I-Robot Jurnal.
Vol 8.
No2 September 2024
ISSN 2356-3974
DATA MINNING UNTUK ANALISA TINGKAT KESEMBUHAN PASIEN
TUBERKULOSIS (TB)
Podo Wiseso 2^Muhammad Reza Redo Islami* Fakultas Teknologi dan Bisnis.
Universitas Dharma Wacana
Politeknik Negeri Lampung
ABSTRAK
Penelitian ini memanfaatkan teknik data mining untuk menganalisis tingkat kesembuhan pasien tuberkulosis (TB) di Provinsi Lampung.
Indonesia, dengan menggunakan data dari Sistem Informasi Tuberkulosis Komunitas (SITK) dan Row Data Individu (RDI).
Tujuan utama adalah mengidentifikasi faktor risiko yang mempengaruhi penularan TB, termasuk karakteristik individu dan faktor lingkungan.
Metode K-means clustering digunakan untuk mengelompokkan data berdasarkan gejala dan durasi pengobatan, menghasilkan 19 klaster dengan pola spesifik.
Gejala seperti demam meriang, sesak napas, dan batuk ditemukan penting dalam menentukan tingkat kesembuhan Analisis menunjukkan variasi signifikan dalam distribusi gejala di antara klaster, dengan beberapa klaster menunjukkan respons pengobatan yang lebih baik.
Penelitian ini diharapkan dapat berkontribusi dalam upaya pengendalian TB dan mencapai Tujuan Pembangunan Berkelanjutan (SDG.
terkait kesehatan.
Keyword: Analisis Data.
Clustering.
K-means.
RDI
PENDAHULUAN
Kesehatan merupakan aspek fundamental dalam kehidupan individu dan masyarakat.
Kesehatan yang baik tidak hanya meningkatkan kualitas hidup individu, tetapi juga berkontribusi pada perkembangan ekonomi dan sosial.
Dalam konteks ini, tuberkulosis (TB) menjadi salah satu isu kesehatan global yang mendesak untuk negara-negara berkembang, termasuk Indonesia.
Dengan prevalensi yang tinggi dan munculnya resistensi obat.
TB menuntut perhatian serius dari berbagai pihak, termasuk pemerintah, masyarakat, dan organisasi non-pemerintah.
Menurut laporan Global TB Report tahun 2022(Global Tuberculosis Report 2022, n.
Indonesia menduduki peringkat kedua di dunia dengan jumlah kasus tuberkulosis terbanyak, mencapai sekitar 969 ribu kasus.
Kasus TB ini terutama menyerang kelompok usia produktif, yaitu individu berusia antara 45 hingga 54 tahun.
Data ini menunjukkan urgensi penanganan TB di Indonesia dan perlunya upaya yang lebih besar untuk mengendalikan penyakit ini, terutama dalam kelompok usia yang sangat berkontribusi Copyright A 2024 Penulis h p://e-jurnal.
pada kegiatan ekonomi dan sosial.
Selain itu, tantangan dalam penanganan TB juga mencakup kurangnya akses terhadap layanan kesehatan yang berkualitas, stigma sosial, dan keterbatasan sumber daya.
Penelitian ini akan menggunakan pendekatan kuantitatif dengan analisis data dari Sistem Informasi Tuberkulosis Komunitas (SITK) dan Row Data Individu (RDI).
Data ini akan digunakan untuk menganalisis faktor risiko tuberkulosis, termasuk karakteristik individu dan faktor lingkungan yang berkontribusi terhadap penularan TB.
Metode analisis statistik mengidentifikasi hubungan antara faktor-faktor risiko dan tingkat penularan TB.
Studi-studi sebelumnya juga pernah dilakukan analisis klaster terhadap mahasiswa dari berbagai jurusan dan daerah, membaginya menjadi tiga klaster berdasarkan karakteristik mereka(Annas & Wahab, 2.
adapun beberapa penelitian yang menunjukkan bahwa pemahaman mendalam tentang faktor risiko individu dan lingkungan sangat penting dalam upaya pencegahan dan pengendalian TB.
I-Robot Jurnal.
Vol 8.
No2 September 2024 Penelitian sebelumnya telah mengidentifikasi berbagai faktor risiko, karakteristik transaksi akun individu, yang dianggap tidak cukup untuk mengidentifikasi pelanggan pada bank secara lebih akurat(Hasheminejad & Khorrami, 2.
namun masih terdapat kekurangan dalam analisis yang lebih mendalam mengenai interaksi antara faktor-faktor tersebut(Global Tuberculosis Report 2022, n.
