<![CDATA[Rumah sakit memainkan peran strategis dalam memberikan layanan kesehatan berkualitas, khususnya layanan rawat inap. Model segmentasi pasien yang akurat diperlukan untuk mendukung pengambilan keputusan strategis dan meningkatkan loyalitas pasien. Studi ini mengusulkan analisis komparatif dua algoritma clustering, DBSCAN dan K-Means, untuk segmentasi rawat inap menggunakan model Recency, Frequency, Monetary, and Interpurchase Time (RFMT). Berbeda dengan studi sebelumnya yang berfokus pada ritel dan pemasaran, penelitian ini menerapkan RFMT secara spesifik pada data rawat inap rumah sakit. Dataset yang diperoleh dari Rumah Sakit X di Sidoarjo periode (Januari–Oktober 2022), telah diproses terlebih dahulu dan diubah ke dalam format RFMT. Algoritma DBSCAN dan K-Means dievaluasi menggunakan indeks validitas klaster internal: Silhouette Index (SI) dan Calinski-Harabasz Index (CHI). Hasil eksperimen menunjukkan bahwa DBSCAN mencapai SI terbaiknya sebesar 0,384 (Eps=0,9, MinPts=24) tetapi menghasilkan banyak titik noise, sementara K-Means berkinerja lebih baik dengan SI=0,399 dan CHI=14.625,319 pada k=7 klaster. Temuan ini menyoroti bahwa K-Means menghasilkan klaster yang lebih stabil dan valid dalam konteks ini, sementara DBSCAN mengalami kesulitan karena distribusi kepadatan dataset. Studi ini berkontribusi dengan menunjukkan penerapan clustering berbasis RFMT pada data rumah sakit dan membandingkan kekuatan dan keterbatasan dua algoritma yang banyak digunakan.]]>
Copyrights © 2025
