PENERAPAN METODE K-MEDOIDS UNTUK PENGELOMPOKAN PASIEN GAGAL JANTUNG MENGGUNAKAN DATASET BMC MEDICAL INFORMATICS AND DECISION MAKING

Abstrak

Gagal jantung adalah kondisi medis kritis yang memengaruhi jutaan orang di seluruh dunia, termasuk Indonesia, dengan tingkat kematian yang tinggi. Penelitian ini bertujuan untuk meningkatkan pengobatan pasien gagal jantung menggunakan algoritma K-Medoids guna mengelompokkan pasien berdasarkan data klinis. Dataset yang digunakan mencakup 300 pasien gagal jantung dengan 12 atribut klinis, seperti usia, anemia, fraksi ejeksi, dan tekanan darah. Algoritma K-Medoids dipilih karena ketahanannya terhadap outlier, yang memberikan hasil klastering lebih akurat dibandingkan K-Means. Metode Elbow dan Skor Silhouette digunakan untuk menentukan jumlah klaster optimal. Hasilnya, tiga klaster pasien berhasil diidentifikasi. Salah satu klaster berisi pasien yang lebih tua, dengan hipertensi dan fraksi ejeksi rendah, yang menunjukkan risiko kematian lebih tinggi. Penelitian ini menunjukkan bahwa K-Medoids efektif dalam mengelompokkan pasien gagal jantung, memberikan wawasan tentang profil pasien dan memungkinkan intervensi medis yang lebih tepat sasaran. Keunggulan K-Medoids dalam menangani outlier membuka peluang penelitian lebih lanjut dalam stratifikasi risiko di bidang kesehatan.