PENERAPAN MACHINE LEARNING DALAM PREDIKSI TINGKAT KASUS PENYAKIT DI INDONESIA

Rakha Gusti Wardhana; Gunawan Wang; Farida  Sibuea

doi:10.24076/joism.2023v5i1.1136

Authors

Rakha Gusti Wardhana Bina Nusantara University
Gunawan Wang Bina Nusantara University
Farida Sibuea Pusat Data dan Teknologi Informasi Kementerian Kesehatan Republik Indonesia

DOI:

https://doi.org/10.24076/joism.2023v5i1.1136

Keywords:

Transformasi digital, Prediksi Penyakit, Machine Learning, Klasifikasi

Abstract

Transformasi digital selalu menghadirkan upaya pengambilan keputusan yang berlandaskan data. Dalam rangka mendukung transformasi digital di bidang kesehatan, maka diperlukan perangkat yang dapat melakukan proses prediksi untuk mendukung pengambilan keputusan. Penerapan machine learning untuk proses prediksi tingkat persebaran penyakit dapat membantu pengambil kebijakan dalam merumuskan kebijakan pelayanan kesehatan secara cepat. Pemodelan machine learning menggunakan berbagai teknik dalam algoritma klasifikasi dengan framework yang dimiliki oleh bahasa pemrograman python. Dalam hal ini, data yang digunakan merupakan dataset yang dikoleksi dari Profil Kesehatan Indonesia, yang berisi informasi tingkat pelayanan kesehatan, kebijakan kesehatan, serta tingkat sosio-demografi. Pemodelan dengan teknik decision tree memiliki akurasi yang sangat baik dalam memprediksi klasifikasi tingkat kasus penyakit.

Downloads

Download data is not yet available.

References

Dewan Teknologi Informasi dan Komunikasi Nasional, “Arah Transformasi Digital Indonesia”, 2020. http://www.wantiknas.go.id/

Kementerian Kesehatan Republik Indonesia, “Cetak Biru Strategi Transformasi Digital Kesehatan 2024”, 2021

Pusat Data dan Teknologi Informasi, “Profil Kesehatan Indonesia”, 2021

R. Abellera, and R. Bulusu, “Oracle Business Intelligence with Machine Learning: Artificial Intelligence Techniques in OBIEE for Actionable BI”, NewYork: Apress, 2018

Fard, et al., “Application of Machine Learning in the Prediction of Covid-19 daily new cases: A Scoping Review.”, Heliyon, 7(10), 2021.

Mohidem, et al., “Prediction of tuberculosis cases based on socio demographic and environmental factors in gombak, Selangor, Malaysia: A comparative assessment of multiple linear regression and artificial neural network models”, International journal of mycobacteriology, 10(4), pp. 442–456, 2021. https://doi.org/10.4103/ijmy.ijmy_182_2

Ardabili, et al., “COVID-19 Outbreak Prediction with Machine Learning”. Feature Papers in Evolutionary Algorithms and Machine Learning, 3(10), 2021. https://doi.org/10.3390/a13100249

J. Kalezhi, et al., “Modelling Covid-19 Infections in Zambia Using Data Mining Techniques”. Results in Engineering, 13, 2022.

D. Lion, “Artificial Inteligence: A Beginner Guide”, 2021.

M. Kantardzic, “Data Mining: Concepts, Models, Methods, and Algorithms” Third Edition. New York: Wiley. 2020

C. Lopez, “Data Mining: CRISP-DM Methodology, The Clem Language, and IBM SPSS Modeler”, 2021.

D. Berrar, “Bayes’ Theorem and Naive Bayes Classifier”. Reference Module in Life Sciences, 1, 2018.

P. Jaramillo, and D. Juan, “A Reviews of Machine Learning Algorithms Used for Modelling Travel Mode Choice” DYNA, 86(211), pp. 32-41, 2019. https://doi.org/10.15446/dyna.v86n211.79743

R. Dash, R. Paramguru, and R. Dash, “Comparative Analysis of Supervised and Unsupervised Discretization Techniques”. International Journal of Advances in Science and Technology, 2(3), 2011.

K. Kharisma and U. S. Aesyi, “Analisis Tingkat Kebermanfaatan MyPertamina Menggunakan K-Means Clustering”, JOISM, 4( 2), pp. 91 - 96, 2023. https://doi.org/10.24076/joism.2023v4i2.982