Penerapan Association Rules Menggunakan Algoritma Fp-Growth Untuk Identifikasi Pola Gejala Penyakit Anak Di Bawah Lima Tahun (Balita)

• Main Author: Ana Yushinta Triswati
• Format: Theses and Dissertations NonPeerReviewed
• Language: Indonesian; Indonesian; Indonesian; Indonesian
• Published: 2019
• Subjects: T58.6-58.62 Management information systems
• Online Access: http://repository.unair.ac.id/91591/9/ABSTRAK%20ST.SI.37-19%20Tri%20p.pdf; http://repository.unair.ac.id/91591/10/DAFTAR%20ISI%20ST.SI.37-19%20Tri%20p.pdf; http://repository.unair.ac.id/91591/11/DAFTAR%20PUSTAKA%20ST.SI.37-19%20Tri%20p.pdf; http://repository.unair.ac.id/91591/4/FULL%20TEXT%20ST.SI.37-19%20Tri%20p.pdf; http://repository.unair.ac.id/91591/; http://lib.unair.ac.id
• Institution: Universitas Airlangga

Usia lima tahun pertama merupakan masa kehidupan yang penting dan perlu perhatian yang serius. Penyakit pada anak memiliki indikasi yang beragam dan gejala yang muncul hampir memiliki kemiripan yang menyebabkan tenaga medis dan masyarakat awam kesulitan untuk mengenali jenis penyakit yang diderita. Dalam bidang kesehatan ketersediaan data rekam medis sudah bukan lagi hal yang sulit diperoleh, namun data ini sering kali diperlakukan hanya sebagai rekaman tanpa pengolahan lebih lanjut sehingga tidak mempunyai nilai guna lebih untuk keperluan masa mendatang. Identifikasi dari koleksi data rekam medis yang didapat dari Puskesmas Blabak Kabupaten Kediri akan menghasilkan pengetahuan atau informasi berupa pola gejala penyakit dan hubungan asosiasi pada data sebagai upaya menjaga kesehatan balita dan antisipasi sehingga dapat mengurangi dampak terjadinya penyakit. Penelitian ini bertujuan untuk mengidentifikasi pola gejala penyakit balita menggunakan algoritma FP-Growth untuk mengetahui atribut pasien serta gejala penyakit manakah yang sering muncul secara bersamaan. Tahapan identifikasi pola gejala penyakit pada balita dilakukan dalam enam tahap. Tahap petama adalah pengumpulan data yaitu data berobat pasien. Tahap kedua adalah pengolahan data dengan beberapa tahapan yaitu data cleaning, data selection dan data transformation. Tahap ketiga adalah identifikasi pola penyakit menggunakan aplikasi WEKA dengan meginputkan minimum support, minimum confidence dan memilih jenis penyakit. Tahap keempat seleksi rules. Tahap kelima menghitung Lift ratio pada rules untuk mengetahui apakah rules dapat digunakan untuk analisis. Tahap keenam analisis rules, atribut pasien serta gejala penyakit apa saja yang muncul pada rules. Data yang digunakan pada penelitian ini setelah dilakukan cleaning berjumlah 611 data berobat. Rules yang dihasilkan dari 12 penyakit yaitu Batuk bukan pneumonia, Pneumonia, Pneumonia Berat, Diare tanpa dehidrasi, Diare dehidrasi ringan, Diare dehidrasi berat, Diare Persisten, Disentri, Demam mungkin bukan DBD, Campak, Campak dengan komplikasi dan Demam berdarah (DBD). Berdasarkan analisis terhadap data berobat pasien balita menggunakan minimum support ≤0.3, minimum confidence 0.95 dan kombinasi itemset lebih dari 1 pada antecedent, diperoleh hasil berupa rule setiap penyakit yang mengandung gejala penyakit serta atribut pasien. Rules yang digunakan analisis memiliki nilai confidence = 1 dan nilai Lift = 1 yang artinya setiap item yang dihasilkan independent atau tidak ada korelasi dan rules yang dihasilkan dapat digunakan untuk analisis.