Penerapan K-Means Clustering Untuk Identifikasi Pola Faktor Risiko Diabetes Melitus
Azzahra Anggita Dewi, Dr. techn. Annisa Maulida Ningtyas, S.Kom., M.Eng.
2026 | Tugas Akhir | D4 MANAJEMEN INFORMASI KESEHATAN
Latar Belakang: Diabetes Melitus (DM) merupakan masalah kesehatan global dengan prevalensi yang terus meningkat. Permasalahan utama dalam penanggulangan DM di tingkat pelayanan kesehatan primer adalah keterbatasan deteksi dini dan pemetaan pola risiko yang spesifik. Pendekatan data mining dengan algoritma K-Means clustering dapat digunakan untuk mengidentifikasi dan mengelompokkan pola faktor risiko secara akurat guna mendukung strategi pencegahan yang lebih terarah.
Tujuan: Mengidentifikasi pola dan segmentasi karakteristik faktor risiko penyakit diabetes melitus melalui penerapan teknik data mining clustering untuk memahami karakteristik setiap cluster yang terbentuk.
Metode: Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian deskriptif dengan menggunakan pendekatan kuantitatif. Data yang digunakan berupa data rekam medis pasien diabetes melitus di Puskesmas Tegalrejo pada tahun 2025. Proses clusterisasi dilakukan menggunakan algoritma K-Means.
Hasil: Hasil penelitian menunjukkan bahwa metode K-Means menghasilkan dua cluster dengan karakteristik yang berbeda. Cluster 0 merupakan kelompok dengan risiko rendah yang didominasi oleh lansia dengan tekanan darah normal hingga prehipertensi, kadar gula darah terkontrol, dan IMT normal hingga sedikit overweight. Sementara itu, cluster 1 merupakan kelompok dengan risiko tinggi yang didominasi oleh usia paruh baya dengan tekanan darah cenderung hipertensi, kadar gula darah tinggi, serta IMT overweight hingga obesitas.
Kesimpulan: Penerapan metode K-Means clustering efektif mengidentifikasi pola faktor risiko diabetes melitus secara spesifik dengan mengelompokkan individu berdasarkan kemiripan karakteristik kesehatannya.
Background: Diabetes Mellitus (DM) is a global health issue with an ever-increasing prevalence. The main challenge in managing DM at the primary health care level is the limited capacity for early detection and the mapping of specific risk patterns. A data mining approach using the K-Means clustering algorithm can be used to accurately identify and group risk factor patterns to support more targeted prevention strategies.
Objective: Identifying patterns and segmenting the characteristics of risk factors for diabetes mellitus through the application of data mining clustering techniques to understand the characteristics of each cluster formed.
Methods: This study employed a descriptive research design using a quantitative approach. The data used consisted of medical records of patients with diabetes mellitus at the Tegalrejo Community Health center in 2025. Clustering was performed using the K-Means algorithm.
Results: The results of the study show that the K-Means method produced two clusters wis distinct characteristics. Cluster 0 is a low-risk group dominated by older adults with normal to prehypertensive blood pressure, controlled blood sugar levels, and a normal to slightly overweight BMI. Meanwhile, cluster 1 is a high-risk group dominated by middle-aged adults with blood pressure tending toward hypertension, high blood sugar levels, and a BMI ranging from overweight to obese.
Conclusion: The application of the K-Means clustering method is effective in identifying specific patterns of risk factors for diabetes mellitus by grouping individuals based on the similarity of their health charactheristics.
Kata Kunci : Algoritma K-Means, Clustering, Faktor Risiko, Diabetes Melitus, Data Mining