PENGELOMPOKAN TEKANAN DARAH LANSIA DENGAN ALGORITMA K-MEANS DI KP.LEBAK JERO
DOI:
https://doi.org/10.36595/misi.v8i1.1359Keywords:
K-means, Pengelompokkan Data, Tekanan Darah, Posbindu, Davies-Bouildin Index (DBI)Abstract
Hipertensi merupakan salah satu masalah kesehatan utama yang sering dialami oleh lansia dan memerlukan penanganan yang tepat. Namun, keterbatasan sumber daya di Posbindu sering kali menjadi hambatan dalam mengidentifikasi kelompok risiko hipertensi secara efektif. Penelitian ini bertujuan untuk merancang model pengelompokan risiko hipertensi pada lansia di Posbindu Kp. Lebak Jero menggunakan algoritma k-means, dalam mendukung intervensi kesehatan yang lebih terarah. Data yang dianalisis mencakup tekanan darah sistolik, diastolik, usia, jenis kelamin, dan berat badan, berdasarkan catatan Posbindu selama bulan Agustus-September 2024. Proses analisis dilakukan melalui tahapan Knowledge Discovery in Database (KDD), yang meliputi pengumpulan, pra-pemrosesan, transformasi data, pengelompokan, dan evaluasi. Untuk mengevaluasi kualitas hasil pengelompokan, digunakan Davies-Bouldin Index (DBI). Hasil penelitian menunjukkan bahwa DBI optimal sebesar 0,881 dengan k=2. Cluster pertama (Cluster_0) terdiri dari 75 lansia berisiko rendah (19 orang dengan tekanan darah normal dan 56 orang pra-hipertensi), dengan rentang usia 45-59 tahun (46 orang), 60-69 tahun (22 orang), dan >70 tahun (7 orang). Cluster kedua (Cluster_1) terdiri dari 71 lansia berisiko tinggi (28 orang hipertensi tingkat 1 dan 43 orang hipertensi tingkat 2), dengan rentang usia 45-59 tahun (26 orang), 60-69 tahun (30 orang), dan >70 tahun (15 orang). Tekanan darah sistolik pada Cluster_0 berada pada kisaran 80-143 mmHg dan diastolik 80-90 mmHg, sementara pada Cluster_1 sistolik 140-200 mmHg dan diastolik 78-130 mmHg. Penelitian ini menunjukkan bahwa algoritma k-means mampu memetakan kelompok risiko hipertensi dan membantu pemantauan serta mendukung pelaksanaan intervensi kesehatan yang lebih efektif dan terarah di Posbindu Kp. Lebak Jero.
Downloads
References
A. E. Rahayu, K. Hikmah, N. Y. Ningsih, and A. C. Fauzan, “Penerapan K-Means Clustering Untuk Penentuan Klasterisasi Beasiswa Bidikmisi Mahasiswa,” Ilk. J. Comput. Sci. Appl. Informatics, vol. 1, no. 2, pp. 82–86, 2019, doi: 10.28926/ilkomnika.v1i2.23.
M. R. Nugroho, I. E. Hendrawan, and Puwantoro, “Penerapan Algoritma K-Means Untuk Klasterisasi Data Obat Pada Rumah Sakit ASRI,” J. NUANSA Inform., vol. 16, no. 1, pp. 125–133, 2022, [Online]. Available: https://journal.uniku.ac.id/index.php/ilkom
A. Bahauddin, A. Fatmawati, and F. P. Sari, “Analisis Clustering Provinsi Di Indonesia Berdasarkan Tingkat Kemiskinan Menggunakan Algoritma K-Means,” J. Manaj. Inform. dan Sist. Inf., vol. 4, no. 1, pp. 1–8, 2021, doi: 10.36595/misi.v4i1.216.
D. S. Qirom, A. Faqih, and G. Dwilestari, “Implementasi Algoritma K-Means Untuk Klasterisasi Pasien Hipertensi Bersadarkan Karakteristik Pasien,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, pp. 2056–2063, 2024, doi: 10.36040/jati.v8i2.8314.
C. A. Sugianto, A. H. Rahayu, and A. Gusman, “Algoritma K-Means untuk Pengelompokkan Penyakit Pasien pada Puskesmas Cigugur Tengah,” J. Inf. Technol., vol. 2, no. 2, pp. 39–44, 2020, doi: 10.47292/joint.v2i2.30.
