Analisis Pengaruh Kardiovaskular Dalam Kasus Covid-19 Terhadap Obesitas Menggunakan Metode K-Medoid
DOI:
https://doi.org/10.31294/ijcs.v3i1.2558Keywords:
Covid-19, K-medoid, Obesitas, KardiovaskularAbstract
Penelitian ini bertujuan untuk menganalisis pasien COVID-19 yang menderita obesitas, non-obesitas dan menderita obesitas sekaligus kardiovaskular melalui melihat perbandingan sekaligus pengaruh dari antar atribut yang ada dalam dataset serta mengetahui jumlah persentase dari pasien yang terjangkit COVID-19 dan tidak terjangkit COVID-19, dengan menggunakan metode K-Medoid. Hasil dari penelitian ini adalah penelitan dapat menggunakan K-medoid sebagai metode klastering untuk menemukan data, dalam dataset mentah menunjukkan persentase tidak terjangkit covid lebih banyak dibandingkan dengan pasien terjangkit COVID-19 dengan 62,62% untuk pasien yang tidak terjangkit covid-19 dan terjangkit covid-19 sebanyak 37,38%. Dari populasi dan sampel yang di uji sampel non-obesitas memiliki persentase sebesar 74,54%, obesitas memiliki persentase sebesar 25,46%, Sampel pasien yang memiliki obesitas sekaligus kardiovaskular hanya memiliki persentase 0,57%. Hasil pemodelan K-medoid mendapatkan tingkat persentase pengaruh pada setiap klaster, pada dataset obesitas memiliki perbedaan atribut pneumonia dengan tingkat pengaruh sebesar 150,15% dan hipertension sebesar 172,04%, sedangkan untuk dataset non-obesitas memiliki perbedaan atribut sex dengan tingkat pengaruh sebesar 39,50% dan hipertension sebesar 106,61%. Serta penderita obesitas sekaligus menderita kardiovaskular terdapat perbedaan atribut sex dan pneumonia dengan tingkat pengaruh sebesar 159,07% dan pneumonia sebesar 300%.
References
Anjelita, M., Perdana Windarto, A., Wanto, A., & Sudahri, I. (2020). Pengembangan Datamining Klastering Pada Kasus Pencemaran Lingkungan Hidup. Seminar Nasional Teknologi Komputer & Sains (SAINTEKS), 1(1), 309–313.
Dinata, R. K., Retno, S., & Hasdyna, N. (2021). Minimization of the Number of Iterations in K-Medoids Clustering with Purity Algorithm. Revue d’Intelligence Artificielle, 35(3), 193–199. https://doi.org/10.18280/ria.350302
Dogan, A., & Birant, D. (2021). Machine learning and data mining in manufacturing. Expert Systems with Applications, 166, 114060. https://doi.org/10.1016/j.eswa.2020.114060
Febrianti, C. D., Candi, C., & Sulistiadi, W. (2020). Effect of Obesity on Covid-19 Patients. 30(Ichd), 315–320.
Hakim, L. N. (2020). The Urgency of The Elderly Welfare Law Revision. Aspirasi: Jurnal Masalah-Masalah Sosial, 11(1), 43–55. https://doi.org/10.22212/aspirasi.v11i1.1589
Hasanah, D. Y., Nauli, S. E., Prima Putri, V. K., Arifianto, H., Suryana, N. M., Suryani, L. D., Aditya, W., & Probodewi, P. (2020). Gangguan Kardiovaskular pada infeksi COVID 19. Indonesian Journal of Cardiology, 41(2), 59–68. https://doi.org/10.30701/ijc.994
I Made Laut Mertha Jaya. (2020). Metode Penelitian Kuantitatif dan Kualitatif: Teori, Penerapan, dan Riset Nyata (p. 232). Fira Husaini. https://books.google.co.id/books/about/Metode_Penelitian_Kuantitatif_dan_Kualit.html?id=yz8KEAAAQBAJ&redir_esc=y
Mukhid, A. (2021). Metodologi Penelitian Pendekatan Kuantitatif. In Syria Studies (Vol. 7, Issue 1). https://www.researchgate.net/publication/269107473_What_is_governance/link/548173090cf22525dcb61443/download%0Ahttp://www.econ.upf.edu/~reynal/Civil wars_12December2010.pdf%0Ahttps://think-asia.org/handle/11540/8282%0Ahttps://www.jstor.org/stable/41857625
Nisri, M. (2020). COVID-19 dataset. Kaggle. Retrieved from https://www.kaggle.com/datasets/meirnizri/covid19-dataset?rvi=1
Novi Yona Sidratul Munti, & Dwi Asril Syaifuddin. (2020). Analisa Dampak Perkembangan Teknologi Informasi Dan Komunikasi Dalam Bidang Pendidikan. Jurnal Pendidikan Tambusai, 4(2), 1799–1805. https://jptam.org/index.php/jptam/article/view/655
Downloads
Published
Issue
Section
License
Copyright (c) 2024 Hadi Ramdan; A Gunawan, Gunawan Gunawan
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.