Dengan memanfaatkan data RDI dari SITK, penelitian ini bertujuan untuk memberikan kontribusi baru dalam literatur yang ada, serta mendukung upaya global untuk mencapai Tujuan Pembangunan Berkelanjutan (SDG.
, khususnya SDG nomor 3 yang menekankan kesehatan yang baik dan kesejahteraan bagi Berdasarkan fakta-fakta yang ada, dugaan awal penelitian ini adalah bahwa terdapat hubungan signifikan antara faktor risiko individu .
eperti riwayat paparan TB, status imun, dan perilaku kesehata.
dan tingkat penularan tuberkulosis di Provinsi Lampung.
Selain itu, diharapkan bahwa faktor lingkungan, seperti akses terhadap layanan kesehatan dan tingkat penularan di masyarakat, juga berkontribusi terhadap peningkatan kasus TB.
Dengan memahami faktor-faktor ini, penelitian ini bertujuan untuk menganalisa tingkat kesembuhan pasien TB dalam upaya mengendalikan penyebaran TB di wilayah Provinsi Lampung.
LITERATUR REVIEW
Adapun penelitian sebelum nya yang pernah dilakukan dan menjadi penguat penelitian ini diantaranya K-means(Ahmadian et al.
, 2024.
Biswas, 2024.
Harpad et al.
, 2.
dalam penelitian ini adalah meminimalkan jumlah semua jarak intra-kluster, yang juga disebut sebagai jumlah kesalahan kuadrat .
um of squared errors.
SSE.
)(Li et al.
, 2.
pada proses preprosesing data dilakukan transformasi data, hal ini juga pernah dilakukan pada penelitian sebelumnya dimana data preprocessing Copyright A 2024 Penulis h p://e-jurnal.
ISSN 2356-3974
melibatkan konversi teks menjadi huruf kecil (Abbas et al.
, 2024.
Acheampong, 2020.
Alamoodi, 2.
adapun proses datamining sendiri disini untuk mendapatkan dan mengekstrak informasi dari data yang akan di minning(Alharthi & Abdullah, 2022.
Alim.
Alkattan et al.
, 2024.
Banait & SANE.
METODOLOGI 1 Pengumpulan Data Data akan dikumpulkan dari Sistem Informasi Tuberkulosis Komunitas (SITK) dan Row Data Individu (RDI) pasien TB di Provinsi Lampung.
Data ini akan mencakup informasi demografis, riwayat medis, faktor risiko, dan hasil Proses pengumpulan data yang dilakukan dalam penelitian ini menghasilkan Row Data Individu (RDI) pasien Tuberkulosis (TB) untuk periode Januari hingga Juli 2022.
Tahapan pengumpulan data dimulai dengan mengajukan permohonan izin kepada Lembaga Inisiatif Lampung Sehat (ILS) secara langsung.
Izin diperoleh secara lisan dari pihak lembaga yang bersangkutan.
Setelah memperoleh izin, http://sitk.
online/(SITK Penabulu-STPI, n.
Sistem Informasi Tuberkulosis Komunitas (SITK).
Data yang diperoleh berupa RDI pasien yang telah ternotifikasi selama periode tersebut dan disimpan dalam format Microsoft Excel Worksheet.
I-Robot Jurnal.
Vol 8.
No2 September 2024
ISSN 2356-3974
Tabel 2.
Sebaran gejala Faktor Gejala Batuk Sesak Nafas Berkeringat malam hari tanpa Demam meriang >1 bulan Gambar 1.
Proses metode pengolahan data 2 Pemahaman Data Jumlah Kasus Persentase Sebaran Sebaran usia pasien TB juga dianalisis berdasarkan kelompok umur sesuai pedoman Kementerian Kesehatan RI .
Selain itu, durasi pengobatan pasien teridentifikasi bervariasi antara 135 hari hingga 213 hari, dengan mayoritas pasien menyelesaikan pengobatan dalam rentang waktu 160 hingga 170 hari.
Hasil pengumpulan data berupa RDI digunakan sebagai bahan utama untuk menganalisis tingkat kesembuhan pasien TB.
Pemahaman data dilakukan dengan mempelajari setiap fitur dalam dataset, termasuk tipe data, fungsi, serta Berikut adalah hasil pemahaman tipe data pada dataset.
Tabel 3.
Sebaran Pasien Tabel 1 Data RDI Data akan diolah untuk membersihkan data yang tidak lengkap atau tidak akurat, mengatasi missing values, dan melakukan normalisasi data jika diperlukan.
