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

Abstrak

Tingginya Angka Kematian Ibu (AKI) di Indonesia serta peningkatan kasus Kekurangan Energi Kronik (KEK) pada 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 mendeteksi pola kesehatan yang lebih mendalam. 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 berupa usia kehamilan, Lingkar Lengan Atas (LILA), dan tekanan darah yang kemudian direkayasa menjadi Mean Arterial Pressure (MAP). Pengolahan data dilakukan menggunakan bahasa pemrograman Python dalam lingkungan Jupyter Notebook melalui tahapan integrasi data, pembersihan, rekayasa fitur, seleksi fitur, transformasi, standarisasi, reduksi dimensi, pemodelan, dan evaluasi. Klasterisasi dilakukan 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 dan variasi risiko tekanan darah ibu hamil, yang berpotensi mendukung deteksi dini risiko kesehatan serta pengambilan keputusan berbasis data di Puskesmas Lahomi.