Penggerombolan Provinsi Berdasarkan Penyakit Tidak Menular Secara Simultan Menggunakan Analisis Biclustering Algoritma BCBimax

Abstract

Penyakit Tidak Menular (PTM) merupakan salah satu masalah kesehatan yang penting di Indonesia dan terus mengalami peningkatan dari tahun-tahun sebelumnya. Pendekatan penggerombolan merupakan salah satu alternatif dalam studi PTM untuk mengetahui pola persebaran penyakitnya di setiap provinsi. Biclustering merupakan metode yang dikembangkan dari clustering dimana penggerombolan dua arah dilakukan secara simultan pada dimensi matriks data. Penelitian ini bertujuan untuk menggerombolkan provinsi berdasarkan kemiripan PTM secara simultan dengan menggunakan analisis biclustering algoritma BCBimax. Peubah yang digunakan dalam penelitian ini terdiri dari 7 PTM dari data sekunder Survei Kesehatan Indonesia (SKI) tahun 2023. BCBimax menggerombolkan baris dan kolom secara simultan dengan menemukan submatriks berisi elemen satu pada matriks biner. Hasil pada skenario ambang binarisasi batas rata-rata setiap peubah dengan minimum 2 baris dan 1 kolom menghasilkan 8 bicluster optimal dengan average MSR 0,055. Sedangkan pada skenario ambang batas binarisasi median setiap peubah dengan ambang batas yang sama menghasilkan 8 bicluster optimal dengan average MSR 0,070. Perbandingan persentase nilai indeks Liu dan Wang dari kedua skenario yaitu 88,4% dan 81,1%. Berdasarkan nilai average MSR yang paling kecil, maka skenario rata-rata setiap peubah dengan ambang batas minimum 2 baris dan 1 kolom dapat dikatakan lebih baik dalam melakukan penggerombolan dengan biclustering algoritma BCBimax.

Non-communicable diseases (NCDs) are one of the most important health problems in Indonesia and have increased when compared to previous years. The clustering approach is one of the alternatives in the study of NCDs to determine the distribution pattern of the disease in each province. Biclustering is a method developed from clustering where two-way clustering is performed simultaneously on the dimensions of the data matrix. This study aims to cluster provinces based on the similarity of NCDs simultaneously using biclustering analysis BCBimax algorithm. The variables used in this study consist of 7 NCDs from the 2023 Survei Kesehatan Indonesia (SKI). BCBimax clusters rows and columns simultaneously to find a submatrix containing element one in a binary matrix. The analysis results showed that in the binarization scenario threshold of each variable mean with minimum threshold 2 rows and 1 column produced 8 bicluster with an average MSR of 0,055. While in the binarization scenario threshold of each variable median with the same threshold produced 8 bicluster with an average MSR of 0,070. The comparison of the percentage of Liu and Wang index values of the two BCBimax algorithm scenarios were 88,4% and 81,1% which showed that the members are almost the same. Based on the smallest average MSR value, the scenario threshold of each variable mean with a minimum threshold 2 rows and 1 column were considered to be better at BCBimax algorithm biclustering.