Classification of Patient Complaints against Patient Medical Record Data Using the K Means Method

Authors

  • M Agung Vafky Ideal Independent Researcher

DOI:

https://doi.org/10.37034/jsisfotek.v5i1.151

Keywords:

k-means, medical record, data mining, klasifikasi, keluhan

Abstract

Keluhan pasien merupakan efek dari tubuh yang sedang terjangkit oleh suatu penyakit. Keluhan  yang dialami pasien dapat disebabkan oleh beberapa faktor, Faktor penyebab keluhan penyakit pasien seperti faktor internal dan faktor eksternal. Penyakit yang disebabkan oleh faktor internal seperti penyakit yang disebabkan oleh pengaruh gen yang ada pada pasien. Penyakit yang diesebabkan oleh  faktor eksternal seperti penyakit yang disebabkan oleh kondisi lingkungan sekitar dari pasien. Mengetahui faktor penyebab keluhan pasien, maka pihak puskesmas dapat melakukan pencegahan suatu penyakit dengan efektif dan memberikan pelayanan kesehatan masyarakat dengan tepat sasaran. Data yang digunakan pada penelitian ini adalah data keluhan pasien yang berada pada data rekam medis pasien.  Data rekam medis adalah berkas yang berisikan pencatatan dari biodata dan rincian pelayanan yang telah diterima pasien. Penelitian ini bertujuan untuk menghasilkan kelompok data keluhan pasien dan Mengetahui parameter pada setiap keluhan pasien.  klasifikasi keluhan pasien dapat memberikan Analisa dan pertimbangan terhadap penentuan pihak puskesmas dalam memberikan pelayanan kesehatan dan penanganan yang tepat berdasarkan data keluhan pasien. Pada penelitian ini data yang digunakan adalah data keluhan pasien dalam jangka waktu 6 bulan yang terdiri dari 72 kategori keluhan pasien .Data maining adalah suatu cara pengolahan data yang bertujuan untuk menemukan atau menggali informasi dari data yang diolah, salah satu metodenya yaitu metode k means. Metode k-means mengelompokkan data dengan system partisi.  Hasilnya adalah melakukan klasifikasi data dengan metode k-means yang menghasilkan kelompok data berdasarkan keluhan sehingga dapat menjadi bahan acuan untuk mengabil keputusan yang lebih tepat dalam penanganan Kesehatan masyarakat. penelitian ini menghasilkan klasifikasi berdasarkan keluhan pasien sehingga  pihak puskesmas dapat menemukan pola informasi yang ada pada data dan dapat membantu pihak puskesmas dalam pengendalian penyakit yang ada pada masyarakat.

References

Safitri, N. E. (2019). Implementasi Peraturan Menteri Kesehatan Republik Indonesia Nomor 75 Tahun 2014 Tentang Pusat Kesehatan Masyarakat Di Puskesmas Sukamakmur Labuhan Batu (Doctoral dissertation). http://repository.umsu.ac.id/handle/123456789/3326

Ordila, R., Wahyuni, R., Irawan, Y., & Sari, M. Y. (2020). Penerapan Data Mining Untuk Pengelompokan Data Rekam Medis Pasien Berdasarkan Jenis Penyakit Dengan Algoritma Clustering (Studi Kasus: Poli Klinik Pt. Inecda). Jurnal Ilmu Komputer, 9(2), 148-153. DOI : https://doi.org/10.33060/JIK/2020/Vol9.Iss2.181

Ghazal, M. M., & Hammad, A. (2022). Application of knowledge discovery in database (KDD) techniques in cost overrun of construction projects. International Journal of Construction Management, 22(9), 1632-1646. https://doi.org/10.1080/15623599.2020.1738205

Ordila, R., Wahyuni, R., Irawan, Y., & Sari, M. Y. (2020). Penerapan Data Mining Untuk Pengelompokan Data Rekam Medis Pasien Berdasarkan Jenis Penyakit Dengan Algoritma Clustering (Studi Kasus: Poli Klinik Pt. Inecda). Jurnal Ilmu Komputer, 9(2), 148-153. DOI : https://doi.org/10.33060/JIK/2020/Vol9.Iss2.181

Manochandar, S., Punniyamoorthy, M., & Jeyachitra, R. K. (2020). Development of new seed with modified validity measures for k-means clustering. Computers & Industrial Engineering, 141, 106290. DOI : https://doi.org/10.1016/j.cie.2020.106290

Khan, A. R., Khan, S., Harouni, M., Abbasi, R., Iqbal, S., & Mehmood, Z. (2021). Brain tumor segmentation using K‐means clustering and deep learning with synthetic data augmentation for classification. Microscopy Research and Technique, 84(7), 1389-1399. DOI : https://doi.org/10.1002/jemt.23694

Jaja, J., Priatna, N., & Ardan, T. S. (2021). Implementation of Data Mining Technique for Performance of WFH and WFO Agents Using the K-Means Method Case Study Study of PT. Infomedia Telkom Consumer Profiling Services. Budapest International Research in Exact Sciences (BirEx) Journal, 3(2), 117-125. DOI : https://doi.org/10.33258/birex.v3i2.1810

Virgo, I., Defit, S., & Yuhandri, Y. (2020). Klasterisasi Tingkat Kehadiran Dosen Menggunakan Algoritma K-Means Clustering. Jurnal Sistim Informasi dan Teknologi, 23-28. DOI : https://doi.org/10.37034/jsisfotek.v2i1.17

Dewi, S., Defit, S., & Yuhandri, Y. (2021). Akurasi Pemetaan Kelompok Belajar Siswa Menuju Prestasi Menggunakan Metode K-Means. Jurnal Sistim Informasi dan Teknologi, 28-33. DOI : https://doi.org/10.37034/jsisfotek.v3i1.40

Yuhefizar, Santosa B., Eddy, I. K. P., & Suprapto, Y. K. (2013). Combination of Cluster Method for Segmentation of Web Visitors. TELKOMNIKA, 11(1), 207-214. http://dx.doi.org/10.12928/telkomnika.v11i1.906

Downloads

Published

30-08-2022

How to Cite

Ideal, M. A. V. (2022). Classification of Patient Complaints against Patient Medical Record Data Using the K Means Method. Jurnal Sistim Informasi Dan Teknologi, 5(1), 1–6. https://doi.org/10.37034/jsisfotek.v5i1.151

Issue

Section

Articles