Pengelompokan Data Puskesmas Banyuwangi Dalam Pemberian Imunisasi Menggunakan Metode K-Means Clustering

Peningkatan pelayanan dan penyuluhan layanan imunisasi untuk ibu, bayi dan balita di Puskesmas dalam mencapai target cakupan Imunisasi Dasar Lengkap (IDL). Kabupaten Banyuwangi memiliki 45 Puskesmas yang akan dikelompokkan menjadi 3 kategori, yaitu: Puskesmas mencapai target IDL dengan status cukup, Puskesmas mencapai target IDL dengan status kurang, dan Puskesmas mencapai target IDL dengan status sangat baik. Tujuan penelitian ini adalah untuk mengetahui Puskesmas dalam mencapai target cakupan IDL di Kabupaten Banyuwangi. Metode yang digunakan dalam penelitian ini adalah K-Means Clustering, dimana metode ini dapat mencari partisi yang maksimal dengan prosedur iterasi yang optimal dalam mengelompokkan data secara tepat, dan memiliki ketelitian yang akurat terhadap ukuran objek, sehingga lebih terukur dan efisien dalam pengolahan data yang besar. Kesimpulan dalam penelitian ini adalah cluster pertama memiliki 19 data puskesmas dengan target imunisasi cukup, cluster kedua memiliki 24 data puskesmas dengan target imunisasi kurang, dan cluster ketiga memiliki 2 data puskesmas dengan target imunisasi sangat baik, sehingga Dinas Kesehatan dapat memberikan tugas tambahan bagi kelompok Puskesmas yang memiliki target IDL dengan status kurang untuk mengurangi angka penyakit-penyakit yang dapat dicegah dengan imunisasi (PD3I). Improvement of immunization services and counselling services for mothers, infants, and toddlers in health care centres in achieving the target of Complete Basic Immunization (IDL). Banyuwangi Regency has 45 Puskesmas which will be grouped into 3 categories, namely: Puskesmas achieving IDL targets with sufficient status, Puskesmas achieving IDL targets with insufficient status, and Puskesmas achieving IDL targets with very good status. The purpose of this study was to determine the health centre in achieving the target of IDL coverage in the Banyuwangi Regency. The method used in this research is K-Means Clustering. This method will seek a maximal partition with optimum iteration procedure and has the best precision of the object measurement, so it is more scalable and efficient in processing a large data. The conclusion in this study is the first cluster has 19 health care centers data with sufficient immunization targets, the second cluster has 24 health care centers data with fewer immunization targets, and the third cluster has 2 health care centers data with very good immunization targets, so the Health Office can provide additional tasks for the Puskesmas group who have IDL targets with insufficient status to reduce the number of diseases that can be prevented by immunization (PD3I).