Penentuan Jumlah Cluster Optimal Menggunakan Davies Bouldin Index pada Algoritma K-Means untuk Menentukan Kelompok Penyakit
Abstract
Puskesmas Jatiluhur memberikan pelayanan kesehatan bagi masyarakat setiap harinya. sekitar 60 orang lebih dari berbagai wilayah yang terdapat di lingkungan kecamatan Jatiluhur. Seiring dengan bertambahnya jumlah pasien tersebut, maka bertambah pula data pasien setiap harinya, sehingga dari data tersebut hanya digunakan sebagai arsip untuk melihat riwayat penyakit pasien. Salah satu informasi data yang perlu diperhatikan yaitu mengenai kelompok penyakit pasien di lingkungan Puskesmas Jatiluhur. Untuk mempermudah proses pengelolaan data yang banyak diperlukan teknik menganalisis data, yaitu menggunakan teknik data mining. Dalam penelitian ini dilakukan teknik data mining dengan menggunakan algoritma k-means. Algoritma k-means merupakan salah satu algoritma data mining yang banyak digunakan dalam penelitian pengelompokan. Penelitian kali ini akan mengaplikasikan Davies Bouldin Index (DBI) sebagai salah satu cara menentukan jumlah cluster paling optimal untuk menentukan kelompok penyakit pasien di lingkungan Puskesmas kecamatan Jatiluhur. Data yang digunakan pada penelitian ini adalah data rekam medis pasien berobat. Pengujian dilakukan dengan membentuk beberapa cluster diantaranya K2, K3 dan K4 untuk mencari evaluasi pengujian dengan nilai DBI terkecil, dimana setelah dilakukan proses pengolahan data diketahui nilai terkecil adalah 0,406 yang terdapat pada cluster yang terbentuk sebanyak K3 dengan hasil clustering diperoleh cluster_0 sebanyak 28 anggota cluster_1 sebanyak 7 anggota dan cluster_2 sebanyak 102 anggota.
References
Anggraini, R., Haerani, E., Jasril, J., & Afrianty, I. (2022). Pengelompokkan Penyakit Pasien Menggunakan Algoritma K-Means. JURIKOM (Jurnal Riset Komputer), 9(6), 1840. https://doi.org/10.30865/jurikom.v9i6.5145
Azhari, S. M., Pudjiantoro, T. H., & Santikarama, I. (2021). Klasterisasi Outlet Berdasarkan Data Penjualan Dengan Menggunakan Algoritma K-Medoids. JUMANJI (Jurnal Masyarakat Informatika Unjani), 5(2), 69. https://doi.org/10.26874/jumanji.v5i2.93
Irwan, I., Sanusi, W., Anwar, A. S., & Rahman, A. (2023). The Implementation of Spatial Model with K-Means Clustering Method to Cluster Flood Affected Areas in Bone Regency. ARRUS Journal of Social …, 3(2), 186–195. https://sainsmat.org/index.php/soshum/article/view/1771%0Ahttps://sainsmat.org/index.php/soshum/article/download/1771/1114
Mayadi, Siti Setiawati, W. P. (2022). Pelita teknologi. 17(2), 1–11.
Muliono, R., & Sembiring, Z. (2019). Data Mining Clustering Menggunakan Algoritma K-Means Untuk Klasterisasi Tingkat Tridarma Pengajaran Dosen. CESS (Journal of Computer Engineering, System and Science), 4(2), 2502–2714.
