Analisis Investigasi Kontak Tuberkulosis Menggunakan Metode Association Rules Terintegrasi Time Series Forecasting

Latar belakang. Investigasi kontak menjadi program untuk mengurangi peningkatan kasus tuberkulosis. Untuk menganalisis data investigasi kontak agar lebih akurat dan relevan, dilakukan penerapan association rules dengan time series forecasting. Tujuan. Penelitian ini bertujuan untuk menemukan pola keterkaitan antar variabel serta memprediksi jumlah individu yang akan terdiagnosis positif. Metode. Dilakukan pencarian pola dan pembentukan aturan asosiasi menggunakan algoritma FP-Growth. Selain itu, dilakukan juga penentuan model terbaik dari perbandingan 3 algoritma forecasting yang diuji yaitu Random Forest, XGBoost, dan LightGBM. Hasil. Tahap association rules menghasilkan 21 aturan dengan minimum support sebesar 0,015 dan minimum confidence sebesar 0,8. Salah satu aturan yang terbentuk yaitu {’25-34’, ‘Perokok’} → {‘Laki-Laki’} dengan nilai confidence sebesar 99,5%. Pada tahap forecasting menghasilkan bahwa algoritma Random Forest lebih unggul dibandingkan dengan XGBoost dan LightGBM. Dari keseluruhan aturan asosiasi yang diuji sebagai prediktor, dihasilkan aturan {‘Batuk’, ‘Kontak Serumah’} → {‘Dirujuk’} memiliki nilai kesalahan paling kecil yaitu 0,001 (MAE), 0,000001 (MSE), 0,001 (RMSE), dan 0,000004 (MAPE), dengan nilai prediksi yaitu 273. Kesimpulan. Sebagian besar individu yang serumah dengan penderita berumur 25 hingga 65 tahun dengan dominan lansia, serta mengidap gejala batuk, sesak napas, dan merupakan seorang perokok. Sekelompok individu yang mengalami gejala batuk, serumah dengan penderita, dan dirujuk memiliki peluang besar dalam meningkatkan kasus baru tuberkulosis.