OPTIMALISASI PENGELOMPOKAN PASIEN BERDASARKAN FREKUENSI KUNJUNGAN MENGGUNAKAN METODE K-MEANS  DI KLINIK MEDIKA SAINTIKA

Herman Susilo; Imrah Sari; Muhammad Ikhsan; Dede Fauzi; Nurul Abdillah

doi:10.30633/jkms.v15i2.3039

OPTIMALISASI PENGELOMPOKAN PASIEN BERDASARKAN FREKUENSI KUNJUNGAN MENGGUNAKAN METODE K-MEANS DI KLINIK MEDIKA SAINTIKA

Herman Susilo, Imrah Sari, Muhammad Ikhsan, Dede Fauzi, Nurul Abdillah

Abstract

Klinik Medika Saintika menghadapi tantangan dalam pengelolaan data kunjungan pasien yang semakin kompleks. Data kunjungan memiliki potensi strategis dalam meningkatkan kualitas dan efisiensi layanan kesehatan. Penelitian ini bertujuan untuk mengaplikasikan metode K-Means dalam mengelompokkan pasien berdasarkan frekuensi kunjungan dan jenis layanan yang diterima, guna merancang layanan yang lebih terarah dan efektif. Menggunakan data frekuensi kunjungan pasien dari Januari hingga Desember 2024, penelitian ini menerapkan algoritma K-Means yang diolah melalui software RapidMiner. Hasil pengelompokan menunjukkan tiga cluster dengan centroid sebagai berikut: Cluster pertama (C1) memiliki centroid pada titik (12.0, 3.0, 0.8), yang menunjukkan bahwa pasien dalam cluster ini sering mengunjungi klinik dan memerlukan layanan pemeriksaan umum atau perawatan gigi. Cluster kedua (C2) memiliki centroid (15.0, 2.0, 1.0), yang menggambarkan pasien dengan kunjungan yang lebih terstruktur dan stabil, serta membutuhkan layanan rutin seperti pemeriksaan ibu hamil atau anak. Cluster ketiga (C3) memiliki centroid (5.0, 2.0, 0.25), yang mencakup pasien dengan kunjungan yang jarang dan hanya membutuhkan layanan spesifik atau perawatan sesekali. Pengelompokan ini memberikan wawasan yang berguna untuk merencanakan dan mengelola layanan kesehatan sesuai dengan karakteristik setiap kelompok pasien, serta mengalokasikan sumber daya secara lebih efisien. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan strategi pelayanan kesehatan berbasis data di Klinik Medika Saintika, yang dapat lebih dioptimalkan dengan analisis lanjutan.

Kata Kunci: K-Means, Data Mining, Pengelompokan Pasien, Frekuensi Kunjungan, Klinik Medika Saintika, RapidMiner.

Full Text:

PDF

References

Bharati, M., & Ramageri, M. (2010). Data Mining Techniques and Applications. Indian Journal of Computer Science and Engineering, 1(4), 301–305.

Chaurasia, V., & Pal, S. (2021). Data mining techniques: To predict and resolve healthcare issues. Healthcare Informatics Research, 27(2), 130–144.

Goyal, M., & Aggarwal, R. (2018). Impact of clustering techniques in healthcare domain. Journal of Big Data, 5(1), 1–20.

Han, J., Pei, J., & Kamber, M. (2012). Data Mining: Concepts and Techniques. Elsevier.

Huang, Z. (1998). Extensions to the K-Means Algorithm for Clustering Large Data Sets with Categorical Values. Data Mining and Knowledge Discovery, 2(3), 283–304.

Jain, A. K. (2010). Data clustering: 50 years beyond K-Means. Pattern Recognition Letters, 31(8), 651–666.

Kou, G., Peng, Y., & Wang, G. (2012). Evaluation of clustering algorithms for financial risk analysis using MCDM methods. Information Sciences, 228, 1–12.

Liao, S. H., Chu, P. H., & Hsiao, P. Y. (2020). Data mining techniques and applications – A decade review from 2000 to 2011. Expert Systems with Applications, 39(12), 11303–11311.

Wang, Y., Kung, L., & Byrd, T. A. (2021). Big data analytics: Understanding its capabilities and potential benefits for healthcare organizations. Technological Forecasting and Social Change, 126, 3–13.

Xu, R., & Wunsch, D. C. (2005). Survey of clustering algorithms. IEEE Transactions on Neural Networks, 16(3), 645–678.

Zhang, Y., Dong, J., & Wang, Y. (2022). Big data and analytics in healthcare: Applications, challenges, and future directions. Journal of Big Data, 9(1), 21–34.

Liao, Y., Chen, Z., & Huang, Z. (2020). Enhancing healthcare efficiency through data clustering: Applications and case studies. Healthcare Systems Management Review, 35(2), 90–102.

Jain, S., & Ghosh, P. (2019). Analyzing patient clustering techniques in health informatics. Computational Biology Journal, 13(4), 221–234.

Bharati, S., & Ravindran, D. (2021). Role of data clustering in healthcare management. Journal of Applied Statistics in Medicine, 16(2), 98–112.

Goyal, A., & Singh, R. (2018). Data clustering techniques in health data analytics. Journal of Data Science, 7(3), 45–53.