TUGAS INDIVIDU

SISTEM INFORMASI MANAJEMEN RUMAH SAKIT

ANALISIS DATA MINING PADA PASIEN ADENOKARSINIMA PARU

DENGAN MUTASI GEN EPIDERMAL GROWTH FACTOR RECEPTOR
DI RSUP PERSAHABATAN MENGGUNAKAN TEKNIK K-MEANS
CLUSTERING

Dosen :
Dr. Indrabayu, ST, MT, M.Bus, Sys

Oleh :
Muhammad Ali Asdar
K022221011

PROGRAM STUDI MAGISTER ADMINISTRASI RUMAH SAKIT

FAKULTAS KESEHATAN MASYARAKAT
UNIVERSITAS HASANUDDIN
2022

i
 KATA PENGANTAR
Alhamdulillahirrobbil’alamin. Puji syukur saya panjatkan kehadirat Allah SWT,
Karena Atas Izin-Nya, saya dapat menyelesaikan tugas ini dengan judul “Analisis
Data Mining Pada Pasien Adenokarsinoma Paru dengan mutasi gen EGFR di
RSUP Persahabatan ”. Dalam proses penulisan makalah ini, penulis banyak
mendapatkan support, bimbingan serta bantuan yang bermanfaat dari berbagai
pihak yang tidak bisa saya sebutkan satu-persatu.
Oleh karena itu, dalam kesempatan ini penulis ingin menyampaikan
ucapan terimakasih secara khusus yang sebesar-besarnya untuk Dosen Pengampu
dalam mata kuliah Sistem Informasi Manajemen Rumah Sakit, Dr. Indrabayu, ST,
MT, M.Bus, Sys yang telah membimbing dalam mata kuliah tersebut dan
memberi kesempatan kepada penulis untuk membuat makalah ini. Semoga dengan
adanya tugas ini dapat menambah pengetahuan dan dapat menjadi literatur yang
mendukung dalam proses belajar mengajar serta menjadi referensi bagi siapapun
yang membacanya.
Penulis menyadari dalam penulisan tugas ini, masih banyak kekurangan
maupun kesalahan. Oleh karena itu, penulis sangat mengharapkan masukan
berupa kritik dan saran yang sifatnya membangun demi perbaikan dan
penyempurnaan. Semoga dengan adanya tugas ini kita dapat belajar bersama demi
kemajuan kita dan kemajuan ilmu pengetahuan.
Makassar, November 2022

Penulis

ii
 DAFTAR ISI
KATA PENGANTAR.............................................................................................ii

DAFTAR ISI..........................................................................................................iii

DAFTAR GAMBAR..............................................................................................iv

BAB I PENDAHULUAN........................................................................................1

BAB II TINJAUAN PUSTAKA..............................................................................4

A. Knowledge Discovery in Database (KDD)...............................................4

B. Data Mining..............................................................................................4

C. Clustering..................................................................................................7

BAB III METODE PENELITIAN........................................................................10

BAB IV HASIL DAN PEMBAHASAN...............................................................24

BAB V KESIMPULAN DAN SARAN.................................................................28

DAFTAR PUSTAKA............................................................................................29

iii
 DAFTAR GAMBAR
Gambar 1. Tahap-Tahap Data Mining

Gambar 2. Teknik-Teknik Data Mining

Gambar 3. Tampilan Input Data .csv pada aplikasi WEKA

Gambar 4. Pemilihan metode clustering

Gambar 5. Tampilan Output data menggunakan ‘SimpleKMeans’ clustering

Gambar 6. Analisis seluruh variabel

Gambar 7. Analisis metastasis dengan meninggal6

Gambar 9. Analisis EGFR-TKI dengan metastasis

iv
 BAB I
PENDAHULUAN
Kanker merupakan penyebab utama kesakitan dan kematian di dunia. Data World
Health Organization (WHO) pada tahun 2012 menunjukkan terdapat sebanyak 14,1 juta
kasus baru dan 8,2 juta kematian akibat kanker. Di antara penyakit keganasan, kanker
paru primer merupakan penyebab kematian paling utama di dunia. Penyakit keganasan
di paru dapat berasal dari paru sendiri (primer) maupun keganasan dari luar paru
(metastasis). Kanker paru primer adalah tumor ganas yang berasal dari epitel bronkus
(karsinoma bronkus). Sebuah sel normal dapat menjadi sel kanker apabila terjadi
ketidakseimbangan antara fungsi onkogen dengan gen tumor suppresor dalam proses
tumbuh dan kembangnya sebuah sel. Perubahan atau mutasi gen yang menyebabkan
terjadinya hiperekspresi onkogen dan atau kurang/hilangnya fungsi gen tumor supressor
menyebabkan sel tumbuh dan berkembang tak terkendali. 1,2

Kanker paru merupakan penyebab utama kematian terkait kanker di Amerika Serikat.
Pada tahun 2016 lebih dari 200.000 kasus baru kanker paru didiagnosis dan hampir
160.000 kematian terjadi sebagai akibat dari kanker paru. Data epidemiologis kanker
paru yang mencakup keseluruhan populasi di Indonesia belum ada. Hasil penelitian
berbasis rumah sakit di Jakarta, kanker paru merupakan kasus terbanyak pada laki-laki
dan nomor 4 terbanyak pada perempuan tetapi merupakan penyebab kematian utama
pada laki-laki dan perempuan. Data dari Departemen Pulmonologi dan Kedokteran
Respirasi Fakultas Kedokteran Universitas Indonesia di RSUP Persahabatan pada tahun
2015 didapatkan 668 kasus keganasan toraks, 507 kasus diantaranya adalah kasus
kanker paru.1,2

Adenokarsinoma paru adalah salah satu jenis kanker paru dan merupakan yang paling
sering ditemukan, baik pada perokok maupun bukan perokok dan usia <45 tahun.
Adenokarsinoma ditemukan sekitar 30% pada perokok laki-laki dan 40% pada perokok
perempuan, diantara yang bukan perokok persentase ini mendekati 60% pada laki-laki
dan 80% pada wanita. Data dari Departemen Patologi Anatomi RSUP Persahabatan
Jakarta dari semua jenis kanker yang telah didiagnosis sebanyak 50% merupakan kasus
kanker paru. Penyakit ini juga lebih sering terjadi pada populasi di Asia. Sebelum era
terapi target, kombinasi kemoterapi berbasis platinum hanya menyebabkan

v
kelangsungan hidup rata-rata 8-9 bulan dan kelangsungan hidup satu tahun 30-40%
pada pasien dengan Kanker Paru jenis Karsinoma Bukan Sel Kecil (KPKBSK) stage
lanjut.3,4,5

