PENGELOMPOKKAN PASIEN REKAM MEDIS DENGAN MENGGUNAKAN K-MEANS UNTUK MENINGKATKAN LAYANAN KESEHATAN DI RSUD RANTAU PRAPAT

RIZKIKA ANNISA, NPM 2108100079 (2025) PENGELOMPOKKAN PASIEN REKAM MEDIS DENGAN MENGGUNAKAN K-MEANS UNTUK MENINGKATKAN LAYANAN KESEHATAN DI RSUD RANTAU PRAPAT. Skripsi thesis, Universitas Labuhanbatu.

	Text COVER.pdf Download (970kB)
	Text BAB I.pdf Download (263kB)
	Text BAB II.pdf Download (322kB)
	Text BAB III.pdf Download (369kB)
	Text BAB IV.pdf Download (611kB)
	Text BAB V.pdf Download (191kB)
	Text DAFTAR PUSTAKA.pdf Download (216kB)

Abstract

Pengelolaan rekam medis yang efektif penting untuk meningkatkan kualitas layanan di rumah sakit. Penelitian ini bertujuan menerapkan metode K-Means untuk mengelompokkan pasien berdasarkan data rekam medis di RSUD Rantau Prapat sehingga pola pelayanan dapat diidentifikasi dan digunakan untuk meningkatkan efektivitas serta efisiensi layanan. Data penelitian terdiri dari 100 sampel rekam medis yang berisi variabel jenis layanan, cara bayar, dan status pasien; data kategorikal diubah menjadi format numerik melalui pra-pemrosesan. Algoritma K-Means (k = 3) diimplementasikan menggunakan perangkat RapidMiner dengan metrik jarak Euclidean dan pengaturan parameter untuk menentukan nilai awal centroid serta jumlah iterasi yang optimal. Hasil akhir menunjukkan pembagian pasien ke dalam tiga klaster (36 pasien pada Klaster 1, 30 pasien pada Klaster 2, dan 34 pasien pada Klaster 3). Evaluasi performa di RapidMiner menunjukkan klaster yang relatif kompak dan terpisah (nilai Average within-centroid distance dan Davies-Bouldin Index sebagaimana dilaporkan oleh perangkat). Berdasarkan hasil tersebut, pengelompokan pasien dapat membantu pihak rumah sakit dalam perencanaan layanan, alokasi sumber daya, dan penanganan kelompok pasien spesifik. Disarankan penelitian lanjutan memperluas variabel (mis. riwayat penyakit, frekuensi kunjungan lebih detail), menambah ukuran sampel, dan menguji metode evaluasi jumlah klaster yang berbeda untuk meningkatkan validitas temuan. Kata kunci: K-Means, Klasterisasi, Rekam Medis, RapidMiner, RSUD Rantau Prapat ============================================================================================== Effective medical record management is crucial to improving hospital services. This study aims to apply the K-Means algorithm to cluster patients using medical record data from RSUD Rantau Prapat, enabling identification of service patterns to enhance efficiency and effectiveness. The dataset comprises 100 patient records with features: service type, payment method, and patient status; categorical data were converted to numeric during preprocessing. K-Means (k = 3) was implemented in RapidMiner using Euclidean distance, with parameter tuning for centroid initialization and iteration control. Final results partitioned patients into three clusters (36 in Cluster 1, 30 in Cluster 2, 34 in Cluster 3). RapidMiner’s evaluation indicates relatively compact and well-separated clusters (reported Average within-centroid distance and Davies-Bouldin Index). These clusters can inform hospital planning, resource allocation, and tailored patient handling strategies. Future work is recommended to include additional variables (e.g., diagnosis codes, visit frequency), increase sample size, and compare alternative clustering validity methods to strengthen the findings. Keywords: K-Means, Clustering, Medical Records, RapidMiner, RSUD Rantau Prapat

Item Type:	Thesis (Skripsi)
Uncontrolled Keywords:	K-Means, Klasterisasi, Rekam Medis, RapidMiner, RSUD Rantau Prapat==============K-Means, Clustering, Medical Records, RapidMiner, RSUD Rantau Prapat
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science T Technology > T Technology (General) Z Bibliography. Library Science. Information Resources > Z665 Library Science. Information Science Z Bibliography. Library Science. Information Resources > ZA Information resources > ZA4050 Electronic information resources Z Bibliography. Library Science. Information Resources > ZA Information resources > ZA4450 Databases
Divisions:	Fakultas Sains Dan Teknologi > Teknologi Informasi
Depositing User:	Unnamed user with email repository@ulb.ac.id
Date Deposited:	29 Oct 2025 06:59
Last Modified:	29 Oct 2025 07:08
URI:	http://repository.ulb.ac.id/id/eprint/1879

Actions (login required)

View Item