.pdf_2.png)
Klasterisasi Karakteristik Pasien Kanker Paru Dengan K-Means Di Rumah Sakit Kanker Dharmais
Abstract
Kanker paru memiliki karakteristik pasien yang heterogen sehingga diperlukan pengelompokan data untuk mendukung perencanaan pelayanan dan peningkatan kualitas registrasi kanker. Penelitian ini bertujuan mengelompokkan karakteristik pasien kanker paru berdasarkan usia, jenis kelamin, topografi, morfologi, dan pekerjaan menggunakan algoritma K-Means. Penelitian menggunakan desain observasional retrospektif terhadap 443 data pasien kanker paru di Rumah Sakit Kanker Dharmais. Nomor rekam medis dan nama pasien tidak digunakan sebagai atribut analisis. Variabel kategorik ditransformasikan menggunakan one-hot encoding, sedangkan usia distandardisasi. Pemodelan dilakukan menggunakan Orange Data Mining 3.40 dengan inisialisasi K-Means++, 10 kali pengulangan, dan maksimum 300 iterasi. Jumlah cluster diuji pada K=2 sampai K=10 menggunakan nilai Silhouette. Nilai tertinggi diperoleh pada K=3, yaitu 0,239. Cluster 1 terdiri atas 201 pasien (45,37%) dan seluruhnya laki-laki dengan rerata usia 64,27±6,50 tahun. Cluster 2 terdiri atas 125 pasien (28,22%) dan seluruhnya perempuan dengan rerata usia 59,54±8,40 tahun. Cluster 3 terdiri atas 117 pasien (26,41%), didominasi laki-laki, dan memiliki rerata usia 43,18±7,90 tahun. Adenocarcinoma merupakan morfologi dominan pada seluruh cluster. Topografi C34.9 ditemukan pada lebih dari 90% anggota setiap cluster. Tiga cluster menggambarkan kelompok laki-laki usia lanjut, perempuan usia menengah–lanjut, dan pasien usia lebih muda. Tingginya penggunaan kode topografi tidak spesifik menunjukkan perlunya audit kelengkapan registrasi kanker.
Kata kunci: kanker paru; K-Means; klasterisasi; registrasi kanker; Orange Data Mining
Full Text:
PDFReferences
DAFTAR PUSTAKA
. World Health Organization. Lung cancer. World Health Organization, Geneva, 2026.
. Sung H, Filho AM, Laversanne M, Ferlay J, Siegel RL, Soerjomataram I, Jemal A, Bray F. Global cancer statistics 2024: GLOBOCAN estimates of incidence and mortality worldwide for 34 cancers in 186 countries. CA Cancer J Clin. 2026. doi:10.3322/caac.70090.
. Ervik M, Laversanne M, Lam F, Colombet M, Ferlay J, Filho AM, Bray F. Global Cancer Observatory: Cancer Today, 2024 Estimates, Version 1.0. International Agency for Research on Cancer, Lyon, 2026.
. Thai AA, Solomon BJ, Sequist LV, Gainor JF, Heist RS. Lung cancer. Lancet. 2021;398(10299):535–554. doi:10.1016/S0140-6736(21)00312-3.
. WHO Classification of Tumours Editorial Board. Thoracic Tumours. 5th ed. International Agency for Research on Cancer, Lyon, 2021.
. [6] Bray F, Parkin DM. Evaluation of data quality in the cancer registry: principles and methods. Part I: comparability, validity and timeliness. Eur J Cancer. 2009;45(5):747–755. doi:10.1016/j.ejca.2008.11.032.
. Ikotun AM, Ezugwu AE, Abualigah L, Abuhaija B, Heming J. K-means clustering algorithms: a comprehensive review, variants analysis, and advances in the era of big data. Inf Sci. 2023;622:178–210. doi:10.1016/j.ins.2022.11.139.
. Ahmad A, Dey L. A K-mean clustering algorithm for mixed numeric and categorical data. Data Knowl Eng. 2007;63(2):503–527. doi:10.1016/j.datak.2007.03.016.
. Demšar J, Curk T, Erjavec A, Gorup Č, Hočevar T, Milutinovič M, et al. Orange: data mining toolbox in Python. J Mach Learn Res. 2013;14(71):2349–2353.
. Arthur D, Vassilvitskii S. K-means++: the advantages of careful seeding. Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms, New Orleans, 2007, p.1027–1035.
. Rousseeuw PJ. Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. J Comput Appl Math. 1987;20:53–65. doi:10.1016/0377-0427(87)90125-7.
. Barta JA, Powell CA, Wisnivesky JP. Global epidemiology of lung cancer. Ann Glob Health. 2019;85(1):8. doi:10.5334/aogh.2419.
. Bade BC, Dela Cruz CS. Lung cancer 2020: epidemiology, etiology, and prevention. Clin Chest Med. 2020;41(1):1–24. doi:10.1016/j.ccm.2019.10.001.
. Parkin DM, Bray F. Evaluation of data quality in the cancer registry: principles and methods. Part II: completeness. Eur J Cancer. 2009;45(5):756–764. doi:10.1016/j.ejca.2008.11.033.
. Fritz A, Percy C, Jack A, Shanmugaratnam K, Sobin L, Parkin DM, Whelan S, editors. International Classification of Diseases for Oncology. 3rd ed. World Health Organization, Geneva, 2013.
. Huang Z. Extensions to the K-means algorithm for clustering large data sets with categorical values. Data Min Knowl Discov. 1998;2:283–304. doi:10.1023/A:1009769707641.
DOI: https://doi.org/10.52643/marsi.v10i4.9178
Refbacks
- There are currently no refbacks.
Copyright (c) 2026 Jurnal Manajemen dan Administrasi Rumah Sakit Indonesia (MARSI)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
