K-Means Clustering untuk Mengelompokkan Pasien Diabetes Berdasarkan HbA1c dan Indeks Massa Tubuh

Info proyek

• Bidang studiKedokteran dan Data Klinis
• JenjangSkripsi (S1)
• Jenis metodeKlasterisasi
• Perkiraan pengerjaan± 3 hari kerja
• Perangkatscikit-learn KMeans, silhouette_score, StandardScaler, make_blobs
• HargaRp 250.000 - Rp 1.700.000

Tujuan analisis

Mengelompokkan pasien diabetes dengan K-Means berdasarkan hbA1c dan indeks massa tubuh lalu menafsirkan profil tiap klaster.

Variabel

Contoh hasil

• 3Clusters k
• 0.72Silhouette
• 0.408Davies-Bouldin
• 1228.467Calinski-Harabasz
• 77.717Inertia (std.)
• 1ARI vs. true groups

K-Means membentuk 3 klaster pada data Pasien diabetes, HbA1c, dan Indeks massa tubuh dengan silhouette 0.720. Indeks Davies-Bouldin 0.408.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang K-Means Clustering

K-Means membagi data menjadi k klaster dengan meminimalkan jarak titik ke pusat klasternya. Cocok untuk segmentasi data numerik, misalnya pelanggan atau wilayah, ketika jumlah klaster dapat diperkirakan.

Langkah pengerjaan

1. 1Pilih fitur numerik dan standarisasi
2. 2Jalankan K-Means untuk beberapa nilai k
3. 3Tentukan k dengan metode siku (inertia) dan skor silhouette
4. 4Latih model akhir dengan banyak inisialisasi
5. 5Profilkan tiap klaster (rata-rata fitur)
6. 6Plot hasil klaster dan pusatnya

Asumsi yang perlu diperiksa

• Klaster berbentuk kira-kira bulat dan berukuran mirip
• Fitur distandarisasi karena berbasis jarak Euclid
• Outlier ditangani karena memengaruhi pusat klaster

Membaca dan melaporkan hasil

Laporkan alasan pemilihan k (siku dan silhouette) dan karakteristik tiap klaster dalam bahasa substantif. Ingatkan bahwa klaster adalah temuan eksploratif, bukan kebenaran mutlak.

Contoh kode Python

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import silhouette_score

X, _ = make_blobs(n_samples=400, centers=4, cluster_std=1.0, random_state=15)
X = StandardScaler().fit_transform(X)
hba1c = X[:, 0]
body_mass_index = X[:, 1]

ks = range(2, 9)
inertia, sil = [], []
for k in ks:
    km = KMeans(n_clusters=k, n_init=10, random_state=15).fit(X)
    inertia.append(km.inertia_)
    sil.append(silhouette_score(X, km.labels_))
    print("k =", k, "inertia =", round(km.inertia_, 1), "silhouette =", round(sil[-1], 3))

best_k = list(ks)[int(np.argmax(sil))]
diabetic_patients = KMeans(n_clusters=best_k, n_init=10, random_state=15).fit(X)
print("Chosen k:", best_k)

fig, ax = plt.subplots(1, 2, figsize=(10, 4))
ax[0].plot(list(ks), inertia, marker="o"); ax[0].set_xlabel("k"); ax[0].set_ylabel("Inertia")
ax[1].scatter(hba1c, body_mass_index, c=diabetic_patients.labels_, s=15)
ax[1].scatter(*diabetic_patients.cluster_centers_.T, c="r", marker="x", s=80)
plt.tight_layout()
plt.show()

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum