<![CDATA[Penelitian ini membandingkan K-Means dan DBSCAN dalam segmentasi pasien di Puskesmas Soposurung, dengan fokus pada perencanaan layanan dan alokasi sumber daya berbasis data. Kerangka kerja Knowledge Discovery in Databases (KDD) diterapkan pada data kunjungan 3.780 pasien unik selama 15 bulan (Juli 2024-September 2025). Data transaksional diagregasi menjadi profil per pasien melalui rekayasa fitur, lalu dievaluasi menggunakan tiga metrik validitas internal, yaitu Silhouette Coefficient, Davies-Bouldin Index, dan Calinski-Harabasz Index, pada dua varian dataset, yakni dataset dengan fitur lengkap dan dataset dengan fitur numerik saja. Dari seluruh konfigurasi yang diuji, K-Means dengan k=5 pada dataset numerik mencatat nilai terbaik, yakni Silhouette Coefficient 0,241 dan Calinski-Harabasz Index 803,92. Kelima klaster yang dihasilkan mencerminkan karakteristik pasien yang beragam, yaitu durasi sakit panjang, waktu pelayanan farmasi tinggi, tingkat absensi tertinggi, kebutuhan medis ringan, dan lansia dengan pola kunjungan rutin. Di sisi lain, DBSCAN membentuk dua klaster dan mengidentifikasi 120 pasien sebagai noise, yang menjadi ebuah temuan yang bernilai untuk analisis anomali, meski tidak cukup untuk segmentasi operasional. Meskipun DBSCAN unggul pada Davies-Bouldin Index yang lebih rendah (0,953), K-Means menghasilkan pembagian klaster yang lebih terperinci dan lebih langsung dapat digunakan untuk pengambilan keputusan di tingkat puskesmas.]]>
Copyrights © 2026
