IMPLEMENTASI DATA MINING DALAM KLASIFIKASI HASIL DIAGNOSA PASIEN BPJS MENGGUNAKAN ALGORITMA CART
DOI:
https://doi.org/10.31000/jika.v6i2.6164Abstract
Puskesmas atau Pusat Kesehatan Masyarakat merupakan salah satu fasilitas kesehatan rujukan pasien BPJS yang dapat menghasilkan dan mengumpulkan banyak data rekam medis setiap harinya. Tumpukan data rekam medis tersebut dihasilkan dari kegiatan rutin operasional dan digunakan juga untuk kebutuhan operasional. Namun, terkadang tumpukan data tersebut dibiarkan begitu saja dan tidak digunakan. Selama ini pihak Puskesmas Umbulharjo 1 memanfaatkan data tersebut hanya untuk membuat kebijakan berupa penyuluhan kesehatan kepada masyarakat, dengan memberikan informasi jumlah pasien yang berobat, jenis penyakit yang diderita, serta laporan keluarnya pasien. Akan tetapi, terkait pola kecenderungan penyakit yang diderita oleh masyarakat belum digalih lebih dalam, agar dapat digunakan sebagai acuan dalam penyuluhan kesehatan, sehingga lebih tepat sasaran. Oleh karena itu, penelitian ini bertujuan mengklasifikasikan hasil diagnosa pasien BPJS berdasarkan hubungan gejala dan jenis penyakit menggunakan algoritma CART. Data yang digunakan merupakan data sekunder yang diperoleh dari rekam medis hasil pemeriksaan pasien BPJS di Puskesmas Umbulharjo 1 sebanyak 200 data. Berdasarkan hasil analisis yang dilakukan, klasifikasi CART menunjukan bahwa jenis penyakit TBC, Penunomia, Gastritis, dan Hipertensi dipengaruhi oleh gejala sakit kepala, sakit perut, serta mual dan muntah. Dengan hasil akurasi ketepatan klasifkas menggunkan metode CART sebesar 69 %.
References
Agwil, W., Fransiska, H., & Hidayati, N. (2020). Analisis Ketepatan Waktu Lulus Mahasiswa dengan Menggunakan Bagging CART. Jurnal Pendidikan Matematika Dan Matematika, 6(2), 155–166.
Amriana, A., Joefrie, Y. Y., & Meidji, F. N. (2019). Penerapan Data Mining Untuk Pengelompokan Hasil Diagnosa Penyakit Pasien Pengguna BPJS Kesehatan (Studi Kasus Pada Rsud Undata Palu). ScientiCO : Computer Science and Informatics Journal, 1(1), 51. https://doi.org/10.22487/j26204118.2018.v1.i1.11901
Anggraeni, H. D., Saputra, R., & Noranita, B. (2013). Aplikasi Data Mining Analisis Data Transaksi Penjualan Obat Menggunakan Algoritma Apriori. Journal of Informatics and Technology, 2(2), 5–20. Retrieved from https://www.cambridge.org/core/product/identifier/CBO9781139058452A007/type/book_part
Asuddin, A., Alwi, W., & Ningsih. (2019). Klasifikasi Tingkat Partisipasi Angkatan Kerja Kota Makassar Menggunakan Metode CART. Jurnal Matematika Dan Statistika Serta Aplikasinya, 7(2).
Chairunisa, R., Adiwijaya, & Astuti, W. (2021). Perbandingan CART dan Random Forest untuk Deteksi Kanker Berbasis Klasifikasi Data Microarray. Jurnal Rekayasa Sistem Dan Teknologi, 1(10), 805–812.
Eka, F., & Zain, I. (2014). Klasifikasi Pengangguran Terbuka Menggunakan CART ( Classification and Regression Tree ) di Provinsi Sulawesi Utara. Jurnal Sains Dan Seni Pomits, 3(1), 1–6.
Margasari, A. (2014). Penerapan Metode CART (Classification and Regression Trees) dan Analisis Regresi Logistik Biner pada Klasifikasi Profil Mahasiswa FMIPA Universitas Brawijaya.
Putri, M. A., Nurwindiana, & Khoiriyah, N. (2020). Klasifikasi Faktor yang Berpengaruh Terhadap Keparahan Tingkat Luka Pekerja Menggunakan Metode CART ( Classification and Regression Trees ). 59–79.
