JOISIE (Journal Of Information Systems And Informatics Engineerin.
Vol.
No.
Juni 2025.
Hlm 123-135 Received: 22 April 2025 Revised: 8 Mei 2025.
Accepted: 24 Juni 2025
p- ISSN: 2503-5304
e- ISSN: 2527-3116
ANALISIS KLASTERISASI JUMLAH PENDERITA PENYAKIT MENGGUNAKAN
K-MEANS SEBAGAI DASAR DISTRIBUSI LAYANAN RUMAH SAKIT UMUM DI
SUMATERA SELATAN
Siti Hariza Marshella1.
Naila Raihana Putri2.
Eka Therina Lakeisyah*3.
Fadhil Rahman4.
Aliyananda Risyahputri5.
Rahmat Maulana6.
Ken Ditha Tania7.
Winda Kurnia Sari8 Program Studi Sistem Informasi.
Universitas Sriwijaya.
Palembang email: sitiharizamarshella@gmail.
com, 2nailaraihana55511@gmail.
com, 3ekathrnl@gmail.
fadhilr637@gmail.
com, 5aliyanandar04@gmail.
com, 6maulana.
rahmat@gmail.
com, 7kenya.
tania@gmail.
windakurniasari@unsri.
Abstract The increasing number of disease cases in recent years in South Sumatera Province has impacted the evaluation of equitable healthcare service distribution across all regions.
This study highlights the disparity in healthcare facilities, particularly public hospital services, in regencies and cities in South Sumatera Province.
The objective of this research is to furnish the government with data-based insights to serve as a reference point in the formulation of policies that distribute health services in a more equitable.
This study utilizes a dataset from Badan Pusat Statistik (BPS) South Sumatera, processed using the K-Means algorithm through RapidMiner and Python.
The data analysis results classify regencies/cities into three clusters: Cluster 0 .
consists of 11 regions.
Cluster 1 .
consists of 1 region, and Cluster 2 .
consists of 5 The clustering results indicate an imbalance in healthcare facility distribution, particularly between healthcare services in Palembang City and other regencies/cities.
Based on these findings, it is recommended that the government revise the policies regarding the equitable distribution of healthcare services and medical personnel in each region.
Additionally, the adoption of healthcare service innovations through a knowledge management approach could optimize the equalization of healthcare services in South Sumatera.
Keywords: Knowledge Discovery.
K-Means Clustering.
Healthcare Distribution Abstract Peningkatan jumlah penderita penyakit dalam beberapa tahun terakhir pada Provinsi Sumatera Selatan berimbas kepada evaluasi pendistribusian layanan kesehatan yang merata di setiap daerah.
Penelitian ini menyoroti ketidakmerataan fasilitas kesehatan berupa layanan rumah sakit umum yang tersebar di masingmasing wilayah yang ada di Provinsi Sumatera Selatan.
Tujuan dari penelitian ini adalah untuk memberikan wawasan berbasis data sebagai acuan bagi pemerintah dalam pengambilkan kebijakan pendistribusian layanan kesehatan agar dapat lebih merata.
Penelitian ini menggunakan dataset yang berasal dari BPS Provinsi Sumatera selatan dan diolah dengan algoritma K-Means melalui rapid miner dan python.
Hasil dari analisis data tersebut adalah mengelompokkan wilayah Kabupaten/Kota kedalam 3 kluster yakni kluster 0 .
terdiri dari 11 wilayah, kluster 1 .
terdiri dari 1 wilayah, dan kluster 2 .
terdiri dari 5 wilayah.
Interpretasi dari klasterisasi dan pengolahan data menunjukkan adanya ketimpangan dalam pendistribusian fasilitas kesehatan terutama antara layanan kesehatan di wilayah Kota Palembang dengan Kabupaten/Kota Sehingga, dari temuan tersebut direkomendasikan bagi pemerintah untuk melakukan kebijakan ulang terkait pendistribusian layanan dan tenaga kesehatan di tiap daerah secara merata dan dapat menerapkan inovasi layanan kesehatan dengan pendekatan knowledge management yang dapat mengoptimalisasi pemerataan layanan kesehatan di Sumatera Selatan.
Kata Kunci: Knowledge Discovery.
K-Means Clustering.
Distribusi Layanan Kesehatan PENDAHULUAN Kesehatan masyarakat berperan selaku salah satu standar tingkat kemajuan pembangunan manusia (Bustamam et al.
, 2.
Menurut United Nations Development Programme (UNDP) indeks pembangunan manusia merupakan salah satu alat untuk mengukur angka kesejahteraan suatu daerah atau negara (Yulianti & https://doi.
org/10.
35145/joisie.
JOISIElicensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
124 | Jurnal JOISIE.
Volume 9.
Nomor 1.
Juni 2025 Qomariah, 2.
Sehingga, berbagai upaya terus dilakukan pemerintah untuk meningkatkan kualitas layanan kesehatan terhadap masyarakat, termasuk pemerintah wilayah Sumatera Selatan.
Peningkatan jumlah kasus penderita penyakit di Sumatera Selatan dalam beberapa tahun terakhir menurut Dinas Kesehatan Provinsi Sumatera Selatan pada dinkes.
id menjadi perhatian serius, terutama upaya pemerintah dalam menyediakan layanan kesehatan yang adil dan merata.
Berdasarkan data Dinas Kesehatan Provinsi Sumatera Selatan .
, terjadi lonjakan kasus penyakit dari 630.
