Pengelompokan Data Penyakit THT Menggunakan Algoritma K-Means Clustering
Grouping of ENT Disease Data Using K-Means Clustering Algorithm
DOI:
https://doi.org/10.57152/malcom.v4i4.1692Keywords:
K-Means Clustering, Metode Siku, Pembelajaran Mesin, Penambangan Data, Penyakit THTAbstract
Keseimbangan tubuh yang terganggu dapat menyebabkan berbagai jenis penyakit, termasuk penyakit pada Hidung, Telinga, dan Tenggorokan (THT). Penyakit THT dianggap berbahaya karena menyerang beberapa organ vital manusia yang berfungsi untuk mendengar, bernapas, dan menelan. Infeksi bakteri atau virus sering menjadi penyebab penyakit ini, namun ada juga yang disebabkan oleh kelainan pertumbuhan sel yang dapat berkembang menjadi tumor atau kanker. Permasalahan utama dalam penelitian ini adalah bagaimana mengelompokkan data pasien penyakit THT berdasarkan umur menggunakan Algoritma K-Means Clustering. Penelitian ini dilakukan di RSUD Gunung Tua, dengan melibatkan 51 data pasien yang diolah menggunakan Python. Hasil penelitian menunjukkan bahwa pasien dapat dibagi menjadi tiga kelompok (3 cluster) berdasarkan usia dan jenis penyakit, dengan cluster 0 terdiri dari pasien usia lanjut yang lebih rentan terhadap penyakit seperti sinusitis dengan total 10 data, kemudian cluster 1 terdiri dari pasien yang lebih muda dengan diagnosis penyakit yang lebih ringan dengan total 19 data. Sedangkan cluster 2 mencakup pasien dengan rentang umur yang bervariasi dan diagnosis yang lebih beragam, seperti OMSK dan Rhinitis Alergi dengan total 22 data. Hasil penelitian menunjukkan bahwa algoritma K-Means Clustering mampu mengelompokkan pasien dengan baik, dan evaluasi menggunakan DBI menghasilkan nilai 0.90, yang menandakan bahwa kualitas cluster yang dihasilkan cukup baik.
References
M. U. Nuha, A. Fatahillah, and S. Setiawani, “Analisis Numerik Aliran Udara pada Rongga Hidung akibat Penyakit Sinusitis menggunakan Metode Volume Hingga,” Limits J. Math. Its Appl., vol. 19, no. 2, p. 217, 2022, doi: 10.12962/limits.v19i2.13683.
R. Pramudita and F. Hibatullah, “Sistem Diagnosis Penyakit THT Berbasis Website Menggunakan Rapid Application Development,” Inf. Syst. Educ. Prof. J. Inf. Syst., vol. 9, no. 1, p. 109, 2024, doi: 10.51211/isbi.v9i1.2945.
A. Y. Labolo, A. Anas, B. Betrisandi, and W. Yunus, “Penerapan Metode Fuzzy Mamdani Untuk Mendeteksi Penyakit Telinga Pada Puskesmas Marisa,” Simtek J. Sist. Inf. dan Tek. Komput., vol. 7, no. 1, pp. 69–73, 2022, doi: 10.51876/simtek.v7i1.126.
B. N. Rahman, R. Maulana, and F. Utaminingrum, “Sistem Pendeteksi Penyakit Sinusitis berdasarkan Kondisi Ingus dan Suhu Tubuh menggunakan Support Vector Machine (SVM),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 6, no. 2, pp. 545–551, 2022, [Online]. Available: http://j-ptiik.ub.ac.id
M. P. Sari and A. Desiani, “Diagnosa Penyakit THT (Telinga, Hidung, Tenggorokan) menggunakan Metode Certainty Factor pada Sistem Pakar,” J. Artif. Intell. Softw. Eng., vol. 3, no. 1, p. 7, 2023, doi: 10.30811/jaise.v3i1.3902.
E. Yolanda, “Penerapan Algoritma K-Means Clustering Untuk Pengelompokan Data Pasien Rehabilitasi Narkoba,” KLIK Kaji. Ilm. Inform. dan Komput., vol. 4, no. 1, pp. 182-`191, 2023, doi: 10.30865/klik.v4i1.1107.
