Penerapan Metode K-Means Clustering dan Simple Moving Average untuk Memprediksi Jenis Penyakit di Provinsi Jawa Timur
DOI:
https://doi.org/10.25126/jtiik.1148703Kata Kunci:
clustering, k-means, prediksi, simple moving average, jumlah kasus penyakit, dinas kesehatan provinsi jawa timurAbstrak
Berdasarkan buku Profil Kesehatan Provinsi Jawa Timur dari tahun 2017 hingga 2021, terlihat bahwa banyak penyakit menjadi perhatian di 38 kota atau kabupaten di Jawa Timur. Dari data tersebut, belum jelas daerah mana yang perlu mendapatkan prioritas penanganan. Terdapat kesulitan pengidentifikasian daerah prioritas dalam penanganan penyakit. Tujuan penelitian adalah mengelompokkan kasus ke dalam kelompok yang relevan dan dapat diidentifikasi, memprediksi tren kasus penyakit berdasarkan data historis di setiap daerah dari tahun ke tahun, membangun sistem berbasis website sebagai media implementasi prediksi dan clustering. Tahapan penelitian meliputi studi literatur, pengembangan model clustering menggunakan K-Means dan prediksi menggunakan Simple Moving Average, pengembangan sistem menggunakan MySQL, PHP dan Angular. Metode K-Means Clustering membagi data ke dalam beberapa kelompok berdasarkan karakteristik yang mirip, sehingga lebih mudah untuk mengidentifikasi pola dan tren yang tersembunyi dalam data kesehatan. Simple Moving Average menggunakan rata-rata data masa lalu untuk memperhalus perubahan jangka pendek dan menemukan pola jangka panjang. Hasil penelitian menunjukkan berhasilnya implementasi clustering dalam 3 cluster: rendah, sedang dan tinggi. Prediksi tren kasus penyakit berhasil diterapkan menggunakan data historis periode 5 tahun, memberikan wawasan signifikan untuk perencanaan kesehatan. Uji fungsional dan kompatibilitas browser menunjukkan bahwa sistem berjalan sesuai harapan di berbagai lingkungan. Pengujian usability dengan metode WebQual 4.0 menunjukkan nilai rata-rata 4,34 (sangat baik), mengonfirmasi keberhasilan sistem dalam memenuhi kebutuhan pengguna. Hasil penelitian ini memiliki implikasi praktis untuk meningkatkan efektivitas pengelolaan penanggulangan penyakit di Provinsi Jawa Timur dengan mengidentifikasi prioritas daerah secara lebih akurat dan membuat keputusan yang lebih baik berdasarkan data.
Abstract
Based on the East Java Provincial Health Profile book from 2017 to 2021, it appears that many diseases are a concern in 38 cities or districts in East Java. From this data, it is not clear which areas need priority handling. There are difficulties in identifying priority areas in disease management. The research objectives are to cluster cases into relevant and identifiable groups, predict trends in disease cases based on historical data in each region from year to year, build a website-based system as a medium for implementing predictions and clustering. The research stages include literature study, clustering model development using K-Means and prediction using Simple Moving Average, system development using MySQL, PHP and Angular. The K-Means Clustering method divides data into groups based on similar characteristics, making it easier to identify patterns and trends hidden in health data. Simple Moving Average uses the average of past data to smooth out short-term changes and find long-term patterns. The results showed the successful implementation of clustering in 3 clusters: low, medium and high. Disease case trend prediction was successfully implemented using historical data over a 5-year period, providing significant insights for health planning. Functional and browser compatibility tests showed that the system runs as expected in various environments. Usability testing with the WebQual 4.0 method showed an average score of 4.34 (excellent), confirming the success of the system in meeting user needs. The results of this study have practical implications for improving the effectiveness of disease management in East Java Province by more accurately identifying regional priorities and making better decisions based on data.
Downloads
Referensi
ADIPUTRA, I.N.M., 2022. CLUSTERING PENYAKIT DBD PADA RUMAH SAKIT DHARMA KERTI MENGGUNAKAN ALGORITMA K-MEANS. INSERT : Information System and Emerging Technology Journal, 2(2), p.99. https://doi.org/10.23887/insert.v2i2.41673.
