Analisis Rekam Medis Pasien Diabetes Mellitus Melalui Implementasi Teknik Data Mining Di Rs X
DOI:
https://doi.org/10.69693/ijim.v4i3.1756Keywords:
data mining, diabetes melitus, rekam medis, clustering, klasifikasiAbstract
Penelitian ini bertujuan untuk menganalisis data rekam medis pasien Diabetes Mellitus melalui penerapan teknik data mining guna menemukan pola dan informasi yang dapat mendukung pengambilan keputusan di rumah sakit. Data yang digunakan merupakan data sekunder yang berasal dari rekam medis pasien di RS X, yang meliputi variabel seperti usia, jenis kelamin, kadar gula darah, riwayat penyakit, dan jenis penanganan. Metode yang digunakan dalam penelitian ini adalah pendekatan kuantitatif dengan tahapan analisis mengikuti proses Knowledge Discovery in Databases, yang meliputi seleksi data, pembersihan data, transformasi data, proses data mining, serta evaluasi hasil. Teknik data mining yang diterapkan meliputi metode klasifikasi menggunakan Decision Tree dan metode clustering menggunakan K-Means. Hasil penelitian menunjukkan bahwa teknik clustering mampu mengelompokkan pasien berdasarkan karakteristik yang serupa, seperti tingkat keparahan kondisi dan risiko komplikasi. Sementara itu, metode klasifikasi mampu memprediksi tingkat risiko pasien dengan tingkat akurasi yang cukup baik. Variabel seperti usia, kadar gula darah, dan riwayat penyakit ditemukan memiliki pengaruh signifikan terhadap kondisi pasien. Temuan ini menunjukkan adanya pola yang konsisten antara faktor risiko dan tingkat keparahan Diabetes Mellitus. Kesimpulan dari penelitian ini adalah bahwa penerapan teknik data mining pada data rekam medis pasien Diabetes Mellitus dapat menghasilkan informasi yang bermanfaat dan mendukung peningkatan kualitas pelayanan kesehatan. Metode yang digunakan terbukti efektif dalam mengolah data dalam jumlah besar serta membantu dalam proses pengambilan keputusan secara lebih tepat dan efisien.
Downloads
References
American Diabetes Association. (2024). Standards Of Care In Diabetes—2024. Diabetes Care, 47(Suppl. 1), S1–S350. Https://Doi.Org/10.2337/Dc24-SINT
Aggarwal, C. C. (2023). Data Mining: The Textbook (2nd Ed.). Springer. Https://Doi.Org/10.1007/978-3-031-24628-9
Géron, A. (2023). Hands-On Machine Learning With Scikit-Learn, Keras, And Tensorflow (3rd Ed.). O'Reilly Media.
Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts And Techniques (3rd Ed.). Morgan Kaufmann.
International Diabetes Federation. (2025). IDF Diabetes Atlas (11th Ed.). Brussels: International Diabetes Federation.
Kementerian Kesehatan Republik Indonesia. (2023). Profil Kesehatan Indonesia Tahun 2022. Jakarta: Kementerian Kesehatan RI.
Kementerian Kesehatan Republik Indonesia. (2020). Profil Kesehatan Indonesia 2019. Jakarta: Kemenkes RI.
Larose, D. T., & Larose, C. D. (2014). Discovering Knowledge In Data: An Introduction To Data Mining (2nd Ed.). Wiley.
Mcleod, R., & Schell, G. (2007). Management Information Systems (10th Ed.). Pearson Education.
Peraturan Menteri Kesehatan Republik Indonesia Nomor 269/MENKES/PER/III/2008 Tentang Rekam Medis. (2008). Jakarta: Kementerian Kesehatan RI.
Tan, P.-N., Steinbach, M., & Kumar, V. (2019). Introduction To Data Mining (2nd Ed.). Pearson.
Turban, E., Sharda, R., Delen, D., & King, D. (2011). Business Intelligence: A Managerial Approach (2nd Ed.). Pearson.
Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical Machine Learning Tools And Techniques (4th Ed.). Morgan Kaufmann.
World Health Organization. (2023). Diabetes. Geneva: World Health Organization. Https://Www.Who.Int/News-Room/Fact-Sheets/Detail/Diabetes
World Health Organization. (2021). Diabetes. Geneva: WHO. Retrieved From Https://Www.Who.Int/News-Room/Fact-Sheets/Detail/Diabetes
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Indonesian Journal of Innovation Multidisipliner Research

This work is licensed under a Creative Commons Attribution 4.0 International License.


















