IMPLEMENTASI ALGORITMA K-MEDOIDS UNTUK KLASTERISASI DATA PENYAKIT PASIEN DI RSUD KOTA BANDUNG

Asri Dwi Andini; Toni Arifin

doi:10.51977/jti.v2i2.247

Authors

Asri Dwi Andini Universitas Adhirajasa Reswara Sanjaya
Toni Arifin Universitas Adhirajasa Reswara Sanjaya

DOI:

https://doi.org/10.51977/jti.v2i2.247

Keywords:

Clustering, K-Medoids, Silhouette Coefficient, Penyakit Pasien

Abstract

Penyakit adalah suatu keadaan abnormal dimana tubuh ataupun pikiran mengalami ketidaknyamanan atau disfungsi terhadap orang yang dipengaruhinya. Setiap harinya jumlah pasien di rumah sakit selalu bertambah dengan jenis penyakit yang berbeda. Tumpukan data penyakit pasien yang berada pada rumah sakit pun hanya sebatas memberikan laporan jumlah pasien yang berobat dengan penyakit yang diderita. Oleh sebab itu, perlu adanya pengelompokan untuk membantu pihak rumah sakit menemukan informasi mengenai penyakit yang paling banyak diderita oleh pasien. Pada penelitian ini dilakukan pengelompokkan data penyakit pasien menggunakan teknik data mining clustering dengan menggunakan algoritma K-Medoids. K-Medoids merupakan salah satu metode clustering yang berfungsi untuk memecah dataset menjadi kelompok-kelompok dan mampu mengatasi kelemahan dari metode K-Means yang sensitive terhadap outlier. Hasil dari penelitian ini menunjukkan bahwa penggunaan 3 cluster menjadi jumlah cluster terbaik dengan nilai Silhouette Coefficient sebesar 0,409373. Dari pengujian yang dilakukan didapatkan hasil clustering yaitu cluster 0 sebanyak 18 data yang didominasi oleh penyakit yang berada pada klinik gawat darurat, lalu pada cluster 1 sebanyak 2 data yang didominasi oleh penyakit pada klinik kemuning dan klinik gawat darurat, sedangkan pada cluster 2 sebanyak 197 data yang didominasi oleh penyakit pada klinik rehab medik sebanyak 20 data.

Downloads

Download data is not yet available.

References

Arifin, T. (2015). Metode Data Mining Untuk Klasifikasi Data Sel Nukleus Dan Sel Radang Berdasarkan Analisa Tekstur. Informatika, II(2), 425–433.

Gorunescu, F. (2011). Data mining: Concepts, models and techniques. Retrieved from https://doi.org/10.1007/978-3-642-19721-5

Han, J., Micheline, K., & Jian, P. (2012). DATA MINING (Concept and Techniques). Retrieved from https://doi.org/10.1017/CBO9781107415324.004.

Herliana, A., Arifin, T., Susanti, S., & Hikmah, A. B. (2018). Feature Selection of Diabetic Retinopathy Disease Using Particle Swarm Optimization and Neural Network. 2018 6th International Conference on Cyber and IT Service Management (CITSM), (Citsm), 1–4. https://doi.org/10.1109/CITSM.2018.8674295

Hermawan, A., Sukma, A. R., & Halfis, R. (2019). Analisis Algoritma Klasifikasi C 4 . 5 Untuk Memprediksi Keberhasilan Immunotherapy Pada Penyakit Kutil. V(2), 155–160. https://doi.org/10.31294/jtk.v4i2

Prasetio, R. T., & Pratiwi, P. (2015). PENERAPAN TEKNIK BAGGING PADA ALGORITMA KLASIFIKASI UNTUK MENGATASI KETIDAKSEIMBANGAN KELAS DATASET MEDIS. Jurnal Informatika, 2(2).

Prasetio, R. T., & Riana, D. (2015, November). A comparison of classification methods in vertebral column disorder with the application of genetic algorithm and bagging. In 2015 4th international conference on instrumentation, communications, information technology, and biomedical engineering (ICICI-BME) (pp. 163-168). IEEE.

Prasetio, R. T., & Ripandi, E. (2019). Optimasi Klasifikasi Jenis Hutan Menggunakan Deep Learning Berbasis Optimize Selection. Jurnal Informatika, 6(1), 100-106.

Ramadhan, R., & Mahmudy, W. F. (2019). Optimasi Bobot Awal Extreme Learning Machine menggunakan Algoritme Genetika untuk Klasifikasi Penanganan Human Papilloma Virus. 3(6), 5616–5623.

Setiawati, D. (2014). Human Papilloma Virus Dan Kanker Serviks. 450–459.

Supriyatna, A., & Mustika, W. P. (2018). Komparasi Algoritma Naive bayes dan SVM Untuk Memprediksi Keberhasilan Imunoterapi Pada Penyakit Kutil. (2), 152–161.