J. Dongga, A. ` Sarungallo, N. Koru, and G. Lante, “Implementasi Data Mining Menggunakan Algoritma Apriori Dalam Menentukan Persediaan Barang (Studi Kasus: Toko Swapen Jaya Manokwari),” G-Tech J. Teknol. Terap., vol. 7, no. 1, pp. 119–126, 2023, doi: 10.33379/gtech.v7i1.1938.
H. A. Ulvi and M. Ikhsan, “Comparison of K-Means and K-Medoids Clustering Algorithms for Export and Import Grouping of Goods in Indonesia,” J. dan Penelit. Tek. Inform., vol. 8, no. 3, pp. 1641–1655, 2024, [Online]. Available: https://doi.org/10.33395/sinkron.v8i3.13815
S. Syahidatul Helma et al., “Clustering pada Data Fasilitas Pelayanan Kesehatan Kota Pekanbaru Menggunakan Algoritma K-Means,” Puzzle Res. Data Technol. Fak. Sains dan Teknol., vol. 1, no. November, p. 4, 2019.
Z. Huang, H. Zheng, C. Li, and C. Che, “Application of Machine Learning-Based K-means Clustering for Financial Fraud Detection,” Acad. J. Sci. Technol., vol. 10, no. 1, pp. 33–39, 2024, doi: 10.54097/74414c90.
I. S. Tinendung and I. Zufria, “Pengelompokan Status Stunting Pada Anak Menggunakan Algoritma K-Means Clustering,” vol. 7, pp. 2014–2023, 2023, doi: 10.30865/mib.v7i4.6908.
A. Yudhistira and R. Andika, “Pengelompokan Data Nilai Siswa Menggunakan Algoritma K-Means Clustering,” J. Artif. Intell. Technol. Inf., vol. 1, no. 1, pp. 20–28, 2023, doi: 10.58602/jaiti.v1i1.22.
L. W. Pa, “Penerapan Data Mining Pengelompokan Hasil Diagnosa Pasien BPJS Berdasarkan Usia Menggunakan Metode Clustering (Studi Kasus: RSU Bidadari Binjai),” J. Inf. Technol., vol. 2, no. 1, pp. 8–14, 2022, doi: 10.32938/jitu.v2i1.1036.
I. Amelia and F. M. Sarimole, “Analisis Sentimen Tanggapan Pengguna Media Sosial X Terhadap Program Beasiswa KIP-Kuliah dengan Menggunakan Algoritma Support Vector Machine ( SVM ),” vol. 5, no. 3, pp. 2994–3003, 2024.
N. M. A. Mahar, Vihi Atina, and Nugroho Arif Sudibyo, “Pemodelan Prediksi Kelulusan Mahasiswa Dengan Metode Naïve Bayes Di Uniba,” J. Manaj. Inform. dan Sist. Inf., vol. 6, no. 2, pp. 148–158, 2023, doi: 10.36595/misi.v6i2.875.
N. W. Utami and A. A. I. I. Paramitha, “Penerapan Data Mining Untuk Mengetahui Pola Pemilihan Program Studi Di Stmik Primakara Menggunakan Algoritma K-Means Clustering,” J. Teknol. Inf. dan Komput., vol. 7, no. 4, pp. 456–463, 2021, doi: 10.36002/jutik.v7i4.1540.
S. R. Pratama and A. H. Mirza, “Penerapan Data Mining Untuk Memprediksi Tingkat Inflasi Menggunakan Metode Regresi Linier Berganda Pada BPS,” Bina Darma Conf. Comput. Sci., pp. 245–255, 2021.
R. Nuraini, “Implementasi Euclidean Distance dan Segmentasi K-Means Clustering Pada Identifikasi Citra Jenis Ikan Nila,” KLIK Kaji. Ilm. Inform. dan Komput., vol. 3, no. 1, pp. 1–8, 2022.
L. Pamungkas, N. A. Dewi, and N. A. Putri, “Classification of Student Grade Data Using the K-Means Clustering Method,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 13, no. 1, pp. 86–91, 2024, doi: 10.32736/sisfokom.v13i1.1983.
B. M. Liu et al., “Association of the Drug Burden Index (DBI) exposure with outcomes: A systematic review,” J. Am. Geriatr. Soc., vol. 72, no. 2, pp. 589–603, 2024, doi: 10.1111/jgs.18691.