Maka dari itu, penelitian ini bertujuan untuk mengklasifikasi tingkat kasus
adenokasinoma paru stage lanjut di RSUP Persahabatan Jakarta dengan
menggunakan beberapa parameter ukuran, antara lain : karakteristik dasar pasien
(seperti usia, jenis kelamin, merokok, factor genetik, suku), lokasi mutase EGFR,
lokasi metastasis.. Data tersebut akan diolah sebagai data mining dengan
menggunakan metode clustering. Clustering merupakan teknik
pengelompokkan record pada basis data berdasarkan kriteria tertentu. Hasil
clustering diberikan kepada pengguna akhir untuk memberikan gambaran tentang
apa yang terjadi pada basis data. Konsep dasar dari clustering adalah
mengelompokkan sejumlah objek ke dalam cluster dimana cluster yang baik
adalah cluster yang memiliki tingkat kesamaan yang tinggi antar objek di dalam
suatu cluster dan tingkat ketidaksamaan yang tinggi dengan objek cluster yang
lainnya. Metode clustering hadir dikarenakan kondisi berlimpahnya data yang
merupakan akumulasi data transaksi yang terekam selama bertahun-tahun.4
Salah satu metode clustering yang sangat terkenal adalah algoritma k-
means, karena k-means memiliki algoritma yang sederhana, efisien dan mudah
untuk dipelajari. K-means merupakan metode yang cukup tangguh untuk
digunakan di berbagai jenis data. Kelompok atau cluster yang didapat merupakan
pengetahuan/informasi yang bermanfaat bagi pengguna kebijakan dalam proses
pengambilan keputusan. Oleh karena itu pada penelitian ini k-means clustering
dipilih untuk proses klasterisasi pada data persebaran adenokarsinoma paru stage
lanjut di RSUP Persahabatan Jakarta. Hasil dari clustering ini nantinya diharapkan
dapat menunjukkan perbedaan persebaran kasus adenokarsinoma paru di RSUP
Persahabatan.5
Angka kejadian adenokarsinoma paru stage lanjut di RSUP Persahabatan
termasuk tinggi sehingga menarik untuk diteliti mengenai hubungan
adenokarsinoma paru dengan beberapa faktor risiko seperti pekerjaan, umur,

vi
merokok dan terapi yang digunakan menggunakan metode Simple K-Means
Clustering pada aplikasi WEKA.

vii
 BAB II
TINJAUAN PUSTAKA

A. Knowledge Discovery in Database (KDD)

Knowledge Discovery in Database (KDD) adalah proses
menemukan pengetahuan yang berguna dari sebuah data yang bervolume
besar, dan sering disebut sebagai data mining. KDD adalah proses yang
terorganisir untuk mengidentifikasi pola-pola yang berlaku, berguna dan
mudah dipahami dari kumpulan data yang besar dan kompleks. Data mining
adalah inti dari proses KDD, yang melibatkan dalam menyimpulkan
algoritma yang menjelajahi data, mengembangkan model dan menemukan
pola-pola yang sebelumnya tidak diketahui. Model ini digunakan untuk
memahami fenomena dari data, analisis dan prediksi.
Data yang dikumpulkan dari berbagai sumber heterogen yang
terintegrasi ke dalam penyimpanan data tunggal yang disebut sebagai data
target. Data yang relevan diputuskan untuk dianalisis dan diperoleh dari
pengumpulan data. Kemudian, itu adalah pra-diproses dan berubah menjadi
format standar yang sesuai. Data mining adalah langkah yang paling inti
dalam algoritma/teknik intelligensi yang diterapkan untuk mengekstrak pola
atau aturan yang bermakna. Akhirnya, pola dan aturan yang ditafsirkan
tersebut menjadi pengetahuan atau informasi yang baru dan berguna.6

B. Data Mining
Secara sederhana, Data Mining dapat diartikan sebagai proses
mengekstrak atau menggali informasi yang ada pada sekumpulan data
(database) dalam jumlah yang besar. Informasi dan pengetahuan yang
didapat tersebut dapat digunakan pada banyak bidang, seperti manajemen
bisnis, pendidikan, kesehatan dan sebagainya. Data mining menggunakan
pendekatan discovery-based dimana pencocokan pola (pattern matching)
dan algoritma-algoritma yang lain digunakan untuk menentukan relasi-relasi
kunci di dalam data yang dieksplorasi. Menurut Tahcbir, Data Mining
adalah proses yang menggunakan teknik statistik, matematika, kecerdasan

viii
 buatan, dan machine learning, komputasi dengan kinerja tinggi, pengenalan
pola, neural network, visualisasi data dan sebagainya.6
1. Tahapan Data Mining
Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi
beberapa tahap proses yang bersifat interaktif, pemakai terlibat langsung
atau dengan perantaraan knowledge base. Lebih jelasnya, tahapan data
mining diilustrasikan pada gambar berikut. 6

Gambar 1. Tahap-Tahap Data Mining6

Tahap-tahap data mining adalah sebagai berikut:

a. Pembersihan Data (Data Cleaning)
Pembersihan data merupakan proses menghilangkan noise dan data yang
tidak konsisten atau data tidak relevan.
b. Integrasi data (Data Integration)

ix
 Integrasi data merupakan penggabungan data dari berbagai database ke
dalam satu database baru.
c. Seleksi data (Data Selection)
Data yang ada pada database sering kali tidak semuanya dipakai, oleh
karena itu hanya data yang sesuai untuk dianalisis yang akan diambil dari
database.
d. Transformasi data (Data Transformation)
Data diubah atau digabung ke dalam format yang sesuai untuk diproses
dalam data mining.
e. Proses Mining
Merupakan suatu proses utama saat metode diterapkan untuk menemukan
pengetahuan berharga dan tersembunyi dari data.
f. Evaluasi pola (Pattern Evaluation)
Untuk mengidentifikasi pola-pola menarik ke dalam knowledge based yang
ditemukan.
g. Presentasi Pengetahuan (Knowledge Presentation)
Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang
digunakan untuk memperoleh pengetahuan yang diperoleh pengguna.6
2. Tahapan Data Mining

x
 Gambar 2. Teknik-Teknik Data Mining6
Menurut Ahmed, teknik data mining biasanya terbagi dalam dua
kategori, prediksi dan deskripsi. Teknik prediksi menggunakan data historis
untuk menyimpulkan sesuatu tentang kejadian di masa depan. Sedangkan
teknik deskripsi bertujuan untuk menemukan pola dalam data yang
menyediakan beberapa informasi tentang hubungan interval yang
tersembunyi.6

