Intergrasi Algoritma Clustering K-Means dan Simulasi Stokastik untuk Pemetaan dan Prediksi Peningkatan Kualitas Layanan Rehabilitasi

Aninda Evioni; Khoiratul Azmi; Silfia Rahmadani Sitorus; Salsabila Putri Hati Siregar; Zahra Dwi Nuraini

doi:10.61132/mars.v3i6.1244

Authors

Aninda Evioni Universitas Islam Negeri Sumatera Utara
Khoiratul Azmi Universitas Islam Negeri Sumatera Utara
Silfia Rahmadani Sitorus Universitas Islam Negeri Sumatera Utara
Salsabila Putri Hati Siregar Universitas Islam Negeri Sumatera Utara
Zahra Dwi Nuraini Universitas Sunan Ampel

DOI:

https://doi.org/10.61132/mars.v3i6.1244

Keywords:

Decision Support System, K-Means Clustering, Public Policy, Service Quality, Stochastic Simulation

Abstract

The disparity in the quality of rehabilitation services across regional work units presents a significant challenge to effective public management. This study aims to bridge the gap between problem diagnosis and policy prediction by proposing a hybrid, data-driven approach. We integrate K-Means Clustering to map the current state of service quality and Stochastic Simulation to predict the impact of strategic interventions. Using the 2024 Public Satisfaction Index (IKM) dataset from the National Narcotics Agency (BNN), the K-Means algorithm initially identified 26 work units (15.7%) in the "Red Zone" (critical performance), highlighting urgent areas for improvement. Next, a stochastic simulation modeling a "Directed Priority Intervention" scenario was run. The results predicted a significant structural shift in the distribution of service quality, characterized by an 80.8% decrease in critical units (down to 5 units) and a 71.8% increase in excellent performing units (up to 67 units). These findings validate that the integration of clustering and simulation provides a comprehensive framework for evidence-based decision-making, enabling policymakers to optimize resource allocation and efficiently accelerate national service standardization.

References

Andryanto, LN (2025). Tinjauan Literatur Sistematis tentang Simulasi Sistem Antrean di Rumah Sakit : Model, Aplikasi, dan Evaluasi Kinerja, 3,

Atalan, A., Sahin, H., & Atalan, YA (2022). Integrasi Algoritma Pembelajaran Mesin dan Simulasi Kejadian Diskrit untuk Biaya Sumber Daya Kesehatan, https://doi.org/10.3390/healthcare10101920

Desi, E., Aliyah, S., Dari, W., Nasution, FP, Maisaroh, E., Informasi, SS, Teknik, F., Utama, UP, & Utara, PS (2025). Penerapan Metode Monte Carlo untuk Simulasi Prediksi Tingkat Penjualan Coklat Khas Dubai Abstrak, 6 (2), 1212–1221.

Faqih, LR, Riska, SY, Studi, P., Informatika, T., Teknologi, I., & Malang, A. (2024). Analisis Klasterisasi Penyakit Malaria Menggunakan Metode K-Means di Indonesia, 18 (1), 60–70.

Hadid, M., Elomri, A., Padmanabhan, R., Kerbache, L., Jouini, O., Omri, A. El, Nounou, A., & Hamad, A. (2022). Optimasi Klaster dan Simulasi Stokastik untuk Perencanaan dan Penjadwalan Janji Kemoterapi Rawat Jalan, https://doi.org/doi.org/10.3390/ijerph192315539

Herawati, N., Nisa, K., & Saidi, S. (2022). Implementasi Metode Klaster Trimmed k-means dalam Pemetaan Sebaran Covid-19 di Indonesia. Implementasi Metode Klaster Trimmed k-means dalam Pemetaan Sebaran Covid-19 di Indonesia, 050012 (Oktober).

Khaerullah, RR, Suarna, N., & Nurdiawan, O. (2023). Analisa Pengelompokan Dataset Komputer Menggunakan Algoritma X-Means. Jurnal Informatika Dan Teknologi Informasi, 1 (2). https://doi.org/10.56854/jt.v1i2.135

Murdianto, G.thoriq, Fadillah, FK, Arofik, J., & Purnamasari, P. (2025). Strategi Dan Analisis Risiko Dalam Manajemen Investasi Modern. Jurnal Ilmiah Ekonomi Dan Manajemen, 3 (7), 313–317. https://doi.org/10.61722/jiem.v3i7.5990

Nahsyawan, DN (2025). Pendekatan Simulasi dalam Optimalisasi Sistem Antrian Pelayanan Kesehatan : Tinjauan Sistematis Literatur,

Oktaviani. (2023). 1, 2, 3 3, 1, 24–35. https://doi.org/10.70377/jbn.v1i1.5210

Pratama, FD, & Zufria, I. (2022). Implementasi data mining menggunakan algoritma naïve bayes untuk klasifikasi program penerima indonesia pintar 1) 1,2,3), 7 (1), 77–84. https://doi.org/https://doi.org/10.36341/rabit.v7i1.2217

Sinaga, R., & Raihansyah, M. (2025). Analisis Segmentasi Pasien Berdasarkan Persepsi Kualitas Pelayanan dengan Algoritma Clustering, 5 (1), 52–58.

Timothy Napitupulu, E., & Aldi Jous Nainggolan, F. (nd). PERBANDINGAN ALGORITMA K-MEANS DAN X-MEANS UNTUK MENGELOMPOKKAN MINAT KEJURUAN SISWA BARU PADA SMK MULTIKARYA MEDAN MENGGUNAKAN METODE CLUSTERING. Jurnal TEKINKOM, 6 (2), 2023. https://doi.org/10.37600/tekinkom.v6i2.933

Yolanda, E. (2023). Penerapan Algoritma K-Means Clustering Untuk Pengelompokan Data Pasien Rehabilitasi Narkoba, 4 (1), 182–191. https://doi.org/10.30865/klik.v4i1.1107

Zuhendra, MI, Hidayat, R., & Hendrawaty, H. (2024). Penerapan Data Mining Untuk Klasterisasi Tingkat Kemiskinan Berdasarkan Data Terpadu Kesejahteraan Sosial (Dtks). SKANIKA: Sistem Komputer Dan Teknik Informatika, 7 (1), 32–41. https://doi.org/10.36080/skanika.v7i1.3149