Sistem Klasterisasi Data Kesehatan Penduduk Untuk Menentukan Rentang Derajat Kesehatan Daerah Menggunakan K-Means

Abstract

Pencapaian suatu negara dalam memberikan jaminan di bidang kesehatan dapat menjadi indikator untuk mengetahui tingkat keberhasilan pembangunan sebuah negara. Di Indonesia khususnya Kota Pontianak tingkat kesehatan masih menjadi sebuah tantangan yang harus diselesaikan. Sebagai upaya memudahkan proses identifikasi kesehatan masyarakat dan mengetahui tingkat kesehatan suatu wilayah di Kota Pontianak, maka pada penelitian ini akan mengimplementasikan clustering K-Means dalam pengelompokkan setiap wilayah kecamatan berdasarkan 5 buah variabel indikator mortalitas derajat kesehatan untuk memudahkan Dinas Kesehatan kota Pontianak mengetahui tingkat kesehatan masyarakat di setiap wilayah kecamatan. Hasil dari penelitian ini berupa sistem klasterisasi data kesehatan yang mampu menghasilkan tiga buah cluster meliputi tingkat kesehatan rendah, sedang, dan tinggi. Cluster 1 memiliki nilai CBR 0,24; CDR 0,73; IMR 0,27; FMR 0,12; dan MMR 0,14 berisi 3 wilayah kecamatan. Cluster 2 beranggota 1 kecamatan memiliki nilai CBR 0,57; CDR 0,34; IMR 1, FMR 1, dan MMR 0. Dan cluster 3 memiliki nilai CBR 0,95; CDR 0,06; IMR 0,11; FMR 0,27; dan MMR 0,87; berjumlah 2 kecamatan. Pengujian fungsional memperoleh hasil yang sesuai berdasarkan perancangan sistem. Sedangkan pengujian interface memperoleh nilai persentase 88% yang menunjukkan hasil sangat baik.

Analisis Data Penelitian Kesehatan: Perbandingan Hasil antara SmartPLS, R dan IBM SPSS untuk Jumlah Sampel Kecil

“…Adapun derajat kesehatan mempunyai beberapa indikator seperti Angka Kematian Ibu, Prevelensi Penyakit TB paru, Persentase Balita Gizi Buruk, Angka Kematian Bayi dan lain-lain. Indikator untuk mengukur perkembangan dalam pembangunan kesehatan di berbagai wilayah telah ditetapkan oleh Pemerintah Indonesia melalui Kementerian Kesehatan yang mengumpulkan data kesehatan setiap tahun (Syahputra et al, 2022).…”

Implementation of K-Means Algorithm for Diseases Clustering in Elderly Posyandu Participants

“…Normah et al, In 2021 discusses the grouping of clothing stock data to determine sales of which clothes are best selling, selling well and not selling well [18]. Syahputra et al, In 2022 implement K-Means clustering in grouping each sub-district area based on 5 health degree mortality indicator variables to make it easier for the Pontianak City Health Office to know the level of public health in each sub-district area [19]. Based on this, several researchers have used the K-Means Algorithm for the purpose of grouping in several different fields.…”

Fuzzy Adaptive Clustering Untuk Mengetahui Pengaruh Faktor Lingkungan Hidup Terhadap Tingkat Keluhan Kesehatan

“…Selain pelayanan yang ditingkatkan, upaya pencegahan dengan upaya promotif dan preventif perlu dilakukan supaya jumlah yang sakit atau rakyat dengan keluhan kesehatan semakin sedikit. Lingkungan hidup merupakan salah satu faktor yang mempengaruhi tingkat keluhan kesehatan masyarakat [6].…”