PENERAPAN ALGORITMA K-MEANS CLUSTERING UNTUK MENGELOMPOKKAN PROFIL KESEHATAN PASIEN DI PUSKESMAS ANGKOLA SANGKUNUR

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.