Analisis Sentimen Risiko Serangan Jantung Menggunakan K-means Clustering Dengan Rapidminer

Abstrak

Penelitian ini membahas analisis pengelompokan pasien berdasarkan risiko serangan jantung dengan menerapkan algoritma K-Means Clustering menggunakan perangkat lunak RapidMiner. Di era modern ini, data kesehatan pasien menjadi sangat penting untuk identifikasi dini dan pencegahan risiko penyakit serius seperti serangan jantung. Untuk memahami pola-pola karakteristik pasien yang berkaitan dengan risiko ini, dilakukan proses clustering terhadap dataset risiko serangan jantung yang diperoleh dari Kaggle, terdiri dari 8.763 entri data pasien. Tahapan penelitian dimulai dari pengumpulan data, pra-pemrosesan data, hingga implementasi algoritma K-Means dengan jumlah klaster tertentu (misalnya, tiga), yang akan mengelompokkan pasien berdasarkan profil risiko mereka (misalnya, risiko rendah, sedang, dan tinggi). Hasil penelitian diharapkan dapat menunjukkan distribusi data pasien ke dalam klaster-klaster tersebut, misalnya berapa banyak pasien yang tergolong dalam klaster risiko tinggi, sedang, dan rendah. Dengan hasil ini, algoritma K-Means terbukti efektif dalam mengidentifikasi kelompok pasien dengan karakteristik serupa, serta memberikan gambaran yang bermanfaat dalam upaya deteksi dini dan intervensi terhadap risiko serangan jantung secara otomatis. Penelitian ini diharapkan dapat menjadi dasar untuk pengembangan sistem identifikasi risiko yang lebih akurat dan adaptif terhadap dinamika data kesehatan