Penerapan Data Mining Untuk Analisis Pola Penyakit Pasien Rawat Inap Menggunakan Metode K-Means

Abstrak

Pengelolaan data rekam medis pasien rawat inap menghasilkan data dalam jumlah besar yang belum dimanfaatkan secara optimal untuk mendukung pengambilan keputusan manajerial dan perencanaan layanan kesehatan berbasis data. Rumah sakit menghadapi kesulitan dalam mengidentifikasi pola karakteristik pasien yang berkaitan dengan biaya pelayanan, lama perawatan, penggunaan ICU, dan perbedaan tarif BPJS dengan tarif rumah sakit. Penelitian ini menerapkan teknik data mining menggunakan algoritma K-Means Clustering pada 9.889 data pasien rawat inap. Tahapan penelitian meliputi pembersihan data, normalisasi Z-Score, penentuan jumlah klaster optimal menggunakan Elbow Method dan Silhouette Score, serta analisis karakteristik setiap klaster berdasarkan variabel tarif BPJS, tarif rumah sakit, lama dirawat, lama ICU, dan usia pasien. Hasil penelitian menunjukkan bahwa jumlah klaster optimal adalah k=3 dengan Silhouette Score 0,3441. Klaster yang terbentuk terdiri atas Cluster 0 (Pasien Kritis) sebanyak 376 pasien (3,8%) dengan biaya dan penggunaan ICU tertinggi, Cluster 1 (Pasien Menengah) sebanyak 6.625 pasien (67,0%) yang didominasi pasien lansia dengan tingkat perawatan moderat, dan Cluster 2 (Pasien Ringan) sebanyak 2.888 pasien (29,2%) yang didominasi pasien usia muda dengan biaya serta lama perawatan terendah. Selain itu, ditemukan rata-rata selisih tarif rumah sakit dan BPJS sebesar Rp5.602.334 per pasien. Temuan ini menunjukkan bahwa pendekatan clustering mampu mengidentifikasi kelompok pasien dengan karakteristik klinis dan finansial yang berbeda secara signifikan sehingga dapat digunakan sebagai dasar optimalisasi alokasi sumber daya rumah sakit, perencanaan kapasitas ICU, pengembangan layanan geriatri, serta evaluasi kebijakan pembiayaan dan klaim BPJS pada kelompok pasien dengan beban biaya tertinggi.