Tahapan pra-pemrosesan mencakup pembersihan, transformasi, dan pengorganisasian dataset untuk analisis lebih Beberapa langkah utama yang dilakukan adalah.
Transformasi tipe data fitur usia, yang semula dalam format kategorikal dengan tambahan teks "Thn", diubah menjadi format numerik untuk memudahkan analisis.
Labeling lama pengobatan dan durasi pengobatan pasien yang dikategorikan menjadi tiga label berdasarkan standar pengobatan TB selama 6 bulan .
dimana kategori Cepat: 135Ae 167 hari.
Tepat Waktu: 168Ae183 hari dan Lama:
184Ae213 hari Nama Fitur
Tanggal Laporan ID Pasien
NIK
Nama Lengkap Tipe Pasien Tipe Data Peran Nilai Numeric Datetime Feature Feature 1 hingga 1.
Text Meta Text Text Meta Meta Categorical Feature BTA .
Ekstra Paru.
Rontgen .
TBC Anak .
TCM Dataset ini terdiri atas 1.
726 instance, 44 fitur, dan 14 atribut meta.
Fitur-fitur ini meliputi tipe data categorical, numeric, dan datetime, yang relevan untuk analisis tingkat kesembuhan pasien TB.
Dalam analisis awal, data menunjukkan distribusi gejala pasien TB berdasarkan hasil pengobatan .
embuh, gagal, meninggal, dsb.
Berikut adalah rekapitulasi sebaran gejala Copyright A 2024 Penulis h p://e-jurnal.
Kelompok Usia Anak-anak Remaja Dewasa Lansia Rentang Usia 1Ae14 tahun 15Ae25 tahun 26Ae59 tahun >60 tahun Jumlah Kasus Persentase Pra-pemrosesan Data 4 Pemilihan Fitur (Feature Selectio.
Pemilihan fitur dilakukan untuk menyaring variabel yang paling relevan dengan tujuan meliputi: Seleksi Baris (Select Row.
I-Robot Jurnal.
Vol 8.
No2 September 2024 dimana pada tahap ini, data disaring berdasarkan fitur Tipe Pasien dengan hasil BTA .
Ekstra Paru.
Rontgen , dan TCM Anak.
Data TB Anak .
sia 0Ae14 tahu.
dikeluarkan untuk meningkatkan akurasi analisis.
Setelah seleksi ini, jumlah dataset berkurang menjadi 1.
selanjutnya adalah melakukan Seleksi Hasil Pengobatan berdasarkan fokus penelitian, hanya hasil pengobatan dengan kategori "Sembuh" dan "Lengkap Pengobatan" yang Setelah seleksi, jumlah instance berkurang menjadi 1.
selanjutnya dilakukan seleksi Kolom (Select Column.
guna mempertahankan beberapa Fitur yang meliputi:
Usia, hal ini dimasukkan Untuk menganalisis tingkat kesembuhan berdasarkan kelompok usia.
Pengobatan:
Untuk mengevaluasi durasi pengobatan pasien, dan terakhir adalah Gejala TB yang berisi variabel Batuk.
Sesak Nafas.
Demam meriang >1 bulan.
DM, dan Berkeringat malam hari tanpa kegiatan.
5 Pengelompokan Data (Clusterin.
Tahapan pengelompokan data .
menggunakan algoritma K-Means Clustering, yang bertujuan untuk mengelompokkan data ke dalam klaster berdasarkan pola dan karakteristik yang ada.
Kmeans sendiri dirancang untuk klasterisasi data streaming melalui proses multi-fase yang melibatkan pembuatan mikro-klaster dan pembentukan makro-klaster (Alharthi & Abdullah, 2.
Pendekatan ini dipilih karena efisiensi dan kemampuannya dalam menangani dataset berukuran besar.
Proses clustering dilakukan melalui tahapan iteratif, sebagaimana diperlihatkan pada Gambar 2.
Clusterisasi data
ISSN 2356-3974
Gambar 2.
Clusterisasi data Setelah proses clustering dilakukan, evaluasi optimalitas model dilakukan menggunakan silhouette score, sebuah metrik yang mengukur sejauh mana data dalam satu klaster memiliki kemiripan tinggi satu sama lain, dan sejauh mana klaster tersebut berbeda dengan klaster Berdasarkan hasil penghitungan, nilai silhouette score optimal yang diperoleh adalah 0,291, pengelompokan data pada konfigurasi terbaik.