377 kasus pada tahun 2019 menjadi 3.
949 kasus pada tahun 2023.
Persentase kenaikan kasus per tahun-nya pun menunjukkan tren yang mengkhawatirkan.
Terjadi peningkatan sebesar 50,69% kasus dari tahun 2019 ke tahun 2020.
Lalu, pada tahun 2020 ke tahun 2021 terjadi peningkatan sebesar 52,82% kasus.
Pada tahun 2021 ke tahun 2022 terjadi pembengkakan kasus menjadi 79,45% kasus, dan pada tahun 2022 ke tahun 2023 terjadi peningkatan sebesar 25,22% kasus.
Meningkatnya kurva jumlah kasus penderita penyakit tersebut menuntut pemerintah untuk menyediakan fasilitas pelayanan yang setara.
Ironisnya, dalam data yang diambil dari Badan Pusat Statistik Provinsi Sumatera Selatan tahun 2023 dalam sumsel.
id, terlihat jelas bahwasanya terdapat ketimpangan yang nyata dalam alokasi fasilitas kesehatan di berbagai kabupaten/kota.
Kabupaten Ogan Ilir mencatat jumlah penderita penyakit sebanyak 16.
321 kasus, namun hanya memiliki tiga rumah sakit umum dan 1.
818 tenaga kesehatan yang mana jumlah ini lebih rendah dibandingkan daerah dengan jumlah penderita lebih sedikit.
Selain itu.
Kota Palembang sebagai ibukota provinsi memiliki 23 rumah sakit umum dan 10.
411 tenaga kesehatan, yang mengindikasikan bahwa fokus pemerintah pada layanan kesehatan masih terpusat pada kota besar (Badan Pusat Statistik Provinsi Sumatera Selatan, 2023.
Kondisi ini berpotensi memperburuk akses masyarakat di daerah dengan layanan yang terbatas dalam meraih kesempatan yang sama untuk memenuhi hak kesehatannya sebagai warga negara Indonesia.
Menindaklanjuti urgensi tersebut, pengelompokan wilayah berdasarkan jumlah kasus penderita penyakit dengan menerapkan teknik clustering pada data mining menggunakan algoritma machine learning K-Means hadir sebagai salah satu solusi.
Data mining merupakan sebuah upaya untuk mengidentifikasi nilai tambah pada sebuah data yang belum terungkap menggunakan statistika matematika (Setyaningtyas et al.
, 2.
Pada proses clustering, data mining berperan dalam men-tracking motif pada sebuah kumpulan data yang tersimpan dalam jumlah besar (Nirwana Sevi Dian, 2.
Data tersebut lalu akan dikelompokkan ke dalam beberapa cluster berdasarkan pola kesamaan jumlah penderita penyakit, ketersediaan rumah sakit umum, dan jumlah tenaga kesehatan di setiap daerah.
Hasil akhir dari clustering ini akan mengidentifikasi wilayah prioritas di Sumatera Selatan yang membutuhkan perbaikan layanan rumah sakit umum serta dipetakan ke dalam saran kebijakan pemerintah sebagai bentuk penerapan knowledge management.
Pemilihan algoritma K-Means dalam penelitian ini didasarkan pada efisiensinya dalam menangani dataset berukuran besar dan kemampuannya untuk menghasilkan segmentasi yang jelas berdasarkan variabel numerik.
Meskipun terdapat algoritma clustering lain seperti DBSCAN atau hierarchial clustering.
K-Means tetap menjadi pilihan utama dalam banyak studi karena kesederhanaannya dan kecepatan komputasi yang tinggi (Hendriansyah et al.
, 2025.
Mayola et al.
, 2.
Selain itu, penelitian oleh Gesicho et al.
menunjukkan bahwa K-Means efektif dalam mengevaluasi kinerja fasilitas kesehatan dalam memenuhi persyaratan pekaporan indikator HIV di Kenya, memberikan dasar yang kuat untuk pengambilan keputusn dalam perencanaan layanan kesehatan.
Hal serupa juga ditunjukkan oleh Sitinjak et al.
yang berhasil mengelompokkan kecamatan di kabupaten Karawang berdasarkan jumlah tenaga kesehatan.
Hasilnya mengungkapkan ketimpangan distribusi tenaga medis antar wilayah, yang kemudian digunakan sebagai acuan perencanaan pemerataan tenaga kesehatan di daerah tersebut.
Metode clustering telah banyak digunakan untuk menganalisis pola penyakit dan mendukung perencanaan layanan kesehatan.
Ordila et al.
menerapkan K-Means untuk mengelompokkan data catatan kesehatan pasien menurut jenis penyakit dengan tingkat akurasi clustering sebesar 85%.
Hasil penelitian ini membantu klinik dalam memahami distribusi penyakit dan meningkatkan efisiensi layanan kesehatan dengan menyediakan data yang lebih terstruktur untuk pengambilan keputusan.
Selain itu, penelitian oleh Minarni et .
menggunakan K-Medoids dalam pengelompokan penyakit dan menemukan bahwa metode ini memiliki stabilitas klaster yang lebih tinggi dibandingkan K-Means dalam beberapa kasus, dengan peningkatan akurasi clustering sebesar 5%.
Output dari penelitian ini adalah rekomendasi distribusi sumber daya medis berdasarkan pola penyakit yang teridentifikasi.
Di lain sisi.
Vira .
membandingkan beberapa teknik clustering, seperti K-Means.
