Implementasi Algoritma Extreme Gradient Boosting (XGBoost) untuk Prediksi Kunjungan Pasien Rawat Jalan Berbasis Website (Studi Kasus: RSD dr. Soebandi Jember)
Tahun 2026 · Penulis: Monica Caroline Gulo
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/12007
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
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, serta pengelolaan kapasitas layanan. Di RSD dr. Soebandi Jember, data kunjungan pasien telah tersimpan dalam sistem rekam medis elektronik, namun belum dimanfaatkan secara optimal sebagai dasar prediksi untuk mendukung pengambilan keputusan. Oleh karena itu, diperlukan model prediksi yang mampu memanfaatkan data historis internal rumah sakit secara efektif. Penelitian ini bertujuan menerapkan algoritma eXtreme Gradient Boosting (XGBoost) berbasis fitur temporal dengan optimasi hiperparameter menggunakan Random Search untuk memprediksi jumlah kunjungan pasien rawat jalan. Selain itu, penelitian ini mengevaluasi performa model menggunakan metrik Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE), serta mengembangkan dashboard berbasis website sebagai media visualisasi hasil prediksi. Penelitian menggunakan data kunjungan pasien rawat jalan harian periode Januari 2022 hingga September 2025. Tahapan penelitian meliputi praproses data, pembentukan fitur temporal, optimasi hiperparameter menggunakan Random Search dengan TimeSeriesSplit, evaluasi model, forecasting periode Oktober hingga Desember 2025 menggunakan recursive forecasting. Hasil penelitian menunjukkan bahwa model XGBoost dengan optimasi Random Search menghasilkan nilai MAE sebesar 34,70, RMSE sebesar 62,71, dan MAPE sebesar 5%, yang menunjukkan tingkat kesalahan prediksi relatif rendah. Hasil forecasting menunjukkan kecenderungan peningkatan jumlah kunjungan pasien selama periode Oktober–Desember 2025. Selain itu, hasil prediksi berhasil diimplementasikan ke dalam dashboard berbasis website yang menyajikan informasi prediksi dan data historis secara interaktif. Berdasarkan hasil penelitian, algoritma XGBoost berbasis fitur temporal dengan optimasi hiperparameter menggunakan Random Search mampu menghasilkan prediksi jumlah kunjungan pasien rawat jalan dengan tingkat kesalahan yang rendah.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,905
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 0,844
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 0,841
Tahun 2026 · Penulis: Riyan Setiyadi Hidayatullah
Prediksi Kunjungan Pasien Penyakit Hipertensi Primer di Puskesmas Jatiroto Menggunakan Metode Gated Recurrent Unit (GRU)
Hipertensi merupakan penyakit tidak menular dengan prevalensi tinggi di Indonesia (34,1%) yang memberikan beban operasional signifikan pada fasilitas kesehatan tingkat pertama. UPT Puskesmas Jatiroto menghadapi tantangan manajemen sumber daya akibat fluktuasi