Putu, S. I. K., & Rusli, M. (2017). Ketepatan Klasifikasi Bagging CART Pada Klasifikasi Ketidaktepatan Waktu Kelulusan Mahasiswa STIKOM Bali. Konferensi Nasional Sistem Dan Informatika, 237–240.
Safitri, S. T., Wiguna, C., Kusumawardani, D. M., & Wibowo, I. Y. (2021). Klasifikasi Kepuasan Pelanggan Menggunakan Metode Classification and Regression Tree. Jurnal Sains Komputer & Informatika (J-SAKTI, 5(1), 337–349.
Sari, A. Y. (2020). Penerapan Metode Classification And Regression Trees Pada Klasifikasi Kelayakan Peserta BPJS-PBI Di Kelurahan Meranti Pandak Kota Pekanbaru.
Subarkah, P. (2020). Penerapan Algoritme Klasifikasi Classification And Regression Trees (Cart) Untuk Diagnosis Penyakit Diabetes Retinopathy. Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 19(2), 294–301. https://doi.org/10.30812/matrik.v19i2.676
Sumartini, S. H. (2015). Penggunaan Metode Classification and Regression Trees (CART) untuk Klasifikasi Rekurensi Pasien Kanker Serviks di RSUD Dr. Soetomo Surabaya (Vol. 4). Retrieved from https://www.neliti.com/publications/15687/penggunaan-metode-classification-and-regression-trees-cart-untuk-klasifikasi-re
Suwardika, G. (2019). Analisis Klasifikasi untuk Memprediksi Penyakit Hepatitis Menggunakan Algoritma Neural Network. Journal of Education and Learning, 1(3), 183–191.
Yunus, M., Husni, M., & Mufadhdhal, M. M. (2021). Klasifikasi Sentimen Terhadap Badan Penyelenggara Jaminan Sosial (BPJS) Pada Media Sosial Twitter Menggunakan Naive Bayes. Smatika Jurnal, 11(02), 81–91. https://doi.org/10.32664/smatika.v11i02.577
Downloads
Published
Issue
Section
License
License and Copyright Agreement
In submitting the manuscript to the journal, the authors certify that:
- They are authorized by their co-authors to enter into these arrangements.
- That it is not under consideration for publication elsewhere,
- That its publication has been approved by all the author(s) and by the responsible authorities – tacitly or explicitly – of the institutes where the work has been carried out.
- They secure the right to reproduce any material that has already been published or copyrighted elsewhere.
- They agree to the following license and copyright agreement.
Copyright
Authors who publish with International Journal of Advances in Intelligent Informatics agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License (CC BY-SA 4.0) that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.Â
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
Licensing for Data Publication
International Journal of Advances in Intelligent Informatics use a variety of waivers and licenses, that are specifically designed for and appropriate for the treatment of data:
Open Data Commons Attribution License, http://www.opendatacommons.org/licenses/by/1.0/ (default)
Creative Commons CC-Zero Waiver, http://creativecommons.org/publicdomain/zero/1.0/
Open Data Commons Public Domain Dedication and Licence, http://www.opendatacommons.org/licenses/pddl/1-0/
Other data publishing licenses may be allowed as exceptions (subject to approval by the editor on a case-by-case basis) and should be justified with a written statement from the author, which will be published with the article.
Open Data and Software Publishing and Sharing
The journal strives to maximize the replicability of the research published in it. Authors are thus required to share all data, code or protocols underlying the research reported in their articles. Exceptions are permitted but have to be justified in a written public statement accompanying the article.
Datasets and software should be deposited and permanently archived inappropriate, trusted, general, or domain-specific repositories (please consult http://service.re3data.org and/or software repositories such as GitHub, GitLab, Bioinformatics.org, or equivalent). The associated persistent identifiers (e.g. DOI, or others) of the dataset(s) must be included in the data or software resources section of the article. Reference(s) to datasets and software should also be included in the reference list of the article with DOIs (where available). Where no domain-specific data repository exists, authors should deposit their datasets in a general repository such as ZENODO, Dryad, Dataverse, or others.
Small data may also be published as data files or packages supplementary to a research article, however, the authors should prefer in all cases a deposition in data repositories.
