<![CDATA[Abstract: This study aims to classify patients' health conditions based on six indicators: systolic blood pressure, diastolic blood pressure, fasting blood glucose, normal blood glucose, cholesterol level, and uric acid level using the K-Means Clustering method. The optimal number of clusters was determined using the Elbow Method and Silhouette Score, which resulted in five as the optimal number of clusters. The results show that the manual approach produces a more stable distribution that closely aligns with the clinical interpretation of cluster categories: Healthy (C1), Safe (C2), Alert (C3), Moderate (C4), and Severe (C5). Visualization was performed for each indicator through scatter plots and color mapping against normal value thresholds, aiding in the understanding of the distribution of patient conditions across clusters. The analysis reveals that even if a patient has one or more indicators within normal limits, they are not automatically classified into the Healthy or Safe clusters. Discrepancies in other indicators can place them in higher-risk clusters such as Alert, Moderate, or Severe. Therefore, this clustering approach provides a comprehensive view of health conditions based on a combination of features, rather than a single parameter. This research is useful in supporting early diagnosis and data-driven decision-making processes and can be integrated into health information systems for automatic risk classification of patient populations. Keywords: K-Means, Clustering, Health, Blood Pressure, Blood Glucose, Cholesterol, Uric Acid, Data Visualization Abstrak: Penelitian ini bertujuan untuk mengelompokkan kondisi kesehatan pasien berdasarkan enam indikator, yaitu tekanan darah sistolik, tekanan darah diastolik, kadar gula puasa, kadar gula normal, kadar kolesterol, dan kadar asam urat menggunakan metode K-Means Clustering. Penentuan jumlah klaster optimal dilakukan dengan metode Elbow dan Silhouette Score, yang menghasilkan lima klaster sebagai jumlah optimal. Hasil menunjukkan bahwa pendekatan manual menghasilkan distribusi yang lebih stabil dan mendekati pemaknaan klinis dari kategori klaster, yaitu: Sehat (C1), Aman (C2), Waspada (C3), Sedang (C4), dan Berat (C5). Visualisasi dilakukan untuk setiap indikator melalui scatter plot dan pemetaan warna terhadap batas nilai normal, yang membantu dalam memahami sebaran kondisi pasien pada masing-masing klaster. Hasil analisis menunjukkan bahwa meskipun seorang pasien memiliki satu atau lebih indikator dalam batas normal, tidak secara otomatis tergolong dalam klaster Sehat atau Aman. Ketidaksesuaian pada indikator lainnya dapat menempatkan pasien ke dalam klaster yang lebih tinggi risikonya, seperti Waspada, Sedang, atau Berat. Oleh karena itu, pendekatan clustering ini memberikan gambaran menyeluruh terhadap kondisi kesehatan berdasarkan kombinasi fitur, bukan hanya pada satu parameter. Penelitian ini bermanfaat untuk mendukung proses diagnosis awal dan pengambilan keputusan berbasis data, serta dapat diintegrasikan dalam sistem informasi kesehatan untuk klasifikasi risiko populasi pasien secara otomatis.Kata kunci: K-Means, Clustering, Kesehatan, Tekanan Darah, Gula Darah, Kolesterol, Asam Urat, Visualisasi Data]]>
