IMPLEMENTASI DATA MINING UNTUK MENGELOMPOKKAN …
Transcript of IMPLEMENTASI DATA MINING UNTUK MENGELOMPOKKAN …
Jurnal Teknologi dan Bisnis Vol. 3, No.1, Page: 67 – 78, Year 2021
67
IMPLEMENTASI DATA MINING UNTUK MENGELOMPOKKAN PASIEN
RAWAT JALAN DAN RAWAT INAP ASURANSI KESEHATAN
Ratih(1), Fajar Mahardika(2)
[email protected] (1), [email protected](2)
1 STMIK Komputama Majenang 2Universitas Putra Bangsa
Abstract
Patient Visits Outpatient and inpatient insurance at Class C Hospitals is increasing from year to
year. Increased visits to insurance patients will have an impact on the inpatient and outpatient health
services provided. From the increase in patient visits, the data owned by the hospital is increasingly
abundant. The data can be used to explore knowledge, find certain patterns.
To explore knowledge about Inpatient and Outpatient Insurance patients, data mining clustering
techniques are used with the Self Organizing Map (SOM) algorithm using R Studio tools. Clustering
technique with the implementation of the Self Organizing Map (SOM) algorithm is a technique for
grouping data based on certain characteristics which are then mapped into areas that resemble map shapes.
The CRISP-DM method is used in this study to perform the stages of the data mining process.
The results obtained from the implementation of clustering with the Self Organizing Map (SOM)
algorithm are obtained 2 clusters representing dense areas and non-congested areas. Dense areas are
represented by Internal Medicine Clinic, Surgery Clinic, Eye Clinic, Hemodialysis, Melati Room, Orchid
Room, Bougenville Room, Flamboyan Room. Non-crowded areas are represented by General Clinics,
Dental Clinics, Obstetrics and Gynecology Clinics, Children's Clinics, Mawar Room and Soka Room.
Keywords: Patient Insurance, Self Organizing Map (SOM), Class C Hospital
LATAR BELAKANG
Rumah sakit kelas C merupakan rumah sakit yang didalamnya terdapat pelayanan
kedokteran subspesialis terbatas yang meliputi beberapa pelayanan diantaranya adalah pelayanan
kesehatan anak, pelayanan bedah, pelayanan penyakit dalam, serta pelayanan penyakit
kandungan dan kebidanan. Selain pelayanan tersebut, Rumah Sakit juga melayani pelayanan
spesialis diantaranya adalah spesialis penyakit anak, spesialis bedah, spesialis penyakit dalam,
spesialis kebidanan dan penyakit kandungan, dan spesialis mata. Selain pelayanan spesialis ada
juga beberapa pelayanan penunjang lainnya diantaranya Rontgen, Phisioterapy, Hemodialisa,
ICU, Laboratorium, serta ruang rawat inap dari kelas 3 sampai dengan VIP.
Rumah Sakit Kelas C adalah salah satu rumah sakit yang bekerjasama dengan Badan
Penyelenggara Asuransi. Asuransi adalah salah satu program jaminan kesehatan yang dibuat atau
di rancang orang perusahaan-perusahaan swasta. Asuransi ini bertujuan untuk saling membantu
satu sama lain anggota dalam penyelenggaran jaminan kesehatan. Kunjungan pasien Ansurasi di
Jurnal Teknologi dan Bisnis Vol. 3, No.1, Page: 67 – 78, Year 2021
68
Rumah Sakit kelas C dari tahun ke tahun semakin meningkat. Hal tersebut dijabarkan pada
gambar di bawah ini:
Gambar 1. Grafik Kunjungan Pasien Asuransi di Rumah Sakit Kelas C
Keterangan:
Warna Biru : Asuransi Rawat Inap
Warna orange : Asuransi Rawat Jalan
Semakin meningkatnya kunjungan pasien terutama pasien Asuransi di Rumah Sakit Kelas C
maka semakin melimpah data yang dimiliki rumah sakit. Gambar 1 menunjukkan bahwa
kunjungan pasien Asuransi dari tahun 2016 sampai tahun 2018 mengalami peningkatan, baik
pasien rawat inap maupun pasien rawat jalan. Dengan semakin banyaknya pasien Asuransi yang
berobat ke Rumah Sakit Kelas C, tentu saja akan berdampak pada pelayanan kesehatan yang
diberikan. Jika dilihat secara kasat mata, dimana padatnya kunjungan pasien yang berobat ke
rumah sakit, rumah sakit harus menambah sarana dan prasarana yang ada untuk menunjang
kenyamanan dan kecepatan pelayanan. Dari mulai ketersediaan sarana dan prasarana seperti
kamar rawat inap dan klinik yang menunjang untuk memberikan pelayanan yang maksimal
sesuai dengan visi misi yang diusung oleh Rumah Sakit Kelas C yaitu rumah sakit yang
mengutamakan kepuasan pasien, melaksanakan pelayanan dengan cepat, tepat, murah, dan
berkualitas.