Hasil ini menghasilkan 19 klaster, dengan setiap klaster menggambarkan pola spesifik dalam 6 Pengujian Data (Data Testin.
Pengujian data merupakan langkah yang sesuai dengan tujuan penelitian untuk memastikan kualitas data sebelum analisis dilakukan.
Proses pengujian ini mencakup pemeriksaan kesesuaian format dan tipe data guna meminimalkan kesalahan selama proses analisis.
Sebagai bagian dari langkah ini, peneliti melakukan verifikasi dengan menarik laporan dari tabel data, seperti yang disajikan pada Gambar 3.
Report Data Table Gambar 3.
Report Data Table Copyright A 2024 Penulis h p://e-jurnal.
I-Robot Jurnal.
Vol 8.
No2 September 2024
ISSN 2356-3974
Hasil dari laporan tabel data menunjukkan bahwa tidak terdapat nilai yang hilang .
issing Dengan demikian, dapat disimpulkan bahwa pengujian data telah berhasil, sehingga analisis data dapat dilanjutkan ke tahap
HASIL DAN PEMBAHASAN
1 Hasil Setelah proses clustering dilakukan, evaluasi optimalitas model dilakukan menggunakan silhouette score, sebuah metrik yang mengukur sejauh mana data dalam satu klaster memiliki kemiripan tinggi satu sama lain, dan sejauh mana klaster tersebut berbeda dengan klaster Berdasarkan hasil penghitungan, nilai silhouette score optimal yang diperoleh adalah 0,291, pengelompokan data pada konfigurasi terbaik.
Hasil ini menghasilkan 19 klaster, dengan setiap klaster menggambarkan pola spesifik dalam Data dikelompokkan ke dalam 19 klaster untuk mengidentifikasi pola berdasarkan gejala dan durasi pengobatan.
Untuk memberikan pemahaman yang lebih jelas mengenai hasil clustering, visualisasi hasil dilakukan menggunakan Scatter Plot pada Gambar 4.
Scater Plot Cluster.
Plot ini menggambarkan distribusi data dalam klaster berdasarkan rentang lama pengobatan pasien TB.
Visualisasi ini tidak hanya memberikan gambaran distribusi data dalam klaster tetapi juga mempermudah identifikasi pola-pola utama yang berkaitan dengan durasi pengobatan.
Copyright A 2024 Penulis h p://e-jurnal.
Gambar 4.
Scater Plot Cluster 2 Pembahasan Klaster C1 Klaster C1 terdiri dari 106 pasien dengan rentang usia 18 hingga 48 tahun dan durasi pengobatan antara 156 hingga 186 hari.
Analisis menunjukkan bahwa gejala demam meriang lebih dari satu bulan terdeteksi pada 100% pasien, mencerminkan prevalensi yang sangat tinggi dan distribusi yang merata di seluruh kelompok usia dan durasi pengobatan.
Gejala sesak napas dan batuk juga teridentifikasi pada 100% pasien, menunjukkan bahwa kedua gejala ini merupakan indikator utama dalam klaster ini.
Sebaliknya, gejala diabetes mellitus (DM) hanya terdeteksi pada 2% pasien, menunjukkan distribusi yang sangat terbatas.
Secara keseluruhan, 80% pasien mengalami gejala yang diamati, menandakan bahwa klaster ini memiliki karakteristik gejala yang dominan dan konsisten.
Klaster C2 Klaster C2 melibatkan 84 pasien dengan rentang usia 50 hingga 80 tahun dan durasi pengobatan antara 136 hingga 168 hari.
Dalam klaster ini, gejala demam meriang lebih dari satu bulan hanya terdeteksi pada 2% pasien, menunjukkan distribusi yang sangat terbatas.
Gejala diabetes mellitus ditemukan pada 1% pasien, yang juga menunjukkan prevalensi yang rendah.
Meskipun gejala berkeringat malam tanpa aktivitas terdeteksi pada 4% pasien, gejala sesak napas tidak ditemukan sama sekali.
Namun, gejala I-Robot Jurnal.
Vol 8.
No2 September 2024 terdeteksi pada 100% pasien.
Secara keseluruhan, hanya 21% dari pasien di klaster ini mengalami gejala yang terdistribusi secara merata, menandakan bahwa klaster ini memiliki karakteristik gejala yang tidak merata.
Klaster C3 Klaster C3 mencakup 84 pasien dengan rentang usia 40 hingga 90 tahun dan durasi pengobatan antara 150 hingga 180 hari.