C. Clustering
Clustering merupakan suatu proses pengelompokkan record,
observasi, atau mengelompokkan kelas yang memiliki kesamaan objek.
Perbedaan clustering dengan klasifikasi yaitu tidak adanya variabel target
dalam melakukan suatu pengelompokan pada proses clustering. Clustering
sering dilakukan sebagai untuk langkah awal dalam proses data mining saat
melakukkan suatu metode analisis. Clustering merupakan contoh dari
klasifikasi tanpa arahan (unsupervised). Klasifikasi Unsupervised berarti
bahwa pengelompokkan tidak tergantung pada standar kelas dan pelatihan
atau training. 6
Menurut Oyelade, Clustering dapat dibagi menjadi dua, yaitu :
1) Hierarchical Clustering adalah suatu metode pengelompokan data yang
dimulai dengan mengelompokkan dua atau lebih objek yang memiliki
kesamaan paling dekat. Kemudian proses diteruskan ke objek lain yang
memiliki kedekatan kedua. Demikian seterusnya sehingga cluster akan
membentuk semacam pohon dimana ada hierarki (tingkatan) yang jelas
antar objek, dari yang paling mirip sampai yang paling tidak mirip.
Secara logika semua objek pada akhirnya hanya akan membentuk
sebuah cluster. Dendogram biasanya digunakan untuk membantu
memperjelas proses hierarki tersebut.6
2) Non-hierarchical Clustering merupakan metode pengelompokan data
yang dimulai dengan menentukan terlebih dahulu jumlah cluster yang
diinginkan (dua cluster, tiga cluster, atau lain sebagainya). Setelah

xi
 jumlah cluster diketahui, baru proses cluster dilakukan tanpa mengikuti
proses hierarki. Metode ini biasa disebut dengan K-Means Clustering. 6
Terdapat banyak algoritma Clustering yang telah digunakan oleh peneliti
sebelumnya seperti K-Means, Improved K-Means, Fuzzy C-Means,
DBSCAN, K-Medoids (PAM), CLARANS dan Fuzzy Substractive. Setiap
algortima memiliki kelebihan dan kekurangan masing-masing, namun
prinsip algoritma sama, yaitu mengelompokkan data sesuai dengan
karakteristik dan mengukur jarak kemiripan antar data dalam satu
kelompok.7
Algoritma K-Means Clustering
K-Means yaitu salah satu dari metode pengelompokkan data nonhierarki
(sekatan) yang dapat mempartisi data ke dalam bentuk dua kelompok
ataupun lebih. K-Means clustering merupakan sebuah konstanta dari
sejumlah cluster yang diinginkan, sedangkan Means atau dapat
didefinisikan sebagai cluster adalah suatu nilai rata-rata dari sekumpulan
populasi data. Metode K-Means digunakan untuk mengelompokkan data ke
dalam beberapa kelompok, data dalam satu kelompok mempunyai
karakteristik yang sama dan mempunyai karakteristik yang berbeda dengan
data dari kelompok yang lain. Metode ini berusaha meminimalkan variasi
antar data yang ada di dalam suatu cluster dan memaksimalkan variasi data
yang ada di cluster lainnya.7
Menurut Daniel dan Eko, Langkah-langkah algoritma K-Means
adalah sebagai berikut:
a) Pilih secara acak k buah data sebagai pusat cluster.
b) Jarak antara data dan pusat cluster dihitung menggunakan Euclidian
Distance. Untuk menghitung jarak semua data ke setiap titik pusat
cluster dapat menggunakan teori jarak Euclidean yang dirumuskan
sebagai berikut:

dimana:

xii
 D (i,j) = Jarak data ke i ke pusat cluster j
Xki = Data ke i pada atribut data ke k
Xkj = Titik pusat ke j pada atribut ke k
c) Data ditempatkan dalam cluster yang terdekat, dihitung dari tengah
cluster.
d) Pusat cluster baru akan ditentukan bila semua data telah ditetapkan
dalam cluster terdekat.
e) Proses penentuan pusat cluster dan penempatan data dalam cluster
diulangi sampai nilai centroid tidak berubah lagi.6

xiii
 BAB III
METODE PENELITIAN
Data yang digunakan merupakan data pasien adenokarsinoma paru stage
lanjut dengan mutasi gen EGFR yang menjalani pengobatan di RSUP
Persahabatan sejak 2015 sampai 31 desember 2017. Proses mining menggunakan
aplikasi WEKA versi 3.9.6 yang merupakan aplikasi data mining open source
berbasis java. WEKA terdiri dari koleksi algortima machine learning yang dapat
digunakan untuk melakukan generalisasi atau formulasi dari sekumpulan data
sampling.

Gambar 3. Tampilan Input Data .csv pada aplikasi WEKA

Aplikasi WEKA hanya dapat membaca file yang memiliki format .csv,
sedangkan data yang diperoleh pada penelitian ini berformat.xlsx. Maka perlu
dilakukan transformasi data, agar proses mining dapat berjalan dengan lancar.
Kemudian membuka aplikasi WEKA, pilih menu ‘Explorer’ selanjutnya
dimasukan file data yang sudah ditransformasikan ke dalam aplikasi WEKA.
Selanjutnya pada tahap berikutnya akan muncul jendela menu ‘Explore’ untuk
memulai cluster dengan memilih menu ‘Open file’ dan selanjutnya dimasukan file
dengan ekstensi .csv yang telah disimpan sebelumnya. Kemudian masuk ke dalam

xiv
menu browse komputer lalu dipilih lokasi keberadaan file .csv, lalu membuka file
tersebut.

Gambar 4. Pemilihan metode clustering

Selanjutnya dilakukan pemilihan variable yang akan digunakan, selanjutnya
memilih menu ‘Cluster’ lalu klik ‘Choose’ setelah itu ‘SimpleKMeans’.
Kemudian dilakukan pengelolahan kelompok data sesuai kebutuhan dengan cara
meng-klik ‘Start’, maka akan dihasilkan output sebagai berikut :

xv
 Gambar 5. Tampilan Output data menggunakan ‘SimpleKMeans’ clustering

Kemudian klik kanan ‘Visualize Cluster Assignments’ maka akan muncul

tampilan cluster yang diperoleh (yang akan disajikan dalam tabel di bagian
pembahasan).
Sampel penelitian ini sebanyak 192 orang dimana data pasien diperoleh dari
rekam medis pasien. Variabel yang digunakan dalam proses cluster adalah
karakteristik sampel penelitian yakni Suku, Jenis Kelamin, Umur, Faktor Genetik,
Merokok, IB, EGFR TKI, Mutasi N, Metastasis dan data pasien meninggal.