Melimpahnya data pasien tidak diimbangi dengan kajian dan analisis data yang mendalam.
Pemanfaatan data yang ada di Rumah Sakit Kelas C untuk menunjang kegiatan pengambilan
0 10000 20000 30000 40000 50000
TAHUN
2016
TAHUN
2017
TAHUN
2018
Jurnal Teknologi dan Bisnis Vol. 3, No.1, Page: 67 – 78, Year 2021
69
keputusan, tidak cukup hanya mengandalkan data operasional saja, diperlukan suatu analisis data
untuk menggali potensi-potensi, menemukan pola-pola, pengetahuan, yang nantinya dapat
membantu pihak Rumah Sakit Kelas C dalam menentukan kebijakan pengadaan sarana dan
prasarana rumah sakit. Salah satu cara yang bisa diterapkan adalah dengan teknik data mining.
Dengan menerapkan teknik data mining untuk menggali pengetahuan-pengetahuan pada database
pasien diharapkan dapat memberikan rekomendasi atau usulan yang bermanfaat kepada pihak
Rumah Sakit Kelas C dalam menentukan kebijakan untuk meningkatkan pelayanan kepada
pasien dalam pengadaan sarana dan prasarana.
Salah satu teknik dalam data mining adalah clustering. Clustering merupakan proses
pengelompokan data ke dalam beberapa kelompok sehingga data dalam kelompok tersebut
memiliki tingkat kemiripan karakteristik antara data yang satu dengan yang lainnya. Untuk tujuan
pengelompokan profil pasien pengguna Asuransi maka dilakukan identifikasi pasien dengan cara
segmentasi menggunakan analisis cluster. Ada bermacam-macam metode untuk melakukan
analisis cluster, mulai dari metode yang sederhana hingga metode yang kompleks dengan
menggunakan kecerdasan tiruan seperti jaringan syaraf tiruan (Artificial Neural Network).
Metode jaringan syaraf tiruan untuk melakukan clustering adalah metode jaringan syaraf yang
menggunakan pola unsupervised learning, salah satunya yaitu Kohonen’s Self Organizing Map
(SOM).
Pada penelitian ini juga ditampilkan penelitian yang berkaitan dengan tema pada penelitian
ini. Penelitian tersebut dijabarkan dalam bentuk table dibawah ini:
Tabel 1. Penelitian terkait
No. Judul Penelitian Keterangan
1. ““Implementasi algoritma K-
Means Clustering pada
analisis penyebaran penyakit
pasien pengguna BPJS
Kesehatan”. Parasian DP
Silitonga, dkk (2016)
Penelitian ini dilakukan pada rumah sakit umum pusat
Haji Adam Malik Medan dengan meneliti pasien
BPJS untuk mengelompokkan penyakit berdasarkan
kode INACBG dengan menggunakan algoritme k-
means clustering menggunakan tools weka. Atribut
yang dipakai adalah kode jenis penyakit, jenis
kelamin, usia dan alamat.
Jurnal Teknologi dan Bisnis Vol. 3, No.1, Page: 67 – 78, Year 2021
70
2. “Clustering Dampak Gempa
Bumi di Indonesia
menggunakan Kohonen Self
Organizing Map (SOM)”.
Halim, Nurul. dkk (2017).
