Penerapan Algoritma K-Means Clustering untuk Mengelompokkan Rekomendasi Metode Kontrasepsi Berbasis Machine Learning di Puskesmas

Abstract

Pertumbuhan penduduk Indonesia yang relatif tinggi memerlukan solusi dalam pemilihan metode kontrasepsi yang tepat bagi pasangan usia subur. Banyaknya pilihan kontrasepsi yang tersedia, pasangan usia subur tidak tahu mana yang paling tepat dengan kebutuhan mereka. Artificial Intelligence merupakan cabang ilmu komputer yang fokus pada pengembangan sistem yang dapat meniru kecerdasan manusia dalam memecahkan masalah dan mengambil keputusan. Machine Learning dapat memungkinkan sistem untuk belajar menggantikan atau meningkatkan kecerdasan manusia dalam pemecahan masalah dan otomatisasi. Data mining juga menjadi proses untuk mengekstrak pola dan informasi dari kumpulan data yang besar. Salah satu teknik yang digunakan pada penelitian ini adalah K-Means Clustering yang merupakan metode pengelompokan yang membagi data dalam kelompok berdasarkan kesamaan karakteristik. Clustering bekerja dengan mengidentifikasi centroid dari setiap cluster dan mengelompokkan data berdasarkan jarak terdekat ke centroid tersebut. Penelitian ini bertujuan untuk memberikan rekomendasi metode kontrasepsi yang tepat kepada pasangan usia subur dengan mengelompokkan data pasien KB berdasarkan karakteristik seperti nama, umur, dan jumlah anak. Algoritma K-Means Clustering digunakan untuk mengelompokkan rekomendasi metode kontrasepsi berdasarkan data pasien yang dikumpulkan sehingga mendapatkan rekomendasi yang lebih akurat. Data yang digunakan adalah data nama, data umur dan jumlah anak pasien KB pada tahun 2023 di Puskesmas. Dataset yang digunakan sebanyak 20 data. Metode yang digunakan meliputi studi literatur, pengumpulan data melalui observasi dan wawancara. Hasil  dari penelitian ini dapat mengelompokkan data menjadi 2 cluster, yaitu cluster C0 menyatakan metode jangka pendek sedangkan C1 menyatakan metode jangka panjang. Dari hasil proses cluster, posisi cluster terakhir pada iterasi 4 dan tidak berubah lagi maka dinyatakan proses telah selesai, didapatkan cluster Jangka pendek C0 sebanyak 11 anggota dan C1 berjumlah 9 anggota. Penelitian ini juga memanfaatkan aplikasi RapidMiner untuk membantu proses clustering. Hasil menunjukkan bahwa algoritma ini efektif dalam mengidentifikasi pola dan kelompok dalam data pasien KB, yang diharapkan dapat membantu tenaga kesehatan dalam memberikan rekomendasi yang lebih akurat, dan memberikan kontribusi dalam peningkatan pelayanan kesehatan, khususnya dalam pelayanan KB di Puskesmas.