetahui kelompok puskesmas yang terdapat dalam masing-masing cluster. Metode yang dapat digunakan untuk mengelompokkan daerah penyebaran penyakit TBC adalah data mining. Tahapan penelitiannya yang diterapkan yaitu CRISP-DM. Dataset yang digunakan bersumber dari Dinas Kesehatan Kabupaten Jember tahun 2017 - 2019. Kemudian data tersebut diproses menggunakan metode K-Means dan Davies Bouldin Index untuk menentukan cluster optimum dengan bantuan tools Rapid miner. Dari hasil penelitian ini diperoleh cluster optimum pada 9 cluster dengan nilai Davies Bouldin Index sebesar 0,784. Berdasarkan karakteristik cluster optimum menunjukkan bahwa kategori nilai kasus tingkat tinggi selama 3 tahun di semua atribut berada di cluster 4 berjumlah 1 anggota yaitu puskesmas Kalisat sedangkan pada Kategori nilai kasus tingkat rendah berada di cluster 2 berjumlah 12 anggota yaitu puskesmas Cakru, Tembokrejo, Lojejer, Sabrang, Curahnongko, Nogosari, Sukorejo, Klatakan, Jelbuk, Mangli, Gladakpakem, dan Banjarsengon.
Kata Kunci: TBC, Data Mining, Clustering, CRISP-DM, K-Means.
Full Text:
PDFReferences
Al-Anazi, S., AlMahmoud, H., & Al-Turaiki, I. (2016). Finding Similar Documents Using Different Clustering Techniques. Procedia Computer Science, 82, 28-34.
Azwar, A. (1996). Managemen pelayanan kesehatan. Jakarta : Banacipta.
Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0: Step-by-step data mining guide.SPSS inc,. 9, 13.
Dhuhita, W. M. (2005). Clustering Menggunakan Metode K-Means untuk Menentukan Status Gizi Balita. Jurnal Informatika, 15(2), 160-174.
Fadillah, A. (2015). Penerapan Metode CRISP-DM untuk Prediksi Kelulusan Studi Mahasiswa Menempuh Mata Kuliah (Studi Kasus Universitas XYZ). JuTISI (Jurnal Teknik Informatika dan Sistem Informasi), 1(3).
Fauzi, M. (2018). Penerapan Algoritma K-Means Clustering Untuk Mendeteksi Penyebaran Penyakit TBC (Studi Kasus: Di Kabupaten Deli Serdang). JTIK (Jurnal Teknik Informatika Kaputama), 1(2), 1-7.
Indah, M. (2018). “Infodatin, Pusat Data Informasi Kemenrian Kesehatan RI”. Retrieved januari 2019., from https://pusdatin.kemkes.go.id/resources/download/pusdatin/infodatin/infodatin-tuberkulosis-2018.pdf.
Irwan Budiman, M., Prahasto, I. T., ASc, M., & Yuli Christiyono, S. T. (2012). Data Clustering menggunakan metodologi Crisp-DM untuk pengenalan pola proporsi pelaksanaan tridharma. (Doctoral dissertation, Universitas Diponegoro).
Kader, J. A., Napitapulu, D. B., & & Jati, R. K. (2017). Clustering SMEs Based on Technology Readiness using K-Means Algorithm. Jurnal Penelitian Pos dan Informatika, 7(2), 97-108.
Kamber, M., & Pei, J. (2006). Data Mining. Morgan kaufmann.
Larose, D., & Larose, C. (2014). Discovering Knowledge in Data : An Introduction (Vol. 4). John Wiley & Sons.).
Ong, J. O. (2013). ‘Implementasi Algotritma K-means clustering untuk menentukan strategi marketing president university. Jurnal Ilmiah teknik Industri, 12 (1), 10–20.
Parasuraman, A., & Colby, C. L. (2015). An Updated and Streamlined Technology Readiness Index: TRI 2.0. Journal of Service Research, 18(1), 59–74. Retrieved from https://doi.org/10.1177/1094670514539730
Prajitno, A. A., & Purwarianti, A. (2012). Prediksi Kinerja Penjualan Karya Musik Menggunakan Framework CRISP-DM (Studi Kasus: X Music Indonesia). Jurnal Sarjana ITB bidang Teknik Elektro dan Informatika, 1(1).
Pramono, F., Saputra, SA, & Burhanuddin, K. (2018). Komparasi Klasifikasi Penentuan Keterlambatan Siswa SMA Datang Menggunakan Algoritma C4. 5. Dalam Seminar Nasional Teknologi Informasi dan Komunikasi (Sentika), Halaman (hlm. 80-86).
Purnama, I., Saputra, R., & Wibowo, A. (2014). Implementasi Data Mining Menggunakan Crisp-Dm Pada Sistem Informasi Eksekutif Dinas Kelautan Dan Perikanan Provinsi Jawa Tengah. Dalam Prosiding Seminar Nasional Ilmu Komputer UNDIP 2012 .
Rahman, A. T. (2017). Pengelompokan data perdagangan batubara menggunakan K-means (studi kasus Pt. Global Bangkit Utama). ITSMART: Jurnal Teknologi dan Informasi, 6 (1), 24-31.
Rahmayani, M. (2018). Analisis Clustering Tingkat Keparahan Penyakit Pasien Menggunakan Algoritma K-Means (Studi Kasus di Puskesmas Bandar Seikijang). Jurnal Inovasi Teknik Informatika, 1 (2), 40-44.
Sari, Y., Primajaya, A., & Irawan, A. (2020). Implementasi Algoritma K-Means untuk Clustering Penyebaran Tuberkulosis di Kabupaten Karawang. INOVTEK Polbeng-Seri Informatika, 5 (2), 229-239.
Toresa, D. (2020). Implementasi K-Means Terhadap Penyebaran Penyakit TBC di Riau Menggunakan Rapid Miner. JUTIM (Jurnal Teknik Informatika Musirawas), 5 (1), 35-42.
Wardhani, A., & Khrisna, A. (2016). Implementasi Algoritma K-Means untuk Pengelompokkan Penyakit Pasien di Puskesmas Kajen Pekalongan. J. Transformasi, 14(1).
Widiarina, W., & Wahono, R. S. (2015). Algoritma cluster dinamik untuk optimasi cluster pada algoritma k-means dalam pemetaan nasabah potensial. Journal of Intelligent Systems, 1(1), 33-36.
Yuan, C., & Yang, H. (2019). Penelitian tentang metode pemilihan nilai K dari Algoritma Clustering K-Means. J ,2(2), 226-235.
Zakiyyah, A. M., Rosyidah, U. A., & Margaretha, M. S. (2021). Laporan Penelitian: Analisis Technology Readiness Sebagai Upaya Mitigasi Teknologi Pada UMKM Di Jember. Jember: LPPM Universitas Muhammadiyah Jember
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.