K-Medoids, dan Fuzzy Clustering, dan menemukan bahwa Fuzzy Clustering memiliki performa terbaik dalam menangani data dengan pola yang tidak teratur, dengan akurasi clustering mencapai 87%.
Hasil penelitian ini menghasilkan pemetaan risiko penyakit di berbagai provinsi di Indonesia, yang dapat digunakan untuk meningkatkan efektivitas intervensi kesehatan.
https://doi.
org/10.
35145/joisie.
JOISIElicensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
Lakeisyah.
Analisis Klasterisasi Jumlah Penderita Penyakit Menggunakan K-Means Sebagai Dasar Distribusi Layanan Rumah Sakit Umum di Sumatera Selatan, 123-.
125 Lain halnya dengan penelitian terdahulu, fokus penelitian ini akan bertumpu pada empat variabel yakni jumlah penduduk, jumlah rumah sakit, jumlah penderita penyakit, serta jumlah tenaga kesehatan yang bersumber dari 17 kabupaten/kota di Sumatera Selatan.
Poin lainnya yang juga memberikan diferensiasi adalah output akhir dari clustering dengan algoritma K-Means yang berupa solusi kebijakan bagi pemerintah provinsi Sumatera Selatan.
Dengan demikian, diharapkan penelitian ini tidak hanya memberikan gambaran pengelompokan mengenai jumlah kasus penderita di tiap daerah, namun juga mendukung pengambilan kebijakan pemerintah berbasis data yang relevan demi distribusi pelayanan rumah sakit umum yang berkeadilan bagi masyarakat di luar pusat kota.
Bagian selanjutnya akan membahas mengenai metodologi serta tahapan di dalam penelitian, analisis hasil serta pembahasan dari proses clustering, analisis pengusulan kebijakan, serta kesimpulan dan saran yang dapat dapat diterapkan pada inovasi penelitian futuristik lainnya.
METODE PENELITIAN
1 TEKNIK PENGUMPULAN DATA DAN SUMBER DATA
Fase pertama, data-data sekunder yang bersumber dari dokumen atau laporan resmi yang tersedia dihimpun dengan mengimplementasikan teknik dokumentasi.
Pendekatan Knowledge Discovery in Database (KDD) diterapkan dalam proses clustering terhadap data tersebut.
Pendekatan ini mencakup serangkaian tahapan yang memanfaatkan hasil penelusuran pola pada data yang dikumpulkan, sehingga menjadi sebuah informasi yang dapat dicerna dengan mudah (Utomo et al.
, 2.
Nantinya informasi yang diperoleh dari proses KDD dapat menjadi sebuah database yang berperan selaku landasan dalam mengambil keputusan (Atalya et al.
, 2.
Gambar 1.
Tahapan Knowledge Discovery in Database Merujuk pada penelitian oleh Leza et al.
tahapan dalam KDD dibagi menjadi lima tahapan utama yakni penyeleksian data, data pre-processing, data transformation, penambangan data dan evaluasi hasil seperti yang digambarkan di Gambar 1.
Langkah pertama sebelum data diolah menjadi sebuah informasi yaitu dengan memilih data-data tertentu dari sebuah basis data besar, lalu disimpan secara terpisah.
Setelah itu, data akan melalui tahapan pre-processing atau pembersihan serta penambahan informasi eksternal apabila Dengan kata lain, keseluruhan data yang teridentifikasi duplikat, memiliki nilai yang inkonsisten atau ekstrim akan dihapus untuk memaksimalkan hasil yang dituju.
Selanjutnya, data-data terpilih tersebut akan ditransformasikan agar selaras dengan proses penambangan data yang ingin dilakukan.
Umumnya, langkah transformation ini berupa normalisasi serta pemilihan fitur atau feature selection yang mewakili data serta tujuan penelitian.
Masuk ke dalam proses utama yakni data mining, pola dari data yang dipilih akan dilacak kecenderungannya.
Pada proses inilah, informasi yang terpendam akan digali sedemikian rupa menggunakan algoritma tertentu tergantung penelitian, yang mana dalam penelitian ini menggunakan machine learning teknik clustering.
Apabila proses data mining telah dilakukan, maka proses KDD masuk pada tahapan akhirnya yakni evaluation.
Evaluation merupakan tahap menginterpretasikan kesesuaian pola yang didapatkan dengan fakta atau paham yang sudah ada.
Tahap ini juga menghasilkan pengetahuan yang dapat diterapkan dalam proses decision making.
https://doi.
org/10.
35145/joisie.
JOISIElicensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
126 | Jurnal JOISIE.
Volume 9.
Nomor 1.
Juni 2025
2 DATA SELECTION (PENGUMPULAN DATASET)
Tabel 1.
Atribut Data Basis Data Data BPS Atribut Kabupaten/Kota Jumlah Penduduk Jumlah Rumah Sakit Umum Jumlah Penderita Penyakit Jumlah Tenaga Kesehatan Merujuk pada Tabel 1, dataset yang dimanfaatkan dalam penelitian ini diperoleh dari sumber data instansi resmi, yakni Badan Pusat Statistik Provinsi Sumatera Selatan .
Dataset ini merupakan data time-series .
9Ae2.
yang dikumpulkan per kabupaten/kota, sehingga mencerminkan perkembangan setiap atribut dari waktu ke waktu di masing-masing kabupaten/kota.
Data yang dikumpulkan .
tribut dat.
