Penggerombolan Penyebaran Penyakit Menular di Indonesia Tahun 2023 Menggunakan K-Means++ Berbasis Dekomposisi Tensor.

Abstract

Penyakit menular merupakan masalah kesehatan masyarakat yang utama karena pola penularannya yang kompleks, yang dipengaruhi oleh faktor spasial, temporal, dan individu. Pendekatan satu dimensi konvensional sering kali gagal untuk menangkap dimensi-dimensi yang saling terkait ini. Penelitian ini menggunakan dekomposisi tensor dan penggerombolan K-Means++ untuk memeriksa penyebaran penyakit menular di Indonesia. Data diperoleh dari sampel reguler BPJS Kesehatan tahun 2023 yang terdiri dari lebih dari 3,7 juta catatan kunjungan pasien ke fasilitas kesehatan tingkat pertama di 34 provinsi. Klasifikasi penyakit mengikuti standar ICD-10 yang dikeluarkan oleh Organisasi Kesehatan Dunia (WHO). Data disusun sebagai tensor tiga arah (wilayah × jenis penyakit × waktu) dan dekomposisi Tucker dengan rank optimal 3×3×3 dipilih berdasarkan proporsi kumulatif dan galat. Hasil menunjukkan penggerombolan dengan membentuk tujuh gerombol wilayah, empat gerombol jenis penyakit, dan tiga gerombol waktu dengan karakteristik yang berbeda. Provinsi dengan kepadatan penduduk yang tinggi seperti Jawa Barat, Jawa Tengah, dan Jawa Timur berada pada gerombol wilayah yang sama dengan rata-rata beban kasus tertinggi. Penggerombolan jenis penyakit didasarkan pada rataan jumlah penderita dimana penyakit seperti infeksi saluran pencernaan dan tuberkulosis memiliki rataan kasus tertinggi dan tergolong dalam gerombol penyakit yang sama. Sementara itu, penggerombolan berdasarkan waktu menunjukkan pola penyebaran penyakit menular dipengaruhi oleh karakteristik penyakit seperti pada bulan Mei dan Oktober sebagai puncak rata rata banyaknya penderita penyakit menular.

Infectious diseases are a major public health issue due to their complex transmission patterns, which are influenced by spatial, temporal, and individual factors. Conventional one-dimensional approaches often fail to capture these interrelated dimensions. This study uses Tensor Decomposition and K-Means++ clustering to examine the spread of infectious diseases in Indonesia. Data was obtained from the 2023 BPJS Health regular sample, comprising over 3.7 million patient visit records to primary healthcare facilities across 34 provinces. Disease classification follows the ICD-10 standard issued by the World Health Organization (WHO). Data is organized as a three-way tensor (region × disease type × time), and Tucker decomposition with an optimal rank of 3×3×3 is selected based on cumulative proportion and error. The results show clustering into seven regional clusters, four disease type clusters, and three time clusters with distinct characteristics. Provinces with high population density, such as West Java, Central Java, and East Java, are grouped in the same regional cluster with the highest average case burden. Disease type clustering was based on the average number of patients, where diseases such as gastrointestinal infections and tuberculosis had the highest average number of cases and were grouped into the same disease cluster. Meanwhile, time-based clustering showed that the spread of infectious diseases was influenced by disease characteristics, with May and October as the peak months for the average number of infectious disease patients.