Klasterisasi Tren Tuberkulosis Global dengan Principal Component Analysis (PCA) dan K-Means

Abstrak

Tuberkulosis (TB) masih menjadi masalah kesehatan global dengan lebih dari 10 juta kasus baru setiap tahun. Penelitian ini bertujuan mengidentifikasi pola epidemiologi TB secara global menggunakan algoritma Principal Component Analysis (PCA) dan K-Means dalam pendekatan Knowledge Discovery in Databases (KDD). PCA mereduksi 22 variabel menjadi dua komponen utama, sedangkan K-Means mengelompokkan data berdasarkan insidensi, mortalitas, dan faktor kesehatan lainnya. Hasil menunjukkan tiga klaster utama, salah satunya negara dengan beban TB tinggi namun keberhasilan pengobatan rendah (60,4%), dan lainnya dengan cakupan vaksinasi tinggi (78,1%) meski insidensi tinggi. Evaluasi dengan Silhouette Score menunjukkan nilai 0,0694. Temuan ini memberikan dasar bagi strategi pengendalian TB yang lebih terarah. Penelitian selanjutnya disarankan mempertimbangkan data sosio-ekonomi dan temporal untuk analisis yang lebih mendalam.