Jumlah penduduk di setiap kabupaten/kota di Provinsi Sumatera Selatan.
Jumlah rumah sakit umum yang tersebar di wilayah tersebut.
Jumlah penderita penyakit di setiap kabupaten/kota.
Jumlah tenaga kesehatan di setiap daerah.
Tujuan dari pengumpulan dataset ini adalah untuk memberikan gambaran menyeluruh terkait pola distribusi penyakit yang kedepannya akan digunakan dalam alur pengelompokan menggunakan model KMeans Clustering sebagai acuan dan saran bagi pemerintah untuk distribusi rumah sakit umum di tiap daerah di Provinsi Sumatera Selatan.
3 DATA PRE-PROCESSING
Setelah dataset dikumpulkan, tahapan selanjutnya adalah tahap pre-processing, pada tahap ini dataset dianalisis untuk mengekstraksi atribut yang relevan dan menentukan data training dan data testing dari dataset.
Tahapan pre-processing data dinilai krusial untuk memastikan kualitas data, meningkatkan performa model dalam rangka menghasilkan hasil yang akurat (V.
Novalia et al.
, 2.
Untuk sampel, peneliti mengambil fitur yang relevan untuk dianalisis.
Pengujian dapat dimulai dengan melakukan split dataset menjadi data latih dan uji dengan proporsi 90:10, 80:20, 70:30, 60:40, 50:50, 40:60, 30:70, 20:80, dan 10:90 (Mohammed & Alsunosi, 2.
Dalam uji coba ini diberlakukan pembagian dataset sebesar 80% dataset training dan 20% dataset testing.
4 DATA TRANSFORM
Proses transformasi data adalah tahapan untuk mengorganisir data yang tergabung dalam sejumlah kelompok data menjadi satu himpunan kelompok data (Bahtiar, 2.
Langkah ini bertujuan untuk menyesuaikan bentuk dan cara penyajian data agar relevan ketika diterapkan pada analisis selanjutnya (Suriani.
Dengan demikian, proses ini diharapkan dapat meningkatkan mutu data tersebut serta memaksimalkan wawasan yang dihasilkan saat diproses pada tahapan data mining mengenai jumlah kasus penderita penyakit untuk distribusi rumah sakit umum di tiap daerah di Provinsi Sumatera Selatan.
5 DATA MINING (PEMODELAN)
Setelah data melalui proses transformasi, penelitian ini masuk ke dalam tahapan pemodelan menggunakan algoritma K-Means untuk mengelompokkan wilayah berdasarkan variabel data yang telah dipilih.
Algoritma K-Means tergolong dalam metode unsupervised learning yang sederhana dan lumrah digunakan dalam memecahkan solusi pengelompokan data.
Algoritma ini termasuk dalam teknik non-hierarchy clustering yang memisah data menjadi kelompok-kelompok yang berbeda (Silvia Sasmita & Sri Winiarti, 2.
Keunggulan utama K-Means adalah kemudahan dalam implementasi, kesederhanaan, fleksibilitas, kecepatan, serta kerap diimplementasikan dalam proses penambangan data.
Menurut Hutagalung .
, berikut tahapan dalam pengujian K-Means Clustering :
Menentukan jumlah cluster .
yang hendak dibangun.
Menetapkan centroid awal dengan acak sebanyak k cluster.
Mengkalkulasi kedekatan masing-masing data ke tiap centroid dengan mengaplikasikan metrik Euclidean Distance hingga ditemukan centroid terdekat untuk setiap data.
Rumus Euclidean Distance:
https://doi.
org/10.
35145/joisie.
JOISIElicensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
Lakeisyah.
Analisis Klasterisasi Jumlah Penderita Penyakit Menggunakan K-Means Sebagai Dasar Distribusi Layanan Rumah Sakit Umum di Sumatera Selatan, 123-.
127 ycc.
cu, y.
= ocycuyco=1 .
cuyco Oe ycyco )A .
atau dalam bentuk penjumlahan eksplisit:
cu, y.
= Oo.
cu1 Oe yc1 )2 .
cu2 Oe yc2 )2 .
cuycu Oe ycycu )2 .
Keterangan:
= Jarak antara objek data dan titik centroid.
xk = Data ke-i pada atribut ke-k.
yk = Nilai centroid pada atribut ke-k.
n = Jumlah atribut data.
Menghitung ulang nilai centroid dengan mengambil rerata keseluruhan data dalam cluster tertentu.
Mengulang tahapan perhitungan kedekatan pada masing-masing objek terhadap centroid yang telah diperbarui, selayaknya tercantum di tahap .
Mengulangi poin .
hingga tidak terjadi perubahan pada anggota cluster atau titik centroid mencapai kondisi stabil.
6 DATA EVALUATION
Algoritma K-Means digunakan dalam analisis data karena mampu mengelompokkan data berdasarkan kesamaan karakteristik dengan efisien serta memiliki kecepatan tinggi dalam memproses data berjumlah besar.
Hasil interpretasi dari penggunaan algoritma K-Means dalam penelitian ini dapat menghasilkan pengetahuan mendalam serta pandangan baru mengenai pola distribusi jumlah kasus penderita berbagai jenis penyakit di berbagai wilayah di Sumatera Selatan.
Dengan adanya pengelompokan ini, pemerintah dan instansi terkait dapat memahami wilayah mana yang memiliki tingkat kejadian penyakit lebih tinggi serta faktor-faktor yang berkontribusi terhadap persebarannya.
