Puskesmas merupakan unit pelaksana fungsional yang berperan sebagai pusat pembangunan kesehatan, pusat partisipasi masyarakat bidang kesehatan dan pusat pelayanan kesehatan primer. Masalah yang dialami puskesmas ini adalah perecanaan kebutuhan obat yang tidak efektif dan efisien. Penggunaan data mining ini dapat mengendalikan stok obat agar tidak terjadi penumpukan stok serta kehabisan stok obat. Clustering adalah teknik pengelompokan record dalam database berdasarkan kondisi tertentu. Metode yang akan digunakan untuk clustering data obat-obatan adalah algoritma K-Means dan K-Medoids yang merupakan metode clustering non hirarki yang mempartisi data ke dalam cluster sehingga data yang memiliki karakteristik yang sama akan dikelompokkan ke dalam cluster yang sama. Tujuan dari penelitian ini adalah untuk mengelompokkan data obat-obatan di Puskesmas Karangsambung yang dapat digunakan sebagai referensi untuk perencanaan obat yang akan datang di puskesmas tersebut. Pengelompokkan data dibagi menjadi tiga yaitu lambat, sedang dan cepat. Hasil yang didapatkan yaitu kedua algoritma tersebut menunjukan bahwa algoritma K-Means mendapatkan hasil Silhouette Coefficient lebih tinggi yaitu sebesar 0,627 sedangkan K-Medoids sebesar 0,536.

Classification is a technique that can be used for prediction, where the predicted value is a label. The classification of drug determination aims to predict the type of drug that is accurate for patients with the dataset that has been obtained. The data used in this study are data from the patient's medical records based on the symptoms of the disease but the type of medicine is not yet known. The data set used comes from kaggle.com which is then presented in the form of a decision tree with a mathematical model. To complete this research, a classification method is used in data mining, namely the decision tree. The decision tree method is used to find the relationship between a number of candidate variables, so that it becomes a classification target variable by dividing the data into 70% data testing and 30% training data. The results obtained from this study are in the form of rules and an accuracy rate of 96.36% as well as the recall and precision values ​​of each type of drug using a multiclass configuration matrix.