Abstract:
Pada era Big Data, instansi pelayanan publik seperti Puskesmas Angkola
Sangkunur menghadapi fenomena "Data Rich, Information Poor", di mana volume
data rekam medis pasien yang masif seringkali hanya menjadi arsip administratif
akibat keterbatasan sumber daya manusia. Data tersebut belum dioptimalkan untuk
memetakan segmentasi profil risiko klinis sebagai dasar intervensi strategis sesuai
amanat UU Kesehatan No. 17 Tahun 2023. Penelitian ini bertujuan untuk
mengimplementasikan teknik Data Mining guna menggali pola informasi
tersembunyi dan mengintegrasikan hasil pengelompokan profil kesehatan pasien ke
dalam sistem web berbasis data. Sistem ini dirancang sebagai alat bantu manajemen
dalam menyusun strategi pencegahan, promosi, dan peningkatan mutu pelayanan.
Pendekatan yang digunakan adalah algoritma K-Means Clustering, sebuah metode
unsupervised learning, yang dipadukan dengan metodologi Cross-Industry
Standard Process for Data Mining (CRISP-DM). Proses komputasi menggunakan
tiga parameter utama: Usia, Indeks Massa Tubuh (IMT), dan Mean Arterial
Pressure (MAP), dengan evaluasi jumlah cluster optimal dilakukan murni
menggunakan metrik Silhouette Score. Hasil pengujian terhadap data rekam medis
tahun 2025 merekomendasikan pembagian menjadi 2 kelompok (k=2). Cluster 1
(7.521 pasien / 52,4%) teridentifikasi sebagai kelompok Risiko Tinggi (Sindrom
Metabolik) dengan karakteristik dominan lansia, tekanan darah tinggi, dan
overweight. Sebaliknya, Cluster 2 (6.834 pasien / 47,6%) merupakan kelompok
Sehat (Usia Produktif) dengan metrik klinis normal. Sistem web yang dibangun
turut dilengkapi dengan fitur transparansi rujukan standar literasi medis.
Kesimpulannya, penerapan metode ini terbukti mentransformasi data mentah
menjadi segmentasi kesehatan masyarakat yang akurat, sehingga memfasilitasi
Puskesmas dalam pengalokasian sumber daya dan penanganan penyakit yang lebih
efektif, efisien, dan tepat sasaran.