Informasi ini sangat berguna dalam menentukan strategi yang lebih efektif untuk distribusi layanan rumah sakit umum, termasuk alokasi tenaga medis, fasilitas kesehatan, serta sumber daya lainnya.
Selain itu, dengan pendekatan berbasis knowledge discovery, hasil clustering ini dapat dijadikan dasar dalam pengambilan keputusan berbasis data yang dapat dituangkan melalui kebijakankebijakan baru guna meningkatkan efisiensi dan efektivitas layanan kesehatan di wilayah yang membutuhkan perhatian lebih.
Melalui penelitian ini, saran-saran inovasi yang dapat dikembangkan juga akan ditambahkan dengan pertimbangan logis berbasis hasil pemodelan data.
HASIL DAN PEMBAHASAN
Fase ini menjabarkan pandangan serta hasil dari tahapan penelitian sebelumnya menggunakan tools RapidMiner dan Python Google Collaboratory untuk mendapatkan kesimpulan terkait saran atau kebijakan dalam distribusi rumah sakit umum di setiap Kabupaten/Kota di Provinsi Sumatera Selatan.
1 DATA SELECTION
1 PEMILIHAN DATASET
Dataset terdiri dari 17 baris yang merepresentasikan kabupaten/kota di Provinsi Sumatera Selatan dan 21 kolom yang mencakup data tahunan .
9Ae2.
untuk empat atribut utama, yaitu jumlah penduduk, jumlah rumah sakit umum, jumlah penderita penyakit, dan jumlah tenaga kesehatan.
Dataset ini terdiri dari 340 record yang berisi nilai dari atribut.
Adapun preview data dari proses dataset selection terlihat pada Tabel 2.
https://doi.
org/10.
35145/joisie.
JOISIElicensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
128 | Jurnal JOISIE.
Volume 9.
Nomor 1.
Juni 2025 Tabel 2.
Dataset Selection Kabupaten/K Ogan
Komering Ulu
Ogan
Komering Ilir
Muara Enim
Lahat
Musi Rawas Musi Banyuasin
Banyu Asin
Ogan
Komering Ulu
Selatan Ogan
Komering Ulu
Timur
Ogan Ilir
Empat Lawang
Pali
Jumlah Pendud
Jumlah Pendud
Jumlah Pendud
Jumlah Pendud
Jumlah Pendud
Juml
RSU
Juml
RSU
Juml
RSU
Juml
RSU
2 PEMILIHAN FITUR ATAU VARIABEL
Variabel atau fitur yang dipilih untuk sampel data meliputi kabupaten/kota, jumlah penduduk, jumlah rumah sakit, jumlah penderita penyakit, dan jumlah tenaga kesehatan.
Pada Tabel 3 ditunjukkan fitur-fitur yang akan dipilih untuk memperlihatkan korelasi antara penderita penyakit dengan ketersediaan fasilitas rumah sakit umum di kabupaten/kota provinsi Sumatera Selatan.
Tabel 3.
Fitur Selection Kabupaten/ Kota .
olynominal i.
Ogan Komering Ulu Ogan Komering Ilir Muara Enim Lahat Musi Rawas Musi Banyuasin Banyu Asin Ogan Komering Ulu Selatan Ogan Komering Ulu Timur Ogan Ilir Empat Lawang Pali Jumlah Penduduk Jumlah Penduduk Jumlah Penduduk Jumlah Penduduk Jumlah Penduduk .
2 DATA PRE-PROCESSING Pada tahap ini, dilakukan pembersihan dan persiapan data sebelum diterapkan algoritma K-Means.
Langkah yang diimplementasikan pada tahap pre-processing adalah sebagai berikut.
https://doi.
org/10.
35145/joisie.
JOISIElicensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
Lakeisyah.
Analisis Klasterisasi Jumlah Penderita Penyakit Menggunakan K-Means Sebagai Dasar Distribusi Layanan Rumah Sakit Umum di Sumatera Selatan, 123-.
1 PEMILIHAN DATA RELEVAN
Hanya data jumlah penderita penyakit .
yang digunakan untuk analisis clustering, dengan Kabupaten/Kota tetap dipertahankan sebagai identifikasi daerah namun tidak dimasukkan dalam perhitungan klaster .
ata i.
untuk keperluan data testing.
Data relevan yang dipilih telah dijabarkan dan dapat dilihat pada Tabel 4.
Tabel 4.
Pemilihan Data Testing No.
Kabupaten/ Kota
Ogan Komering Ulu
Ogan Komering Ilir
Muara Enim
Lahat
Musi Rawas Musi Banyuasin
Banyu Asin
Ogan Komering Ulu Selatan Ogan Komering Ulu Timur
Ogan Ilir
Empat Lawang
Pali
Jumlah Penduduk Jumlah Penduduk Jumlah Penduduk Jumlah Penduduk Jumlah Penduduk Jumlah RSU
Jumlah RSU
2 PENANGANAN MISSING VALUES
Data diperiksa untuk memastikan tidak ada missing values yang dapat mempengaruhi hasil clustering, dan jika ditemukan, akan dilakukan imputasi atau penghapusan data sesuai kebutuhan.
Dilakukan pembersihan data dengan menggunakan Python.
Proses penanganan nilai yang hilang dimodelkan pada Gambar 2.
Gambar 2.