xvi
Tabel 1. Data Pasien Adenokarsinoma paru stage lanjut di RSUP
Persahabatan Jakarta Periode 1 Januari 2014- Desember 2017.
N Suku Jenis U Fakt Meroko IB EGF Mutasi N Metas menin
o Kela mu or k R tasis ggal
min r Gen TKI
etik
1 Jawa P 58 ya tidak merokok gefiti Exon 2 hidup
nib 19
2 Batak L 73 tidak MERO Sed gefiti Exon 0 Otak menin
KOK ang nib 21 ggal
L858R
3 Sunda P 46 ya tidak merokok gefiti Exon 2 hidup
nib 19
4 Jawa P 66 tidak tidak merokok gefiti Exon 0 efusi menin
nib 21 pleura ggal
L858R
L861Q
5 Jawa P 67 tidak tidak merokok gefiti Exon 0 efusi hidup
nib 19 pleura
6 Sunda L 56 tidak MERO Ber gefiti Exon 2 hidup
KOK at nib 21
L858R
7 Sunda L 59 tidak MERO Sed gefiti Exon 2 hidup
KOK ang nib 19
8 Sunda P 67 tidak MERO Rin gefiti Exon 2 hidup
KOK gan nib 19
9 Jawa L 78 tidak MERO Rin gefiti Exon 2 hidup
KOK gan nib 21
L858R
1 Ambon L 57 tidak MERO Sed gefiti Exon 2 hidup
0 KOK ang nib 19
1 Sunda P 68 ya tidak merokok gefiti Exon 1 efusi hidup
1 nib 19 pleura
1 Sunda L 43 tidak MERO Sed gefiti Exon 2 hidup
2 KOK ang nib 21
L858R
1 Sunda L 50 tidak MERO Sed gefiti Exon 0 efusi hidup
3 KOK ang nib 19 pleura
1 Sunda L 74 tidak MERO Ber gefiti Exon 0 efusi hidup
4 KOK at nib 19 pleura
1 Sunda L 69 tidak MERO Sed gefiti Exon 2 efusi menin
5 KOK ang nib 21 pleura ggal
L858R
1 Melayu P 53 tidak tidak merokok gefiti Exon 0 efusi hidup
6 nib 21 pleura
L861Q
1 Jawa P 55 tidak tidak merokok gefiti Exon 2 hidup
7 nib 19
1 Batak P 61 tidak MERO Rin gefiti Exon 2 hidup
8 KOK gan nib 21
L858R

xvii
1 Sunda L 96 tidak MERO Rin gefiti Exon 2 hidup
9 KOK gan nib 21
L858R
2 Jawa P 57 tidak tidak merokok gefiti Exon 0 efusi menin
0 nib 21 pleura ggal
L858R
2 Jawa P 87 tidak tidak merokok gefiti Exon 0 efusi hidup
1 nib 19 pleura
2 Batak P 64 tidak tidak merokok gefiti Exon 0 efusi hidup
2 nib 21 pleura
L861Q
2 Bugis P 55 tidak MERO Rin gefiti Exon 2 Otak menin
3 KOK gan nib 21 ggal
L861Q
2 Betawi P 59 tidak MERO Sed gefiti Exon 0 Otak menin
4 KOK ang nib 19 ggal
2 Sunda P 55 tidak tidak merokok gefiti Exon 2 hidup
5 nib 21
L858R
2 Sunda P 56 tidak tidak merokok gefiti Exon 0 efusi menin
6 nib 21 pleura ggal
L861Q
2 Jawa L 61 tidak MERO Sed gefiti Exon 2 efusi hidup
7 KOK ang nib 21 pleura
L858R
2 Batak L 76 tidak MERO Ber gefiti Exon 3 efusi menin
8 KOK at nib 21 pleura ggal
L858R
2 Jawa L 63 tidak MERO Sed gefiti Exon 0 efusi menin
9 KOK ang nib 21 pleura ggal
L861Q
3 Jawa P 54 tidak tidak merokok gefiti Exon 2 hidup
0 nib 19
3 Melayu L 63 tidak MERO Sed gefiti Exon 2 efusi menin
1 KOK ang nib 21 pleura ggal
L861Q
3 Jawa L 55 tidak MERO Sed gefiti Exon 2 hidup
2 KOK ang nib 21
L858R
3 Jawa P 28 tidak tidak merokok gefiti Exon 1 efusi hidup
3 nib 19 pleura
3 Jawa L 65 tidak MERO Sed gefiti Exon 0 efusi hidup
4 KOK ang nib 21 pleura
L858R
3 Jawa P 71 tidak tidak merokok gefiti Exon 2 hidup
5 nib 18
G719S
3 Jawa P 55 tidak tidak merokok gefiti Exon 3 efusi hidup
6 nib 21 pleura
L858R
3 Jawa L 61 tidak MERO Sed gefiti Exon 2 efusi menin
7 KOK ang nib 18 pleura ggal
G719S

xviii
3 Jawa L 56 tidak MERO Sed gefiti Exon 0 efusi menin
8 KOK ang nib 18 pleura ggal
G719S
3 Jawa P 54 tidak tidak merokok gefiti Exon 0 efusi menin
9 nib 19 pleura ggal
4 Sunda P 46 tidak tidak merokok gefiti Exon 2 efusi menin
0 nib 21 pleura ggal
L858R
4 Melayu L 52 tidak MERO Sed gefiti Exon 3 hidup
1 KOK ang nib 18
G719S
4 Jawa L 59 tidak MERO Sed gefiti Exon 2 efusi menin
2 KOK ang nib 21 pleura ggal
L858R
4 Jawa L 59 tidak MERO Rin erloti Exon 2 efusi menin
3 KOK gan nib 18 pleura ggal
G719S
4 Sunda L 43 tidak MERO Sed gefiti Exon 2 efusi menin
4 KOK ang nib 21 pleura ggal
L861Q
4 Betawi L 73 tidak MERO Rin erloti Exon 2 hidup
5 KOK gan nib 21
L858R
4 Sunda L 54 tidak MERO Ber erloti Exon 2 hidup
6 KOK at nib 21
L861Q
4 Betawi P 61 tidak tidak merokok erloti Exon 0 efusi menin
7 nib 21 pleura ggal
L858R
4 Batak L 67 tidak MERO Sed gefiti Exon 0 efusi menin
8 KOK ang nib 19 pleura ggal
4 Jawa P 65 tidak tidak merokok erloti Exon 2 hidup
9 nib 21
L858R
5 Sunda L 51 tidak MERO Rin erloti Exon 3 hidup
0 KOK gan nib 21
L858R
5 Betawi L 57 tidak MERO Sed erloti Exon 0 hidup
1 KOK ang nib 21
L858R
5 Sunda P 51 tidak tidak merokok erloti Exon 1 efusi hidup
2 nib 19 pleura
5 Jawa L 50 tidak MERO Sed erloti Exon 1 efusi hidup
3 KOK ang nib 19 pleura
5 Dayak P 39 ya tidak merokok gefiti Exon 2 Otak hidup
4 nib 19
5 Jawa P 71 tidak tidak merokok gefiti Exon 2 efusi menin
5 nib 21 pleura ggal
L861Q
5 Sunda P 53 tidak tidak merokok erloti Exon 2 hidup
6 nib 21
L861Q
5 Sunda P 56 tidak tidak merokok gefiti Exon 0 efusi menin
7 nib 19 pleura ggal

