<![CDATA[Perkembangan teknologi informasi di bidang kesehatan menghasilkan data pasien dalam jumlah besar yang memerlukan teknik analisis untuk menemukan pola yang dapat mendukung pengambilan keputusan. Berdasarkan kajian pustaka, algoritma K-Means Clustering merupakan salah satu metode data mining yang efektif dalam mengelompokkan data berdasarkan tingkat kemiripan karakteristik sehingga banyak diterapkan pada segmentasi data kesehatan. Penelitian ini bertujuan menerapkan algoritma K-Means Clustering untuk melakukan segmentasi pasien berdasarkan kondisi kesehatan dan frekuensi kunjungan ke fasilitas layanan kesehatan. Metode penelitian yang digunakan adalah Knowledge Discovery in Databases (KDD) yang meliputi seleksi data, preprocessing, transformasi data, data mining, dan evaluasi. Data penelitian berupa 2.000 data pasien yang diproses melalui pembersihan data, encoding, normalisasi, dan penentuan jumlah cluster menggunakan Elbow Method, kemudian dievaluasi menggunakan Silhouette Score. Hasil penelitian menunjukkan bahwa jumlah cluster yang optimal adalah dua, yaitu kelompok pasien dengan kondisi kesehatan relatif baik dan frekuensi kunjungan rendah serta kelompok pasien dengan risiko kesehatan lebih tinggi dan frekuensi kunjungan lebih tinggi. Nilai Silhouette Score sebesar 0,1429 menunjukkan kualitas pemisahan cluster masih rendah, namun hasil segmentasi mampu memberikan informasi yang bermanfaat untuk mendukung pengambilan keputusan, penentuan prioritas pelayanan, dan pengelolaan sumber daya pada fasilitas kesehatan.]]>
Copyrights © 2026