Dalam analisis ini, gejala demam meriang lebih dari satu bulan tidak terdeteksi sama sekali, menunjukkan bahwa gejala ini tidak menjadi perhatian dalam Gejala teridentifikasi pada 5% pasien, sementara gejala berkeringat malam tanpa aktivitas tidak Namun, gejala sesak napas dan terdeteksi pada 100% pasien.
Dengan total persentase sebaran gejala mencapai 41%, klaster ini menunjukkan bahwa meskipun beberapa gejala tidak terdistribusi, sesak napas dan batuk menjadi gejala yang paling dominan.
Klaster C4 Klaster C4 terdiri dari 84 pasien dengan rentang usia 48 hingga 80 tahun dan durasi pengobatan antara 136 hingga 164 hari.
Dalam klaster ini, gejala demam meriang lebih dari satu bulan tidak terdeteksi, sedangkan gejala diabetes mellitus ditemukan pada 3% pasien.
Gejala berkeringat malam tanpa aktivitas terdeteksi pada 95% pasien, menunjukkan prevalensi yang Gejala sesak napas juga menunjukkan distribusi yang sangat optimal, terdeteksi pada 98% pasien, sementara gejala batuk teridentifikasi pada 100% pasien.
Dengan total persentase sebaran gejala mencapai 59%, klaster ini menunjukkan bahwa gejala batuk dan sesak napas adalah yang paling umum, sementara gejala lainnya memiliki distribusi yang lebih Klaster C5 Copyright A 2024 Penulis h p://e-jurnal.
ISSN 2356-3974
Klaster C5 melibatkan 91 pasien dengan rentang usia 16 hingga 46 tahun dan durasi pengobatan antara 136 hingga 162 hari.
Dalam klaster ini, gejala demam meriang lebih dari satu bulan tidak terdeteksi, dan gejala diabetes mellitus hanya ditemukan pada 1% pasien.
Namun, gejala berkeringat malam tanpa aktivitas terdistribusi secara merata, terdeteksi pada 100% pasien, dan gejala sesak napas juga menunjukkan prevalensi tinggi, terdeteksi pada 99% pasien.
Gejala batuk teridentifikasi pada 98% pasien.
Dengan total persentase distribusi gejala mencapai 60%, klaster ini menunjukkan bahwa meskipun beberapa gejala memiliki prevalensi rendah, gejala berkeringat malam, sesak napas, dan batuk menjadi yang paling Klaster C6 Klaster C6 terdiri dari 58 pasien dengan rentang usia 16 hingga 44 tahun dan durasi pengobatan antara 190 hingga 210 hari.
Dalam klaster ini, gejala demam meriang lebih dari satu bulan terdeteksi pada 45% pasien, menunjukkan distribusi yang cukup merata.
Gejala diabetes mellitus tidak ditemukan sama sekali, sementara gejala berkeringat malam tanpa aktivitas terdeteksi pada 72% pasien.
Gejala sesak napas menunjukkan prevalensi tinggi, terdeteksi pada 93% pasien, dan gejala batuk juga terdistribusi secara merata.
Dengan total persentase sebaran gejala mencapai 62%, klaster ini menunjukkan bahwa meskipun ada gejala dengan prevalensi rendah, sesak napas dan batuk menjadi gejala yang paling umum.
Klaster C7 Klaster C7 melibatkan 53 pasien dengan rentang usia 30 hingga 80 tahun dan durasi pengobatan antara 188 hingga 212 hari.
Dalam klaster ini, gejala demam meriang lebih dari satu bulan terdeteksi pada 4% pasien, dan gejala berkeringat malam tanpa aktivitas teridentifikasi pada 17% pasien.
Gejala sesak napas dan batuk juga terdeteksi pada 17% pasien.
Namun, gejala I-Robot Jurnal.
Vol 8.
No2 September 2024 batuk menunjukkan distribusi yang lebih baik, terdeteksi pada 87% pasien.
Dengan total persentase sebaran gejala mencapai 23%, klaster ini menunjukkan ketidakteraturan dalam distribusi gejala, dengan batuk sebagai gejala yang paling dominan.
Klaster C8 Klaster C8 mencakup 122 pasien dengan rentang usia 50 hingga 80 tahun dan durasi pengobatan antara 150 hingga 180 hari.
Dalam klaster ini, gejala demam meriang lebih dari satu bulan terdeteksi pada 100% pasien, menunjukkan distribusi yang optimal.