xix
5 Sunda L 56 tidak MERO Sed gefiti Exon 0 efusi menin
8 KOK ang nib 18 pleura ggal
G719S
5 Sunda L 78 tidak MERO Sed erloti Exon 2 hidup
9 KOK ang nib 21
L861Q
6 Jawa P 45 tidak tidak merokok gefiti Exon 0 efusi menin
0 nib 19 pleura ggal
6 Betawi L 49 tidak MERO Sed gefiti Exon 2 hidup
1 KOK ang nib 21
L858R
6 Betawi L 34 tidak MERO Sed erloti Exon 0 efusi hidup
2 KOK ang nib 21 pleura
L858R
6 Melayu P 86 tidak tidak merokok gefiti Exon 2 hidup
3 nib 21
L858R
6 Melayu P 48 tidak tidak merokok erloti Exon 2 efusi hidup
4 nib 21 pleura
L858R
6 Jawa L 61 tidak MERO Sed erloti Exon 2 efusi menin
5 KOK ang nib 21 pleura ggal
L858R
6 Jawa L 73 tidak MERO Sed gefiti Exon 2 efusi hidup
6 KOK ang nib 19 pleura
6 Jawa L 41 tidak MERO Sed gefiti Exon 1 efusi menin
7 KOK ang nib 18 pleura ggal
G719S/
Exon
21
L861Q
6 Jawa L 71 tidak MERO Rin erloti Exon 2 hidup
8 KOK gan nib 21
L858R
6 Jawa P 56 tidak tidak merokok erloti Exon 0 efusi hidup
9 nib 21 pleura
L858R
7 Jawa L 63 tidak MERO Sed gefiti Exon 0 efusi hidup
0 KOK ang nib 21 pleura
L858R
7 Jawa P 58 tidak MERO Rin gefiti Exon 0 efusi menin
1 KOK gan nib 18 pleura ggal
G719S
7 Betawi P 60 tidak tidak merokok gefiti Exon 0 efusi hidup
2 nib 19 pleura
7 Melayu L 73 tidak MERO Sed erloti Exon 0 efusi hidup
3 KOK ang nib 18 pleura
G719S
7 Sunda L 51 tidak MERO Rin erloti Exon 2 Otak menin
4 KOK gan nib 21 ggal
L858R
7 Jawa P 54 tidak tidak merokok gefiti Exon 1 efusi menin
5 nib 19 pleura ggal

xx
7 Jawa L 48 tidak MERO Rin gefiti Exon 0 Otak menin
6 KOK gan nib 19 ggal
7 Sunda L 55 tidak MERO Sed gefiti Exon 2 efusi hidup
7 KOK ang nib 19 pleura
7 Jawa L 75 tidak MERO Rin erloti Exon 2 efusi hidup
8 KOK gan nib 19/Exo pleura
n 20
T790M
(ganda)
7 Betawi L 71 tidak MERO Rin erloti Exon 2 efusi menin
9 KOK gan nib 21 pleura ggal
L858R
8 Betawi L 63 tidak MERO Rin gefiti Exon 2 efusi menin
0 KOK gan nib 21 pleura ggal
L858R
8 Sunda L 66 tidak MERO Rin gefiti Exon 2 hidup
1 KOK gan nib 19
8 Jawa P 44 tidak tidak merokok gefiti Exon 0 hidup
2 nib 21
L861Q/
Exon
20
T790M
(ganda)
8 Jawa P 50 tidak tidak merokok erloti Exon 0 efusi menin
3 nib 21 pleura ggal
L858R/
Exon
21
L861Q
8 Dayak P 52 tidak tidak merokok gefiti Exon 2 hidup
4 nib 19
8 Betawi L 59 tidak MERO Sed gefiti Exon 2 hidup
5 KOK ang nib 18
G719S/
Exon
21
L858R
8 Jawa L 68 tidak MERO Sed gefiti Exon 1 efusi hidup
6 KOK ang nib 21 pleura
L858R
8 Jawa P 41 tidak tidak merokok gefiti Exon 0 Otak hidup
7 nib 21
L858R
8 Melayu P 32 ya MERO Sed erloti Exon 2 efusi hidup
8 KOK ang nib 21 pleura
L858R
8 Sunda L 57 tidak MERO Sed gefiti Exon 0 menin
9 KOK ang nib 21 ggal
L858R
9 Sunda P 48 tidak MERO Sed gefiti Exon 0 efusi menin
0 KOK ang nib 19 pleura ggal
9 Betawi P 53 tidak tidak merokok gefiti Exon 0 efusi hidup
1 nib 19 pleura

xxi
9 Sunda P 85 tidak tidak merokok gefiti Exon 0 efusi hidup
2 nib 19 pleura
9 Sunda P 31 ya tidak merokok erloti Exon 2 hidup
3 nib 21
L861Q
9 Sunda L 63 tidak MERO Rin gefiti Exon 2 efusi hidup
4 KOK gan nib 21 pleura
L858R
9 Jawa P 66 tidak tidak merokok gefiti Exon 1 efusi hidup
5 nib 21 pleura
L858R
9 Sunda L 47 tidak MERO Sed gefiti Exon 0 hidup
6 KOK ang nib 19
9 Sunda P 51 tidak tidak merokok gefiti Exon 0 efusi hidup
7 nib 21 pleura
L858R
9 Jawa L 54 tidak MERO Rin erloti Exon 0 efusi hidup
8 KOK gan nib 19 pleura
9 Jawa P 31 ya tidak merokok erloti Exon 2 hidup
9 nib 21
L861Q
1 Sunda L 56 tidak MERO Ber erloti Exon 2 hidup
0 KOK at nib 21
0 L858R
1 Jawa P 71 tidak tidak merokok gefiti Exon 2 hidup
0 nib 21
1 L858R
1 Batak P 66 tidak tidak merokok gefiti Exon 0 Otak hidup
0 nib 19
2
1 Sunda L 57 tidak MERO Ber erloti Exon 0 efusi menin
0 KOK at nib 21 pleura ggal
3 L858R
1 Jawa L 59 tidak MERO Sed erloti Exon 0 menin
0 KOK ang nib 19 ggal
4
1 Sunda L 64 tidak MERO Sed gefiti Exon 2 menin
0 KOK ang nib 21 ggal
5 L858R
1 Sunda P 68 tidak tidak merokok gefiti Exon 0 efusi hidup
0 nib 21 pleura
6 L858R
1 Sunda L 76 tidak MERO Rin gefiti Exon 0 efusi hidup
0 KOK gan nib 19 pleura
7
1 Dayak P 45 tidak tidak merokok gefiti Exon 0 efusi menin
0 nib 19 pleura ggal
8
1 Minang P 69 tidak tidak merokok gefiti Exon 0 hidup
0 kabau nib 21
9 L858R
1 Jawa L 46 tidak MERO Rin erloti Exon 2 efusi menin
1 KOK gan nib 19 pleura ggal
0

