Analisis Komparasi Algoritma DBSCAN dan K-Means dalam Pemetaan Segmentasi Pasien Rawat Inap Menggunakan Model RFMT: Comparative Analysis of DBSCAN and K-Means Algorithms in Inpatient Patient Segmentation Using the RFMT Model Approach

Mohamad Shodikin; Nungky Taniasari

doi:10.57152/malcom.v5i4.2218

Authors

Mohamad Shodikin Universitas Anwar Medika
Nungky Taniasari Universitas Anwar Medika

DOI:

https://doi.org/10.57152/malcom.v5i4.2218

Keywords:

Clustering, DBSCAN, K-Means, Segmentasi Pasien, RFMT

Abstract

Rumah sakit memainkan peran strategis dalam memberikan layanan kesehatan berkualitas, khususnya layanan rawat inap. Model segmentasi pasien yang akurat diperlukan untuk mendukung pengambilan keputusan strategis dan meningkatkan loyalitas pasien. Studi ini mengusulkan analisis komparatif dua algoritma clustering, DBSCAN dan K-Means, untuk segmentasi rawat inap menggunakan model Recency, Frequency, Monetary, and Interpurchase Time (RFMT). Berbeda dengan studi sebelumnya yang berfokus pada ritel dan pemasaran, penelitian ini menerapkan RFMT secara spesifik pada data rawat inap rumah sakit. Dataset yang diperoleh dari Rumah Sakit X di Sidoarjo periode (Januari–Oktober 2022), telah diproses terlebih dahulu dan diubah ke dalam format RFMT. Algoritma DBSCAN dan K-Means dievaluasi menggunakan indeks validitas klaster internal: Silhouette Index (SI) dan Calinski-Harabasz Index (CHI). Hasil eksperimen menunjukkan bahwa DBSCAN mencapai SI terbaiknya sebesar 0,384 (Eps=0,9, MinPts=24) tetapi menghasilkan banyak titik noise, sementara K-Means berkinerja lebih baik dengan SI=0,399 dan CHI=14.625,319 pada k=7 klaster. Temuan ini menyoroti bahwa K-Means menghasilkan klaster yang lebih stabil dan valid dalam konteks ini, sementara DBSCAN mengalami kesulitan karena distribusi kepadatan dataset. Studi ini berkontribusi dengan menunjukkan penerapan clustering berbasis RFMT pada data rumah sakit dan membandingkan kekuatan dan keterbatasan dua algoritma yang banyak digunakan.

Downloads

Download data is not yet available.

References

Aditama, tjandra yoga. (2004). Manajemen administrasi rumah sakit. Edisi 2. Jakarta: ui press

C. Benabdellah, a. Benghabrit, and i. Bouhaddou, “a survey of clustering algorithms for an industrial context,” procedia comput. Sci., vol. 148, pp. 291– 302, 2019, doi: 10.1016/j.procs.2019.01.022.

Chang, hc, tsai, hp, 2011. Analisis rfm grup sebagai kerangka kerja baru untuk menemukan perilaku konsumsi pelanggan yang lebih baik. Sistem pakar. Aplikasi 38 (12), 14499–14513. Https://doi.org/10.1016/j.eswa.2011.05.034.

Christy, aj, umamakeswari, a., priyatharsini, l., neyaa, a., 2018. Peringkat rfm–an pendekatan yang efektif untuk segmentasi pelanggan. Universitas j. King saud, komp. & info. Sains. Https://doi.org/10.1016/j.jksuci.2018.09.004

Elrod, c., stanley, s., cudney, e., fisher, c., 2015. Studi empiris memanfaatkan qfd untuk mengembangkan strategi pemasaran internasional. Https://doi.org/10.3390/su70810756.

Haider, t. And shakib, s. (2017) a study on the influences of advertisement on consumer buying be-havior. Business studies journal, 9.

Garbade, mj, 2018. Memahami k-means clustering pada machine learning. Https:// towardsdatascience.com/understanding-k-means-clustering-in-machinelearning-6a6e67336aa1.

Guo, j., gao, z., liu, n., wu, y., 2018. Merekomendasikan produk dengan pertimbangan waktu dan harga antar kategori multi kategori. Generasi masa depan. Komputer. Sistem. 78, 451– 461. Https://doi.org/10.1016/j.future.2017.02.031.

Hood, n., clarke, g., clarke, m., 2016. Segmentasi pasar toserba uk yang berkembang untuk perencanaan lokasi ritel. Int. Pdt. Distribusi ritel. Konsumsi. Res. 26 (2), 113–136. Https:// doi.org/10.1080/09593969.2015.1086403.

Hui, j., 2019. Machine learning-expectation-maximization algorithm (em). Https://medium.com/@jonathan_hui/machine-learning-expectation-maximization algorithmem-2e954cb76959.

Malav, k. Kadam, and p. Kamat, “prediction of heart disease using kmeans and artificial neural network as hybrid approach to improve accuracy,” int. J. Eng. Technol., vol. 9, no. 4, pp. 3081–3085, 2017.

W. Jing, c. Zhao, and c. Jiang, “an improvement method of dbscan algorithm on cloud computing” procedia comput. Sci., vol. 147, pp. 596–604, 2019, doi: 10.1016/j.procs.2019.01.208.

