Prediksi Tujuan Poliklinik Berdasarkan Gejala Pasien Menggunakan Algoritma XGBoost (Studi Kasus: Rumah Sakit Daerah Kalisat)
Tahun 2026 · Penulis: Restanti Mayzaluna Sakinan Dita
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/11982
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Rumah sakit memiliki berbagai poliklinik dengan layanan yang berbeda sesuai kebutuhan pasien. Dalam praktiknya, pasien sering kali tidak mengetahui secara pasti poliklinik yang sesuai dengan keluhan yang dialami. Berdasarkan hasil observasi di Rumah Sakit Daerah Kalisat, proses penentuan tujuan poliklinik masih dilakukan secara manual melalui komunikasi antara pasien dan petugas administrasi. Kondisi ini berpotensi menimbulkan ketidaktepatan penentuan tujuan poliklinik, terutama ketika jumlah kunjungan pasien tinggi dan perbedaan pemahaman antara pasien dan petugas administrasi. Oleh karena itu, diperlukan suatu sistem yang dapat membantu mengklasifikasikan tujuan poliklinik secara cepat dan akurat berdasarkan gejala pasien. Penelitian ini bertujuan untuk membangun model klasifikasi tujuan poliklinik menggunakan algoritma XGBoost serta mengimplementasikannya ke dalam aplikasi berbasis website. Model yang dihasilkan diharapkan dapat membantu proses penentuan tujuan poliklinik berdasarkan gejala pasien, sehingga pasien memperoleh rekomendasi layanan yang lebih sesuai dan petugas administrasi memperoleh dukungan dalam proses pengambilan keputusan secara lebih cepat dan konsisten. Dataset yang digunakan merupakan data rekam medis pasien rawat jalan Rumah Sakit Daerah Kalisat periode 1 Desember 2024 hingga 20 September 2025 dengan jumlah 23.045 data. Tahapan penelitian dimulai dari pengumpulan data, pre-processing, feature engineering kategori usia, seleksi fitur menggunakan TFIDF dan Chi-Square, pembagian data latih dan data uji, pembangunan model menggunakan algoritma XGBoost, serta evaluasi model menggunakan confusion matrix, accuracy, precision, recall, dan f1-score. Untuk meningkatkan performa model, dilakukan hyperparameter tuning menggunakan metode Random Search. Selain itu, dilakukan pengujian beberapa skenario model untuk mengetahui pengaruh penerapan class weighting dan hyperparameter tuning terhadap hasil klasifikasi. Hasil penelitian menunjukkan bahwa dari beberapa skenario yang diuji, model XGBoost dengan hyperparameter tuning menghasilkan performa terbaik dengan nilai accuracy sebesar 85,78%, precision sebesar 86,19%, recall sebesar 85,78%, dan f1-score sebesar 85,82%. Hasil evaluasi menunjukkan bahwa model mampu mengklasifikasikan sebagian besar tujuan poliklinik dengan baik, terutama pada Poli Anak, Poli Kandungan, dan Poli Mata yang memperoleh nilai precision, recall, dan f1-score di atas 90%. Meskipun demikian, masih ditemukan beberapa kesalahan klasifikasi pada poliklinik yang memiliki gejala serupa, seperti Poli Penyakit Dalam, Poli Jantung, Poli Bedah, dan Poli Orthopedi/Traumatologi. Model yang dihasilkan menggunakan 13 fitur input yang terdiri dari 12 fitur gejala dan 1 fitur kategori usia. Selanjutnya, model diimplementasikan ke dalam aplikasi berbasis website menggunakan Streamlit. Sistem yang dikembangkan mampu menampilkan rekomendasi tujuan poliklinik berdasarkan gejala pasien beserta probabilitas prediksi untuk setiap poliklinik. Hasil black box testing menunjukkan bahwa seluruh fungsi sistem berjalan sesuai dengan yang diharapkan. Berdasarkan hasil penelitian, dapat disimpulkan bahwa algoritma XGBoost mampu digunakan untuk membantu proses klasifikasi tujuan poliklinik berdasarkan gejala pasien. Model yang dihasilkan memiliki performa yang baik dan berhasil diimplementasikan dalam bentuk aplikasi berbasis web sehingga berpotensi mendukung proses pelayanan pasien di rumah sakit.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,905
Tahun 2026 · Penulis: Monica Caroline Gulo
Implementasi Algoritma Extreme Gradient Boosting (XGBoost) untuk Prediksi Kunjungan Pasien Rawat Jalan Berbasis Website (Studi Kasus: RSD dr. Soebandi Jember)
Pelayanan rawat jalan merupakan salah satu layanan utama rumah sakit yang memerlukan perencanaan operasional yang baik agar pelayanan tetap optimal. Jumlah kunjungan pasien yang berfluktuasi dapat memengaruhi pengalokasian tenaga kesehatan, penyediaan sarana,
- Cosine 0,895
Tahun 2026 · Penulis: Lailatul Eky Fitriyaningsih
Klasifikasi Tingkat Triase Pasien IGD Menggunakan Random Forest dengan Pendekatan Cost-Sensitive Learning (Studi Kasus: Rumah Sakit Daerah Kalisat)
Rumah Sakit Daerah Kalisat, sebuah rumah sakit umum tipe C, melayani pasien gawat darurat dengan kondisi klinis yang beragam sehingga membutuhkan proses triase Instalasi Gawat Darurat (IGD) yang cepat dan akurat. Kesalahan triase, khususnya undertriage, dapat
- Cosine 0,873
Tahun 2026 · Penulis: Muhammad Afif Rohman Muzaky
Penerapan Hybrid K-Means Clustering dan Prefixspan untuk Analisis Trajektori Penyakit Katastropik sebagai Deteksi Dini Risiko Komplikasi
Penyakit katastropik merupakan tantangan utama layanan kesehatan di Indonesia yang memiliki karakteristik progresif dan multimorbiditas. Pendekatan diagnosis klinis konvensional seringkali berfokus secara statis pada satu titik waktu, sehingga gagal menangkap