xxii
1 Betawi P 67 tidak tidak merokok gefiti Exon 2 efusi hidup
1 nib 19 pleura
1
1 Betawi P 33 ya tidak merokok gefiti Exon 0 efusi menin
1 nib 21 pleura ggal
2 L858R
1 Betawi L 56 tidak MERO Rin erloti Exon 0 efusi hidup
1 KOK gan nib 19 pleura
3
1 Jawa L 67 tidak MERO Sed erloti Exon 2 menin
1 KOK ang nib 19, ggal
4 Exon
20
T790M,
Exon
21
L861Q
(ganda)
1 Bugis L 69 tidak MERO Sed gefiti Exon 2 efusi menin
1 KOK ang nib 21 pleura ggal
5 L858R
1 Batak L 59 tidak MERO Sed gefiti Exon 0 efusi hidup
1 KOK ang nib 21 pleura
6 L858R
1 Jawa L 66 tidak MERO Rin erloti Exon 2 efusi hidup
1 KOK gan nib 21 pleura
7 L858R
1 Jawa L 65 tidak MERO Rin gefiti Exon 1 menin
1 KOK gan nib 19 ggal
8
1 Sunda P 52 tidak tidak merokok erloti Exon 0 efusi hidup
1 nib 19 pleura
9
1 Betawi L 49 tidak MERO Rin gefiti Exon 0 hidup
2 KOK gan nib 19
0
1 Betawi L 66 tidak MERO Ber gefiti Exon 0 efusi menin
2 KOK at nib 19 pleura ggal
1
1 Jawa L 47 ya MERO Rin gefiti Exon 2 menin
2 KOK gan nib 21 ggal
2 L858R
1 Sunda L 51 tidak MERO Sed erloti Exon 0 efusi hidup
2 KOK ang nib 19 & pleura
3 Exon
18
G719S
1 Sunda L 58 tidak MERO Sed erloti Exon 0 efusi hidup
2 KOK ang nib 19 pleura
4
1 Batak L 57 tidak MERO Sed erloti Exon 2 hidup
2 KOK ang nib 19 &
5 Exon
18
G719S

xxiii
1 Sunda P 66 tidak tidak merokok gefiti Exon 2 hidup
2 nib 19
6
1 Jawa L 73 tidak MERO Ber gefiti Exon 2 hidup
2 KOK at nib 19
7
1 Jawa L 54 tidak MERO Sed gefiti Exon 2 hidup
2 KOK ang nib 19 &
8 Exon
21
L858R
1 Batak P 79 tidak MERO Rin Erlot Exon 2 hidup
2 KOK gan inib 19
9
1 Sunda P 49 tidak tidak merokok gefiti Exon 0 efusi menin
3 nib 19 pleura ggal
0
1 Melayu L 42 tidak MERO Rin gefiti Exon 0 efusi hidup
3 KOK gan nib 19 pleura
1
1 Jawa P 68 tidak tidak merokok Erlot Exon 0 efusi hidup
3 inib 19 pleura
2
1 Betawi L 58 tidak MERO Sed gefiti Exon 2 hidup
3 KOK ang nib 19 &
3 Exon
21
L858R
1 Batak P 65 tidak MERO Rin Erlot Exon 0 efusi hidup
3 KOK gan inib 19 perica
4 rd
1 Jawa L 59 tidak MERO Sed gefiti Exon 0 efusi hidup
3 KOK ang nib 19 pleura
5
1 Jawa L 64 tidak MERO Sed Erlot Exon 0 efusi hidup
3 KOK ang inib 19 pleura
6
1 Jawa L 68 tidak MERO Sed gefiti Exon 0 efusi hidup
3 KOK ang nib 19 pleura
7
1 Batak L 37 tidak MERO Rin gefiti Exon 2 efusi hidup
3 KOK gan nib 21 pleura
8 L858R
1 Jawa P 49 tidak tidak merokok Erlot Exon 2 hidup
3 inib 21
9 L858R
1 Sunda L 60 tidak MERO Sed gefiti Exon 1 efusi hidup
4 KOK ang nib 19 pleura
0
1 Batak L 68 tidak MERO Sed Erlot Exon 0 menin
4 KOK ang inib 19 ggal
1

xxiv
1 Jawa P 55 tidak tidak merokok gefiti Exon 2 Otak hidup
4 nib 21
2 L858R
1 Sunda L 86 tidak MERO Ber Erlot Exon 2 hidup
4 KOK at inib 21
3 L858R
1 Jawa L 53 tidak MERO Rin gefiti Exon 2 hidup
4 KOK gan nib 19
4
1 Sunda L 51 tidak MERO Rin gefiti Exon 0 efusi hidup
4 KOK gan nib 19 pleura
5
1 Sunda L 65 tidak MERO Sed gefiti Exon 0 efusi hidup
4 KOK ang nib 19 pleura
6
1 Jawa P 62 tidak tidak merokok Erlot Exon 0 hidup
4 inib 18
7 G719A
1 Sunda L 57 tidak MERO Sed Erlot Exon 2 menin
4 KOK ang inib 18 ggal
8 G719S
1 Batak P 64 tidak tidak merokok Erlot Exon 0 efusi hidup
4 inib 21 pleura
9 L858R
1 Melayu L 64 tidak MERO Sed erloti Exon 1 efusi hidup
5 KOK ang nib 21 perica
0 L858R rd
1 Jawa P 62 tidak tidak merokok gefiti Exon 1 efusi hidup
5 nib 21 pleura
1 L858R
1 Sunda L 47 Ya MERO Rin gefiti Exon 2 efusi hidup
5 KOK gan nib 19 pleura
2
1 Jawa P 48 tidak tidak merokok Erlot Exon 2 hidup
5 inib 19
3
1 Jawa L 54 tidak MERO Rin gefiti Exon 2 hidup
5 KOK gan nib 19
4
1 Minang L 55 tidak MERO Sed gefiti Exon 2 hidup
5 kabau KOK ang nib 21
5 L858R
1 Jawa L 46 tidak MERO Sed gefiti Exon 0 efusi hidup
5 KOK ang nib 19 pleura
6
1 Jawa P 45 tidak tidak merokok gefiti Exon 0 efusi hidup
5 nib 21 pleura
7 L858R
1 Betawi L 61 tidak MERO Sed gefiti Exon 2 menin
5 KOK ang nib 19 ggal
8
1 Jawa L 60 tidak MERO Sed gefiti Exon 2 efusi hidup
5 KOK ang nib 21 pleura
9 L861Q