Pada penelitian metode cluster yang digunakan adalah
kohonen self organizing map (SOM). SOM
merupakan metode analisis untuk data berdimensi
tinggi dan tidak diperlukan asumsi serta dapat
menghasilkan visualisasi objek tersebut. Data yang
digunakan adalah 14 variabel dampak gempa bumi
pada 26 provinsi di Indonesia yang mengalami gempa
tahun 2000 – 2016. Dari hasil penelitian ini
didapatkan 4 cluster.
3. “Pengelompokan Kelas
menggunakan Self Organizing
Map Neural Network pada
SMK N 1 Depok”, Harli, dkk
(2016).
Penelitian ini meneliti tentang pengelompokan kelas
berdasarkan nilai raport siswa menggunakan
algoritme self organizing map (som). som efektif
untuk penanganan data yang sangat besar.
4. Self Organizing Map-Neural
Network untuk
Pengelompokan Abstrak.”
Hariri, (2016)
Penelitian ini membahas tentang clustering artikel
atau teks berbahasa Indonesia menggunakan metode
Self Organizing Map Neural Network (SOM-NN)
untuk membantu menganalisis berita dengan
mengelompokkan secara otomatis berita yang
memiliki kesamaan. Pada text clustering terdapat
suatu permasalahan yaitu adanya fitur-fitur yang
berdimensi tinggi sehingga menyebabkan waktu
komputasi menjadi besar. Metode Self Organizing
Map Neural Network (SOM-NN) dengan menerapkan
pembatasan wilayah pencarian dan reduksi dimensi
diharapkan dapat mengurangi waktu komputasi dalam
proses clustering. Salah satu keunggulan dari
algoritma Self Organizing Map adalah mampu untuk
memetakan data berdimensi tinggi ke dalam bentuk
peta berdimensi rendah.
5. “Perbandingan Metode K–
Means Dan Self Organizing
Map (Studi Kasus:
Pengelompokan
Kabupaten/Kota Di Jawa
Tengah Berdasarkan Indikator
Indeks Pembangunan
Manusia 2015)”. Kusumah
(2017).
Penelitian ini tentang pengelompokan wilayah di
kabupaten/kota di Jawa Tengah menggunakan
algoritme K-Means. Pada jenis kumpulan data
tertentu, K-Means tidak dapat melakukan segmentasi
data dengan baik di mana hasil segmentasinya tidak
dapat memberikan pola kelompok yang mewakili
karakteristik bentuk alami data. Kelemahan tersebut
diselesaikan oleh algoritme SOM yang mampu
menutupi kelemahan algoritme K-Means.
6. “Implementasi Algoritma Self
Organiizing Map (SOM)
untuk clustering mahasiswa
pada mata kuliah proyek
(Studi Kasus : JTK Polban)”,
Munawar, (2015).
Self Organizing Map (SOM) digunakan untuk
clustering mahasiswa pada matakuliah proyek, dan
mengevaluasi hasil clustering sistemnya. Parameter
yang diambil adalah nilai-nilai matakuliah di semester
berjalan. Metode untuk mengevaluasi hasil clusternya
menggunakan Mean Square Error (MSE). Metode
untuk mengevaluasi hasil cluster dengan MSE kurang
optimal.
Jurnal Teknologi dan Bisnis Vol. 3, No.1, Page: 67 – 78, Year 2021
71
7. “Clustering and Analyzing Air
Pollution Data using Self-
Organizing Maps”, Minji
Maria Lee, dkk (2016).
Penelitian ini mengambil sampel data dari periode
Januari 2003 hingga Desember 2008 dari situs web
Air Data Agency Perlindungan Lingkungan Amerika
Serikat (http://www.epa.gov/airdata) dan telah
diproses sebelumnya. Dalam penelitian ini
diungkapkan bahwa bagaimana kita dapat
mengungkap struktur laten dalam data besar dengan
ketergantungan spasial. Analisis terperinci dari hasil
SOM Spasial menunjukkan bahwa SOM adalah alat
yang efektif dalam mendeteksi cluster dengan
ketergantungan spasial dalam data.
KAJIAN TEORI
1. Data Mining
Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan
pengetahuan di dalam basis data. Data mining adalah proses yang menggunakan machine
learning, matematika, teknik statistik, kecerdasan buatan, untuk mengidentifikasi dan
mengekstraksi informasi dan pengetahuan yang bermanfaat terkait dari berbagai basis data
(Kusumah, 2015).
