Analisis Pola Penyakit Pasien Untuk Perencanaan Kebutuhan Obat di Klinik Batara Menggunakan K-Means Clustering

Maria Erviana Asinta Lensi; Santoso Setiawan; Taransa Agasya Tutupoly

doi:10.31004/riggs.v5i2.11596

Authors

Maria Erviana Asinta Lensi Universitas Bina Sarana Informatika
Santoso Setiawan Universitas Bina Sarana Informatika
Taransa Agasya Tutupoly Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.31004/riggs.v5i2.11596

Keywords:

K-Means Clustering, Analisis Prediksi Penyakit, Manajemen Obat, Data Mining

Abstract

Pengelolaan persediaan obat yang kurang tepat di klinik sering kali memicu terjadinya ketidakseimbangan stok, baik berupa kekosongan obat saat permintaan tinggi maupun penumpukan pasokan yang berisiko kedaluwarsa. Penelitian ini bertujuan untuk menganalisis pola penyakit pasien di klinik Batara guna mendukung perancangan kebutuhan obat yang lebih efektif dan efisien. Metode yang digunakan adalah data mining dengan algoritma K-Means Clustering, yang diimplementasikan melalui perangkat lunak Orange Data Mining. Dataset yang dianalisis mencakup 2.831 rekam medis pasien rawat jalan dengan atribut utama berupa kategori keluhan penyakit. Proses preprocessing data melibatkan pembersihan data serta transformasi data serta transformasi fitur menggunakan teknik One-Hot-Encoding untuk mengubah data kategorial menjadi bentuk biner. Berdasarkan pengujian multi-skenario, konfigurasi tiga klster (K=3) menghasilkan nilai rata-rata Silhouette Score tertinggi sebesar 0,506, yang menunjukan struktur pemisahan kelompok yang cukup kuat dan valid. Hasil klasterisasi menunjukan bahwa klaster 1 mencakup 1.627 pasien (57,47%) yang mereprentasikan polapenyakit umum harian dengan variasi gejala yang tinggi. Kaster 2 mencakup 707 pasien (24l97%) yang secara homogen didominasi oleh penderita infeksi saluran pernapasan akut (ISPA). Klaster 3 mencakup 467 pasien (16,56%) dengan keluhan penyakit yang lebih spesifik. Rekomendasi hasil penelitiian ini dapat digunakanoleh pihak manajemen dan farmasi klinik Batara dalam menetapkan kebijakan stok pengaman untuk obat harian serta penjadwalan pengadaanobat ISPA secara terstruktur.

Downloads

Download data is not yet available.

References

[1] M. Arofah, A. Irma Purnamasari, dan I. Ali, “Implementasi Data Mining Untuk Clustering Jenis Obat Menggunakan Metode Algoritma K-Means Di Uptd Puskesmas Tegal Gubug,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, hal. 1621–1628, 2024, doi: 10.36040/jati.v8i2.8410.

[2] E. T. Lakeisyah et al., “Analisis Klasterisasi Jumlah Penderita Penyakit Menggunakan K-Means Sebagai Dasar Distribusi Layanan Rumah Sakit Umum Di Sumatera Selatan,” JOISIE (Journal Inf. Syst. Informatics Eng., vol. 9, no. 1, hal. 123, 2025, [Daring]. Tersedia pada: https://ejournal.pelitaindonesia.ac.id/ojs32/index.php/JOISIE/article/view/4959

[3] L. A. Prasetyo, I. Himawan, dan R. A. Sihombing, “Pengelompokan Persediaan Obat Dengan Metode K-,” J. Rekayasa Sist. Inf. dan Teknol., vol. 2, no. 2, hal. 759–768, 2024.