xxv
1 Jawa L 47 tidak MERO Rin gefiti Exon 2 hidup
6 KOK gan nib 21
0 L858R
1 Jawa L 75 tidak MERO Ber gefiti Exon 2 efusi hidup
6 KOK at nib 21 pleura
1 L858R
1 Jawa L 67 tidak MERO Sed Erlot Exon 2 efusi hidup
6 KOK ang inib 21 pleura
2 L858R
1 Sunda L 58 tidak MERO Sed Erlot Exon 2 hidup
6 KOK ang inib 21
3 L861Q
1 Jawa L 73 tidak MERO Sed Erlot Exon 0 efusi hidup
6 KOK ang inib 19 pleura
4
1 Jawa L 66 tidak MERO Sed gefiti Exon 0 efusi hidup
6 KOK ang nib 21 pleura
5 L858R
1 Minahas L 64 tidak MERO Sed Erlot Exon 0 hidup
6 a KOK ang inib 21
6 L861Q
1 Sunda P 52 tidak tidak merokok Erlot Exon 0 efusi menin
6 inib 21 perica ggal
7 L858R rd
1 Sunda L 68 tidak MERO Sed gefiti Exon 2 hidup
6 KOK ang nib 21
8 L858R
& Exon
21
L861Q
1 Minahas P 50 tidak tidak merokok gefiti Exon 2 menin
6 a nib 19 & ggal
9 Exon
21
L861Q
1 Jawa L 62 tidak MERO Sed Erlot Exon 0 efusi hidup
7 KOK ang inib 21 pleura
0 L858R
1 Sunda L 45 Ya MERO Rin Erlot Exon 1 efusi hidup
7 KOK gan inib 21 pleura
1 L858R
1 Sunda L 61 tidak MERO Sed gefiti Exon 0 menin
7 KOK ang nib 19 & ggal
2 Exon
21
L858R
1 Jawa P 56 tidak tidak merokok gefiti Exon 2 hidup
7 nib 18
3 G719S
& Exon
21
L858R
1 Jawa L 52 tidak MERO Sed Erlot Exon 2 efusi hidup
7 KOK ang inib 19 pleura
4

xxvi
1 Flores P 64 tidak tidak merokok gefiti Exon 2 efusi hidup
7 nib 19 pleura
5
1 Jawa P 32 Ya tidak merokok gefiti Exon 0 efusi menin
7 nib 21 pleura ggal
6 L858R
1 Jawa P 53 tidak tidak merokok gefiti Exon 2 hidup
7 nib 21
7 L858R
1 Jawa P 66 tidak tidak merokok gefiti Exon 0 efusi hidup
7 nib 18 pleura
8 G719S
& exon
21
L858R
1 Palemba P 47 tidak tidak merokok gefiti Exon 2 efusi hidup
7 ng nib 21 perica
9 L858R rd
1 Batak L 65 tidak MERO Sed gefiti Exon 2 efusi hidup
8 KOK ang nib 19 pleura
0
1 Bugis P 60 tidak tidak merokok gefiti Exon 0 efusi hidup
8 nib 21 pleura
1 L858R
1 Batak P 63 Ya tidak merokok gefiti Exon 2 efusi hidup
8 nib 19 pleura
2
1 Jawa P 72 tidak tidak merokok gefiti Exon 0 Otak hidup
8 nib 21
3 L858R
1 Minahas L 57 tidak MERO Sed Erlot Exon 2 hidup
8 a KOK ang inib 21
4 L858R
1 Jawa L 58 tidak MERO Sed gefiti EXON 0 efusi hidup
8 KOK ang nib 21 pleura
5 L858R
1 Betawi L 66 tidak MERO Sed gefiti Exon 0 efusi menin
8 KOK ang nib 21 pleura ggal
6 L858R
1 Sunda L 79 tidak MERO Sed gefiti Exon 2 hidup
8 KOK ang nib 21
7 L858R
1 Dayak P 48 tidak tidak merokok Erlot Exon 2 hidup
8 inib 21
8 L861Q
1 Dayak L 66 tidak MERO Sed gefiti Exon 2 hidup
8 KOK ang nib 19
9
1 Jawa L 62 tidak MERO Sed Erlot Exon 0 Otak menin
9 KOK ang inib 21 ggal
0 L861Q
1 Jawa L 57 Ya MERO Rin gefiti Exon 2 efusi menin
9 KOK gan nib 21 pleura ggal
1 L861Q

xxvii
 1 Jawa P 46 tidak tidak merokok Erlot Exon 2 efusi hidup
9 inib 21 pleura
2 L858R

BAB IV
HASIL DAN PEMBAHASAN
A. Analisis Seluruh Variabel

Ga
mbar 6. Analisis seluruh variabel

B. Analisis Hasil Clustering

xxviii
 Pada gambar diatas menunjukkan hasil clustering data kasus
adenokarsinoma paru stage lanjut dengan mutase EGFR di RSUP
Persahabatan sejak 1 Januari 2015 sampai 31 Desember 2017 dengan
kombinasi K=4 dan S=10 melakukan iterasi sebanyak 5 kali dan
menghasilkan nilai SSE (Sum of Square Error) sebesar 388.2694877196731.
Hasil clustering terbagi dalam 4 hasil cluster diperoleh hasil :
1. Cluster 1, sebesar 26% dengan jumlah pasien 49 orang dengan
Faktor genetik tidak ada, tidak merokok, IB sedang, EGFR TKI
gefitinib metastasis efusi pleura, dan hidup.
2. Cluster 2, sebesar 14% dengan jumlah pasien 26 orang dengan
Faktor genetik tidak ada, tidak merokok, IB sedang, EGFR TKI
gefitinib metastasis efusi pleura, dan meninggal.
3. Cluster 3, sebesar 39% dengan jumlah pasien 75 orang dengan
Faktor genetik tidak ada, merokok, IB sedang, EGFR TKI gefitinib
metastasis efusi pleura, dan hidup.
4. Cluster 4, sebesar 22% dengan jumlah pasien 42 orang dengan
Faktor genetik tidak ada, merokok, IB sedang, EGFR TKI gefitinib
metastasis efusi pleura, dan meninggal.