Seiring dengan meningkatnya pertumbuhan data dari tahun ketahun dalam ukuran
dan kompleksitas yang tinggi, maka diperlukan pencarian teknik-teknik yang efisien dan
efektif untuk pengolahan data tersebut. Data mining atau lebih dikenal juga dengan
sebutan Knowledge Discovery in Databases (KDD) memanfaatkan jumlah data yang
sangat besar untuk mendapatkan pengetahuan baru.
Gambar 2 Data mining dalam langkah-langkah KDD (Han, 2012 : 8)
2. Pengelompokan (Clustering)
Jurnal Teknologi dan Bisnis Vol. 3, No.1, Page: 67 – 78, Year 2021
72
Pengelompokan atau clustering adalah proses pengelompokan sekumpulan objek data
ke dalam beberapa cluster atau kelompok sehingga objek dalam sebuah cluster atau
kelompok memiliki kemiripan yang tinggi, tetapi sangat berbeda dengan objek di cluster
atau kelompok lain. Perbedaan dan kesamaan dinilai berdasarkan nilai atribut yang
menggambarkan objek dan sering melibatkan pengukuran jarak (Han et al., 2012, p. 443).
Clustering dalam dunia medis digunakan untuk mendefinisikan taxonomi dalam
bidang biologi, identifikasi fungsi protein dan gen, diagnosa penyakit dan penanganannya,
dan beberapa penelitian lain. Tujuan clustering dapat dibedakan menjadi dua yaitu
pengelompokan untuk pemahaman dan pengelompokan untuk penggunaan.
Proses clustering untuk tujuan pemahaman hanya sebagai proses awal untuk
kemudian dilanjutkan dengan pekerjaan summarization, pelabelan kelas untuk setiap
kelompok, sehingga dapat digunakan sebagai data training dalam klasifikasi supervised.
Sementara jika untuk penggunaan, tujuan utama clustering biasanya adalah mencari
prototipe kelompok yang paling representatif terhadap data, memberikan abstraksi dari
setiap obyek data dalam kelompok dimana sebuah data terletak didalamnya.
Clustering dapat dibedakan menurut struktur kelompok, keanggotaan data dalam
kelompok, dan kekompakan data dalam kelompok. Menurut struktur kelompok clustering
dibagi menjadi dua yaitu hierarchical dan partitioning. Hierarchical adalah metode
clustering mengelompokkan data dengan menggabungkan masing-masing record atau
individu pada data menjadi cluster-cluster, algoritme hirarkis menemukan cluster secara
berurutan dimana cluster ditetapkan sebelumnya. Metode ini dikelompokkan menjadi dua
metode yaitu agglomerative dan divisive. Clustering dengan pendekatan Partitioning atau
partisi merupakan pengelompokan data dari satu kelompok besar kemudian dibagi menjadi
beberapa kelompok yang lebih kecil. Algoritma partitional menentukan semua kelompok
pada waktu tertentu. Contoh metode clustering dengan pendekatan partisi adalah K-Means
Clustering. (Defiyanti, 2017).
Hierarchical dan partitioning clustering mengorganisasi data ke dalam struktur
hirarki berbasis matrix proximity, hasil dari Hierarcichal Clustering digambarkan dalam
bentuk binary tree ataupun dendogram, root merupakan keseluruhan dataset dan tiap
cabang merupakan data point, clustering akhir dapat diperoleh dari pemotongan
dendogram pada level-level yang sesuai.
Jurnal Teknologi dan Bisnis Vol. 3, No.1, Page: 67 – 78, Year 2021
73
Tujuan clustering adalah mengelompokkan obyek atas dasar karakteristik yang
dimiliki. Hasil cluster suatu obyek harus memiliki internal (within cluster) homogenitas
yang tinggi dan memiliki eksternal (between cluster) heterogenitas yang tinggi. Jika
pengelompokan berhasil, maka obyek dalam satu cluster akan saling dekat satu sama lain
jika diplot secara geometri dan cluster yang berbeda akan saling menjauh satu sama lain.
