<![CDATA[Abstrak - Pelayanan kesehatan yang semakin meningkat menyebabkan rumah sakit menghasilkan data kunjungan pasien dalam jumlah besar setiap harinya, namun data tersebut umumnya hanya digunakan untuk keperluan administrasi tanpa dilakukan analisis lebih lanjut untuk menggali informasi yang dapat mendukung pengambilan keputusan. Penelitian ini bertujuan untuk menganalisis pola kunjungan pasien di RSIA Siti Khadijah Gorontalo berdasarkan frekuensi kunjungan dan jenis layanan (rawat jalan dan rawat inap) menggunakan metode K-Means Clustering. Data yang digunakan dalam penelitian ini berjumlah ±15.000 data kunjungan pasien yang kemudian melalui tahap preprocessing berupa normalisasi menggunakan Z-Score sebelum proses clustering. Metode K-Means digunakan untuk mengelompokkan data ke dalam tiga klaster berdasarkan tingkat kemiripan data menggunakan jarak Euclidean. Evaluasi hasil clustering dilakukan menggunakan Average Within Centroid Distance (AWCD) untuk mengukur tingkat homogenitas setiap klaster. Hasil penelitian menunjukkan bahwa algoritma K-Means mampu menghasilkan tiga klaster dengan karakteristik berbeda berdasarkan pola frekuensi kunjungan dan jenis layanan, sehingga dapat memberikan informasi yang lebih bermakna bagi pihak manajemen rumah sakit dalam mendukung pengambilan keputusan, perencanaan layanan, dan optimalisasi sumber daya kesehatan. Kata kunci : Data Mining; K-Means Clustering; Kunjungan Pasien; RSIA; AWCD; Abstract - Increasing healthcare services cause hospitals to generate large amounts of patient visit data every day. However, this data is generally only used for administrative purposes without further analysis to extract useful information for decision-making. This study aims to analyze patient visit patterns at RSIA Siti Khadijah Gorontalo based on visit frequency and service type (outpatient and inpatient) using the K-Means Clustering method. The data used in this study consists of approximately 15,000 patient visit records, which are preprocessed through normalization using Z-Score before the clustering process. The K-Means method is used to group the data into three clusters, namely low, medium, and high visit categories based on data similarity using Euclidean distance. The clustering results are evaluated using the Average Within Centroid Distance (AWCD) to measure the homogeneity level of each cluster. The results show that the K-Means algorithm is able to group patient visit data into three distinct clusters based on visit frequency and service type, providing meaningful information for hospital management in supporting decision-making, service planning, and healthcare resource optimization. Keywords: Data Mining; K-Means Clustering; Patient Visits; Maternal and Child Hospital (RSIA); AWCD;]]>