Penanganan Missing Values 3 FORMAT DATA KONSISTEN Dipastikan semua data numerik memiliki format yang sesuai untuk diolah dalam model machine learning, dengan kolom tahun .
dikonversi ke format numerik tanpa karakter tambahan.
Lalu, bentuk kolom dari atribut-atribut yang akan digunakan harus diubah menjadi bentuk yang jelas agar dapat terbaca oleh sistem RapidMiner.
Perubahan tersebut dapat diamati dalam Tabel 5 dan Tabel 6 di bawah ini.
Tabel 5.
Kondisi Tabel Sebelum Dilakukan Formatting Kabupaten/ Kota Kabupaten /Kota Jumlah Penduduk Jumlah Rumah Sakit Umum Ogan Komering Ulu Ogan Komering Ilir Muara Enim Ogan Komering Ulu Ogan Komering Ilir Muara Enim https://doi.
org/10.
35145/joisie.
JOISIElicensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
130 | Jurnal JOISIE.
Volume 9.
Nomor 1.
Juni 2025 Lahat Lahat Musi Rawas Musi Rawas Musi Banyuasin Musi Banyuasin Banyu Asin Banyu Asin Ogan Komering Ulu Selatan Ogan Komering Ulu Selatan Ogan Komering Ulu Timur Ogan Komering Ulu Timur Ogan Ilir Ogan Ilir Empat Lawang Empat Lawang Pali Pali Musi Rawas Utara Musi Rawas Utara Kota Palembang Kota Palembang Kota Prabumulih Kota Prabumulih Kota Pagaralam Kota Pagaralam Kota Lubuk Linggau Kota Lubuk Linggau Tabel 6.
Kondisi Tabel Setelah Dirapikan Kabupaten/Kota Ogan Komering Ulu Ogan Komering Ilir Muara Enim Lahat Musi Rawas Musi Banyuasin Banyu Asin Ogan Komering Ulu Selatan Ogan Komering Ulu Timur Ogan Ilir Empat Lawang Pali Musi Rawas Utara Kota Palembang Kota Prabumulih Kota Pagaralam Kota Lubuk Linggau Jumlah Penduduk Jumlah Penduduk Jumlah Penduduk Jumlah Penduduk Jumlah Penduduk https://doi.
org/10.
35145/joisie.
JOISIElicensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
Lakeisyah.
Analisis Klasterisasi Jumlah Penderita Penyakit Menggunakan K-Means Sebagai Dasar Distribusi Layanan Rumah Sakit Umum di Sumatera Selatan, 123-.
3 DATA TRANSFORM
Pada tahap ini dilakukan normalisasi data sebelum dipindahkan ke RapidMiner dengan metode StandardScaler.
Normalisasi yang dilakukan berupa mengubah skala fitur agar memiliki distribusi dengan rata-rata 0 dan standar revisi 1.
Data yang dinormalisasi berupa data jumlah penderita penyakit tahun 2019, 2020, 2021, 2022, dan 2023.
Pada kolom tahun dilakukan normalisasi sehingga kolom tahun ini berupa menjadi angka-angka terdistribusi.
Hasil setelah normalisasi membuat kolom .
memiliki skala yang Hal ini penting untuk memastikan bahwa setiap tahun .
memiliki kontribusi yang setara dalam analisis klister.
Pada Gambar 3, digambarkan model dalam bahasa Python yang digunakan untuk menormalisasi data pada penelitian ini.
Gambar 3.
Normalisasi Standar Scaler
4 DATA MINING
Di bagian ini diawali dengan metode Elbow dalam menentukan berapa total cluster yang optimal.
Grafik Elbow yang ditunjukkan pada Gambar 4 menunjukkan titik penurunan inertia yang mulai melandai.
Dari grafik tersebut, maka akan digunakan K = 3 untuk klasterisasi.
Gambar 4.
Metode Elbow Tiga cluster berbeda dihasilkan dari klasterisasi algoritma K-Means ini.
Karakteristik dari setiap cluster berdasarkan variabel - variabel yang digunakan, seperti kabupaten/kota, jumlah penduduk, jumlah rumah sakit umum, jumlah kasus penderita penyakit, dan jumlah tenaga kesehatan.
Dari proses klasterisasi menghasilkan tiga kelompok sebagai berikut.
Cluster 0 mempunyai 11 item.
Cluster 1 mempunyai 1 item, dan Cluster 2 mempunyai 5 item.
Model Cluster yang dihasilkan oleh algoritma K-Means ditunjukkan pada Tabel 7.
Tabel 7.
Hasil Model Cluster Kabupaten/Kota Sumatera Selatan Cluster 0 (Renda.
Ogan Komering Ulu Lahat Musi Rawas Ogan Komering Ulu Selatan Ogan Ilir Empat Lawang Pali Musi Rawas Utara Kota Prabumulih Kota Pagaralam Cluster 1 (Tingg.
Kota Palembang Cluster 2 (Sedan.
Ogan Komering Ilir Muara Enim Musi Banyuasin Banyuasin Ogan Komering Ulu Timur https://doi.
org/10.
35145/joisie.
JOISIElicensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
132 | Jurnal JOISIE.
Volume 9.
Nomor 1.
Juni 2025 Setiap wilayah administratif .
abupaten/kot.
telah diklasifikasikan masing-masing ke dalam satu cluster dari ketiga kluster yang ada.
Pembagian kabupaten/kota terhadap kluster meliputi Cluster 0 .
memiliki akses faskes yang rendah.
