Klasifikasi dan Pengelompokan Keberhasilan Pengobatan Tuberkulosis Menggunakan Teknik Data Mining di Kota Bekasi Tahun 2020 - 2024

Adelia Fitri Kusumadewi, dr. M. Lutfan Lazuardi, M.Kes, Ph.D.; Dr. Marko Ferdian Salim, S.K.M., M.P.H.

2026 | Tesis | MAGISTER KEBIJAKAN DAN MANAJEMEN KESEHATAN

Latar Bekalang: Tuberkulosis masih menjadi masalah kesehatan masyarakat di Indonesia, termasuk di Kota Bekasi. Keberhasilan pengobatan tuberkulosis yang belum mencapai target menjadi tantangan dalam pengendalian TB. Tugas: Penelitian ini bertujuan menganalisis karakteristik pasien, pengelompokkan pasien berdasarkan karakteristik dan outcome pengobatan, serta mengembangkan model klasifikasi untuk melihat keberhasilan pengobatan tuberkulosis di Kota Bekasi Tahun 2020-2024. Metode: Penelitian ini menggunakan desain kuantitatif dengan observasional retrospektif, data sekunder SITB Kota Bekasi Tahun 2020-2024 sebanyak 43.158 data dianalisis menggunakan Orange Data Mining. Variabel yang dianalisis meliputi umur, jenis kelamin, fasilitas pelayanan kesehatan, klasifikasi TB, tipe diagnosis, riwayat pengobatan. status HIV, diabetes melitus, paduan OAT, lama pengobatan, status pengobatan, pemeriksaan kontak, dan keberhasilan pengobatan. Analisis dilakukan melalui analisis deskriptif, K-Means Clustering, serta klasifikasi. Hasil: Hasil clustering menghasilkan empat kelompok pasien dengan karakteristik yang berbeda terutama berdasarkan umur, lama pengobatan, dan paduan OAT. Lama pengobatan merupakan faktor utama penentu keberhasilan pengobatan TB. Pasien dengan durasi >135 hari cenderung berhasil, sedangkan durasi kurang  dari sama dengan 93 hari didominasi outcome tidak berhasil. Kesimpulan: Data mining mampu mengidentifikasi karakter pasien, pengelompokan pasien berdasarkan kemiripan karakteristik, serta memprediksi klasifikasi keberhasilan pengobatan tuberkulosis dengan performa yang sangat baik. Temuan ini diharapkan dapat menjadi dasar dalam mendukung pengambilan keputusan dan penyusunan strategi pengendalian tuberkulosis yang lebih tepat sasaran.

Background: Tuberculosis remains a public health problem in Indonesia, include in the city of Bekasi. The fact that tuberculosis treatment success rates have not yet reached the target poses a challenge to TB control efforts. Objective: This study aims to analyze patient characteristics, group patients based on those characteristics and treatment outcomes, and develop a classification model to assess the success of tuberculosis treatment in Bekasi City from 2020 to 2024. Methods: This study employed a quantitative design with retrospective observational approch. A total of 43.158 secondary data records from site for the years 2020-2024 were analyzed using Orange Data Mining. The variables analyzed included age, sex, health care facilities, TB classification, diagnosis type, treatment status, diabetes mellitus, anti-tuberculosis drug regimen, duration of treatment, treatment status, contact tracing, and treatment success. The analysis was conducted using descriptive analysis, K-Means clustering, and classification. Result: The clustering result identified four groups of patients with different characteristic, primarily based on age, duration of treatment, and anti-tuberculosis drug regimen. Duration of treatment is the primary determinant of successful TB treatment. Patients with a treatment duration of >135 days tended to have successful outcomes, whereas those treated for 93 days or less predominantly have unsuccessful outcomes. Conclusion: Data mining techniques can identify patient characteristics, group patients based on similarities in those characteristics, and predict the success of tuberculosis treatment with excellent performance. These findings are expected to serve as a foundation for supporting decision-making and the development of more targeted tuberculosis control strategies.

Kata Kunci : Tuberkulosis, Data Mining, K-Means Clustering, Decision Tree, Keberhasilan Pengobatan