AGOESTINA, F.S., TAMBUNAN, H.S. dan NASUTION, R.A., 2022. Pemanfaatan Algoritma K-Means untuk Pengelompokkan Pasien Penyakit Infeksi Saluran Pernafasan Akut (ISPA). SATESI: Jurnal Sains Teknologi and Sistem Informasi, 2(1), pp.60–69. https://doi.org/10.54259/satesi.v2i1.804.
ALI, A. dan MASYFUFAH, L., 2021. KLASTERISASI PASIEN BPJS DENGAN METODE K-MEANS CLUSTERING GUNA MENUNJANG PROGRAM JAMINAN KESEHATAN NASIONAL DI RUMAH SAKIT ANWAR MEDIKA BALONG BENDO SIDOARJO. Jurnal Wiyata, 8(1), pp.8–22.
DANI, A., JULIDANY, C. dan DAVID, D., 2023. Clustering Analysis of Tweets About COVID-19 Using the K-Means Algorithm. Sinkron, 8(1), pp.543–533. https://doi.org/10.33395/sinkron.v8i1.12145.
ARYADI, A.R., DANREAS, F. dan SARI, B.N., 2022. Analisis Klaster K-Means pada Data Rata-Rata Konsumsi Kalori dan Protein Menurut Provinsi dengan Metode Davies Bouldin Index. Jurnal Pendidikan dan Konseling (JPDK), [online] 4(4), pp.5652–5661. https://doi.org/10.31004/jpdk.v4i4.6375.
AYU RAMADHANTY, D., RENITA SYAFITRI, ERRISSYA RASYWIR dan DESPITA MEISAK, 2022. Implementasi Data Mining Untuk Menentukan Persediaan Stok Obat Di Apotek K-24 Menggunakan Metode K-Means Clustering. Jurnal Informatika Dan Rekayasa Komputer(JAKAKOM), 2(1), pp.155–160. https://doi.org/10.33998/jakakom.2022.2.1.31.
FIRDAUS, M.I., AISYIYAH, P. dan DEVI, R., 2022. Implementation of K-Means Algorithm for Diseases Clustering in Elderly Posyandu Participants. ATCSJ Applied Technology dan Computing Science Journal, [online] 5(1), pp.11–20. https://doi.org/10.33086/atcsj.X.
JULIANA, E., ALEYDA, V.N. dan YULIANA, Y., 2021. Penerapan Metode Clustering K-Means Untuk Membantu Menentukan Tingkatan Status Daerah Dampak Covid-19. Jurnal MediaTIK, 4(3), p.112. https://doi.org/10.26858/jmtik.v4i3.23698.
NABYLA, F. dan MUKRODIN, 2021. Data Mining Pengelompokan Biaya Pengeluaran Rumah Sakit Oleh BPJS Kesehatan Menggunakan Algoritma K-Means. Smart Comp: Jurnalnya Orang Pintar Komputer, 10(2), pp.79–83. https://doi.org/10.30591/smartcomp.v10i2.2128.
NUGROHO, M.R., HENDRAWAN, I.E. dan PUWANTORO, 2022. Penerapan Algoritma K-Means Untuk Klasterisasi Data Obat Pada Rumah Sakit ASRI. JURNAL NUANSA INFORMATIKA, 16(1), pp.125–133.
NURHIDAYAH, A., LESTARI, W. dan PURWANTO, E., 2022. Implementasi Data Mining Algoritma K-Means untuk Clustering Penyakit di RS Panti Waluyo Surakarta. DutaCom, 15(2). https://doi.org/10.47701/dutacom.v15i2.2009.
PURBA, N., PONINGSIH dan TAMBUNAN, H.S., 2021. Penerapan Algoritma K-Means Clustering Pada Penyebaran Penyakit Infeksi Saluran Pernapasan Akut (ISPA) di Provinsi Riau. Journal of Information System Research (JOSH), 2(3), pp.220–226.
PURWANTO, B., NILOGIRI, A. dan WARDOYO, A.E., 2022. Penerapan Algoritma K-Means Clustering Untuk Pengelompokan Penyebaran Penyakit Tbc (Studi Kasus: Puskesmas Di Kabupaten Jember). Jurnal Smart Teknologi, 3(3), pp.273–285.