Maryani, i., riana, d., 2017. Clustering dan profiling pelanggan menggunakan rfm untuk rekomendasi manajemen hubungan pelanggan. Dalam: 2017 5th international conference on cyber and it service management (citsm), hlm. 1–6. Https://doi. Org/10.1109/ citsm.2017.8089258.

M. Metisen and h. L. Sari, “analisis clustering menggunakan metode k-means dalam pengelompokkan penjualan produk pada swalayan fadhila” j. Media infotama, vol. 11, no. 2, pp. 110-118. Issn: 1858 – 2680, 2015.

Miglautsch, jr, 2000. Pemikiran tentang penilaian rfm. J. Tanda basis data. Pelanggan manajer strategi. 8 (1), 67–72. Https://doi.org/10.1057/palgrave.jdm.3240019.

M. Pietrzykowski, “comparison of mini-models based on various clustering algorithms,” procedia comput. Sci., vol. 176, pp. 3563–3570, 2020, doi: 10.1016/j.procs.2020.09.030.

Seif, g., 2018. Algoritma pengelompokan data yang perlu diketahui para ilmuwan. Https:// towardsdatascience.com/the-5-clustering-algorithms-data-scientists-need-to-kno w-a36d136ef68.

Baarsch, j., & celebi, m. E., 2012. Investigation of internal validity measures for k-means clustering. International multiconference of engineers and computer scientists 1 (hal. 14-16). La: louisiana board of regents.

Rahmawati and m. Faisal, “analisis cluster untuk pengelompokan desa berdasarkan indikator penyakit diare,” saintifik, vol. 5, no. 1, pp. 75–80, 2019.

I. D. Iskandar, m. W. Pertiwi, m. Kusmira, and i. Mirulloh, “komparasi algoritma clustering data media online,” j. Ikraith inform., vol. 2, no. 4, pp. 1–8, 2018.

M. A. Nahdliyah, t. Widiharih, and a.prahutama, “metode k-medoids clustering dengan validasi silhouette index dan cindex,” vol. 8, no. 2, pp. 161–170, 2019.

X. Wang and y. Xu, “an improved index for clustering validation based on silhouette index and calinski-harabasz index,” iop conf. Ser. Mater. Sci. Eng., vol. 569, no. 5, 2019, doi: 10.1088/1757- 899x/569/5/052024

Yoseph, f., & heikkilä, m. (2018). Segmenting retail customers with an enhanced rfm and a hybrid regression/clustering method. In 2018 international conference on machine learning and data engineering (icmlde) (pp. 109–116). Ieee. Https://doi.org/10.1109/icmlde.2018.00029

Yeh, i.c., yang, k.j., ting, t.m., 2009. Knowledge discovery on rfm model using bernoulli sequence. Expert syst. Appl. 36 (3), 5866–5871. Https://doi.org/10.1016/j.eswa.2008.07.018.

Alvandi, m., fazli, s., abdoli, f.s., 2012. K-mean clustering method for analysis customer lifetime value with lrfm relationship model in banking services. Int. Res. Judgement 3 (11), 2294–2302.

Wei, j.t., lin, s.y., weng, c.c., wu, h.h., 2012. A case study of applying lrfm model in market segmentation of a children’s dental clinic. Expert syst. Appl. 39 (5), 5529–5533. Https://doi.org/10.1016/j.eswa.2011.11.066.

Morrison, d.g., 1966. Interpurchase time and brand loyalty. J. Mar. Res. 3 (3), 289–291. Https://doi.org/10.1177/002224376600300309.

Vakratsas, d., bass, f.m., 2002. The relationship between purchase regularity and propensity to accelerate. J. Retailing 78 (2), 119–129. Https://doi.org/10.1016/s0022-4359(02)00068-4.

Meyer-waarden, l., 2008. The influence of loyalty programme membership on customer purchase behaviour. Eur.j.mark. 42 (1/2), 87–114.https://doi.org/10.1108/03090560810840925.

Guo, r.s., 2009. A multi-category inter-purchase time model based on hierarchical bayesian theory. Expert syst. Appl. 36 (3), 6301–6308. Https://doi.org/10.1016/j.eswa.2008.08.059.

Anitha, p., patil, m.m., 2019. Rfm model for customer purchase behavior using k-means algorithm. J. King saud univ., comp. & info. Sci. Https://doi.org/10.1016/j. Jksuci.2019.12.011.

A. C. Benabdellah, a. Benghabrit, and i. Bouhaddou, “a survey of clustering algorithms for an industrial context,”procedia comput. Sci., vol. 148, pp. 291–302, 2019, doi:10.1016/j.procs.2019.01.022.

I. Kamila, u. Khairunnisa, and m.mustakim, “perbandingan algoritma kmeans dan k-medoids untuk pengelompokan data transaksi bongkar muat di provinsi riau,” j. Ilm. Rekayasa dan manaj. Sist. Inf., vol. 5, no. 1, p. 119, 2019, doi: 10.24014/rmsi.v5i1.7381.

Mustakim et al., “DBSCAN algorithm: twitter text clustering of trend topic pilkada pekanbaru,” j. Phys. Conf. Ser., vol. 1363, no. 1, 2019, doi: 10.1088/1742-6596/1363/1/012001