Tuberkulosis (TB) merupakan masalah kesehatan yang sampai saat ini di Indonesia masih belum terselesaikan. Berdasarkan data WHO, pada tahun 2021 Indonesia masih menduduki peringkat ketiga kasus TBC tertinggi di dunia. Penelitian ini bertujuan untuk mengetahui berapa banyak pengelompokan mengenai pasien TB berdasarkan umur, jenis kelamin, status HIV, Riwayat Diabetes mellitus, foto torax dan hasil Tes Cepat Molekuler (TCM). Data yang digunakan dalam penelitian ini sebanyak 985 sejak tahun 2017-2020.
Metode yang digunakan dalam penelitian ini adalah K-Nearest Neighbour (KNN) dalam melakukan proses imputasi, serta membandingkan metode k-Means dan Fuzzy C-Means (FCM) dalam mengelompokkan data TB. Sebelum melakukan pengelompokan maka, proses cleaning data dilakukan dengan proses imputasi yang gunanya untuk mengisi data yang hilang dalam hal ini, menggunakan metode KNN. Penentuan jumlah cluster yang tepat sangat diperlukan supaya menghasilkan pengelompokan dengan maksimal. Untuk itu penelitian ini mencoba membandingkan metode elbow, sillhoutte coeffisien dan Davies Bouldin Index (DBI). Penerapan metode KNN dalam proses imputasi data dalam penelitian ini adalah dengan menggunakan k=5.
Penerapan algoritma K-Means adalah untuk membentuk kelompok-kelompok pasien TB berdasarkan enam fitur. Penentuan jumlah optimal cluster menggunakan metode K-means maupun FCM, menunjukkan banyaknya cluster optimal yaitu K=2 namun dengan nilai yang berbeda. Hasil pengujian clustering dengan metode elbow dengan metode K-means maupun FCM sebesar 93288,49. Untuk nilai DBI pada metode K-means maupun FCM sebesar 0.4937. Sedangkan pada uji coba clustering dengan koefisien silhouette pada K-means menghasilkan nilai 0,6318 lebih baik dibanding dengan FCM yang menghasilkan nilai 0,6321.
Hal ini menunjukkan bahwa hasil clustering k-means dengan koefisien silhouette menghasilkan kualitas cluster lebih baik karena memiliki nilai sillhoute coefisien lebih rendah daripada FCM.
Penulis: Eka Mala Sari Rochman, Miswanto, Herry Suprajitno
Link:
