Article Per Year (5 Year)
p-Index From 2020 - 2025
5.076
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Komputer dan Agri-Informatika Infotech Journal Jurnal Informatika JITTER (Jurnal Ilmiah Teknologi Informasi Terapan) Krea-TIF: Jurnal Teknik Informatika Jurnal Riset Informatika Jurnal Mantik Abdi Dosen : Jurnal Pengabdian Pada Masyarakat JATI (Jurnal Mahasiswa Teknik Informatika) Moneter : Jurnal Keuangan dan Perbankan Jurnal Pengabdian Masyarakat Inovatif Jurnal Pengabdian Masyarakat Inovatif
Freza Riana
Universitas Ibn Khaldun Bogor
Religion Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Biochemistry, Genetics & Molecular Biology Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Library & Information Science Mechanical Engineering Public Health Social Sciences Other

Published : 36 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Jurnal Informatika

 1 
Implementasi K-Medoids Dalam Pengelompokan Fasilitas Pelayanan Kesehatan Pada Kasus Tuberculosis Putri, Refanisa; Riana, Freza; Wulandari, Berlina
Jurnal Informatika Vol 11, No 1 (2024): April 2024
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/inf.v11i1.20044

Abstract

Tuberculosis (TBC) adalah penyakit menular yang disebabkan oleh bakteri Mycobacterium Tuberculosis, kadang disebut juga TB paru. Pada tahun 2021 kasus TBC di Kota Bogor terdapat 4855 kasus, banyaknya kasus TBC di Kota Bogor ini, diperlukan pengelompokan penyebaran penyakit TBC berdasarkan Fasilitas Pelayanan Kesehatan (FASYANKES) di Kota Bogor menggunakan algoritma K-Medoids, yang bertujuan untuk mengetahui karakteristik FASYANKES dalam kasus TBC. Algoritma K -Medoids adalah  sebuah algoritma yang menggunakan metode partisi clustering untuk mengelompokkan sejumlah n objek menjadi k klaster. Pada penelitian ini diterapkan pengujian Silhouette Coefficient untuk memaksimalkan hasil clustering, hasil clustering yang diperoleh adalah terbentuk 2 klaster dengan Silhouette = 0,574652. Sehingga dengan implementasi K-Medoids clustering diperoleh hasil 2 klaster yakni, klaster 0 terdapat 15 FASYANKES yang berisi karakteristik teridentifikasi yang tinggi dan hasil diagnosis positif TBC yang tinggi. Namun, terdapat 3 FASYANKES yang memiliki nilai jumlah pasien teridentifikasi tinggi tetapi nilai hasil diagnosis positifnya rendah. FASYANKES tersebut termasuk ke dalam klaster 0, karena dipengaruhi oleh nilai jumlah pasien teridentifikasi yang tinggi. Sedangkan klaster 1 terdapat 29 FASYANKES yang berisi karakteristik teridentifikasi yang rendah dan hasil diagnosis positif TBC yang rendah. Namun, terdapat 9 FASYANKES yang memiliki nilai jumlah pasien teridentifikasi rendah tetapi nilai hasil diagnosis positifnya tinggi. FASYANKES tersebut termasuk ke dalam klaster 1, karena dipengaruhi oleh nilai jumlah pasien teridentifikasi yang rendah.Tuberculosis (TB) is an infectious disease caused by the bacteria Mycobacterium Tuberculosis, sometimes also called pulmonary TB. In 2021, there were 4855 cases of tuberculosis in Bogor City. The large number of tuberculosis cases in Bogor City requires clustering the spread of tuberculosis disease based on Health Service Facilities (FASYANKES) in Bogor City using the K-Medoids algorithm, which aims to determine the characteristics of FASYANKES in tuberculosis cases. The K-Medoids algorithm is an algorithm that uses the clustering partition method to group a number of n objects into k clusters. In this study, Silhouette Coefficient testing was applied to maximize clustering results, the clustering results obtained were 2 clusters formed with Silhouette = 0.574652. So that with the implementation of K-Medoids clustering, the results of 2 clusters are obtained, namely, cluster 0 there are 15 FASYANKES which contain high identified characteristics and high positive TB diagnosis results. However, there are 3 FASYANKES that have a high number of identified patients but a low value of positive diagnosis results. These FASYANKES are included in cluster 0, because they are influenced by the high number of identified patients.While cluster 1 contained 29 FASYANKES that contained low identified characteristics and low positive TB diagnosis results. However, there are 9 FASYANKES that have a low number of identified patients but a high positive diagnosis result. These FASYANKES are included in cluster 1, as they are influenced by the low number of identified patients.
Pengelompokan Kasus Tuberculosis Dengan Algoritma K-Means Berdasarkan Kelurahan di Kota Bogor Putri, Isti Juliana; Riana, Freza; Wulandari, Berlina
Jurnal Informatika Vol 11, No 1 (2024): April 2024
Publisher : Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/inf.v11i1.20042

