Penerapan Algoritma K-Means Clustering untuk Segmentasi Pasien Berdasarkan Kondisi Kesehatan dan Frekuensi Kunjungan Kesehatan
Keywords:
K-Means Clustering, Segmentasi Pasien, Data Mining, KDD, Layanan Kesehatan.Abstract
Perkembangan teknologi informasi di bidang kesehatan menghasilkan data pasien dalam jumlah besar yang memerlukan teknik analisis untuk menemukan pola yang dapat mendukung pengambilan keputusan. Berdasarkan kajian pustaka, algoritma K-Means Clustering merupakan salah satu metode data mining yang efektif dalam mengelompokkan data berdasarkan tingkat kemiripan karakteristik sehingga banyak diterapkan pada segmentasi data kesehatan. Penelitian ini bertujuan menerapkan algoritma K-Means Clustering untuk melakukan segmentasi pasien berdasarkan kondisi kesehatan dan frekuensi kunjungan ke fasilitas layanan kesehatan. Metode penelitian yang digunakan adalah Knowledge Discovery in Databases (KDD) yang meliputi seleksi data, preprocessing, transformasi data, data mining, dan evaluasi. Data penelitian berupa 2.000 data pasien yang diproses melalui pembersihan data, encoding, normalisasi, dan penentuan jumlah cluster menggunakan Elbow Method, kemudian dievaluasi menggunakan Silhouette Score. Hasil penelitian menunjukkan bahwa jumlah cluster yang optimal adalah dua, yaitu kelompok pasien dengan kondisi kesehatan relatif baik dan frekuensi kunjungan rendah serta kelompok pasien dengan risiko kesehatan lebih tinggi dan frekuensi kunjungan lebih tinggi. Nilai Silhouette Score sebesar 0,1429 menunjukkan kualitas pemisahan cluster masih rendah, namun hasil segmentasi mampu memberikan informasi yang bermanfaat untuk mendukung pengambilan keputusan, penentuan prioritas pelayanan, dan pengelolaan sumber daya pada fasilitas kesehatan.
References
[2] S. Adinda, A. Andrianingsih, and S. Informasi, “KLASTERISASI DATA PENYAKIT JANTUNG MENGGUNAKAN K-MEANS,” vol. 2, no. 3, pp. 300–312, 2025.
[3] P. Fr, S. Sieranoja, K. Wikstr, and T. Laatikainen, “Clustering Diagnoses From 58 Million Patient Visits in Finland Between 2015 and 2018 Corresponding Author :,” vol. 10, 2022, doi: 10.2196/35422.
[4] A. Gartner, R. Daniel, C. Slyne, and K. E. Nnoaham, “How predictive of future healthcare utilisation and mortality is data-driven population segmentation based on healthcare utilisation and chronic condition comorbidity ?,” pp. 1–10, 2024.
[5] J. Peng, X. Zeng, J. Townsend, G. Liu, and Y. Huang, “A Machine Learning Approach to Uncovering Hidden Utilization Patterns of Early Childhood Dental Care Among Medicaid-Insured,” vol. 8, no. January, pp. 1–10, 2021, doi: 10.3389/fpubh.2020.599187.
[6] A. Campione et al., “Data-driven segmentation of type 2 diabetes mellitus patients : an observational study on health care utilisation prior to an emergency department visit in Germany,” no. May, pp. 1–16, 2025, doi: 10.3389/fmed.2025.1509220.
[7] D. J. Anthonimuthu, N. N. Holm, A. Stockmarr, A. D. Zwisler, and F. W. Udsen, “Healthcare utilization and chronic condition clusters in multimorbidity patients using weighted k ‑ means : a register ‑ based study in Denmark,” 2026.
[8] R. Anggraini, E. Haerani, and I. Afrianty, “Pengelompokkan Penyakit Pasien Menggunakan Algoritma K-Means,” vol. 9, no. 6, pp. 1840–1849, 2022, doi: 10.30865/jurikom.v9i6.5145.
[9] W. B. Laksono, Y. Syahidin, and Y. Yunengsih, “Implementasi Data Mining Klasterisasi Data Pasien Rawat Inap dengan Algoritma K-Means Clustering,” vol. 7, no. 2, pp. 621–627, 2024, doi: 10.32493/jtsi.v7i2.39354.
[10] J. Pendidikan, “Segmentasi Pasien Rumah Sakit Berdasarkan Pola Kunjungan Menggunakan Algoritma K-Means Clustering untuk Optimasi Layanan Medis,” vol. 5, no. 1, pp. 59–69, 2025.
[11] E. A. Herdiaman, A. Sudiarjo, M. Hikmatyar, T. Informatika, U. Perjuangan, and J. Barat, “RSUD MENGGUNAKAN METODE K-MEANS,” vol. 12, no. 3, 2024.
[12] A. A. Ardiansyah, E. A. Khaeroshi, and R. R. Wicaksono, “Klasterisasi Data Rekam Medis Pasien Menggunakan Metode K- Means Clustering Di RSUD Muhammadiyah Bantul,” vol. 13, no. 2, pp. 141–150, 2025.
[13] R. D. Putri and R. Muliono, “Penerapan Algoritma K-Means Untuk Klasterisasi Pasien Berdasarkan Riwayat Kesehatan dan Jenis Layanan Kesehatan Application of K-Means Algorithm for Clustering of Patients Based on Health History and Type of Health Service,” vol. 5, no. 2, pp. 250–268, 2025, doi: 10.34007/incoding.v5i2.973.
[14] M. D. A. ANIS FITRI NUR MASRURIYAH, MARDIAH and K. N. MALIK, “Pendekatan Unsupervised learning dalam Segmentasi Kesehatan: Perbandingan K-Means dan DBSCAN,” 2025.
[15] W. Sukarjiyah, R. Jalan, and S. Pasien, “Strategi Segmentasi , Targeting , dan Positioning Berbasis Clustering K-Means untuk Optimalisasi Layanan Poliklinik Rumah Sakit,” pp. 176–189, 2025.