H. A. Arbi and R. A. Putri, “Visualisasi Data Pemetaan Daerah Hipertensi Menggunakan Algoritma K-Means,” J. Teknol. Sist. Inf. dan Apl., vol. 6, no. 4, pp. 631–638, 2023, doi: 10.32493/jtsi.v6i4.33923.
Saikin and Kusrini, “Model Data Mining Untuk Karekteristik Data Traveller Pada Perusahaan Tour and Travel,” J. Manaj. Inform. dan Sist. Inf., vol. 2, no. 2, pp. 61–68, 2019, doi: 10.36595/misi.v2i2.105.
A. Hidayah, W. Lestari, and E. Purwanto, “Implementasi Data Mining Algoritma K-Means untuk Clustering Penyakit di RS Panti Waluyo Surakarta,” DutaCom, vol. 15, no. 2, pp. 80–90, 2022, doi: 10.47701/dutacom.v15i2.2009.
Y. Tis Asy Aria, M. Julkarnain, and F. Hamdani, “Penerapan Algoritma K-Means Clustering Untuk Data Obat,” KLIK Kaji. Ilm. Inform. dan Komput., vol. 4, no. 1, pp. 649–657, 2023, doi: 10.30865/klik.v4i1.1117.
W. Utomo, “Penerapan Algoritma K-Means Untuk Pengelompokkan Penyakit Kronis pada Warga Lansia (Studi Kasus Pada: Posyandu Lansia RW 07) Wargijono,” J. Media Inform. Budidarma, vol. 4, no. 4, pp. 1153–1161, 2020, doi: 10.30865/mib.v4i4.2410.
Azkar and Kusrini, “Klasterisasi Pasien Rawat Jalan di Puskesmas dengan Menggunakan Metode Algoritma Clustering K-Means,” KLIK Kaji. Ilm.
Inform. dan Komput., vol. 4, no. 5, pp. 2628–2636, 2024, doi: 10.30865/klik.v4i5.1832.
F. Rahmadayanti, I. Anggraini, and T. Susanti, “Pengklasterisasian Data Penyakit Hipertensi dengan Menggunakan Metode K-Means,” J. Inf. Syst. Res., vol. 4, no. 2, pp. 737–741, 2023, doi: 10.47065/josh.v4i2.2905.
M. Herviany, S. P. Delima, T. Nurhidayah, and Kasini, “Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokkan Daerah Rawan Tanah Longsor Pada Provinsi Jawa Barat,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 1, no. 1, pp. 34–40, 2021, doi: 10.57152/malcom.v1i1.60.
U. Qalsum and W. Abidin, “Klasifikasi Penyakit Hipertensi Menggunakan Metode K-Means Clustering,” J. MSA ( Mat. dan Stat. serta Apl., vol. 11, no. 2, pp. 124–128, 2024, doi: 10.24252/msa.v11i2.45291.
H. Dilawati, H. Widianto, and A. Kuswiadji, “Klasterisasi Data Rekam Medis Pasien Menggunakan Metode K-Means Clustering Di Rumah Sakit Widodo Ngawi,” BIOS J. Teknol. Inf. dan Rekayasa Komput., vol. 5, no. 2, pp. 139–147, 2024, [Online]. Available: doi: https://doi.org/10.37148/bios.v5i2.134
I. Soliani and S. Juanita, “Grouping the Prevalence of Disease Cases By Age in Bandung City Hospitals Using K-Means,” J. Tek. Inform., vol. 3, no. 6, pp. 1647–1654, 2022, doi: 10.20884/1.jutif.2022.3.6.430.
D. S. Saputri, G. M. Putra, and M. F. Larasati, “Implementation of the K-Means Clustering Algorithm for the Covid-19 Vaccinated Village in the Ujung Padang Sub-District,” J. Tek. Inform., vol. 3, no. 2, pp. 261–267, 2022, [Online]. Available: https://doi.org/10.20884/1.jutif.2022.3.2.165
I. Setiawan, “Knowledge Discovery In Databases ( KDD ) Terhadap Customer Reviews Pada Situs E-Commerce,” 2018. [Online]. Available: http://edocs.ilkom.unsri.ac.id/2885/1/Knowledge Discovery in Databases - 09031281621045.docx
Downloads
Additional Files
Published
How to Cite
Issue
Section
License
Semua tulisan pada jurnal ini menjadi tanggungjawab penuh penulis.
