Prediksi Jumlah Pasien Masuk Rumah Sakit Menggunakan Metode Random Forest

Penulis

  • Akhmad Sufyan Asaury Sistem Informasi, Universitas Sapta Mandiri, Indonesia
  • Abdul Hamid Sistem Informasi, Universitas Sapta Mandiri, Indonesia https://orcid.org/0009-0000-6995-4409
  • Gandung Triyono Ilmu Komputer, Universitas Budi Luhur, Jakarta, Indonesia

DOI:

https://doi.org/10.52436/1.jpti.660

Kata Kunci:

Machine learning, prediksi pasien, Random Forest, rumah sakit

Abstrak

Kesehatan merupakan kebutuhan utama masyarakat pada masa kini, sehingga peningkatan sarana pelayanan kesehatan menjadi hal yang krusial untuk mencapai derajat kesehatan yang optimal sesuai dengan tujuan pembangunan kesehatan. Rumah sakit sering menghadapi lonjakan pasien setiap harinya, terutama pada instalasi rawat inap. Prediksi jumlah pasien masuk seringkali menggunakan metode sederhana seperti rata-rata historis yang kurang akurat, sehingga menyebabkan ketidakefisienan dalam pengelolaan sumber daya, pengendalian biaya, dan penyediaan layanan berkualitas. Data yang digunakan dalam penelitian ini adalah data bangsal dari Januari 2021 hingga Desember 2022, yang diperoleh dalam format Excel dengan total 730 data selama dua tahun. Penelitian ini bertujuan untuk mengembangkan model prediksi berbasis Random Forest yang dapat memperkirakan jumlah pasien masuk rumah sakit secara akurat dengan mempertimbangkan berbagai faktor, seperti demografi pasien dan variabel waktu. Proses penelitian melibatkan pengumpulan data, preprocessing untuk membersihkan dan mempersiapkan dataset, pelatihan model, serta evaluasi kinerja menggunakan metrik seperti Mean Squared Error (MSE), Mean Absolute Error (MAE), dan Root Mean Squared Error (RMSE). Hasil evaluasi menunjukkan bahwa model prediksi memiliki performa yang baik dengan nilai MSE sebesar 0,64, MAE sebesar 0,60, dan RMSE sebesar 0,80, yang mengindikasikan tingkat kesalahan prediksi yang rendah. Informasi prediksi jumlah pasien ini memberikan dampak signifikan bagi manajemen rumah sakit dalam mengelola kapasitas, seperti alokasi tempat tidur, tenaga medis, dan peralatan medis, sehingga efisiensi operasional dapat ditingkatkan. Dengan demikian, metode prediksi berbasis Random Forest tidak hanya memberikan hasil yang akurat, tetapi juga dapat diterapkan secara langsung untuk mendukung pengambilan keputusan strategis di lingkungan rumah sakit.

Unduhan

Data unduhan belum tersedia.

Referensi

E. N. Rahmawati and M. A. Laras, “PREDIKSI KUNJUNGAN PASIEN RAWAT JALAN DI RSAU dr. SISWANTO LANUD ADI SOEMARMO KARANGANYAR TAHUN 2022-2026,” Infokes J. Ilm. Rekam Medis dan Inform. Kesehat., vol. 13, no. 1, pp. 52–63, 2023, doi: 10.47701/infokes.v13i1.2561.

2019 Permenkes RI, No. 30, “PERATURAN MENTERI KESEHATAN REPUBLIK INDONESIA NOMOR 30 TAHUN 2019,” Prog. Retin. Eye Res., vol. 561, no. 3, pp. S2–S3, 2019.

F. Lawalata, E. Sediyono, and H. Purnomo, “Analisis Prediksi Jumlah Pasien Rawat Inap di Rumah Sakit GMIM Siloam Sonder Menggunakan Metode Triple Exponential Smoothing,” Jointer - J. Informatics Eng., vol. 2, no. 01, pp. 32–26, 2021, doi: 10.53682/jointer.v2i01.28.