Abstract

Tuberculosis (TBC) merupakan penyakit menular yang masih menjadi masalah sampai saat ini, angka kesakitan dan kematian akibat bakteri ini pun sangat tinggi. Penyakit TBC masih menjadi masalah kesehatan baik di dunia maupun di Indonesia terkhususnya di Jawa Barat Kota Bogor. Dengan luas wilayah Kota Bogor sebesar 11.850 Ha, tidak bisa dipungkiri bahwa  terdapat penyebaran penyakit menular di Kota Bogor, penyakit menular di Kota Bogor masih cukup tinggi yang didominasi oleh penyakit TBC, DBD, dan HIV. Dengan banyaknya data kasus penyakit TBC di Kota Bogor diperlukan pengelompokkan penyakit TBC untuk mengetahui wilayah kelurahan mana saja yang kasus TBCnya itu tinggi atau rendah. Diperlukan metode yang cepat dan akurat untuk menentukan cluster di suatu daerah, karena dapat menjadi salah satu kunci pencegahan atau penyuluhan terkait penyakit TBC. Salah satu metode clustering adalah algoritma K-Means algoritma ini dapat membagi data menjadi satu atau lebih cluster dengan karakteristik yang mirip, metode ini mampu mencapai akurasi serta kecepatan prosesnya juga relatif tinggi. Penelitian ini diharapkan dapat digunakan bagi Dinas Kesehatan Kota Bogor sebagai data rujukan untuk menindak lanjuti penyebaran penyakit TBC di Kota Bogor. Berdasarkan hasil penelitian menggunakan algoritma K-Means diperoleh evaluasi dengan Silhouette Coefficient dipilih dua cluster karena memiliki nilai yang paling tinggi. Kelompok penyakit TBC tertinggi berada di cluster 2 dengan jumlah 22 kelurahan di Kota Bogor. Tuberculosis (TB) is an infectious disease that is still a problem today, the morbidity and mortality rate due to this bacteria is very high. TB is still a health problem both in the world and in Indonesia, especially in West Java, Bogor City. With an area of 11,850 hectares, it is undeniable that there is a spread of infectious diseases in Bogor City, infectious diseases in Bogor City are still quite high, dominated by tuberculosis, dengue fever, and HIV. With so much data on TB cases in Bogor City, it is necessary to group TB diseases to find out which urban villages have high or low TB cases. A fast and accurate method is needed to determine clusters in an area, because it can be one of the keys to prevention or counseling related to TB disease. One of the clustering methods is the K-Means algorithm, this algorithm can divide data into one or more clusters with similar characteristics, this method is able to achieve accuracy and the speed of the process is also relatively high. This research is expected to be used for the Bogor City Health Office as reference data to follow up on the spread of TB disease in Bogor City. Based on the results of research using the K-Means algorithm, evaluation with Silhouette Coefficient, two clusters were selected because they had the highest value. The highest TB disease group is in cluster 2 with a total of 22 villages in Kot.
Co-Authors Akbar, Denis Al Ikhsan, Safaruddin Hidayat Anbi, Moningka Naca Andi Irawan Catur Hermanto Devi Amaliah Dewi Primasari Dwi Noviansyah, Ramadhani Dyah Ayu Nafisah Erfiani Erfiani Erwin Hermawan Fadhilah, Muhammad Rifqi Farha Fitrahul Janah Fitrah Satrya Fajar Kusumah Fitrah Satrya, Fitrah Fitri Laxmi, Gibhta Ghibtha Fitri Laxmi Gibtha Fitri Laxmi Hadjimartsu, Sahid Agustian Hamim Wigena, Aji Harianingrum, Riska Pravita Hendi Hidayat Hendi Hidayat, Hendi Hendrawan, A. Hendri Hidayat A, Safaruddin Hidayat Al-Ikhsan, Safaruddin Iksal Yanuarsyah Intan Fitriyani, Neneng Isna, Fitria Nur Kaifia Basha, Tb. Feraldi Khidir Zahid Muchtadiabillah Kodarsyah Kurniawan, Adam Laxmi, Ghibtha Fitri Laxmi, Gibtha Lievia Anjhelina Maharani Makbul, Fathur Rahman Meita Arifany Muhammad Zikri Nabil Makarim, Syahir Nurul Kamilah Pujianto, Gilang Puspa Eosina Puspa Putri Amalia Putra Nugraha, Raka Putri, Isti Juliana Putri, Refanisa Ramdhani Ramdhani Retno, Setyowati Ritzkal, Ritzkal Rofi, Muhammad Maulana Rolidani, Alvin Safaruddin Hidayat Al Ikhsan Septian Rizki, Indra Setiawan, Foni Agus Setyowati Retno SETYOWATI RETNO DJIWANTI, SETYOWATI RETNO Siti Aisyah Siti Herawati Sutisna Sutisna Wulandari, Berlina