xxix
C. Analisis Metastasis dengan Meninggal

Gambar 7. Analisis Metastasis dengan Meninggal

Dengan menggunakan variabel metastasis dan meninggal diperoleh
informasi bahwa semakin banyak metastasis yang didapatkan pada pada
pasien semakin tinggi pula risiko meninggal. Hal ini sesuai dengan data
nasional menurut Profil Kesehatan Indonesia Tahun 2014 dimana jumlah
kematian pada kanker paru disebebkan terdapatnya beberapa metastasis ke
organ lain diluar paru seperti otak, hati, efusi pleura, efusi pericard dan
tulang. 8

D. Analisis IB dengan Metastasis

xxx
 Gambar 8. Analisis IB dengan Metastasis
Berdasarkan analisis Indeks Brinksman (IB) banyaknya jumlah batang
rokok yang dihisap padaa pasien adenokarsinoma paru stage lanjut dengan IB
sedang sejumlah 38,5%. Hal ini sejalan dengan data yang dikeluarkan oleh
riset Kesehatan dasar bahwa semakin banyak jumlah batang rokok yang
dihisap maka semakin tinggi risiko kematian akibat terdapatnya beberapa
metastasis di organ tubuh pasien.10

E. Analisis EGFR-TKI dengan metastasis

Gambar 9. E. Analisis EGFR-TKI dengan metastasis

xxxi
 Dengan menggunakan variabel mutasi EGFR diperoleh informasi bahwa
berdasarkan mutasi gen EGFR-TKI mutasi tunggal sebanyak 179 kasus dan
mutase kombinasi 13 kasus. Pasien yang mutase gen dan mendapatkan terapi
gefitinib lebih banyak metastasis dibandingkan dengan erlotinib.
Pada dasarnya, dari hasil tersebut sulit ditarik kesimpulan tentang kenapa
terapi gefitinib lebih banyak bermetastasis. Karena dari jumlah populasi
sampel pada penelitian ini ditemukan dominasi terapi gefitinib.

BAB V
KESIMPULAN DAN SARAN
A. Kesimpulan

Dari hasil penelitian ini, dapat disimpulkan bahwa :

1) Peneliti dapat mengidentifikasi data rekam medis pasien
adenokarsinoma paru stage lanjut mutasi gen EGFR di RSUP
Persahabatan Jakarta. sebanyak 179 data pasien dengan waktu
penyelesaian sebanyak 0.01 detik oleh sistem aplikasi WEKA.
2) Peneliti dapat menganalisa data rekam medis untuk dikelompokkan
menggunakan metode ‘SimpleKMeans’ menghasilkan 4 cluster
(cluster 1 sebesar 26% dan cluster 2 sebesar 14%) dengan 6 variabel
yaitu variabel genetic, merokok, IB, EGFR TKI, Metastasis dan
meninggal.
3) Pengelompokan data rekam medis pasien dari proses data mining
diatas adalah untuk menghasilkan informasi baru mengenai pola
pengelompokan penyebaran penyakit berdasarkan variabel-variabel.
Hal ini dapat dijadikan acuan bagi pemerintah pusat terutama RSUP
Persahabatan Jakarta melakukan sosialisasi dan pencegahan terhadap
sumber penyakit berdasarkan usia, jenis kelamin, genetic, merokok,
EGFR-TKI. Data ini juga berguna bagi rumah sakit untuk

xxxii
 mengembangkan pelayanan kesehatan terkhusus pelayanan pasien
kanker paru.

B. Saran
1) Jumlah data dan variabel yang digunakan bisa ditambah agar
penggunaan data mining lebih maksimal dan efektif serta hasil yang
lebih beragam.
2) Untuk penelitian selanjutnya bisa memilih algoritma clustering lain
untuk perbandingan hasil yang didapatkan.

DAFTAR PUSTAKA
1. Komite Nasional Penanggulangan Kanker (KPKN); Panduan nasional
penanganan kanker paru. Jakarta: Kementrian Kesehatan Republik
Indonesia; 2015.p.1-11.
2. Jusuf A, Syahruddin E, Wibawanto A, Ichsan AG, Juniarti, Endardjo S.
Kanker paru jenis karsinoma bukan sel kecil. Dalam: Syahruddin E, Jusuf
A, editor. Pedoman diagnosis dan penatalaksanaan di Indonesia. Jakarta:
PDPI; 2016.p.1-31.
3. Stoeckel DA, Matuschak GM. Lung Cancer. In: Lechner AJ, Matuschak
GM, Brink DS, editors. Human organ system, respiratory, an integrated
approach to disease. New York: MC Graw Hill; 2003.p.307-18.
4. Ali A. (2019). Klasterisasi Data Rekam Medis Pasien Menggunakan
Metode K-Means Clustering Di Rumah Sakit Anwar Medika Balong
Bendo Sidoarjo. Jurnal MATRIK; 19(1): 186 – 195.
5. Manurung RH, Lubis MR, Saifullah. (2021). Penerapan Algoritma K-
Means Dalam Pengelompokan Penerimaan Imunisasi Dasar Lengkap
Menurut Provinsi. Jurnal Penerapan Sistem Informasi (Komputer &
Manajemen).; 2(1): 24-30.
6. Khomarudin AM. (2016). Teknik Data Mining : Algoritma K-Means
Clustering. Komunitas eLearning IlmuKomputer.Com. Diakses dari
https://ilmukomputer.org/wp-content/uploads/2018/05/agus-k-means-
clustering.pdf pada tanggal 24 November 2021.
7. Sindi S, dkk. (2020). Analisis Algoritma K-Medoids Clustering Dalam
Pengelompokan Penyebaran Covid-19 Di Indonesia. Jurnal Teknologi
Informasi; 4(1): 166-173.
8. Bian C, Li Z, Xu Y, Wang J, Xu L. Clinical outcome and expression of mutant
P53, P16, and Smad4 in lung adenocarcinoma: a prospective study. Word
J Surg Oncol. 2015;128:1-8.

xxxiii
9. Vansteenkiste J, Ruysscher D, Eberhardt E, Lim E, Senan S. Early and
locally advanced non small cell lung cancer (NSCLC): ESMO clinical
practice guidelines for diagnosis, treatment and follow up. Ann Oncil.
2013;24:89-98.
10. Okuma Y, Tanuma J, Kamiryo H, Kojima Y, Yotsumo M. A multi-
institutional study of clinicopathological features and
molecular epidemiology of epidermal growth factor receptor mutations
in lung cancer patients living with human immunodeficiency virus
infection. J Cancer Res Clin Oncol. 2015;141:1669-78.

xxxiv