Analisa yang mengandung salah satu dari data yang

Analisa Pola Data Penyakit Rumah Sakit dengan Menerapkan Metode Association Rule Menggunakan Algoritma Apriori adalah sebuah jurnal yang berisi penggunaan data mining di bidang kesehatan pada salah satu rumah sakit yang berada di Medan, Sumatera Utara. Latar belakang dari penerapan data mining pada kasus ini dikarenakan banyaknya pasien dengan penyakit tertentu yang sebenarnya dapat dideteksi dari penyakit atau gejala sebelumnya berdasarkan data history pasien lainnya. Maka dari itu, masalah yang ingin diangkat adalah bagaimana cara untuk meningkatkan tindakan preventif dan rehabilitasi pada penyakit yang diderita pasien agar tidak berkembang lebih serius, terutama pada pasien yang memiliki gejala-gejala serupa dengan pasien sebelumnya, sehingga dinas kesehatan maupun instansi yang bersangkutan dapat mengambil penanganan dengan cepat dan tepat serta mengurangi munculnya penyakit serupa.

            Solusi yang digunakan untuk mengatasi masalah yang ada adalah dengan pendekatan association rule untuk mendapatkan suatu pola data penyakit yang sering muncul dari data historis pasien dengan algoritma apriori. Dalam association rule, terdapat 2 parameter untuk mengukur keakuratan hasil prediksi yang didapat dari data mining, yaitu support dan confidence. Di mana, support adalah sebuah parameter berbentuk persentase yang membandingkan antara data yang sedang diteliti (dalam kasus ini adalah salah satu penyakit) dengan data keseluruhan yang diteliti (data pasien yang dijadikan sample). Sedangkan confidence adalah paremeter berebentuk persentase yang membandingkan jumlah data asosiasi yang sedang diteliti dengan jumlah data yang mengandung salah satu dari data yang sedang diteliti. Untuk mempermudah pemahaman dari support dan confidence akan dijelaskan pada bagian selanjutnya dalam bentuk rumus.

We Will Write a Custom Essay Specifically
For You For Only $13.90/page!


order now

            Dalam penelitian ini, telah ditetapkan oleh peneliti bahwa data yang bisa dianggap akurang adalah data yang memiliki nilai support harus lebih dari 20% dan confidence lebih dari 35%. Sebelum membentuk aturan asosiatif, tahapan awal yang harus dilakukan adalah dengan melakukan analisa pola frekuensi tinggi untuk mendapatkan kombinasi item yang memenuhi syarat minimum nilai support dari data penyakit yang ada. Untuk lebih jelasnya, berikut merupakan cara pengimplementasian association rule dengan algoritma apriori pada rumah sakit tersebut:

Tabel 1 Penyakit Pasien

            Pertama, dilakukan pengelompokan jenis penyakit yang ada beserta jumlah data pasien yang mengidap penyakit tersebut dengan melihat dari tabel 1 yang berisi data penyakit pasien yang akan dijadikan dasar untuk melakukan data mining. Pengelompokan yang sudah dibuat dapat dilihat pada tabel 2.

Tabel 2 Representasi Data Penyakit Pasien

            Selanjutnya, dilakukan pencarian frequent itemset untuk mendapatkan itemset yang memiliki frekuensi kemunculan lebih dari nilai minimum yang ditentukan (?) (dalam kasus ini, ? = 3), jadi nilai frekuensi yang lebih sama dengan 3 yang akan dipakai untuk tahap selanjutnya. Angka 3 ini didapat bukan hanya berdasarkan tebakan semata. Melakinkan, jika dilihat dari rule yang telah ditetapkan dari awal, yaitu nilai support minimal 20%, maka akan didapat nilai 3 berdasarkan rumus berikut. Untuk 1 jenis penyakit, maka rumus dari support adalah :

Support=  x 100%

 

Untuk mendapatkan angka minimal 20% dengan jumlah data terlibat adalah 11, maka jumlah frekuensi minimal yang dibutuhkan adalah 3.

Support =  x 100%

Support = 27,3%

Selanjutnya, untuk mendapatkan jumlah calon 2-itemset agar dapat dilihat keterkaitannya, maka, dapat menggunakan rumus kombinasi. Karena dilakukan kombinasi 2 penyakit dari 7 penyakit yang ada, maka rumusnya adalah 7C2 dengan penjabaran sebagai berikut:

7C2 =  = =  = 21, berarti akan ada kombinasi sebanyak 21 buah.

