Perbandingan Algoritma K-Means dan Algoritma K-Medoids untuk Klasterisasi Pasien TBC dalam Analisis Berdasarkan Tingkat Risiko Penyebaran

Shofie Muthia Putri Hamdani; Royan Habibie Sukarna; Febriyanti Darnis

doi:10.31004/riggs.v5i2.8870

Authors

Shofie Muthia Putri Hamdani Univeristas Sultan Ageng Tirtayasa
Royan Habibie Sukarna Univeristas Sultan Ageng Tirtayasa
Febriyanti Darnis Univeristas Sultan Ageng Tirtayasa

DOI:

https://doi.org/10.31004/riggs.v5i2.8870

Keywords:

Tuberkolisis, K-means, K-Medoids

Abstract

Tuberkulosis (TBC) masih menjadi permasalahan kesehatan masyarakat di Provinsi Banten dengan pola penyebaran yang berbeda antar wilayah. Variasi kondisi geografis dan demografis menyebabkan perlunya pendekatan analisis spasial untuk memahami distribusi kasus TBC secara lebih mendalam. Penelitian ini bertujuan untuk menganalisis pola penyebaran TBC menggunakan metode klasterisasi serta mengelompokkan wilayah berdasarkan tingkat penyebaran TBC ke dalam kategori tinggi dan rendah. Data yang digunakan merupakan data sekunder pasien TBC yang telah melalui proses preprocessing dan rekayasa fitur, meliputi geocoding fasilitas pelayanan kesehatan untuk memperoleh koordinat latitude dan longitude, serta penambahan variabel usia pasien dan kepadatan penduduk. Evaluasi kualitas klaster dilakukan menggunakan nilai silhouette score. Hasil penelitian menunjukkan bahwa algoritma K-Means menghasilkan nilai silhouette sebesar 0,475, sedangkan algoritma K-Medoids memperoleh nilai sebesar 0,472. Nilai tersebut menunjukkan bahwa kedua algoritma mampu membentuk klaster dengan kualitas yang cukup baik. Selain itu, visualisasi hasil klaster pada peta digital membantu mengidentifikasi wilayah dengan tingkat penyebaran tinggi sehingga mempermudah proses pemantauan dan pengambilan keputusan oleh instansi kesehatan daerah. Hasil klasterisasi ini memberikan informasi wilayah prioritas yang dapat dimanfaatkan sebagai dasar perencanaan dan penentuan strategi intervensi penanggulangan TBC di Provinsi Banten. Penelitian ini juga diharapkan dapat menjadi referensi bagi penelitian selanjutnya terkait pemanfaatan data spasial dan teknik data mining dalam mendukung kebijakan kesehatan masyarakat yang lebih efektif, terarah, dan berbasis data untuk menekan angka penyebaran TBC secara berkelanjutan di masa mendatang. Pendekatan ini turut membantu peningkatan efisiensi alokasi sumber daya kesehatan serta pelaksanaan program pencegahan penyakit pada daerah rentan.

Downloads

Download data is not yet available.

References

Abdullah, D., Susilo, S., Ahmar, A. S., Rusli, R., & Hidayat, R. (2022). The application of K-means clustering for province clustering in Indonesia of the risk of the COVID-19 pandemic based on COVID-19 data. Quality & Quantity, 56(3), 1283–1291. https://doi.org/10.1007/s11135-021-01176-w

Bakrie Center Foundation. Retrieved December 29, 2024, from https://bcf.or.id/

Handayani, F. (2022). Aplikasi Aplikasi Data Mining Menggunakan Algoritma K-Means Clustering untuk Mengelompokan Mahasiswa Berdasarkan Gaya Belajar. Jurnal Teknologi Dan Informasi, 12(1), 46–63. https://doi.org/10.34010/jati.v12i1.6733

Kemenkes RI. (2023). Profil Kesehatan Indonesia 2023. https://www.kemkes.go.id/id/profil-kesehatan-indonesia-2023

Kusuma, P. A., & Firmansyah, A. U. (2022). Deteksi Penyebaran Penyakit Tuberkulosis dengan Algoritma K-Means Clustering Menggunakan Rapid Miner. Jurnal Teknologi Informatika Dan Komputer, 8(2), 41–54. https://doi.org/10.37012/jtik.v8i2.1173

Latifah, A., Kurniasih, D., Muslina, & Armizan, E. W. (2022). Sosialisasi Cara Pencegahan Dan Penularan Penyakit Tb Serta Upaya Peningkatan Mikroelemen Tubuh Bagi Penderita Tb (The Socialization On Methods To Prevent And To Transmist Of Tb Disease And To Improve Body Microelements For Tb Patients). Jurnal Abdikemas, 4(2).

Munandar, Tb. A. (2022). Penerapan algoritma clustering untuk pengelompokan tingkat kemiskinan provinsi banten. JSiI (Jurnal Sistem Informasi), 9(2), 109–114. https://doi.org/10.30656/jsii.v9i2.5099

Pralambang, S. D., & Setiawan, S. (2021). Faktor Risiko Kejadian Tuberkulosis di Indonesia. Jurnal Biostatistik, Kependudukan, Dan Informatika Kesehatan, 2(1), 60. https://doi.org/10.51181/bikfokes.v2i1.4660

Purwanto, B., Nilogiri, A., & Wardoyo. Ari Eko. (2022). Penerapan Algoritma K-Means Clustering Untuk Pengelompokan Penyebaran Penyakit Tbc (Studi Kasus: Puskesmas Di Kabupaten Jember). Jurnal Smart Teknologi, 3(3), 273–285.

Putri, R., Riana, F., & Wulandari, B. (2024). Implementasi K-Medoids Dalam Pengelompokan Fasilitas Pelayanan Kesehatan Pada Kasus Tuberculosis. Jurnal Informatika, 11(1), 17–24. https://doi.org/10.31294/inf.v11i1.20044

Rahmah, E., Haerani, E., Nazir, A., & Ramadhani, S. (2022). Penerapan Algoritma K-Medoids Clustering Untuk Menentukan Srategi Promosi Pada Data Mahasiswa (Studi Kasus : Stikes Perintis Padang). Jurnal Nasional Komputasi Dan Teknologi Informasi, 5(3).

Riswana, D. (2023). Analisis segmentasi konsumen menggunakan algoritma k-means clustering berdasarkan model rfm sebagai rekomendasi strategi pemasaran (studi kasus di pt. Xyz).

Sari, G. K., Sarifuddin, & Setyawati, T. (2022). Tuberkulosis paru post wodec pleural efusion: laporan kasus pulmonary tuberculosis post wodec pleural effusion: case report. Jurnal Medical Profession (MedPro), 4(2), 174–182.

Sub Recipient (SR) Konsorsium Penabulu - STPI Provinsi Banten. (22 C.E.). PROGRAM ELIMINASI TBC SUB RECIPIENT (SR) KONSORSIUM PENABULU - STPI PROVINSI BANTEN. https://tbckomunitas.id/wp-content/uploads/2022/06/Profil-SR-Banten.pdf

Ula, M., Zulfikri, A., Ulva, A. F., & Rizal, R. A. (2023). Penerapan Machine Learning Clustering K-Means dan Linear Regression Dalam Penentuan Tingkat Resiko Tuberkulosis Paru. The Indonesian Journal of Computer Science, 12(1). https://doi.org/10.33022/ijcs.v12i1.3162

World Health Organization (WHO). (2022). GLOBAL TUBERCULOSIS REPORT 2022.

World Health Organization (WHO). (2023). GLOBAL TUBERCULOSIS REPORT 2023.