Klasterisasi Pasien COVID-19 Berdasarkan Komorbiditas Menggunakan K-Means Clustering

Hilma Fitri Solehah, Ati Zaidiah, Ika Nurlaili Isnainiyah

Abstract


Pandemi COVID-19 yang terjadi sejak awal tahun 2020 merupakan sebuah permasalahan dan tantangan baru yang dirasakan oleh dunia. Penularan infeksi virus SARS-CoV-2 sangat mudah dan terjadi dengan cepat. Salah satu faktor risiko yang rentan terinfeksi COVID-19 adalah faktor penyakit penyerta/ komorbiditas yang ada pada masyarakat. Untuk dapat mengidentifikasi kelompok komorbid apa saja yang banyak ditemukan pada pasien COVID-19, penelitian ini melakukan kegiatan analisis dan pemodelan menggunakan algoritma data mining KMeans Clustering yang akan menghasilkan cluster pasien COVID-19. Adapun atribut data yang digunakan yakni nilai tengah usia, jenis komorbiditas, serta persentase penyakit melihat ukuran populasinya. Data yang akan diolah didapatkan dari sumber valid Covid Analytics yang berisikan rangkuman data riset medis pasien COVID-19 dari berbagai Negara. Cluster yang dihasilkan berjumlah 3 cluster dengan perbedaan derajat dari ringan hingga berat. Terdapat 321 data (39%) kelompok pasien COVID-19 yang diolah termasuk pada cluster pertama dengan rata-rata usia 48 tahun dan komorbid terbanyak ditemukan yaitu penyakit diabetes. Cluster kedua terdiri dari 370 data (44%) dengan rata-rata usia 64 tahun dan penyakit diabetes merupakan komorbid terbanyak. Sedangkan untuk cluster ketiga terdiri dari 140 data (17%) dengan rata-rata usia 68 tahun dan komorbid terbanyak yaitu penyakit Hipertensi. Analisis menggunakan K-Means Clustering ini dapat memberikan gambaran kelompok pasien dengan derajat yang berbeda serta bentuk penanganan yang akan berbeda pula.

Keywords


Covid-19, Komorbiditas, K-Means Clustering

References


@online{bertsimas2020covidClinicalOutcomes, author = {Bertsimas, Dimitris and Bandi, Hari and Boussioux,

Leonard and Cory-Wright, Ryan and Delarue, Arthur and Digalakis, Vasileios and Gilmour, Samuel and Graham,

Justin and Kim, Adam and Lahlou Kitane, Driss and Lin, Zhen and Lukin, Galit and Li, Michael and Mingardi, Luca

and Na, Liangyuan and Orfanoudaki, Agni and Papalexopoulos, Theodore and Paskov, Ivan and Pauphilet, Jean and

Skali Lami, Omar and Sobiesk, Matthew and Stellato, Bartolomeo and Carballo, Kimberly and Wang, Yuchen and

Wiberg, Holly and Zeng, Cynthia}, title = {An Aggregated Dataset of Clinical Outcomes for COVID-19 Patients}, url

= {http://www.covidanalytics.io/dataset_documentation }, year={2020} }

PDPI, PERKI, PAPDI, PERDATIN, IDAI., 2020. Pedoman Tatalaksana COVID-19 Edisi Ketiga. [Online] Available

at: https://www.papdi.or.id/pdfs/983/Buku%20Pedoman%20Tatalaksana%20COVID19%205OP%20Edisi%203%202020.pdf

Siagian, T. H., 2020. Mencari Kelompok Berisiko Tinggi Terinfeksi Virus Corona dengan Discourse Network

Analysis. Jurnal Kebijakan Kesehatan Indonesia: JKKI. IX(2), pp. 98-106.

Willim, H. A., Ketaren, I. & Supit, A. I., 2019. Dampak Coronavirus Disease 2019 terhadap Sistem Kardiovaskular.

Jurnal e-CliniC (eCl), VIII(2), pp.237-245.

Santosa, B. & Umam, A., 2018. Data Mining dan Big Data Analytics. Yogyakarta: Penebar Media Pustaka.

RSUP dr. Soeradji Tirtonegoro, 2020. Penyakit Kardiovaskular dan Pandemi COVID-19. [Online] Available at: url:

https://rsupsoeradji.id/penyakit-kardiovaskular-dan-pandemi-covid-19/

Ramdani, A. L. & Firmansyah, H. B., 2018. Clustering Application for UKT Determination Using Pillar K-Means

Clustering Algorithm and Flask Web Framework. Indonesian Journal of Artificial Intelligence and Data Mining

(IJAIDM). I(2), pp. 53-59.

Indraputra, R. A., Fitriana, R., 2020. K-Means Clustering Data COVID-19. Jurnal Teknik Industri. X(3), pp. 275-282.

Huber, S., Wiemer, H., Schneider, D. & Ihlenfeldt, S., 2018. DMME: Data mining methodology for engineering

applications- a holistic extension to the CRISP-DM model. 12th CIRP Conference on Intelligent Computation in

Manufacturing Engineering, LXXIX, pp.403-408.

Drew, S., Adisasmita, A. C., 2021. Gejala dan komorbid yang memengaruhi mortalitas pasien positif COVID-19 di

Jakarta Timur, Maret-September 2020. Tarumanagara Medical Journal. III(3), pp. 274-283.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 Senamika

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.