Identifikasi Faktor Risiko Penyakit Anak Bawah Lima Tahun (Balita)

Share on facebook
Share on google
Share on twitter
Share on linkedin
ILUSTRASI balita diperikas dokter. (Foto: Istimewa)
ILUSTRASI balita diperikas dokter. (Foto: Istimewa)

Anak-anak mudah terserang penyakit, terutama bayi yang baru lahir hingga usia enam tahun. Pencegahan penyakit pada anak usia dini sangat penting karena resiko kematian anak usia dini sangat tinggi. Angka kematian anak usia dini sekitar 12,4 juta jiwa per tahun.

Identifikasi penyakit balita sangat penting untuk pengobatan dan pemulihan. Diagnosa penyakit balita sering memakan waktu yang lama dan rentan terhadap kesalahan. Keputusan diagnosa sebagian besar didasarkan pada intuisi dan pengalaman ahli medis, bukan berdasar data. Akibatnya, itu dapat menimbulkan risiko kesalahan diagnosa. Selain itu, pasien biasanya disarankan untuk melakukan sejumlah tes, yang sering tidak efisien atau tidak perlu dalam mendiagnosa penyakit.

Sistem informasi kesehatan menghasilkan data yang besar, namun pengetahuan tersembunyi dalam data tidak dapat diakses jika dengan menggunakan metode tradisional. Data mining merupakan salah satu solusi yang bisa diterapkan untuk menggali informasi tersembunyi dalam sistem informasi kesehatan. Data mining memungkinkan ekstraksi pengetahuan dalam data yang bervolume besar. Data tersebut dieksplorasi dan dianalisis untuk ditemukan pola dan rule yang bermakna.

Descriptive data mining adalah salah satu jenis data mining untuk menemukan pola dari sekumpulan data, di mana pengolahannya melibatkan clustering, association rule discovery, dan sequential pattern discovery. Sementara itu, association rule mining adalah proses data mining yang digunakan untuk menemukan rule yang dapat mengatur asosiasi antar item dalam data set. Teknik asosiasi Apriori telah terbukti efektif dalam menemukan berbagai tren dalam sistem informasi kesehatan.

Data penelitian ini diperoleh dari rumah sakit dan pusat kesehatan di Surabaya. Teknik pengumpulan data yang digunakan adalah wawancara dan analisis dokumen. Wawancara dilakukan untuk mendapatkan informasi tentang faktor risiko dari penyakit balita. Berdasar hasil wawancara, ditemukan bahwa penyakit balita terkait erat dengan gejala tertentu, tetapi pola dan faktor yang mempengaruhi penyakit anak usia dini belum dapat ditentukan. Analisis dokumen dilakukan untuk mengetahui jenis penyakit dan faktor risiko yang mempengaruhi penyakit balita.

Faktor yang digunakan dalam penelitian ini adalah gejala gejala dari 16 penyakit balita yang didiagnosa. Sebanyak 43 faktor yang digunakan adalah usia, jenis kelamin, berat badan, tinggi badan, suhu tubuh, flu, batuk, pilek, demam, diare, pucat, pusing, mual, muntah, tidak dapat minum atau menyusu, memuntahkan makanan, kejang, tidak sadar, nafas cepat, napas sulit, stridor, feses lembek atau cair, mata cekung, turgor, gelisah, rewel / mudah marah, haus abnormal, diare selama 14 hari atau lebih, darah dalam feses, leher kaku, ruam, mata merah, kekeruhan pada kornea, luka di mulut, mata bernanah, demam selama 2 hingga 7 hari, demam mendadak tinggi dan terus-menerus, bintik merah, muntah seperti dicampur dengan darah / kopi, sakit perut(mulas), feses hitam, hidung berdarah dan gusi, infeksi. 16 penyakit yang didiagnosa, yaitu batuk tidak pneumonia, pneumonia, pneumonia berat, diare tanpa dehidrasi, diare dehidrasi ringan, diare dehidrasi berat, diare persisten, diare persisten berat, disentri, demam tidak tanda bahaya umum, demam dengan tanda bahaya umum, campak, campak dengan komplikasi berat, campak cengan komplikasi, demam terduga demam berdarah (DBD), serta DBD. Penyakit balita tersebut digolongan menjadi tiga kelas, yaitu low, medium, dan high.

Association rule mining memiliki kinerja yang luar biasa dalam hal waktu eksekusi. Namun, association rule mining memiliki beberapa overhead komputasi karena pemisahan dan penggabungan node. Karena itu, penelitian ini menggunakan Algoritma Apriori karena dapat mengurangi jumlah item melalui pemangkasan. Pemangkasan jumlah item menyebabkan Algoritma Apriori memiliki kinerja yang baik.

Serangkaian percobaan dengan beberapa nilai parameter diekstrapolasi untuk menganalisis kinerja komputasi dan rule yang dihasilkan. Berdasar serangkaian percobaan dihasilkan 21 faktor, yaitu berat, tinggi, jenis kelamin, flu, batuk, demam, diare, stridor, darah dalam tinja, muntah, kejang, tidak sadar, tidak mampu minum atau menyusu, mata cekung, rewel, haus abnormal, kekeruhan pada kornea, demam 2–7 hari, turgor, diare 14 hari atau lebih, dan napas sulit.

Salah satu rule yang dihasilkan dengan nilai confident yang paling besar adalah Antecedent (gejala = flu, demam, muntah, tidak dapat minum atau menyusu), maka Consequent (terkena penyakit balita kelas = medium) dengan support = 0.25 dan confident = 0.95. Jumlah item yang dihasilkan dengan Algoritma Apriori sebanyak 272 item, sedangkan dengan metode lain sebanyak 956 item. Hasil percobaan menunjukkan bahwa Algoritma apriori dapat menghasilkan rule yang lebih lengkap dan kinerja komputasi yang lebih baik.

Penulis: Indah Werdiningsih

Informasi detail dari riset ini dapat dilihat pada tulisan kami di:

https://www.scopus.com/record/display.uri?eid=2-s2.0-85073875939&origin=resultslist&sort=plf-f&src=s&st1=Identification+of+Risk+Factors+for+Early+Childhood+Diseases+Using+Association+Rules+Algorithm+with+Feature+Reduction&st2=&sid=d4e321a6f61337dc13f2fc17d247b926&sot=b&sdt=b&sl=131&s=TITLE-ABS-KEY%28Identification+of+Risk+Factors+for+Early+Childhood+Diseases+Using+Association+Rules+Algorithm+with+Feature+Reduction%29&relpos=0&citeCnt=0&searchTerm=

Indah Werdiningsih, Rimuljo Hendradi, Purbandini, Barry Nuqoba, Elly Ana (2019). Identification of Risk Factors for Early Childhood Diseases Using Association Rules Algorithm with Feature Reduction. Cybernetics and Information Technologies. 19(3): 154 167

DOI: 10.2478/cait-2019-0031

Berita Terkait

UNAIR News

UNAIR News

Media komunikasi dan informasi seputar kampus Universitas Airlangga (Unair).

Leave Reply

Close Menu