Optimasi K-Medoids Dengan PCA untuk Klasterisasi Indikator Kesehatan Ibu Hamil di Puskesmas Lahomi

Dian Anubhakti; Anisah Hasratniwati Daeli

doi:10.36080/idealis.v9i1.3710

Authors

Dian Anubhakti Sistem Informasi, Fakultas Teknologi Informasi, Universitas Budi Luhur, DKI Jakarta, Indonesia
Anisah Hasratniwati Daeli Sistem Informasi, Fakultas Teknologi Informasi, Universitas Budi Luhur, DKI Jakarta, Indonesia

DOI:

https://doi.org/10.36080/idealis.v9i1.3710

Keywords:

Clustering, K-Means, K-Medoids, PCA, klasterisasi, kesehatan ibu hamil

Abstract

Tingginya Angka Kematian Ibu (AKI) di Indonesia serta peningkatan kasus Kekurangan Energi Kronik (KEK) ibu hamil di Kabupaten Nias Barat menunjukkan bahwa pemantauan kesehatan ibu hamil masih menghadapi tantangan serius. Di Puskesmas Lahomi, data hasil pemeriksaan kehamilan rutin (Antenatal Care/ANC) cenderung hanya dimanfaatkan untuk pelaporan administratif dan belum diolah secara analitik untuk mengidentifikasi pola kesehatan yang lebih mendalam. Permasalahan utama penelitian ini adalah belum optimalnya pemanfaatan data ANC untuk analisis klaster kondisi kesehatan ibu hamil dalam mendukung deteksi dini risiko kesehatan. Penelitian ini bertujuan menganalisis dan membandingkan algoritma K-Means dan K-Medoids dalam membentuk klaster kondisi kesehatan ibu hamil, serta mengevaluasi pengaruh Principal Component Analysis (PCA) sebagai teknik reduksi dimensi dalam meningkatkan kualitas klasterisasi. Data yang digunakan berupa data sekunder hasil pemeriksaan ibu hamil periode Oktober 2023 hingga Maret 2025, dengan variabel utama usia kehamilan, Lingkar Lengan Atas (LILA), dan tekanan darah yang kemudian direkayasa menjadi Mean Arterial Pressure (MAP). Pengolahan data dilakukan menggunakan bahasa pemrograman Python melalui tahapan pra-pemrosesan, pemodelan, dan evaluasi. Klasterisasi diterapkan pada data dimensi asli dan data hasil reduksi PCA, kemudian dievaluasi menggunakan Silhouette Score dan Davies-Bouldin Index. Hasil penelitian menunjukkan bahwa K-Medoids dengan PCA menghasilkan performa paling optimal pada empat klaster dengan Silhouette Score 0,4507 dan DBI 0,7249. Klaster yang terbentuk berhasil mengungkap pola perubahan status gizi serta variasi risiko tekanan darah ibu hamil, yang berpotensi mendukung deteksi dini risiko kesehatan serta pengambilan keputusan berbasis data di Puskesmas Lahomi, serta memberikan kontribusi metodologis dalam penerapan klasterisasi dan reduksi dimensi pada analisis data kesehatan maternal.

Downloads

Download data is not yet available.

References

[1] Kemenkes RI, Profil Kesehatan Indonesia 2023. Jakarta: Kementerian Kesehatan RI, 2024.

[2] BPS Kabupaten Nias, Kabupaten Nias Barat Dalam Angka 2025, vol. 23. Kabupaten Nias: BPS Kabupaten Nias, 2025.

[3] Hesty Vitara, Rusmin Saragih, and Victor Maruli Pakpahan, “Penerapan Metode Clustering pada Status Gizi Ibu Hamil,” Saturnus J. Teknol. dan Sist. Inf., vol. 2, no. 4, pp. 01–16, 2024, doi: 10.61132/saturnus.v2i4.321.

[4] T. Dinh et al., “Data clustering: a fundamental method in data science and management,” Data Sci. Manag., 2025, doi: 10.1016/j.dsm.2025.08.001.

[5] N. M. . Nurtiani and I. G. . Astawa, “Penerapan K-Means Clustering Pada Klasifikasi Risiko Kesehatan Ibu Hamil,” J. Nas. Teknol. Inf. dan Apl., vol. 1, no. 1, pp. 403–408, 2022, [Online]. Available: https://jurnal.harianregional.com/jnatia/id-92704

[6] M. Riadi, Y. Azhar, and G. W. Wicaksono, “Implementasi Algoritma C5.0 Dan K-Medoids Untuk Klasterisasi Ibu Hamil Beresiko Tinggi,” J. Repos., vol. 2, no. 4, pp. 511–524, 2024, doi: 10.22219/repositor.v2i4.30517.