Cluster 1 .
wilayah yang memiliki akses faskes yang memadai dan Cluster 2 (Sedan.
wilayah yang memiliki akses faskes cukup memadai, yang hasilnya dapat diamati pada tabel diatas.
Gambar 5.
Tabel Centroid Berdasarkan Gambar 5 dapat disimpulkan bahwa centroid data yang digunakan adalah sebagai berikut.
Cluster 1 .
esiko tingg.
memiliki jumlah tenaga kesehatan paling banyak secara konsisten.
Hal tersebut memungkinkan peningkatan tenaga kesehatan di wilayah ini untuk mengimbangi tingginya jumlah kasus penderita penyakit.
Pada cluster 2 .
esiko sedan.
juga mengalami peningkatan jumlah tenaga kesehatan, tetapi jumlahnya masih jauh lebih rendah dibandingkan cluster 1.
Mengingat jumlah rumah sakit di cluster 2 yang hanya sekitar 4 unit, memungkinkan hal ini mencerminkan keterbatasan infrastruktur kesehatan.
Cluster 0 .
esiko renda.
memiliki tenaga kesehatan paling rendah.
Peningkatannya sedikit dan konsisten, hal ini mencerminkan wilayah tersebut mungkin memiliki kebutuhan layanan kesehatan yang lebih rendah.
Gambar 6.
Scatter Plot Visualisasi hasil clustering menampilkan gambaran yang konkret mengenai penyebaran data.
Scatter plot pada Gambar 6 menunjukkan hasil dari klasterisasi penyebaran data yang multidimensi.
Dengan adanya visualisasi Scatter plot ini dapat mempermudah analisis dalam penyebaran data dan membantu mengidentifikasi model data.
Berdasarkan statistik dari hasil clustering, penyebaran data dalam setiap cluster dapat disimpulkan sebagai berikut.
Cluster 0 mengandung kabupaten/kota dengan jumlah kasus penderita penyakit rendah.
Cluster 2 mengandung kabupaten/kota dengan jumlah kasus penderita penyakit sedang.
Sementara cluster 1 mengandung kabupaten/kota dengan jumlah kasus penderita penyakit sangat tinggi.
https://doi.
org/10.
35145/joisie.
JOISIElicensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
Lakeisyah.
Analisis Klasterisasi Jumlah Penderita Penyakit Menggunakan K-Means Sebagai Dasar Distribusi Layanan Rumah Sakit Umum di Sumatera Selatan, 123-.
5 DATA EVALUATION (KNOWLEDGE DISCOVERY)
Berdasarkan tahap data mining yang sudah dilakukan sebelumnya, didapatkan hasil tiga buah klaster yang merepresentasikan wilayah kabupaten dan kota di Sumatera Selatan dengan tingkatan rendah, sedang, serta tinggi dari atribut yang digunakan sebagaimana dijelaskan pada Tabel 7 di bagian sebelumnya.
Hasil dari klasterisasi tersebut mengindikasikan terdapat ketimpangan yang nyata antar wilayah, khususnya menyoroti Kota Palembang yang berada pada klaster 1 dengan wilayah lain pada klaster yang berbeda.
Palembang memiliki jumlah rumah sakit dan tenaga kesehatan yang jauh lebih tinggi dibandingkan kabupaten lain, walaupun jumlah penderita penyakit di kota ini juga sangat besar.
Sementara itu, cluster 0 dan 2 yang terdiri dari daerah dengan sumber daya kesehatan yang minim memerlukan perhatian lebih yang setara dalam pelayanan kesehatan.
Ketimpangan distribusi rumah sakit terlihat jelas dari hasil clustering, di mana hampir semua rumah sakit di Sumatera Selatan berpusat di Palembang, sementara wilayah lain terutama di cluster 0, memiliki keterbatasan akses layanan rumah sakit dengan rerata kurang lebih 2 rumah sakit per wilayah.
Hal ini menunjukkan bahwa terdapat urgensi untuk membangun rumah sakit tipe C dan D yang berfokus pada layanan poliklinik terkhususnya pada penyakit IMS.
HIV/AIDS.
DBD.
Diare.
Malaria, dan Tuberkulosis di kabupaten dengan akses rumah sakit yang terbatas.
Pemerintah daerah dapat membangun rumah sakit umum yang diselaraskan dengan kebutuhan setiap daerah sehingga kebutuhan masyarakat dapat terpenuhi.
Pembangunan fasilitas kesehatan ini juga melahirkan kesempatan untuk menjalin kolaborasi dengan CSR dari pihak swasta yang memiliki pengaruh di daerah-daerah tersebut.
Dengan adanya sinergi antara pemerintah dan sektor swasta, diharapkan akses kesehatan dapat menjangkau masyarakat yang membutuhkan.
Selain itu, keberadaan rumah sakit di cluster 2 dapat diperkuat dengan meningkatkan kapasitas layanan dengan mengoptimalkan jam pelayanan serta ruangan rawat inap agar pasien dari daerah sekitar tidak perlu dirujuk ke Palembang untuk mendapatkan akses kesehatan yang memadai.
Tabel 8.
Nilai Centroid Clustering Rumah Sakit Umum dan Tenaga Kesehatan Centroid Rumah Sakit Umum Centroid Tenaga Kesehatan Cluster Menilik dari hasil angka centroid dari proses clustering sebelumnya pada Tabel 8, distribusi rumah sakit bukanlah satu-satunya kebijakan yang mesti dibenahi.
