PEMANFAATAN TEKNIK DATA MINING DALAM MENGELOMPOKKAN PASIEN LAYAK KEMOTERAPI DI LABORATORIUM BIO-LAB BANDA ACEH BERDASARKAN DATA HASIL TES DARAH | ELECTRONIC THESES AND DISSERTATION

Electronic Theses and Dissertation

Universitas Syiah Kuala

    SKRIPSI

PEMANFAATAN TEKNIK DATA MINING DALAM MENGELOMPOKKAN PASIEN LAYAK KEMOTERAPI DI LABORATORIUM BIO-LAB BANDA ACEH BERDASARKAN DATA HASIL TES DARAH


Pengarang

MALAQ AIMANA - Personal Name;

Dosen Pembimbing

Viska Mutiawani - 198008312009122003 - Dosen Pembimbing I
Zahnur - 196905291994031002 - Dosen Pembimbing II



Nomor Pokok Mahasiswa

1608107010044

Fakultas & Prodi

Fakultas MIPA / Informatika (S1) / PDDIKTI : 55201

Penerbit

Banda Aceh : Fakultas MIPA (S1)., 2022

Bahasa

Indonesia

No Classification

005.1

Literature Searching Service

Hard copy atau foto copy dari buku ini dapat diberikan dengan syarat ketentuan berlaku, jika berminat, silahkan hubungi via telegram (Chat Services LSS)

Kemoterapi merupakan sebuah metode pengobatan menggunakan zat kimia untuk merawat suatu penyakit. Seorang pasien dapat menjalani kemoterapi ketika pasien melewati batas nilai ANC yang telah dihitung dari hasil tes darah. Kategori kelayakan kemoterapi telah dikelompokkan oleh Morris dan Sampson (2018). Dengan menggunakan kategori yang sudah ada, setelah melakukan pengelompokan peneliti ingin membandingkan hasil algoritma clustering dengan kategori yang sudah dibentuk. Adapun metode yang digunakan pada penelitian ini adalah metode clustering atau pengelompokan menggunakan algoritma K-Means, Fuzzy C-Means, dan K-Median. Kemudian hasil clustering dari ketiga algoritma tersebut dibandingkan dengan kategori Morris dan Sampson (2018) dengan cara melihat persentase kesamaan baris data hasil klaster antar keduanya. Kemudian ketiga algoritma juga dibandingkan kesamaan antar algoritma untuk melihat kemiripan data klaster yang dihasilkan. Algoritma juga akan dianalisis menggunakan nilai silhouette score untuk mengetahui struktur algoritma masing-masing. K-Means berhasil mengelompokkan pasien layak kemoterapi sebanyak 658 orang, Fuzzy C-Means sebanyak 780 orang, dan K-Median sebanyak 728 orang. Hasil perbandingan antar hasil klaster oleh algoritma dengan kategori Morris dan Sampson (2018) menunjukkan bahwa algoritma K-Means memiliki persentase kesamaan baris data lebih tinggi dari algoritma Fuzzy C-Means dan K-Median, yaitu sebesar 37,16%. Sedangkan hasil perbandingan antar algoritma menunjukkan bahwa K-Means dan K-Median memiliki persentase kesamaan tertinggi di antara algoritma lainnya, yaitu sebesar 33,70%. Hal ini menunjukkan bahwa adanya kemiripan pada tahap pengelompokan antara algoritma K-Means dan K-Median. Untuk analisis silhouette score menunjukkan bahwa algoritma Fuzzy C-Means memiliki skor tertinggi yaitu 0.377, lebih tinggi dibandingkan K-Means dan K-Median.

Kata kunci: kemoterapi, clustering, K-Means, Fuzzy C-Means, K-Median

Chemotherapy is a method of treatment using chemicals to treat a disease. A patient can undergo chemotherapy when the patient exceeds the limit of the ANC value that has been calculated from the blood test results. Chemotherapy eligibility categories have been stratified by Morris and Sampson (2018). By using the existing categories, after grouping the researcher wants to compare the results of clustering algorithm with the categories that have been formed. The method used in this research is the clustering method or grouping using the K-Means, Fuzzy C-Means, and K-Median algorithms. Then the results of the clustering of the three algorithms are compared with the Morris and Sampson (2018) category by looking at the similarity percentage between each algorithm. Then the similarity of three algorithms are also compared with each other. The algorithm will also be analyzed using the silhouette score value to determine the structure of each algorithm. K-Means managed to classify patients eligible for chemotherapy as many as 658 people, Fuzzy C-Means as many as 780 people, and K-Median as many as 728 people. The comparison results between each algorithms and the Morris and Sampson (2018) category show that the K-Means algorithm has a higher similarity percentage compared with the Fuzzy C-Means and K-Median algorithms, which is 37.16%. While the results of similarity comparison between each clustering algorithms show that K-Means and K-Median have the highest similarity percentage among other algorithms, which is 33.70%. This shows that the K-Means and K-Median algorithms are quite similar in clustering process. Silhouette score analysis shows that the Fuzzy C-Means algorithm has the highest score of 0.377, higher than K-Means and K-Means. Keywords: chemotherapy, clustering, K-Means, Fuzzy C-Means, K-Median

Citation



    SERVICES DESK