Gejala diabetes mellitus ditemukan pada 3% pasien, sedangkan gejala berkeringat malam tanpa aktivitas terdeteksi pada 100% pasien.
Gejala sesak napas menunjukkan prevalensi tinggi, terdeteksi pada 94% pasien, dan gejala batuk teridentifikasi pada 98% pasien.
Dengan total persentase distribusi gejala mencapai 79%, klaster ini menunjukkan bahwa sebagian besar gejala memiliki distribusi yang optimal, dengan gejala demam meriang dan berkeringat malam menjadi yang paling Klaster C9 Klaster C9 terdiri dari 43 pasien dengan rentang usia 50 hingga 80 tahun dan durasi pengobatan antara 150 hingga 212 hari.
Dalam klaster ini, gejala demam meriang lebih dari satu bulan terdeteksi pada 44% pasien, menunjukkan distribusi yang cukup merata.
Gejala diabetes mellitus ditemukan pada 12% pasien, sedangkan gejala berkeringat malam tanpa aktivitas terdeteksi pada 93% pasien.
Gejala sesak napas dan batuk menunjukkan prevalensi tinggi, terdeteksi pada 95% pasien.
Dengan total persentase sebaran gejala mencapai 68%, klaster ini menunjukkan bahwa meskipun ada gejala dengan prevalensi rendah, sesak napas, batuk, dan berkeringat malam menjadi gejala yang paling umum.
Klaster C10 Copyright A 2024 Penulis h p://e-jurnal.
ISSN 2356-3974
Klaster C10 melibatkan 122 pasien dengan rentang usia 16 hingga 42 tahun dan durasi pengobatan antara 164 hingga 188 hari.
Dalam klaster ini, gejala demam meriang lebih dari satu bulan tidak terdeteksi, dan gejala diabetes mellitus hanya ditemukan pada 1% pasien.
Namun, gejala berkeringat malam tanpa aktivitas terdeteksi pada 100% pasien, menunjukkan distribusi yang optimal.
Gejala sesak napas ditemukan pada 95% pasien, dan gejala batuk teridentifikasi pada 100% pasien.
Dengan total persentase distribusi gejala mencapai 59%, klaster ini menunjukkan bahwa meskipun beberapa gejala memiliki prevalensi rendah, gejala berkeringat malam, sesak napas, dan batuk menjadi yang paling umum.
Klaster C11 Klaster C11 terdiri dari 70 pasien dengan rentang usia 52 hingga 88 tahun dan durasi pengobatan antara 156 hingga 190 hari.
Dalam klaster ini, gejala demam meriang lebih dari satu bulan terdeteksi pada 4% pasien, dan gejala diabetes mellitus ditemukan pada 9% pasien.
Gejala berkeringat malam tanpa aktivitas tercatat pada 3% pasien, sedangkan gejala sesak napas hanya terdeteksi pada 1% pasien.
Namun, gejala batuk menunjukkan distribusi yang sangat baik, terdeteksi pada 99% pasien.
Dengan total persentase sebaran gejala mencapai 23%, klaster ini menunjukkan bahwa hanya gejala batuk yang memiliki distribusi optimal, sementara gejala lainnya menunjukkan prevalensi yang sangat Klaster C12 Klaster C12 melibatkan 40 pasien dengan rentang usia 40 hingga 80 tahun dan durasi pengobatan antara 144 hingga 180 hari.
Dalam klaster ini, gejala demam meriang lebih dari satu menunjukkan distribusi yang optimal.
Gejala diabetes mellitus hanya ditemukan pada 3% pasien, dan gejala berkeringat malam tanpa aktivitas tidak terdeteksi.
Gejala sesak napas I-Robot Jurnal.
Vol 8.
No2 September 2024 terdeteksi pada 90% pasien, dan gejala batuk teridentifikasi pada 100% pasien.
Dengan total persentase sebaran gejala mencapai 59%, klaster ini menunjukkan bahwa gejala batuk, sesak napas, dan demam meriang memiliki distribusi yang optimal, sementara gejala DM dan prevalensi yang signifikan.
Klaster C13 Klaster C13 terdiri dari 91 pasien dengan rentang usia 16 hingga 50 tahun dan durasi pengobatan antara 166 hingga 194 hari.
Dalam klaster ini, gejala demam meriang lebih dari satu bulan terdeteksi pada 3% pasien, dan gejala diabetes mellitus ditemukan pada 2% pasien.
Gejala berkeringat malam tanpa aktivitas tidak ditemukan, sedangkan gejala sesak napas terdeteksi pada 1% pasien.
