Klasifikasi Tingkat Triase Pasien IGD Menggunakan Random Forest dengan Pendekatan Cost-Sensitive Learning (Studi Kasus: Rumah Sakit Daerah Kalisat)
Tahun 2026 · Penulis: Lailatul Eky Fitriyaningsih
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/11983
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
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 menghambat penanganan pasien dan membahayakan keselamatan pasien. Di salah satu rumah sakit Indonesia, angka undertriage yang dilaporkan mencapai 26,6%, jauh melampaui batas toleransi 5% yang direkomendasikan oleh American College of Surgeons. Selain itu, distribusi kategori triase yang sangat tidak seimbang (kuning:hijau:merah = 26:3:1) menyebabkan model klasifikasi konvensional cenderung bias terhadap kelas mayoritas, sehingga kemampuannya dalam mengidentifikasi pasien kritis menjadi terbatas. Penelitian ini mengembangkan model klasifikasi triase IGD menggunakan algoritme Random Forest yang dikombinasikan dengan Cost-Sensitive Learning. Dataset yang digunakan terdiri atas 4.847 rekam medis gawat darurat yang dikumpulkan dari RSUD Kalisat pada periode Desember 2024 hingga September 2025 setelah melalui tahap preprocessing data. Dua skenario pembagian data latih dan uji (70:30 dan 80:20) dievaluasi untuk mengetahui pengaruh proporsi data latih terhadap kinerja model, dengan skenario 80:20 menghasilkan performa yang paling stabil dan seimbang. Selanjutnya, empat pendekatan Cost-Sensitive Learning, yaitu Balanced Class Weight, Ordinal Class Weight, Bayes Minimum Risk, dan Threshold Moving, dibandingkan satu sama lain. Pada pendekatan Bayes Minimum Risk dan Threshold Moving, diterapkan matriks biaya (cost matrix) dengan rasio 1:7 untuk memberikan penalti yang lebih besar pada kasus undertriage dibandingkan overtriage. Hasil penelitian menunjukkan bahwa model Random Forest dengan Threshold Moving memberikan kinerja paling stabil, dengan akurasi sebesar 82,78%, presisi 55,22%, recall 57,28%, F1-score 50,54%, dan AUC 80,39%. Secara klinis, model ini menghasilkan tingkat undertriage sebesar 2,58% dan overtriage sebesar 14,95%, yang keduanya masih berada dalam batas toleransi klinis yang dapat diterima, sekaligus meningkatkan secara signifikan kemampuan deteksi pasien kritis dibandingkan model baseline. Model tersebut selanjutnya diimplementasikan dalam bentuk aplikasi web berbasis Streamlit. Pengujian fungsional menunjukkan bahwa seluruh fitur sistem berjalan sesuai dengan yang diharapkan, sementara hasil validasi oleh dokter dan perawat IGD menunjukkan bahwa klasifikasi triase yang dihasilkan sistem konsisten dengan kondisi klinis pasien serta mampu mendukung proses pengambilan keputusan klinis.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,895
Tahun 2026 · Penulis: Restanti Mayzaluna Sakinan Dita
Prediksi Tujuan Poliklinik Berdasarkan Gejala Pasien Menggunakan Algoritma XGBoost (Studi Kasus: Rumah Sakit Daerah Kalisat)
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 Daer
- Cosine 0,847
Tahun 2025 · Penulis: Cindi Dewi Aprilia
Deteksi Kanker Paru-Paru pada Citra Chest X-Ray untuk Pasien Rumah Sakit Di Jember Menggunakan Deep Object Detection
Penelitian ini bertujuan mengembangkan sistem deteksi nodul paru sebagai indikator awal kanker paru-paru menggunakan algoritma YOLOv11 pada citra Xray. Tantangan utama dalam deteksi nodul adalah ukurannya yang kecil dan kemiripannya dengan struktur lain pada p
- Cosine 0,846
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