Konsep dasar pengukuran analisis cluster adalah konsep pengukuran jarak (distance) dan
kesamaan (similarity). Konsep pengukuran jarak adalah ukuran tentang jarak pisah antar
obyek, sedangkan konsep pengukuran kesamaan adalah berbicara tentang suatu ukuran
kedekatan (Muthiah, 2013).
Ada banyak ukuran jarak yang digunakan dalam analisis cluster. Dalam penelitian ini
ukuran jarak yang digunakan adalah jarak euclidean kuadrat. Jarak euclidean kuadrat
adalah jumlah kuadrat perbedaan atau deviasi di dalam nilai untuk setiap variabel.
(𝑖𝑗)=Σpk=1(𝑥𝑖𝑘−𝑥𝑗𝑘)2
dengan,
𝑑 (𝑖𝑗) = jarak antara objek i dan objek j
𝑥𝑖𝑘 = nilai objek i pada variabel ke k
𝑥𝑗𝑘 = nilai objek i pada variabel ke k
𝑝 = banyak variabel yang diamati
Kualitas hasil clustering sangat bergantung pada metode yang dipakai. Dalam
clustering dikenal empat tipe data. Keempat tipe data tersebut adalah variabel berskala
interval, variabel biner, variabel nominal, ordinal, dan rasio, serta variabel dengan tipe
lainnya. (Irwansyah, Edi., dkk, 2019)
Menurut keanggotaan data dalam kelompok, pengelompokan dibagi menjadi dua
yaitu ekslusif dan overlap/tumpang tindih. Dalam kategori ekslusif sebuah data hanya
menjadi anggota satu kelompok saja dan tidak bisa menjadi anggota kelompok lainnya.
Metode yang termasuk kategori ini adalah K-Means dan DBSCAN, Sedangkan yang
masuk kategori overlap adalah metode clustering yang membolehkan sebuah data menjadi
anggota di lebih dari satu kelompok, misalnya Fuzzy C-Means. Di samping pendekatan
hierarchical dan partitioning clustering, ada juga pengelompokan dengan pendekatan
automatic mapping yaitu Self Organizing Map atau biasa disingkat SOM.
Jurnal Teknologi dan Bisnis Vol. 3, No.1, Page: 67 – 78, Year 2021
74
METODOLOGI
Langkah - langkah penelitian yang dilakukan adalah sebagai berikut :
PEMBAHASAN
1. Tahapan Business Understanding
Pada tahapan Business Understanding, peneliti melakukan observasi langsung ke
Rumah Sakit Kelas C yang berlokasi di Indonesia. Melihat dan mengamati proses yang
berlangsung. Melakukan wawancara dengan bagian pendaftaran, administrasi dan petugas
rekam medis. Rumah Sakit Kelas C adalah rumah sakit dengan jumlah kunjungan pasien
Business
Understanding
Data
Understanding
Data Preparation
Modeling
Hasil dan
Pembahasan
Mulai
Identifikasi masalah dan pemahaman
tujuan dari segi bisnis dan penelitian
Evaluation
Selesai
Pengumpulan data, observasi dan
wawancara dengan petugas rekam medis
Persiapan data dengan membuang noise
data dan missing value pada database
Penentuan teknik data mining
clustering dengan algoritme SOM
pada RStudio
Penyesuaian model dengan
tujuan penelitian menggunakan
validasi clustering silhouette
Gambar 3. Metodologi Penelitian
Jurnal Teknologi dan Bisnis Vol. 3, No.1, Page: 67 – 78, Year 2021
75
yang padat. Berdasarkan hasil wawancara dengan petugas rekam medis bahwa kunjungan
yang paling banyak adalah dari pasien Asuransi. Alur proses pendaftaran sampai dengan
penentuan rawat jalan atau rawat pasien Asuransi ditunjukkan gambar 4
2. Pemahaman Data (Data understanding)
Pengumpulan data awal dilakukan dengan observasi dan wawancara dengan petugas
rekam medis Rumah Sakit Kelas C. Dari hasil observasi dan wawancara dengan petugas
rekam medis umum Rumah Sakit Kelas C didapatkan data pasien dalam bentuk 3 file excel
yaitu, data tahun 2016, data tahun 2017, dan data tahun 2018.