Angka penyebaran tenaga kesehatan pada wilayah di luar Kota Palembang juga memiliki selisih rerata yang cukup signifikan.
Berdasarkan hasil pengujian clustering pada RapidMiner, nilai centroid untuk data tenaga kesehatan di tahun 2023 menampilkan bahwa cluster 0 memiliki rerata 6,7 kali lipat lebih rendah yakni 1649 orang dibandingkan cluster 1.
Sedangkan pada cluster 2, rerata jumlah tenaga kesehatannya bernilai 3,6 kali lipat lebih rendah dengan jumlah 3083 orang dibandingkan cluster 1.
Meski tingkat kepadatan penderita penyakit berbeda di setiap cluster, fakta ini menyoroti bahwa terdapat urgensi untuk melakukan pemerataan penyebaran tenaga kesehatan di wilayahwilayah tersebut.
Hal ini dinilai penting sebab layanan rumah sakit yang tersedia juga mesti dibersamai oleh tenaga kesehatan yang cukup dan kompeten.
Pemerintah daerah dapat mengembangkan rencana untuk melakukan rotasi tenaga medis antar daerah dalam rangka memastikan bahwa dokter yang memiliki spesialisasi dalam bidangnya tidak hanya terpusat di Palembang, melainkan tersebar secara berkeadilan ke setiap wilayah lainnya.
Tentunya, kebijakan ini juga perlu memperhatikan kesejahteraan tenaga medis yang ditugaskan ke daerah-daerah terpencil tersebut.
Merujuk kembali pada hasil clustering yang menyatakan bahwa terdapat daerah yang memiliki penyebaran rumah sakit umum dan tenaga kesehatan yang belum merata, dapat direkomendasikan pula optimalisasi layanan kesehatan berbasis teknologi.
Inovasi ini dapat berupa Mobile Health Clinic, yakni klinik kesehatan bergerak dengan konsep kendaraan medis yang dilengkapi oleh alat-alat canggih untuk melakukan pemeriksaan dan pertolongan pertama bagi pasien darurat yang kesulitan untuk mengunjungi rumah sakit.
Konsep mobile health clinic ini dapat diintegrasikan dengan telemedicine station berupa layanan kesehatan digital yang terhubung langsung dengan dokter yang berkaitan untuk dapat memberikan penanganan dan https://doi.
org/10.
35145/joisie.
JOISIElicensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
134 | Jurnal JOISIE.
Volume 9.
Nomor 1.
Juni 2025 diagnosis awal kepada pasien.
Hal ini dapat dikembangkan dan diteliti lebih lanjut untuk mengoptimalkan resiko-resiko terkecil yang harus dihadapi oleh daerah pelosok akibat minimnya akses ke fasilitas kesehatan.
Urgensi hadirnya perbaikan kebijakan di atas selaras dengan adanya pernyataan di dalam Undang-Undang No.
17 Tahun 2023 mengenai kesehatan, lalu pada pasal 7 ayat 1 bahwa Pemerintah Pusat dan Pemerintah Daerah bertanggung jawab untuk meningkatkan dan mengembangkan upaya kesehatan dalam rangka meningkatkan akses dan kualitas pelayanan kesehatan.
Masyarakat juga memiliki hak mengacu pada pasal 4 ayat 1 poin c dan d yakni setiap orang berhak mendapatkan layanan kesehatan yang aman, bermutu, dan terjangkau agar dapat menciptakan derajat kesehatan yang setinggi-tingginya serta mendapat perawatan kesehatan sesuai dengan standar pelayanan kesehatan (Kementrian Kesehatan Republik Indonesia, 2.
Oleh karena itu, pemerintah perlu menindaklanjuti rekomendasi kebijakan ini dengan langkah konkret dan terencana agar kesenjangan layanan kesehatan di Sumatera Selatan dapat segera teratasi.
Tanpa adanya komitmen dan implementasi yang serius, masyarakat di daerah dengan akses terbatas akan terus mengalami kesulitan dalam memperoleh layanan kesehatan yang maksimal.
SIMPULAN
Hasil clustering menunjukkan ketimpangan distribusi fasilitas kesehatan di Sumatera selatan.
Kota Palembang (Cluster .
memiliki jumlah rumah sakit dan tenaga medis jauh lebih tinggi dibanding daerah lain, dengan tenaga kesehatan 6,7 kali lebih banyak dibandingkan rata rata wilayah lain.
Sebaliknya, wilayah dalam cluster 0 .
hanya memiliki rata rata dua rumah sakit dan tenaga medis terbatas.
Cluster .
mengalami keterbatasan layanan seperti antrian panjang dan kurangnya fasilitas penunjang, yang masih menyebabkan ketergantungan pada Palembang.
Ketimpangan ini berpotensi memperbesar ketidakadilan akses layanan kesehatan.
Oleh karena itu, dibutuhkan pembangunan rumah sakit tipe C dan D di wilayah Cluster 0, peningkatan kapasistas rumah sakit di Cluster 2, serta pemertaan tenaga medis melalui rotasi dokter spesialis.
Inovasi seperti Mobile Health Clinic dan telemedicine juga penting untuk menjangkau daerah terpencil.
Langkah ini mendukung amanat UU No.
17 Tahun 2023 tentang kesehatan.
Temuan ini dapat menjadi dasar bagi pengambil kebijakan dalam merumuskan intervensi yang lebih merata dan berbasis data.
DAFTAR PUSTAKA