N. 56 Permenkes RI, “Peraturan Menteri Kesehatan RI No 24 tahun 2022 Tentang Klasifikasi dan Perizinan Rumah Sakit,” Rev. CENIC. Ciencias Biológicas, vol. 17, no. 3, pp. 1–26, 2014, [Online]. Available: file:///Users/andreataquez/Downloads/guia-plan-de-mejora-institucional.pdf%0Ahttp://salud.tabasco.gob.mx/content/revista%0Ahttp://www.revistaalad.com/pdfs/Guias_ALAD_11_Nov_2013.pdf%0Ahttp://dx.doi.org/10.15446/revfacmed.v66n3.60060.%0Ahttp://www.cenetec.

Syahbaniar, Desi, Rachmawati, Ervina, Erawantini, and Feby, “Perhitungan Perkiraan Kebutuhan Tempat Tidur Bangsal Kutilang Rsup Dr Kariadi Semarang,” J-REMI J. Rekam Med. dan Inf. Kesehat., vol. 2, no. 2, pp. 279–287, 2021, doi: 10.25047/j-remi.v2i2.2200.

L. Cheng, M. Tapia, K. Menzel, M. Page, and W. Ellis, “Predicting Need for Hospital Beds to Reduce Emergency Department Boarding,” Perm. J., vol. 26, no. 4, pp. 14–20, 2022, doi: 10.7812/TPP/21.211.

M. Tello et al., “Machine learning based forecast for the prediction of inpatient bed demand,” BMC Med. Inform. Decis. Mak., vol. 22, no. 1, pp. 1–14, 2022, doi: 10.1186/s12911-022-01787-9.

L. Zhou, P. Zhao, D. Wu, C. Cheng, and H. Huang, “Time series model for forecasting the number of new admission inpatients,” BMC Med. Inform. Decis. Mak., vol. 18, no. 1, pp. 1–11, 2018, doi: 10.1186/s12911-018-0616-8.

F. W. REYNOLDS, “Early detection of diabetes mellitus.,” N. Y. State J. Med., vol. 59, no. 5, pp. 809–810, 2021.

W. M. Baihaqi, Dianingrum Melia, and Ramadhan Nuzul Aswin Kurnia, “Regresi Linier Sederhana Untuk Memprediksi Kunjungan,” J. SIMETRIS, vol. 10, no. 2, pp. 671–680, 2019.

W. Aser, Samosir Hizkia, and Gantini Tiur, “Analisis Dataset COVID-19 menggunakan Algoritma KNN dan Random Forest,” J. Strateg. - J. Maranatha, vol. 4, no. 1, pp. 58–69, 2022, [Online]. Available: https://mail.strategi.it.maranatha.edu/index.php/strategi/article/view/325

C. Wungkana, M. Aror, G. Arther Sandag, J. Arnold Mononutu, A. Bawah, and K. Airmadidi, “Model Prediksi Penderita HCC Menggunakan Algoritma Random Forest,” J. Sist. Inf., vol. 10, no. 1, pp. 1–6, 2022, doi: 10.26418/justin.v10i1.44103.

Latha, Christalin Beulah, C., and J. C. S., “Improving the accuracy of prediction of heart disease risk based on ensemble classification techniques,” Informatics Med. Unlocked, vol. 16, no. November 2018, p. 100203, 2019, doi: 10.1016/j.imu.2019.100203.

A. R. Haristu, Rosa Prima, and H. Paulina, “Penerapan Metode Random Forest untuk Prediksi Win Ratio Pemain Player Unknown Battleground,” MEANS (Media Inf. Anal. dan Sist., vol. 4, no. 2, pp. 120–128, 2019, doi: 10.54367/means.v4i2.545.

M. Manic, “Data Mining,” Ind. Electron. Handb. - Five Vol. Set, 2011.

##submission.downloads##

Diterbitkan

2025-02-14

Cara Mengutip

Sufyan Asaury, A., Hamid, A., & Triyono, G. (2025). Prediksi Jumlah Pasien Masuk Rumah Sakit Menggunakan Metode Random Forest. Jurnal Pendidikan Dan Teknologi Indonesia, 5(2), 447-459. https://doi.org/10.52436/1.jpti.660