Gambar 5. Data Understanding
3. Persiapan Data (Data Preparation)
Pada tahap ini dilakukan proses menghilangkan dan meminimalisasi noise atau
mungkin kesalahan yang terdapat pada data. Noise yang ditemukan berupa data tidak
lengkap/kosong, data rangkap, dan data tidak konsisten (Ramadhani, 2015). Setelah data
dibersihkan, kemudian dilakukan perbaikan data dengan cara dihaluskan (smoothing).
a) Memilih Data (Select Data)
Data pasien BPJS Kesehatan dalam bentuk 3 file excel yaitu file tahun 2016, 2017
dan 2018 masih mentah sehingga harus menghilangkan dan meminimalisasi nilai null,
noise atau mungkin kesalahan yang terdapat pada data.
DB. Rekam
Medis Dokter DB. Rekam
Medis Umum
Pendaftaran
Poli / Klinik
Ruang Rawat Inap
Obat
DB.
Pendaftaran
2016
2016Pasie
n 2016,
2017,
2018
2017
2018
Gambar 4 Alur Proses Pemeriksaan Pasien BPJS
Kesehatan
Jurnal Teknologi dan Bisnis Vol. 3, No.1, Page: 67 – 78, Year 2021
76
Tabel 2. Memilih Data
Tipe pa Umur UMUR UMUR Kelamin kelamin Asal Pasien asal pasien
0,508 39 DEWASA 0,53593 LAKI-LAKI 0,476 Mediko
Legal
0,00009267
0,508 60 DEWASA 0,53593 LAKI-LAKI 0,476 Mediko
Legal
0,00009267
0,508 38 DEWASA 0,53593 PEREMPUAN 0,524 CEMPAKA 0,0104079
0,492 38 DEWASA 0,53593 PEREMPUAN 0,524 CEMPAKA 0,0104079
0,492 43 DEWASA 0,53593 PEREMPUAN 0,524 CEMPAKA 0,0104079
0,492 22 DEWASA 0,53593 PEREMPUAN 0,524 Poli Gigi 0,01398651
0,508 22 DEWASA 0,53593 LAKI-LAKI 0,476 Poli Gigi 0,01398651
0,508 37 DEWASA 0,53593 PEREMPUAN 0,524 Poli Gigi 0,01398651
0,492 49 DEWASA 0,53593 PEREMPUAN 0,524 CEMPAKA 0,0104079
0,492 89 TUA 0,38226 PEREMPUAN 0,524 CEMPAKA 0,0104079
b) Membersihkan Data (Cleaning Data)
Setelah tahapan seleksi data dan seleksi atribut selesai maka dilanjutkan ke tahapan
membersihkan data dan memperbaiki null dan missing value. Gambar 4.6 menunjukan
atribut yang masih mengandung missing value ataupun nilai null.
Tabel 3. Membersihkan Data
Jenis Kelamin Jenis Kelamin
LAKI-LAKI LAKI-LAKI
LAKI-LAKI LAKI-LAKI
WANITA PEREMPUAN
PEREMPUAN PEREMPUAN
PEREPUAN PEREMPUAN
PEREMPUAN PEREMPUAN
4. Hasil dan Pembahasan
Pada tahap ini akan menjelaskan hasil dan pembahasan dari proses visualisasi atribut
yang dihasilkan dari proses SOM heatmap dan proses clustering dengan menggunakan
algoritme Self Organizing Map (SOM).
a) Analisis Atribut yang berpengaruh terhadap Clustering Self Organizing Map (SOM)
Jurnal Teknologi dan Bisnis Vol. 3, No.1, Page: 67 – 78, Year 2021
77
Pada tahapan pemodelan atribut dengan visualisasi heatmap dapat
dibandingkan atribut mana yang memang berpengaruh terhadap atribut lain dilihat dari
perbandingan warna untuk area yang menarik dalam peta. Perbandingan atribut dapat
dilihat pada gambar 6.
