Implementasi Data Mining Algoritma Hierarchical Clustering Untuk Klasterisasi Penyakit Menular Pada Manusia
Abstract viewed = 0 times
PDF (Bahasa Indonesia) downloaded = 0 times
Abstract
Penyakit Penyakit menular masih menjadi tantangan serius karena penyebarannya yang cepat dan berdampak luas pada kesehatan masyarakat. Penelitian ini bertujuan mengklasifikasikan penyakit menular berdasarkan kesamaan gejala pasien menggunakan algoritma Hierarchical Clustering pada data mining. Penelitian dilakukan di Puskesmas Paal Lima Kota Jambi dengan data mencakup usia, jenis kelamin, lokasi, gejala, dan diagnosis penyakit menular. Prosedur meliputi pengumpulan dan pembersihan data, normalisasi, perhitungan jarak antar pasien menggunakan Euclidean Distance, serta pembentukan klaster dengan metode average linkage. Hasil penelitian menghasilkan tujuh klaster utama yang mewakili penyakit demam berdarah, TBC, kolera, kusta, pneumonia, muntaber, dan malaria. Klaster yang terbentuk selanjutnya dianalisis berdasarkan usia, jenis kelamin, dan wilayah untuk mengidentifikasi pola penyebaran penyakit. Evaluasi validasi dilakukan dengan membandingkan hasil klasterisasi pada perangkat lunak Orange dengan perhitungan manual di Microsoft Excel. Hasilnya menunjukkan tingkat kesesuaian 100%, di mana seluruh data pasien berhasil terkelompok sesuai diagnosis aslinya tanpa kesalahan. Hal ini menegaskan bahwa algoritma Hierarchical Clustering mampu menghasilkan klaster yang akurat dan konsisten. Dengan demikian, metode terbukti sangat efektif dalam mengelompokkan penyakit menular berdasarkan gejala dan karakteristik pasien. Pendekatan ini dapat membantu tenaga medis dalam diagnosis awal, pengendalian, serta perencanaan sumber daya kesehatan yang lebih optimal.
References
[2] S. A. Muhammad Hafiz, “KLASTERISASI PENYAKIT MENULAR DI INDONESIA MENGGUNAKAN METODE K-MEANS CLUSTERING,” J-Com (Journal Comput., vol. 15, no. 1, pp. 50–57, 2024.
[3] I. Nur Amalia, Y. Umaidah, and R. Mayasari, “Penerapan Data Mining Untuk Klasterisasi Daerah Rawan Penyakit Menular Di Kabupaten Karawang Dengan Menggunakan Algoritma K-Means,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 4, pp. 5582–5591, 2024, doi: 10.36040/jati.v8i4.9953.
[4] M. T. Siregar, G. Made Arya Sasmita, and G. Agung Ayu Putri, “Perbandingan Analisis Metode Peramalan Jumlah Kasus Penyakit Menular di Kota Bandung (Studi Kasus: Dinas Kesehatan Kota Bandung),” J. Ilm. Teknol. dan Komput., vol. 3, no. 1, p. 6, 2022.
[5] Anindya Khrisna Wardhani, “Implementasi Algoritma K-Means Untuk Pengelompokkan Penyakit Pasien Pada Puskesmas Kajen Pekalongan,” J. Transform., vol. 14, pp. 30–37, 2016.
[6] N. K. Zuhal, “Study Comparison K-Means Clustering Dengan Algoritma Hierarchical Clustering,” Pros. Semin. Nas. Teknol. dan Sains, vol. 1, pp. 200–205, 2022.
[7] B. M. Kumarahadi, H. Pratiwi, and S. Subanti, “Penerapan Metode Hierarchical Clustering Untuk Pengelompokan Kota/Kabupaten di Indonesia Berdasarkan Indikator Kemiskinan,” J. Teknol. Inf. dan Komun., vol. 11, no. 2, p. 13, 2023, doi: 10.30646/tikomsin.v11i2.754.