 Pada tabel 3, dilakukan kombinasi 2 item penyakit.

Kombinasi

Count

Kombinasi

Count

Hipertensi- Dispepsya

2

Anemia- DM

2

Hipertensi- Anemia

0

Anemia- Febris

5

Hipertensi- DM

0

Anemia- DHF

0

Hipertensi- Febris

2

Anemia- Thyphoid

1

Hipertensi- DHF

0

DM- Febris

3

Hipertensi- Thyphoid

0

DM- DHF

2

Dispepsya- Anemia

4

DM- Thyphoid

0

Dispepsya- DM

1

Febris- DHF

2

Dispepsya- Febris

6

Febris- Thyphoid

0

Dispepsya- DHF

2

DHF- Thyphoid

0

Dispepsya- Thyphoid

1

 

 

 

Tabel 3 Calon 2- Itemset

            Dari calon 2-itemset yang sudah dilakukan, maka didapatkan 4 buah 2-itemset (F2) yang memenuhi syarat ( >=3), yaitu Dispepsya- Anemia, Dispepsya- Febris, Anemia- Febris, dan DM- Febris. Dari hasil pengelompokkan 2-itemset, maka diketahui ada 4 besar penyakit yang memiliki frekuensi cukup tinggi, yaitu Dispepsya, Febris, Anemia, dan DM. Kemudian, dilakukan pencarian calon 3-itemset dari hasil perhitungan frekuensi 2-itemset sebelumnya, dengan menggunakan rumus kombinasi 4C3.

4C3 =  = =  = 4, berarti akan ada kombinasi sebanyak 4 buah.

Kombinasi

Count

Dispepsya, Anemia, Febris

3

Dispepsya, Febris, DM

0

Dispepsya, Anemia, DM

0

Anemia, Febris, DM

2

Tabel 4 Calon 3-Itemset

            Jika dilihat pada tabel 4, maka kombinasi Dispepsya, Anemia, Febris yang memenuhi syarat >= ? (F3). Pencarian pola frekuensi tinggi berhenti di pengelompokkan 3-itemset karena seluruh frequent itemset sudah ditemukan, selain itu jumlah penyakit yang ingin diasosiakan dalam 1 kelompok disesuaikan dengan jumlah penyakit yang dilibatkan pada 1 pasien. Setelah didapatkan kombinasi di atas, kemudia dicek nilai support dan confidence untuk melihat apakah hasil perhitungan sudah sesuai dengan rule yang ditetapkan. Cara mencari nilai support dan confidence dengan 3-itemset adalah

Support=  x 100%

Confidence= x 100%

 

IF Antecedent THEN Consequent

Support

Confidence

IF mengidap Dispepsya and Anemia, THEN mengidap Febris

3/11= 27.3%

3/4= 75%

IF mengidap Dispepsya and Febris, THEN mengidap DM

0/11= 0%

0/6=0%

IF mengidap Dispepsya and Anemia, THEN mengidap DM

0/11=0%

0/4=0%

IF mengidap Anemia and Febris, THEN mengidap DM

2/11=18.20%

2/5=40%

Tabel 5 Calon Aturan Asosiasi dari 3-Itemset (F3)

            Berdasarkan tabel 5, maka nilai pada baris pertama sudah memenuhi syarat dengan nilai support sebesar 27,3% dan nilai confidence sebesar 75%, sedangkan baris lainnya tidak. Oleh karena itu, dapat disimpulkan sebuah formula, yaitu IF mengidap Dispepsya and Anemia THEN mengidap Febris. Artinya, jika seorang pasien mengidap penyakit Dispepsya dan Anemia, maka kemungkinan penyakit yang mungkin diderita juga (di masa yang akan datang) adalah Febris dengan persentase keyakinan sebesar 75% jika dilihat dari data history pasien sebelumnya.

            Penerapan data mining dengan menggunakan metode association rule dan algoritma apriori membantu pihak rumah sakit untuk mendapatkan pola-pola penyakit dari data history penyakit pasien yang pernah berobat sehingga membantu dalam memperkirakan penyakit yang mungkin diderita pasien dengan gejala serupa di masa yang akan datang dan mempersiapkan penanganan baik dari segi tenaga ahli, obat-obatan, serta perawatan agar tidak mengidap penyakit lebih parah.

Author:

x

Hi!
I'm Eileen!

Would you like to get a custom essay? How about receiving a customized one?

Check it out