Algoritma K-Means Untuk Pengelompokkan Penyakit Pasien Pada Puskesmas Cigugur Tengah

Simple item page
dc.creatorSugianto, Castaka Agus
dc.creatorRahayu, Ayu Hendrati
dc.creatorGusman, Aditia
dc.date2020-08-19
dc.date.accessioned2022-06-30T01:52:36Z
dc.date.available2022-06-30T01:52:36Z
dc.descriptionPuskesmas Cigugur Tengah dalam setiap harinya melayani pasien sekitar 150 orang dari berbagai wilayah didaerah Cigugur Tengah. Dengan bertambahnya jumlah pasien tersebut, maka bertambah pula data pasien setiap harinya, sehingga sejumlah data tidak dapat dipelajari lebih lanjut dan data tersebut hanya digunakan sebagai arsip saja. Berdasarkan latar belakang tersebut, maka penulis ingin mengolah data tersebut untuk mengelompokan penyakit pasien berdasarkan penyakit akut dan penyakit tidak akut menggunakan teknik data mining dengan metode clustering dengan algoritma k-means dan algoritma k-medoids sebagai pembanding. Sehingga nantinya dapat membantu pihak Puskesmas Cigugur Tengah untuk mengetahui penyakit apa yang paling banyak diderita pasien, kemudian dapat membantu pihak pemerintah khususnya Dinas Kesehatan dalam pemberian penyuluhan kesehatan kepada masyarakat sekitar. Berdasarkan hasil pengujian dari algoritma k-means dan algoritma k-medoids, didapat cluster model untuk algoritma k-means sebanyak 241 items pada cluster_0 atau penyakit akut sebesar 96% dan 9 items pada cluster­_1 atau penyakit tidak akut sebesar 4% dari 250 data, sedangkan untuk algoritma k-medoids sebanyak 224 items pada cluster_0 atau penyakit akut sebesar 90% dan 26 items pada cluster­_1 atau penyakit tidak akut sebesar 10% dari 250 data, maka penyakit yang paling banyak diderita pasien pada Puskesmas Cigugur Tengah adalah penyakit akut sebesar 93%, dengan nilai Davies Bouldin untuk algoritma k-means sebesar -0.453 dan algoritma k-medoids sebesar -1.276. Dari hasil tersebut dapat dikatakan bahwa algoritma yang menghasilkan nilai Davies Bouldin terkecil dianggap sebagai algoritma yang lebih baik, maka dapat disimpulkan bahwa algoritma k-means lebih baik dari algoritma k-medoids yang menghasilkan nilai rata – rata Davies Bouldin sebesar -1.276.en-US
dc.formatapplication/pdf
dc.identifierhttps://jurnal.stmik-amikbandung.ac.id/joint/article/view/30
dc.identifier10.47292/joint.v2i2.30
dc.identifier.urihttps://repository.stmik-amikbandung.ac.id/handle/0/125
dc.languageeng
dc.publisherLPPM STMIK AMIK BANDUNGid-ID
dc.relationhttps://jurnal.stmik-amikbandung.ac.id/joint/article/view/30/19
dc.rightsHak Cipta (c) 2020 JOINT (Journal of Information Technology)id-ID
dc.sourceJournal of Information Technology; Vol. 2 No. 2 (2020): JOINT (Journal of Information Technology); 39-44en-US
dc.sourceJournal of Information Technology; Vol 2 No 2 (2020): JOINT (Journal of Information Technology); 39-44id-ID
dc.source2656-7539
dc.source2527-9467
dc.source10.47292/joint.v2i2
dc.subjectData Mining, Clustering, Algoritma K-Means, Algoritma K-Medoids, Penyakit Akut dan Penyakit Tidak Akuten-US
dc.titleAlgoritma K-Means Untuk Pengelompokkan Penyakit Pasien Pada Puskesmas Cigugur Tengahen-US
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion
dc.typeArtikel yang telah di-peer-review.id-ID
dspace.entity.type
Files
Collections
JOINT (Journal of Information Technology)