[8] K. D. Larasati, “Analisis Kluster Hirarki dengan Metode Average Lingkage,” Medium, vol. 13, no. 6, pp. 849–856, 2019, [Online]. Available: https://medium.com/@dhea.larasati326/analisis-kluster-hirarki-dengan-metode-average-lingkage-a6add8889594
[9] E. Novia and P. Hendikawati, “Average Linkage Hierarchical Cluster untuk Pengelompokan Kabupaten / Kota di Provinsi Jawa Tengah Berdasarkan Variabel Pencegahan Terjadinya Stunting,” Prism. Pros. Semin. Nas. Mat., vol. 7, pp. 702–711, 2024, [Online]. Available: https://proceeding.unnes.ac.id/prisma/article/view/3021/2484
[10] Musdalifah M. Ramly, S. Sudarmin, and B. Poerwanto, “Analisis Hierarchical Clustering Multiscale Bootstrap (Kasus: Indikator Kemiskinan di Provinsi Sulawesi Selatan Tahun 2020),” VARIANSI J. Stat. Its Appl. Teach. Res., vol. 4, no. 3, pp. 142–152, 2022, doi: 10.35580/variansiunm26.
[11] R. P. Butar Butar, “Analisis Hierarchical Dan Non-Hierarchical Clustering Untuk Pengelompokkan Potensi Ekonomi Kelautan Indonesia 2021,” J. Sist. dan Teknol. Inf., vol. 11, no. 3, p. 543, 2023, doi: 10.26418/justin.v11i3.67283.
[12] U. Ma’rifatin, “Implementasi Algoritma K-Means untuk Pengelompokan Penyakit Pasien Pada Puskesmas Warujayeng,” Semin. Nas. Inov. Teknol., no. 2549–7952, pp. 285–291, 2020.
[13] D. Ariyanto, “Data Mining Menggunakan Algoritma K-Means untuk Klasifikasi Penyakit Infeksi Saluran Pernafasan Akut,” J. Sistim Inf. dan Teknol., vol. 4, pp. 13–18, 2022, doi: 10.37034/jsisfotek.v4i1.117.
[14] F. B. Lazuardi and Hanna Prillysca Chernovita, “Analisis persebaran dan visualisasi penyakit Infeksi Saluran Pernapasan Akut (ISPA) dengan metode K-Means Clustering pada Provinsi Jawa Tengah,” vol. 04, no. 52, pp. 161–172, 2025, doi: 10.24246/itexplore.v4i2.2025.pp161-172.
[15] M. Hafiz Ziqrullah, Andri, S. Dian Purnamasari, and I. Zuhri Yadi, “Clustering Data Penyakit Pasien Pada Puskesmas Mulyaguna Menggunakan Algoritma K-Means,” vol. 6, no. 2, pp. 608–616, 2024, [Online]. Available: http://ejournal.sisfokomtek.org/index.php/jumin
[16] Y. Arvita, Suyanti, and A. Siswanto, “Classification of Monkeypox Disease Using the K-Nearest Neighbor Algorithm,” Process. J. Ilm. Sist. Informasi, Teknol. Inf. dan Sist. Komput., vol. 19, no. 2, pp. 137–142, 2024.
[17] B. I. Nugroho, Z. Ma’arif, and Z. Arif, “Tinjauan Pustaka Sistematis: Penerapan Data Mining Metode Klasifikasi Untuk Menganalisa Penyalahgunaan Sosial Media,” J. Sist. Inf. dan …, vol. 3, no. 2, pp. 46–51, 2022, [Online]. Available: http://journal.peradaban.ac.id/index.php/jsitp/article/download/1265/860
[18] N. A. Ramadhani and H. A. Rosyid, “Algoritma Data Mining untuk Klasifikasi Data,” J. Inov. Teknol. dan Edukasi Tek., vol. 2, no. 12, pp. 550–556, 2022, doi: 10.17977/um068v2i122022p550-556.
[19] A. A. Abidin, R. Goejantoro, and M. Fathurahman, “Klasifikasi Penyakit Tuberkulosis Menggunakan Metode Naive Bayes (Studi Kasus: Data Pasien Di Puskesmas Petung Kabupaten Penajam Paser Utara),” Eksponensial, vol. 14, no. 1, p. 11, 2023, doi: 10.30872/eksponensial.v14i1.1031.
[20] A. N. P. Haryadi, W. Setiawan, and D. A. Fatah, “Penerapan Data Mining untuk Klasifikasi Penyakit Diabetes Menggunakan Metode Decision Tree,” J. Nas. Komputasi dan Teknol. Inf., vol. 7, no. 6, pp. 1484–1495, 2024, doi: 10.32672/jnkti.v7i6.8145.
