PENGELOMPOKKAN TINGKAT RISIKO KESEHATAN LANSIA BERDASARKAN USIA, TEKANAN DARAH, DAN RIWAYAT PENYAKIT MENGGUNAKAN ALGORITMA K-MEANS DI DESA NAGREG KENDAN
Keywords:
K-Means Clustering, Lansia, Tekanan Darah, Riwayat PenyakitAbstract
Peningkatan jumlah lansia di Indonesia berdampak pada meningkatnya kasus penyakit tidak menular seperti hipertensi, diabetes, dan gangguan kardiovaskular. Kondisi ini menuntut adanya pemanfaatan teknologi informasi untuk mengidentifikasi pola kesehatan secara lebih akurat dan mendukung pengambilan keputusan medis berbasis data. Penelitian ini bertujuan untuk melakukan pengelompokan lansia di Desa Nagreg Kendan berdasarkan variabel usia, tekanan darah sistolik–diastolik, dan riwayat penyakit menggunakan algoritma K-Means clustering. Data diperoleh dari hasil pemeriksaan langsung di Posyandu Lansia serta catatan kesehatan sekunder dari Puskesmas Nagreg. Tahapan penelitian meliputi pengumpulan data, pembersihan data, transformasi variabel kategorikal, normalisasi menggunakan metode Min–Max, serta proses klasterisasi dengan inisialisasi K-Means++. Untuk memastikan kualitas klaster, penelitian ini menggunakan Davies-Bouldin Index (DBI) sebagai metrik evaluasi. Hasil pengujian menunjukkan bahwa nilai DBI terendah diperoleh pada jumlah klaster tertentu, (berdasarkan hasil perhitungan pada analisis) yang mengindikasikan bahwa klaster yang terbentuk memiliki tingkat kemiripan internal yang kuat dan jarak antar klaster yang baik. Setiap klaster menggambarkan karakteristik kesehatan lansia yang berbeda, mulai dari kelompok dengan risiko rendah hingga kelompok risiko tinggi berdasarkan kombinasi usia, tekanan darah, serta riwayat penyakit kronis. Temuan ini memberikan gambaran yang jelas mengenai distribusi risiko kesehatan lansia di Nagreg Kendan. Penelitian ini membuktikan bahwa metode K-Means efektif digunakan untuk segmentasi kesehatan berbasis wilayah dan dapat menjadi dasar untuk pengembangan sistem pendukung keputusan medis di tingkat desa. Hasil klasterisasi dapat dimanfaatkan oleh tenaga kesehatan untuk melakukan pemantauan lebih terarah, menyusun strategi pencegahan, serta menentukan prioritas intervensi bagi kelompok lansia dengan risiko lebih tinggi.
References
A. E. Schutte, “Global burden of hypertension in low- and middle-income countries,” 2021.
O. A. Uthman, “Epidemiology of non-communicable diseases in aging populations,” 2022.
M. Khan, “Multimorbidity and health outcomes among older adults in developing countries,” 2022.
C. Hategeka, “Chronic disease management challenges in low-resource settings,” 2022.
B. Zhou, “Hypertension and diabetes prevalence in aging populations of developing countries,” 2021.
T. J. Loftus, “K-Means clustering in clinical decision support systems,” 2022.
A. Habehh and S. Gohel, “Comparative study of clustering algorithms in healthcare data,” 2021.
Y. Yang, “Visualization-enhanced clustering for health data analytics,” 2024.
Downloads
Published
Issue
Section
Citation Check
License
Copyright (c) 2026 Novia Ramadhani, Nana Suarna, Agus Bahtiar, Edi Tohidi

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