RANI, R.A. DAN NOVIANTI, L., 2022. Sistem Informasi Geografis Pemetaan dan Pengelompokan Balita Berpotensi Gizi Buruk Tertinggi pada Wilayah Kota Prabumulih Menggunakan Metode K-Means Clustering ( Studi Kasus : Dinas Kesehatan Kota Prabumulih ). InfoTekJar : Jurnal Nasional Informatikadan Teknologi Jaringan, 6(2), pp.248–253.
AL RIVAN, M.E. dan SONARU, R.A., 2022. Perbandingan Metode K-Means dan GA K-Means untuk Clustering Dataset Heart Disease Patients. JATISI (Jurnal Teknik Informatika dan Sistem Informasi), 9(3), pp.2585–2597. https://doi.org/10.35957/jatisi.v9i3.2799.
ROKHIMAH, W. dan KISMIANTINI, 2022. ANALISIS CLUSTERING TINGKAT KERAWANAN WILAYAH TERHADAP KASUS PENYAKIT DI KABUPATEN SLEMAN DENGAN METODE K-MEANS. Jurnal Kajian dan Terapan Matematika, 8(1), pp.25–37.
SARI, T.P., HANANTO, A.L., NOVALIA, E.,
TUKINO, T. dan HILABI, S.S., 2023. Implementasi Algoritma K-Means dalam Analisis Klasterisasi Penyebaran Penyakit Hiv/Aids. Infotek : Jurnal Informatika dan Teknologi, 6(1), pp.104–114. https://doi.org/10.29408/jit.v6i1.7423.
SEMBIRING, E.M., 2022. Penerapan K-Means Clustering Untuk Pengelompokan Penyebaran Demam Berdarah Dengue (DBD) Di Kabupaten Deli Serdang. TIN: Terapan Informatika Nusantara, 2(11), pp.673–677. https://doi.org/10.47065/tin.v2i11.1503.
SULISTIYO HIDAYAT, F., BERLIANA, R., AFFDANI, P., ZULIANA, V. dan PADILAH, T.N., 2022. Penerapan K-Means Clustering dalam Pengelompokan Kasus Tuberkulosis di Provinsi Jawa Barat. Jurnal Ilmiah Wahana Pendidikan, [online] 8(15), pp.213–227. https://doi.org/10.5281/zenodo.7049113.
SYAMFITHRIANI, T.S., MIRANTIKA, N. dan TRISUDARMO, R., 2023. Perbandingan Algoritma K-Means dan K-Medoids Untuk Pemetaan Daerah Penanganan Diare Pada Balita di Kabupaten Kuningan. JURNAL SISTEM INFORMASI BISNIS, 12(2), pp.132–139. https://doi.org/10.21456/vol12iss2pp132-139.
TAMBUNAN, T.M., ANITA, MIGI SULISTIONO dan ERRISSYA RASYWIR, 2022. Penerapan Data Mining Menggunakan Metode K-Means Untuk Menentukan Status Covid-19 di Jambi. Jurnal Manajemen Teknologi Dan Sistem Informasi (JMS), 2(2), pp.196–204. https://doi.org/10.33998/jms.2022.2.2.36.
TAMPUBOLON, S.S. dan HANDOKO, K., 2021. PENERAPAN DATA MINING ANALISA PENYAKIT MENULAR PADA MANUSIA. Jurnal Comasie, 5(7), pp.41–50.
TANTY, SERASI GINTING, B. dan
SIMANJUNTAK, M., 2021. Pengelompokan Penyakit Pada Pasien Berdasarkan Usia Dengan Metode K-Means Clustering (Studi Kasus : Puskesmas Bahorok). ALGORITMA: Jurnal Ilmu Komputer dan Informatika, 5(2), pp.88–99. https://doi.org/http://dx.doi.org/10.30829/algoritma.v5i2.10508.
UTARI, D.T., 2021. Analisis Karakteristik Wilayah Transmisi Covid-19 dengan Menggunakan Metode K-Means Clustering. Jurnal Media Teknik dan Sistem Industri, 5(1), p.25. https://doi.org/10.35194/jmtsi.v5i1.1220.
ZALIMAN, I., KURNIAWAN, T.B. dan ANTONI, D., 2020. Sistem Penentuan Lokasi Pusat Layanan Terpadu Bagi Penderita Penyakit Demam Berdarah Dengan Menggunakan K-Means Clustering. Jurnal Ilmiah Informatika Global, 11(2). https://doi.org/10.36982/jiig.v11i2.1225.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Jurnal Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
