Segmentasi Pasien Puekesmas Kamoning Menggunakan Fuzzy-Cmeans dengan Optimasi Inisialisasi Particle Swarm Optimization (PSO)

Puskesmas Puskesmas Komoning memiliki jumlah kunjungan pasien yang tinggi dengan karakteristik kesehatan yang beragam. Namun, pemanfaatan data rekam medis untuk segmentasi pasien secara sistematis masih terbatas sehingga pengelompokan pasien belum dilakukan secara optimal, dan rekomendasi pembagian pasien ke dalam tiga klaster pun belum didasarkan pada evaluasi kuantitatif terhadap struktur data pasien.Penelitian ini menggunakan metode Fuzzy C-Means yang dioptimasi dengan Particle Swarm Optimization (FCM-PSO) untuk melakukan segmentasi pasien berdasarkan karakteristik kesehatan, dengan pendekatan CRISP-DM yang meliputi tahap pemahaman bisnis, pemahaman data, persiapan data, pemodelan, dan evaluasi. Data yang digunakan merupakan data rekam medis pasien Puskesmas Komoning tahun 2025 sebanyak 14.648 kunjungan dengan tujuh variabel klinis, yaitu umur, berat badan, tinggi badan, tekanan darah sistolik, tekanan darah diastolik, respiratory rate, dan heart rate.Evaluasi menggunakan Silhouette Coefficient menunjukkan jumlah klaster optimal pada k 2, dengan nilai Silhouette Score sebesar 0,5111 pada FCM-PSO dan 0,5112 pada PSO-C, lebih unggul dibanding konfigurasi tiga klaster rekomendasi Puskesmas yang hanya menghasilkan nilai 0,4383.Berdasarkan hasil clustering, dua klaster yang terbentuk diinterpretasikan sebagai Cluster Risiko Rendah (Anak/Remaja) dengan kondisi kesehatan relatif stabil, dan Cluster Risiko Tinggi (Dewasa/Lansia) yang didominasi pasien dengan kecenderungan penyakit kronis seperti hipertensi dan diabetes. Hasil ini menunjukkan bahwa metode clustering dapat membantu memahami pola segmentasi pasien berdasarkan karakteristik kesehatan pada data rekam medis Puskesmas.