<![CDATA[Rumah Sakit Arun Lhokseumawe memiliki data jenis penyakit pasien rawat inap yang beragam dan terus bertambah, namun belum dimanfaatkan secara optimal untuk analisis lebih lanjut. Selama ini, data hanya menjadi laporan administratif tanpa dilakukan pengolahan guna memperoleh informasi bermakna, seperti pola dominasi penyakit. Riset ini bertujuan untuk mengelompokkan jenis penyakit pasien rawat inap menggunakan dua metode klasterisasi, yaitu Agglomerative Hierarchical Clustering dan K-Medoids, serta menganalisis perbandingan kinerjanya. Data yang dipergunakan mencakup 84 jenis penyakit yang direkam pada periode Desember 2024 hingga Januari 2025, dengan atribut jumlah pasien laki-laki, pasien perempuan, dan umur pasien. Klasterisasi Agglomerative Hierarchical Clustering dilakukan dengan pendekatan average linkage dan jarak Manhattan Distance, sedangkan K-Medoids menggunakan jarak Euclidean Distance. Hasil memperlihatkan bahwa metode Agglomerative Hierarchical Clustering membentuk 3 cluster, yaitu C1 dengan 4 jenis penyakit, C2 menghasilkan 79 jenis penyakit, dan C3 menghasilkan 1 jenis penyakit. Sedangkan metode K-Medoids juga menghasilkan 3 cluster dengan C1 dengan 11 jenis penyakit, C2 menghasilkan 13 jenis penyakit, dan C3 menghasilkan 60 jenis penyakit. Evaluasi hasil dilakukan menggunakan Silhouette Coefficient. Berdasarkan pengujian validitas cluster Agglomerative Hierarchical Clustering menggunakan Silhouette Coefficient, algoritma Agglomerative Hierarchical Clustering memperlihatkan kinerja lebih baik dengan rerata nilai 0,5837. Sedangkan pengujian validitas cluster K-Medoids menggunakan Silhouette Coefficient pada seluruh data, diperoleh nilai rerata sejumlah -0.3558. Nilai ini memperlihatkan bahwa hasil kualitas cluster yang kurang optimal. Perbedaan hasil klasterisasi antara AHC dan K-Medoids terjadi karena kedua algoritma memiliki cara kerja yang berbeda. AHC membentuk cluster secara bertahap dengan menggabungkan data yang paling dekat satu per satu hingga membentuk struktur hierarki menggunakan jarak Manhattan, sedangkan K-Medoids langsung membagi data ke dalam jumlah cluster di awal dengan menggunakan jarak Euclidean. Perbedaan ini memengaruhi jumlah dan susunan anggota pada tiap cluster. Kata Kunci: Klasterisasi, Agglomerative Hierarchical Clustering, K-Medoids, Silhouette Coefficient]]>
