Analisis Klaster Kriteria Gangguan Kecemasan Sosial Berdasarkan Fase Perawatannya

Abstrak

Penelitian ini bertujuan untuk mengelompokkan data aktivitas pasien penderita gangguan kecemasan sosial di Perusahaan Mental Healthcare yang berlokasi di Belanda dan mengukur afinitas klaster terhadap fase perawatan teridentifikasi berdasarkan tingkat kemiripan densitas features-nya. Metode pengelompokan data dilakukan dengan cara sebagai berikut: 1) melakukan data pre-processing terhadap data anonim pasien, data komunikasi, data pelacakan gangguan kecemasan sosial, data riwayat catatan harian, data pemberitahuan, data penyelesaian aktivitas terjadwal, data kuesioner terkait relevansi sesi perawatan, data riwayat sesi perawatan, dan data riwayat registrasi thought records, 2) melakukan exploratory data analysis untuk melihat sebaran data aktivitas, melakukan standarisasi data, dan menentukan jumlah klaster ideal, serta 3) membangun model clustering menggunakan algoritma k-Means. Sedangkan metode pengujian efektifitas pengelompokan data dilakukan dengan cara: 1) mengukur afinitas klaster terhadap fase perawatan teridentifikasi, dan 2) menghitung bobot feature untuk menemukan feature dengan karakteristik unik (dominan) di setiap fase perawatan. Model k-Means berhasil mengelompokkan data aktivitas pasien menjadi 10 klaster. Hasil clustering kemudian dianalisis dengan mempertimbangkan pola dan persentase afinitas klaster sehingga ditemukan 3 klaster yang dianggap paling merepresentasikan fase perawatan di Perusahaan Mental Healthcare. Temuan dalam penelitian ini menunjukkan bahwa jumlah hari sejak pasien melakukan registrasi data, jumlah registrasi data yang terkait dengan gangguan kecemasan sosial dalam seminggu terakhir, perbandingan perubahan emosi bertendensi negatif seminggu terakhir dengan seminggu sebelumnya, nilai kuesioner terkait relevansi perawatan, dan nilai rendah di salah satu indikator kuesioner merupakan features pembeda untuk setiap fase perawatan. Selain itu, features tersebut memiliki kesesuaian tingkat urgensi paling relevan dengan daftar prioritas terapis pada saat menangani pasien. Meskipun demikian, penelitian lebih lanjut dan komprehensif perlu dilakukan untuk memahami dampak dari feature pembeda di setiap klaster agar dapat diarahkan pada pembuatan model klasifikasi untuk membuat sistem rekomendasi pasien berdasarkan tingkat urgensi penangananannya.