EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Perbandingan Algoritma K-Means dan Algoritma K-Medoids untuk Klasterisasi Pasien TBC dalam Analisis Berdasarkan Tingkat Risiko Penyebaran

Shofie Muthia Putri Hamdani, Royan Habibie Sukarna, Febriyanti Darnis

RIGGS: Journal of Artificial Intelligence and Digital Business · 06.06.2026 · 5 (2) · 6861-6868

DOI: 10.31004/riggs.v5i2.8870 ↗

Kurz gefasst

Fachartikel in der Zeitschrift RIGGS: Journal of Artificial Intelligence and Digital Business, online erschienen am 06.06.2026. Verfasst von Shofie Muthia Putri Hamdani und 2 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Tuberkulosis (TBC) masih menjadi permasalahan kesehatan masyarakat di Provinsi Banten dengan pola penyebaran yang berbeda antar wilayah. Variasi kondisi geografis dan demografis menyebabkan perlunya pendekatan analisis spasial untuk memahami distribusi kasus TBC secara lebih mendalam. Penelitian ini bertujuan untuk menganalisis pola penyebaran TBC menggunakan metode klasterisasi serta mengelompokkan wilayah berdasarkan tingkat penyebaran TBC ke dalam kategori tinggi dan rendah. Data yang digunakan merupakan data sekunder pasien TBC yang telah melalui proses preprocessing dan rekayasa fitur, meliputi geocoding fasilitas pelayanan kesehatan untuk memperoleh koordinat latitude dan longitude, serta penambahan variabel usia pasien dan kepadatan penduduk. Evaluasi kualitas klaster dilakukan menggunakan nilai silhouette score. Hasil penelitian menunjukkan bahwa algoritma K-Means menghasilkan nilai silhouette sebesar 0,475, sedangkan algoritma K-Medoids memperoleh nilai sebesar 0,472. Nilai tersebut menunjukkan bahwa kedua algoritma mampu membentuk klaster dengan kualitas yang cukup baik. Selain itu, visualisasi hasil klaster pada peta digital membantu mengidentifikasi wilayah dengan tingkat penyebaran tinggi sehingga mempermudah proses pemantauan dan pengambilan keputusan oleh instansi kesehatan daerah. Hasil klasterisasi ini memberikan informasi wilayah prioritas yang dapat dimanfaatkan sebagai dasar perencanaan dan penentuan strategi intervensi penanggulangan TBC di Provinsi Banten. Penelitian ini juga diharapkan dapat menjadi referensi bagi penelitian selanjutnya terkait pemanfaatan data spasial dan teknik data mining dalam mendukung kebijakan kesehatan masyarakat yang lebih efektif, terarah, dan berbasis data untuk menekan angka penyebaran TBC secara berkelanjutan di masa mendatang. Pendekatan ini turut membantu peningkatan efisiensi alokasi sumber daya kesehatan serta pelaksanaan program pencegahan penyakit pada daerah rentan.

Zitieren

APA

Hamdani, S. M. P., Sukarna, R. H., & Darnis, F. (2026). Perbandingan Algoritma K-Means dan Algoritma K-Medoids untuk Klasterisasi Pasien TBC dalam Analisis Berdasarkan Tingkat Risiko Penyebaran. RIGGS: Journal of Artificial Intelligence and Digital Business, 5(2), 6861-6868. https://doi.org/10.31004/riggs.v5i2.8870

Vancouver

Hamdani SMP, Sukarna RH, Darnis F. Perbandingan Algoritma K-Means dan Algoritma K-Medoids untuk Klasterisasi Pasien TBC dalam Analisis Berdasarkan Tingkat Risiko Penyebaran. RIGGS: Journal of Artificial Intelligence and Digital Business. 2026;5(2):6861-6868. doi:10.31004/riggs.v5i2.8870

BibTeX
@article{Hamdani2026,
  author = {Hamdani, Shofie Muthia Putri and Sukarna, Royan Habibie and Darnis, Febriyanti},
  title = {Perbandingan Algoritma K-Means dan Algoritma K-Medoids untuk Klasterisasi Pasien TBC dalam Analisis Berdasarkan Tingkat Risiko Penyebaran},
  journal = {RIGGS: Journal of Artificial Intelligence and Digital Business},
  year = {2026},
  volume = {5},
  number = {2},
  pages = {6861--6868},
  doi = {10.31004/riggs.v5i2.8870}
}
Kostenlos starten →