Namun, gejala batuk menunjukkan distribusi yang sangat baik, terdeteksi pada 97% pasien.
Dengan total persentase sebaran gejala mencapai 21%, klaster ini menunjukkan bahwa meskipun gejala batuk memiliki prevalensi yang tinggi, gejala lainnya menunjukkan distribusi yang sangat terbatas.
Klaster C14 Klaster C14 melibatkan 42 pasien dengan rentang usia 20 hingga 60 tahun dan durasi pengobatan antara 150 hingga 190 hari.
Dalam klaster ini, gejala demam meriang lebih dari satu bulan terdeteksi pada 90% pasien, menunjukkan distribusi yang merata.
Gejala diabetes mellitus ditemukan pada 12% pasien, sedangkan gejala berkeringat malam tanpa aktivitas terdeteksi pada 90% pasien.
Gejala sesak napas tidak ditemukan sama sekali, sementara gejala batuk menunjukkan distribusi yang sangat baik, terdeteksi pada 100% pasien.
Dengan total persentase sebaran gejala mencapai 59%, klaster ini menunjukkan bahwa gejala batuk, demam meriang, dan berkeringat malam memiliki distribusi yang optimal, sementara gejala DM dan sesak napas tidak terdeteksi.
Copyright A 2024 Penulis h p://e-jurnal.
ISSN 2356-3974
Klaster C15 Klaster C15 terdiri dari 87 pasien dengan rentang usia 16 hingga 42 tahun dan durasi pengobatan antara 136 hingga 168 hari.
Dalam klaster ini, gejala demam meriang lebih dari satu bulan terdeteksi pada 10% pasien, dan gejala diabetes mellitus ditemukan pada 6% pasien.
Gejala berkeringat malam tanpa aktivitas hanya terdeteksi pada 2% pasien, dan gejala sesak napas tidak ditemukan.
Namun, gejala batuk menunjukkan distribusi yang sangat baik, terdeteksi pada 97% pasien.
Dengan total persentase sebaran gejala mencapai 23%, klaster ini menunjukkan bahwa meskipun gejala tidak terdistribusi secara merata, gejala batuk menjadi yang paling dominan.
Klaster C16 Klaster C16 melibatkan 129 pasien dengan rentang usia 50 hingga 80 tahun dan durasi pengobatan antara 164 hingga 188 hari.
Dalam klaster ini, gejala demam meriang lebih dari satu bulan tidak terdeteksi, dan gejala diabetes mellitus hanya ditemukan pada 1% pasien.
Namun, gejala berkeringat malam tanpa aktivitas terdeteksi pada 100% pasien, menunjukkan distribusi yang optimal.
Gejala sesak napas dan batuk juga menunjukkan prevalensi tinggi, terdeteksi pada 99% pasien.
Dengan total persentase sebaran gejala mencapai 60%, klaster ini menunjukkan bahwa gejala berkeringat malam, sesak napas, dan batuk memiliki distribusi yang merata, sementara gejala demam meriang dan diabetes mellitus menunjukkan prevalensi yang sangat rendah.
Klaster C17 Klaster C17 terdiri dari 41 pasien dengan rentang usia 20 hingga 50 tahun dan durasi pengobatan antara 138 hingga 158 hari.
Dalam klaster ini, gejala demam meriang lebih dari satu menunjukkan distribusi yang merata.
Gejala diabetes mellitus hanya ditemukan pada 2% I-Robot Jurnal.
Vol 8.
No2 September 2024 pasien, sedangkan gejala berkeringat malam tanpa aktivitas terdeteksi pada 90% pasien.
Gejala sesak napas dan batuk juga terdeteksi pada 100% pasien, menunjukkan bahwa kedua gejala ini merupakan indikator utama dalam klaster ini.
Dengan total persentase sebaran gejala yang cukup tinggi, klaster ini menunjukkan bahwa meskipun gejala DM jarang muncul, gejala lainnya memiliki prevalensi yang baik.
Klaster C18 Klaster C18 melibatkan 89 pasien dengan rentang usia 16 hingga 46 tahun dan durasi pengobatan antara 140 hingga 180 hari.
Dalam klaster ini, gejala demam meriang lebih dari satu bulan terdeteksi pada 13% pasien, sedangkan gejala diabetes mellitus tidak ditemukan.
Gejala berkeringat malam tanpa aktivitas juga tidak terdeteksi, sementara gejala sesak napas menunjukkan prevalensi tinggi, terdeteksi pada 100% pasien.
