No abstract

Penyakit adalah suatu keadaan abnormal dimana tubuh ataupun pikiran mengalami ketidaknyamanan atau disfungsi terhadap orang yang dipengaruhinya. Setiap harinya jumlah pasien di rumah sakit selalu bertambah dengan jenis penyakit yang berbeda. Tumpukan data penyakit pasien yang berada pada rumah sakit pun hanya sebatas memberikan laporan jumlah pasien yang berobat dengan penyakit yang diderita. Oleh sebab itu, perlu adanya pengelompokan untuk membantu pihak rumah sakit menemukan informasi mengenai penyakit yang paling banyak diderita oleh pasien. Pada penelitian ini dilakukan pengelompokkan data penyakit pasien menggunakan teknik data mining clustering dengan menggunakan algoritma K-Medoids. K-Medoids merupakan salah satu metode clustering yang berfungsi untuk memecah dataset menjadi kelompok-kelompok dan mampu mengatasi kelemahan dari metode K-Means yang sensitive terhadap outlier. Hasil dari penelitian ini menunjukkan bahwa penggunaan 3 cluster menjadi jumlah cluster terbaik dengan nilai Silhouette Coefficient  sebesar 0,409373. Dari pengujian yang dilakukan didapatkan hasil clustering yaitu cluster 0 sebanyak 18 data yang didominasi oleh penyakit yang berada pada klinik gawat darurat, lalu pada cluster 1 sebanyak 2 data yang didominasi oleh penyakit pada klinik kemuning dan klinik gawat darurat, sedangkan pada cluster 2 sebanyak 197 data yang didominasi oleh penyakit pada klinik rehab medik sebanyak 20 data.

Penyakit diabetic retinopathy, merupakan salah satu jenis penyakit yang bermula dari diabetes mellitus. Hingga dewasa ini, penyakit diabetic retinopathy masih sulit untuk dikenali pada tahap awal. Hal ini dimungkinkan karena sifat dari penyakit ini yang menyerang bagian dalam sistem saraf mata terlebih dulu. Hingga saat ini, para ahli masih mengandalkan pemeriksaan dengan menggunakan serangkain tes pada mata serta memeriksa rekam medis dari pasien. Metode yang digunakan hingga saat ini, selain tentunya memerlukan proses yang panjang juga menghabiskan biaya yang tidak murah. Hal ini dapat menyulitkan penderita dengan kondisi ekonomi lemah. Penelitian yang dilakukan kali ini, bermaksud untuk mendapatkan metode klasifikasi terbaik yang dapat menghasilkan tingkat akurasi yang tinggi bila dikombinasikan dengan metode Particle Swarm Optimization (PSO). Setelah didapatkan metode klasifikasi terbaik, maka dikemudian hari penelitian ini dapat dikembangkan menjadi sebuah perangkat lunak pendeteksi diabetic retinopathy. Dari penelitian yang dilakukan dapat disimpulkan bahwa metode Neural Network (NN) merupakan metode terbaik dalam menghasilkan akurasi yang tinggi bila dikombinasikan dengan metode pemilihan fitur PSO.

Ulasan atau review merupakan suatu pendapat langsung dari seseorang. Review yaitu beberapa dari salah satu faktor yang menentukan keputusan seseorang, dengan menunjukkan bahwa orang dapat mengambil jumlah review sebagai indikator popularitas tempat atau nilai dari suatu tempat dengan mempengaruhi kemauan untuk mendatangi suatu tempat pariwisata. Penelitian ini membahas tentang  Penerapan metode K-Means untuk review data travel . Dataset  ini diambil langsung melalui halaman situs web UCI Machine Learning Repository dengan nama Review Travel dengan jumlah data sebanyak 980 record, terdri dari 10 variabel atau atribut yaitu galeri seni, klub dansa, bilah jus, restoran, museum, resort, taman atau tempat piknik, pantai, bioskop dan lembaga keagamaan. Proses cluster  dibagi kedalam 2 (dua)  cluster yaitu cluster rating tertinggi (C0) dan cluster rating terendah (C1).  Sehingga diperoleh  hasil pengelompokkan data ulasan atau review rating wisatawan cluster tertinggi berada pada C0 terdiri dari 3 objek wisata unggulan dengan rating tertinggi pada C0 yaitu Galeri seni dengan rating = 7,118, Museum = 5,396 dan Klub dansa = 4,783. Sedangkan cluster terendah berada pada C1 terdiri dari 3 objek wisata unggulan dengan rating tertinggi yaitu Restoran dengan rating = 10,394, Klub dansa = 3,361, Galeri seni = 3,233.

Penyakit kutil dapat ditangani dengan berbagai metode seperti cryotherapy dan immunotherapy, akan tetapi dokter belum mengetahui metode pengobatan yang paling tepat untuk pasien, sehingga diperlukan pengujian agar dapat diketahui metode yang paling tepat untuk pasien. Penelitian ini menggunakan dataset cryotherapy dan immunotherapy dengan menggunakan algoritma klasifikasi Decision Tree. Pada dataset ini terdapat atribut atau fitur yang tidak relevan sehingga dilakukan seleksi fitur menggunakan Greedy Forward Selection. Hasil penelitian ini akan dilakukan perbandingan kinerja dari algoritma Decision Tree tanpa seleksi fitur Greedy Forward Selection dengan Decision Tree yang di integrasikan pada seleksi fitur Greedy Forward Selection dan pemilihan metode pengobatan penyakit kutil yang terbaik.