Penggunaan sistem manajemen informasi yang dimiliki oleh rumah sakit masih terbatas digunakan hanya untuk operasional transaksi pelayanan pasien sehari-hari dan pembuatan laporan saja. Penggunaan SIMRS ini belum optimal, seharusnya tumpukan data yang tersimpan di dalam database server dapat digunakan untuk menghasilkan informasi baru jika kita gali lebih dalam dengan pendekatan IT Salah satu teknologi dalam system Metode K-Means Clustering Algoritma K-Means Clustering Analisa clusterisasi dibagi menjadi dua, yaitu analisa data poliklinik yang memiliki waktu tunggu baik, dan juga analisa data poliklinik yang memiliki waktu tunggu buruk. Waktu tunggu baik dan buruk tersebut berdasarkan jumlah data cluster 1 dan jumlah data cluster 5 sebagai representatif jumlah data dengan waktu tunggu singkat dan jumlah data dengan waktu tunggu yang lama. Implementasi K-Means Clustering pada data waktu tunggu rumah sakit telah berhasil dilakukan dengan menggunakan algoritma K-Means untuk mengelompokkan poliklinik ke dalam cluster berdasarkan durasi waktu tunggu pasien hasil analisis K-Means Clustering memberikan wawasan yang berharga untuk evaluasi dan perbaikan manajemen waktu tunggu poliklinik, dengan fokus pada identifikasi faktor penyebab dan implementasi perbaikan pada poliklinik yang menunjukkan performa kurang optimal.

The use of the information management system owned by the hospital is still limited to being used only for the operation of daily patient service transactions and the preparation of reports. The use of SIMRS is not optimal, the pile of data stored in the server database should be used to generate new information if we dig deeper with an IT approach One of the technologies in the K-Means Clustering Method K-Means Clustering Algorithm Clustering analysis is divided into two, namely polyclinic data analysis that has a good waiting time, and also polyclinic data analysis that has a bad waiting time. The good and bad waiting times are based on the number of cluster 1 data and the number of cluster 5 data as representative of the number of data with a short waiting time and the number of data with a long waiting time1. The implementation of K-Means Clustering on hospital waiting time data has been successfully carried out by using the K-Means algorithm to classify.