KLASTERISASI PENYAKIT BERDASARKAN DIAGNOSA PENYAKIT PADA REKAM MEDIS MENGGUNAKAN ALGORTMA K-MEANS DI PUSKESMAS TALANG BANJAR KOTA JAMBI

ABSTRAK

Latar Belakang:Tingginya frekuensi penyakit menular dan tidak menular, serta rendahnya eksplorasi pola data rekam medis di tingkat puskesmas yang masih dilakukan secara manual, maka dari itu perlunya ada pengkalsteran penyakit berdasarkan diagnosa penyakit menggunakan algoritma k-means. Data dianalisis dari rekam medis rawat jalan selama Januari–Desember 2024 yang mencakup 2.630 pasien dengan atribut usia, jenis kelamin, kelurahan tempat tinggal, dan kode diagnosa penyakit.
Tujuan: dari penelitian ini untuk menganalisis dan mengidentifikasi model klasterisasi penyakit berdasarkan diagnosa pada rekam medis pasien di Puskesmas Talang Banjar Kota Jambi menggunakan algoritma K‑Means.
Metode:jenis penelitian ini yaitu penelitian kuantitatif deskriptif.
Hasil: analisis data menggunakan algoritma K-Means pada aplikasi RapidMiner berhasil mengelompokkan 2.630 pasien menjadi 4 cluster berdasarkan atribut jenis kelamin,kelurahan,umur, dan diagnosis.Cluster 3 (1.239 pasien), mayoritas perempuan remaja (10-18 tahun) dari Kelurahan Talang Banjar dengan diagnosis Acute Nasopharyngitis (ISPA),Cluster 0 (575 pasien), mayoritas perempuan balita (<5 tahun) dari Kelurahan Talang Banjar dengan diagnosis Acute Nasopharyngitis (ISPA),Cluster 1 (515 pasien), mayoritas perempuan dewasa (18-59 tahun) dari Kelurahan Talang Banjar dengan diagnosis Dyspepsia,Cluster 2 (302 pasien), perempuan dewasa (18-59 tahun) dari Kelurahan Budiman dengan diagnosis Acute Nasopharyngitis (ISPA).
Kata kunci: K‑Means Clustering, rekam medis, diagnosa penyakit.

ABSTRACT

Background: The high frequency of communicable and non-communicable diseases, along with the limited exploration of medical record data patterns at the community health center level that is still conducted manually, necessitates disease clustering based on disease diagnosis using the k-means algorithm. Data were analyzed from outpatient medical records during January–December 2024, encompassing 2,630 patients with attributes of age, gender, residential sub-district, and disease diagnosis codes.
Objective: This research aims to analyze and identify disease clustering models based on diagnosis in patient medical records at Talang Banjar Community Health Center, Jambi City, using the K-Means algorithm.
Methods: This study employed a descriptive quantitative research design.
Results: Data analysis using the K-Means algorithm in RapidMiner application successfully grouped 2,630 patients into 4 clusters based on gender, sub-district, age, and diagnosis attributes. Cluster 3 (1,239 patients) consisted of majority female adolescents (10-18 years) from Talang Banjar Sub-district with Acute Nasopharyngitis (URTI) diagnosis. Cluster 0 (575 patients) comprised majority female toddlers (<5 years) from Talang Banjar Sub-district with Acute Nasopharyngitis (URTI) diagnosis. Cluster 1 (515 patients) included majority female adults (18-59 years) from Talang Banjar Sub-district with Dyspepsia diagnosis. Cluster 2 (302 patients) consisted of female adults (18-59 years) from Budiman Sub-district with Acute Nasopharyngitis (URTI) diagnosis.
Keywords: K-Means Clustering, medical records, disease diagnosis.