[4] R. Dinata dan L. Margatama, “Penerapan K-Means Clustering Kebutuhan Obat Pada Puskesmas Sukatani,” 3rd Semin. Nas. Mhs. Fak. Teknol. Inf., vol. 2, no. 2, hal. 754–761, 2023, [Daring]. Tersedia pada: https://senafti.budiluhur.ac.id/index.php/senafti/article/view/877/551

[5] S. Padang, S. Hulu, S. P. Sipayung, J. Setia, B. No, dan F. Sumatra, “Analisis Pengelompokan kabupatan / kota di Provinsi Sumatera Utara berdasarkan Penyakit Menular Menggunakan Algoritma K-Means,” vol. 6, no. 1, hal. 69–76, 2026.

[6] B. Laksono, Y. Syahidin, dan Y. Yunengsih, “Implementasi Data Mining Klasterisasi Data Pasien Rawat Inap dengan Algoritma K-Means Clustering,” J. Teknol. Sist. Inf. dan Apl., vol. 7, no. 2, hal. 621–627, 2024, doi: 10.32493/jtsi.v7i2.39354.

[7] A. S. Wibowo dan I. D. Mulyastuti, “Penerapan Algoritma K-Means Clustering Pada Jumlah Fasilitas Kesehatan Menurut Pemerintah Provinsi DKI Jakarta,” Tekinfo J. Bid. Tek. Ind. dan Tek. Inform., vol. 23, no. 2, hal. 116–122, 2022, doi: 10.37817/tekinfo.v23i2.2603.

[8] A. Bayu Krisna dan D. Maulina Putri, “Analisis Segmentasi Klien Menggunakan K-Means Clustering Pada Agensi Kreatif Anoorapro,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 2, hal. 1931–1938, 2025, doi: 10.36040/jati.v9i2.12822.

[9] A. Y. P. Yusuf, G. (G. V. E. Viewianti, N. Khoirunnisaa, dan K. NKK, “Implementasi Algoritma K-Means Clustering Menggunakan Aplikasi Orange Untuk Mengetahui Pola Indeks Pembangunan Manusia Tahun 2022,” J. Inf. Inf. Secur. (JIFORTY ), vol. 4, no. 1, hal. 65–76, 2023, [Daring]. Tersedia pada: http://ejurnal.ubharajaya.ac.id/index.php/jiforty

[10] F. R. Ardiansyah, “Implementasi Algoritma K-Means Clustering Menggunakan Orange Untuk Mengelompokan Penjualan Smartphone (Studi Kasus Konter Mutiara Cell),” Innov. J. Soc. Sci. Res., vol. 4, no. 6, hal. 1371–1379, 2024, [Daring]. Tersedia pada: https://j-innovative.org/index.php/Innovative/article/view/16415/11097

[11] M. M. Hassan, S. Mollick, dan F. Yasmin, “An unsupervised cluster-based feature grouping model for early diabetes detection,” Healthcare Analytics, vol. 2, p. 100112, 2022, doi: 10.1016/j.health.2022.100112.

[12] A. Aljohani, “Optimizing Patient Stratification in Healthcare: A Comparative Analysis of Clustering Algorithms for EHR Data,” International Journal of Computational Intelligence Systems, vol. 17, art. no. 173, 2024, doi: 10.1007/s44196-024-00568-8.

[13] L. Nichols et al., “In simulated data and health records, latent class analysis was the optimum multimorbidity clustering algorithm,” Journal of Clinical Epidemiology, vol. 152, pp. 164–175, 2022, doi: 10.1016/j.jclinepi.2022.10.011.

[14] K. E. Setiawan et al., “Clustering models for hospitals in Jakarta using fuzzy c-means and k-means,” Procedia Computer Science, vol. 216, pp. 356–363, 2023, doi: 10.1016/j.procs.2022.12.146.

[15] L. F. Granda Morales, P. Valdiviezo-Diaz, R. Reátegui, dan L. Barba-Guaman, “Drug Recommendation System for Diabetes Using a Collaborative Filtering and Clustering Approach: Development and Performance Evaluation,” Journal of Medical Internet Research, vol. 24, no. 7, e37233, 2022, doi: 10.2196/37233.