Gejala batuk juga teridentifikasi pada 99% pasien.
Dengan total persentase sebaran gejala mencapai 42%, klaster ini menunjukkan bahwa meskipun ada gejala dengan prevalensi rendah, sesak napas dan batuk menjadi gejala yang paling umum.
Klaster C19 Klaster C19 terdiri dari 37 pasien dengan rentang usia 30 hingga 70 tahun dan durasi pengobatan antara 140 hingga 180 hari.
Dalam klaster ini, tidak ada gejala demam meriang, diabetes mellitus, berkeringat malam tanpa aktivitas, sesak napas, atau batuk yang Dengan total persentase sebaran gejala mencapai 0%, klaster ini menunjukkan bahwa pasien dalam klaster ini tidak mengalami gejala yang dapat dihubungkan dengan kondisi Hal ini menandakan bahwa klaster C19 memiliki karakteristik unik di mana tidak ada gejala yang teridentifikasi, meskipun pasien berada dalam rentang usia dan durasi pengobatan yang bervariasi.
Copyright A 2024 Penulis h p://e-jurnal.
ISSN 2356-3974
CONCLUSION
Analisis distribusi gejala tuberkulosis (TB) di antara 19 klaster pasien menunjukkan variasi yang signifikan dalam prevalensi dan pola gejala berdasarkan usia dan durasi pengobatan.
Setiap klaster memiliki karakteristik unik yang mencerminkan tantangan dan kebutuhan spesifik dalam penanganan TB.
Klaster C1 menunjukkan prevalensi tinggi untuk gejala demam meriang, sesak napas, dan batuk, dengan 100% pasien mengalami gejala tersebut.
Hal ini menandakan bahwa pasien dalam kelompok usia produktif ini mungkin memerlukan perhatian medis yang lebih intensif untuk mengelola gejala yang Klaster C2 dan C3 memperlihatkan distribusi gejala yang lebih terbatas, dengan gejala batuk yang mendominasi di C2, sementara C3 menunjukkan prevalensi tinggi untuk sesak napas dan Ini menunjukkan bahwa meskipun jumlah pasien di kedua klaster ini relatif sama, respons terhadap pengobatan dan manifestasi gejala dapat bervariasi secara signifikan.
Klaster C4 dan C5 menunjukkan distribusi gejala yang lebih optimal, terutama untuk batuk dan sesak napas, dengan C4 memiliki 100% pasien yang mengalami batuk.
Hal ini menunjukkan bahwa pasien di klaster ini mungkin lebih responsif terhadap pengobatan, tetapi tetap memerlukan pemantauan untuk gejala lain yang mungkin muncul.
Klaster C6 dan C7 menunjukkan prevalensi tinggi untuk sesak napas dan batuk, tetapi dengan variasi dalam gejala lain seperti demam meriang dan diabetes mellitus yang tidak terdeteksi secara Ini menunjukkan bahwa I-Robot Jurnal.
Vol 8.
No2 September 2024
ISSN 2356-3974
meskipun ada gejala dominan, ada kemungkinan adanya gejala lain yang mempengaruhi kualitas hidup pasien.
(Vol.
12, pp.
54087Ae54.
Institute of Klaster C8 dan C9 menunjukkan distribusi gejala yang lebih merata, dengan batuk dan sesak napas sebagai gejala utama.
Klaster C8, dengan jumlah pasien yang lebih besar, menunjukkan bahwa pengelolaan gejala harus dilakukan secara komprehensif untuk meningkatkan kualitas hidup pasien.
Acheampong.
Text-based emotion Klaster C10 hingga C19 menunjukkan variasi yang lebih besar dalam distribusi gejala, dengan beberapa klaster seperti C19 tidak menunjukkan gejala signifikan sama sekali.
Hal ini menandakan bahwa ada kemungkinan pasien dalam klaster ini mungkin tidak terdiagnosis dengan baik atau memiliki kondisi kesehatan yang berbeda yang mempengaruhi gejala TB.
Dari hasil analisis ini menekankan pentingnya pendekatan yang disesuaikan dalam penanganan TB, dengan mempertimbangkan faktor usia, durasi pengobatan, dan pola gejala yang muncul.
Penelitian lebih lanjut diperlukan untuk memahami interaksi antara faktor-faktor ini dan untuk merumuskan strategi intervensi yang lebih Dengan penanggulangan TB dapat lebih terarah dan berbasis bukti, yang pada akhirnya akan meningkatkan hasil kesehatan bagi pasien di seluruh klaster.
REFERENCES