[7] J. Maulindar and E. P. Yudha, “Pengembangan Klastering Untuk Penanganan Ibu Hamil,” Pros. Semin. Nas. Teknol. Inf. dan Bisnis, pp. 703–708, 2023, [Online]. Available: https://ojs.udb.ac.id/Senatib/article/view/3265

[8] B. S. Kartika Anggraini and Abdullah Ahmad Dzikrullah, “Implementasi Analisis Clustering K-Medoids dalam Pengelompokan Bayi Lahir, Gizi Buruk, dan BBLR Berdasarkan Kecamatan Di Kabupaten Sleman Tahun 2020,” Emerg. Stat. Data Sci. J., vol. 2, no. 1, pp. 30–40, 2024, doi: 10.20885/esds.vol2.iss.1.art4.

[9] R. A. Farissa, R. Mayasari, and Y. Umaidah, “Perbandingan Algoritma K-Means dan K-Medoids Untuk Pengelompokkan Data Obat dengan Silhouette Coefficient di Puskesmas Karangsambung,” J. Appl. Informatics Comput., vol. 5, no. 2, pp. 109–116, 2021, doi: 10.30871/jaic.v5i1.3237.

[10] R. Ishak, N. Nurmawanti, and A. Bengnga, “Optimization of K-Means in Disease Clustering of Pregnant Women Using Random Forest,” Jambura J. Electr. Electron. Eng., vol. 7, no. 1, pp. 41–47, 2025, doi: 10.37905/jjeee.v7i1.28374.

[11] R. Zebari, A. Abdulazeez, D. Zeebaree, D. Zebari, and J. Saeed, “A Comprehensive Review of Dimensionality Reduction Techniques for Feature Selection and Feature Extraction,” J. Appl. Sci. Technol. Trends, vol. 1, no. 1, pp. 56–70, 2020, doi: 10.38094/jastt1224.

[12] A. C. Mawarni, R. Rusdah, L. L. Hin, and D. Anubhakti, “Deteksi Dini Gejala Awal Penyakit Diabetes Menggunakan Algoritma Random Forest,” IDEALIS Indones. J. Inf. Syst., vol. 6, no. 2, pp. 165–171, 2023, doi: 10.36080/idealis.v6i2.3018.

[13] J. Zhu, J. Zhang, N. Syaza Razali, B. Chern, and K. H. Tan, “Mean arterial pressure for predicting preeclampsia in Asian women: a longitudinal cohort study,” BMJ Open, vol. 11, no. 8, p. e046161, 2021, doi: 10.1136/bmjopen-2020-046161.

[14] U. Hasanah, M. R. Fauziah, A. Fitrianto, E. Erfiani, and L. M. R. D. Jumansyah, “Perbandingan Algoritma Klasterisasi dengan Principal Component Analysis pada Indikator Sosial Ekonomi Kesehatan Jawa Timur,” Techno.Com, vol. 23, no. 4, pp. 847–863, 2024, doi: 10.62411/tc.v23i4.11534.

[15] E. Abadi, N. Narmawan, S. Umrana, F. Fatmawati, S. Hadrayanti Ananda, and R. Mayangsari, “Pengukuran Antropometri Sebagai Indikasi Kekurangan Energi Kronik pada Ibu Hamil di Wilayah Kerja Puskesmas Puuwatu,” Jukeshum J. Pengabdi. Masy., vol. 3, no. 1, pp. 7–11, 2023, doi: 10.51771/jukeshum.v3i1.402.

[16] B. S. Pratama and G. Purwanto, “Perbandingan K-Means dan K-Medoids dalam Pengelompokkan Tingkat Kejahatan pada Provinsi Jawa Tengah,” IDEALIS Indones. J. Inf. Syst., vol. 8, no. 2, pp. 295–303, 2025, doi: 10.36080/idealis.v8i2.3562.

[17] I. T. Utami, F. Suryaningrum, and D. Ispriyanti, “K-Means Cluster Count Optimization With Silhouette Index Validation and Davies Bouldin Index (Case Study: Coverage of Pregnant Women, Childbirth, and Postpartum Health Services in Indonesia in 2020),” BAREKENG J. Ilmu Mat. dan Terap., vol. 17, no. 2, pp. 0707–0716, 2023, doi: 10.30598/barekengvol17iss2pp0707-0716.