Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Malcom: Indonesian Journal of Machine Learning and Computer Science
Hutagalung, Minta Ito
Unknown Affiliation
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Pengelompokan Data Penyakit THT Menggunakan Algoritma K-Means Clustering: Grouping of ENT Disease Data Using K-Means Clustering Algorithm Hutagalung, Minta Ito; Sriani, Sriani
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 4 (2024): MALCOM October 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i4.1692

Abstract

Keseimbangan tubuh yang terganggu dapat menyebabkan berbagai jenis penyakit, termasuk penyakit pada Hidung, Telinga, dan Tenggorokan (THT). Penyakit THT dianggap berbahaya karena menyerang beberapa organ vital manusia yang berfungsi untuk mendengar, bernapas, dan menelan. Infeksi bakteri atau virus sering menjadi penyebab penyakit ini, namun ada juga yang disebabkan oleh kelainan pertumbuhan sel yang dapat berkembang menjadi tumor atau kanker. Permasalahan utama dalam penelitian ini adalah bagaimana mengelompokkan data pasien penyakit THT berdasarkan umur menggunakan Algoritma K-Means Clustering. Penelitian ini dilakukan di RSUD Gunung Tua, dengan melibatkan 51 data pasien yang diolah menggunakan Python. Hasil penelitian menunjukkan bahwa pasien dapat dibagi menjadi tiga kelompok (3 cluster) berdasarkan usia dan jenis penyakit, dengan cluster 0 terdiri dari pasien usia lanjut yang lebih rentan terhadap penyakit seperti sinusitis dengan total 10 data, kemudian cluster 1 terdiri dari pasien yang lebih muda dengan diagnosis penyakit yang lebih ringan dengan total 19 data. Sedangkan cluster 2 mencakup pasien dengan rentang umur yang bervariasi dan diagnosis yang lebih beragam, seperti OMSK dan Rhinitis Alergi dengan total 22 data. Hasil penelitian menunjukkan bahwa algoritma K-Means Clustering mampu mengelompokkan pasien dengan baik, dan evaluasi menggunakan DBI menghasilkan nilai 0.90, yang menandakan bahwa kualitas cluster yang dihasilkan cukup baik.
Co-Authors