Gambar 6. Analisis Perbandingan SOM
KESIMPULAN
Berdasarkan hasil analisis dan pembahasan yang telah dilakukan oleh peneliti pada bab
sebelumnya, maka didapatkan kesimpulan sebagai berikut:
a) Aribut yang berpengaruh dalam mengenali profil pasien Asuransi adalah dari atribut
bulan masuk, asal pasien, tipe pasien, umur, dan jenis kelamin.
b) Hasil pengelompokkan dengan algoritme Self Organizing Map (SOM) didapatkan 2
cluster yaitu cluster yang mewakili area padat dan cluster yang mewakili area tidak
padat. Karakteristik pada cluster 1 dengan kategori area padat adalah Pasien Asuransi
Rawat Inap dan Rawat Jalan dengan kunjungan pasien ke Klinik Penyakit Dalam, Klinik
Bedah, Hemodialisa, Klinik Mata, Ruang Melati, Bougenvil, Anggrek, Flamboyan, yang
berasal dari Kabupaten A, B, C, D, E, dengan rentang usia dewasa dan lanjut, merata
pada setiap bulan. Karakteristik pada cluster 2 dengan kategori area tidak padat adalah
Pasien Asuransi Rawat Inap dan Rawat Jalan dengan kunjungan pasien ke Klinik Anak,
Klinik Penyakit Kandungan dan Kebidanan, Klinik Gigi, klinik umum, klinik VCT,
Ruang Aster, Ruang Mawar, Ruang Soka, yang berasal dari Kabupaten F, G, H, I, J,
dengan rentang usia balita, anak-anak, dewasa, lanjut, pada bulan-bulan tertentu.
Jurnal Teknologi dan Bisnis Vol. 3, No.1, Page: 67 – 78, Year 2021
78
DAFTAR PUSTAKA Aggarwal, C. C., & Reddy, C. K. (2014). Data Clustering Algorithms and Applications. Taylor & Francis
Group, an Informa business.
Charu C. Anggarwal, C. K. R. (2014). Data Clustering: Algorithms and Applications.
Defiyanti, S. (2017). Integrasi Metode Clustering dan Klasifikasi untuk Data Numerik. Citee 2017, (July),
256–261
DP Silitonga, Parasian., dkk. 2016. Implementasi algoritma K-Means Clustering Pada Analisis
Penyebaran Penyakit Pasien Pengguna Badan Penyelenggara (BPJS) Kesehatan”. JTIUS, Volume
01 Nomor 02, Desember 2016, 2548-1916
Halim, Ninda Nurul., dkk. 2017. Clustering Dampak Gempa Bumi di Indonesia menggunakan Kohonen
Self Organizing Map. Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami).
Vol.1, No.1, Juli 2017, p-ISSN: 2580-4596; e-ISSN: 2580-460X
Kusumah, Rachmah Dewi., dkk. 2017. Perbandingan Metode K-Means Dan Self Organizing Map (Studi
Kasus: Pengelompokan Kabupaten/Kota Di Jawa Tengah Berdasarkan Indikator Indeks
Pembangunan Manusia 2015). Jurnal GAUSSIAN, Volume 6, Nomor 3, Tahun 2017, Halaman 429-
437.
Minji Maria Lee, dkk (2016). Clustering and Analyzing Air Pollution Data using Self-Organizing Maps.
AGILE 2016 – Helsinki, June 14-17, 2016.
Munawar, Ghifari. 2015. Implementasi Algoritma Self Organiizing Map (SOM) untuk clustering
mahasiswa pada mata kuliah proyek (Studi Kasus : JTK Polban). IRWNS 2015.
Murpratiwi, Santi Ika., dkk. Mapping Patterns Achievement Based on CRISP-DM and Self Organizing
Maps (SOM) Methods. International Journal of Engineering and Emerging Technology, Vol. 2, No. 1,
January-June 2017.
Murti, dkk. (2005). Clustering Data Non Numerik dengan pendekatan Algoritme K-Means dan Hamming
Distance”.
Muthiah. 2013. Algoritma Self Organizing Maps (SOM). Diunduh 17 Februari 2017.
Prasetyo, Eko. 2012. Data Mining Konsep dan Aplikasi Menggunakan Matlab. Yogyakarta.Andi Offset.
Shieh, S., & Liao, I. 2012. A New Approach for Data Clustering and Visualization Using Self Organizing
Map. Intenational Journal of Expert System With Application, 39