Penerapan Hybrid K-Means Clustering dan Prefixspan untuk Analisis Trajektori Penyakit Katastropik sebagai Deteksi Dini Risiko Komplikasi
Tahun 2026 · Penulis: Muhammad Afif Rohman Muzaky
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/11869
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Penyakit katastropik merupakan tantangan utama layanan kesehatan di Indonesia yang memiliki karakteristik progresif dan multimorbiditas. Pendekatan diagnosis klinis konvensional seringkali berfokus secara statis pada satu titik waktu, sehingga gagal menangkap pola kronologis perburukan pasien di masa mendatang. Penelitian ini mengusulkan arsitektur komputasi hybrid yang menggabungkan algoritma K-Means Clustering dan PrefixSpan untuk mensegmentasi profil risiko pasien dan mengekstrak pola probabilitas urutan komplikasi (Sequential Pattern Mining) secara terarah dan efisien. Penelitian menggunakan data historis Rekam Medis Elektronik (RME) RSUD X periode 2020-2024 yang menghasilkan 393.875 baris data tervalidasi pada tahap prapemrosesan. Algoritma K-Means mengeksekusi atribut usia dan beban poli yang dibobotkan secara langsung melalui validasi pakar. Penentuan klaster optimal dievaluasi dengan Davies-Bouldin Index (DBI) dan Silhouette Coefficient. Data dari masing-masing klaster kemudian ditransformasi menjadi basis data sekuensial untuk diekstraksi trajektorinya menggunakan PrefixSpan pada ambang batas minimum support 1% dan divalidasi oleh metrik confidence. Hasil penelitian membuktikan model segmentasi paling optimal terbentuk pada K=8 dengan Silhouette Coefficient sebesar 0,505324 dan DBI sebesar 0,64963. Algoritma berhasil mengisolasi profil pasien berisiko tinggi (Klaster 4 dan 6) secara tegas dari kelompok kunjungan akut/transien (Klaster 1 dan 5). Pada klaster berisiko tinggi, PrefixSpan sukses memetakan rantai perburukan deterministik, seperti transisi persisten dari Hipertensi (I10) menuju Stroke (I64) di Klaster 4 dengan confidence mencapai 83,62%, serta pola komplikasi kardiovaskular dan ginjal di Klaster 6. Penggabungan kedua algoritma ini terbukti andal mengekstrak pola penyakit yang dapat dimanfaatkan sebagai basis pengetahuan (knowledge base) preventif peringatan dini komplikasi di fasilitas kesehatan
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,873
Tahun 2026 · Penulis: Restanti Mayzaluna Sakinan Dita
Prediksi Tujuan Poliklinik Berdasarkan Gejala Pasien Menggunakan Algoritma XGBoost (Studi Kasus: Rumah Sakit Daerah Kalisat)
Rumah sakit memiliki berbagai poliklinik dengan layanan yang berbeda sesuai kebutuhan pasien. Dalam praktiknya, pasien sering kali tidak mengetahui secara pasti poliklinik yang sesuai dengan keluhan yang dialami. Berdasarkan hasil observasi di Rumah Sakit Daer
- Cosine 0,859
Tahun 2026 · Penulis: Nurifatul Laily
Implementasi Klasifikasi Penyakit Liver dengan Teknik Penanganan Data Tidak Seimbang Synthetic Minority Oversampling Technique – Edited Nearest Neighbor
Penyakit liver adalah istilah umum yang memaksudkan berbagai kelainan atau kelainan yang mempengaruhi liver, termasuk penyakit liver yang berlemak, sirosis, hepatitis, kanker hati, tumor hati, dan lainnya. Karena gejala non-spesifik, penyakit hati menantang un
- Cosine 0,851
Tahun 2024 · Penulis: Adhitya Hari Saputra
Implementasi Metode Support Vector Machine dan Particle Swarm Optimization dalam Klasifikasi Faktor Risiko Terkena Penyakit Kanker Paru-paru
Kanker adalah penyakit mematikan dengan jumlah kematian tertinggi di dunia, disebabkan oleh pertumbuhan sel yang tidak terkendali dan dapat menyebar ke bagian tubuh lainnya. Menurut data GLOBOCAN 2020, terdapat 19,2 juta kasus baru kanker. Salah satu jenis kan