Muningsih, E., Maryani, I., & Handayani, V. R. (2021). Penerapan Metode K-Means dan Optimasi Jumlah Cluster dengan Index Davies Bouldin untuk Clustering Propinsi Berdasarkan Potensi Desa. Jurnal Sains Dan Manajemen, 9(1), 95–100. https://ejournal.bsi.ac.id/ejurnal/index.php/evolusi/article/view/10428/4839
Muttaqin, M. R., & Defriani, M. (2020). Algoritma K-Means untuk Pengelompokan Topik Skripsi Mahasiswa. ILKOM Jurnal Ilmiah, 12(2), 121–129. https://doi.org/10.33096/ilkom.v12i2.542.121-129
Nurahman, N., Purwanto, A., & Mulyanto, S. (2022). Klasterisasi Sekolah Menggunakan Algoritma K-Means berdasarkan Fasilitas, Pendidik, dan Tenaga Pendidik. MATRIK : Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 21(2), 337–350. https://doi.org/10.30812/matrik.v21i2.1411
Prasetyo, M., Ansori, N. A., Firdausi, Y., & Wahid, M. F. (2023). Implementation of K-Means Clustering for Analysis Students English Proficiency. Science and Technology │, 1(1), 31–35.
Ramadhani, S., Azzahra, D., & Z, T. (2022). Comparison of K-Means and K-Medoids Algorithms in Text Mining based on Davies Bouldin Index Testing for Classification of Student’s Thesis. Digital Zone: Jurnal Teknologi Informasi Dan Komunikasi, 13(1), 24–33. https://doi.org/10.31849/digitalzone.v13i1.9292
Rohmatullah, A., Rahmalia, D., & Pradana, M. S. (2020). Klasterisasi Data Pertanian Di Kabupaten Lamongan Menggunakan Algoritma K-Means Dan Fuzzy C Means. Jurnal Ilmiah Teknosains, 5(2), 86–93. https://doi.org/10.26877/jitek.v5i2.4254
Rustam, S., Santoso, H. A., & Supriyanto, C. (2018). Optimasi K-Means Clustering Untuk Identifikasi Daerah Endemik Penyakit Menular Dengan Algoritma Particle Swarm Optimization Di Kota Semarang. ILKOM Jurnal Ilmiah, 10(3), 251–259. https://doi.org/10.33096/ilkom.v10i3.342.251-259
Sari, M. A. P., & Chotijah, U. (2022). Pengelompokan Anggota Divisi Himpunan Mahasiswa Jurusan Pada Universitas “Xyz” Dengan Metode K-Means Clustering. Antivirus : Jurnal Ilmiah Teknik Informatika, 16(1), 52–62. https://doi.org/10.35457/antivirus.v16i1.2139
Septiani, I. W., Fauzan, A. C., & Huda, M. M. (2022). Implementasi Algoritma K-Medoids Dengan Evaluasi Davies-Bouldin-Index Untuk Klasterisasi Harapan Hidup Pasca Operasi Pada Pasien Penderita Kanker Paru-Paru. Jurnal Sistem Komputer Dan Informatika (JSON), 3(4), 556. https://doi.org/10.30865/json.v3i4.4055
Setiyani, L., Wahidin, M., Awaludin, D., & Purwani, S. (2020). Analisis Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Data Mining Naïve Bayes : Systematic Review. Faktor Exacta, 13(1), 35. https://doi.org/10.30998/faktorexacta.v13i1.5548
Sisfotenika, J. (2022). Pengelompokkan Kebutuhan Air Bersih Di Indonesia Periode 2012-2017 Menggunakan Algoritma K-Means Clustering of Clean Water Needs in Indonesia for the 2012-2017 Period Using the K-Means Algorithm. 12(2), 203–212.
Srimurdianti, A., Sukamto, Setiawan, W., Esyudha, E., & Pratama. (2023). JEPIN (Jurnal Edukasi dan Penelitian Informatika) Data Mining untuk Pengelompokan Saham pada Sektor Energi dengan Metode K-Means. 9(1), 76–81.
Wahyudi, M., & Pujiastuti, L. (2022). Comparison of K-Means Clustering and K-Medoids in Clustering Fresh Milk Production in Indonesia. Jurnal Bumigora Information Technology (BITe), 4(2), 243–254. https://doi.org/10.30812/bite.v4i2.2104
