Prediksi Kunjungan Pasien Penyakit Hipertensi Primer di Puskesmas Jatiroto Menggunakan Metode Gated Recurrent Unit (GRU)
Tahun 2026 · Penulis: Riyan Setiyadi Hidayatullah
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/10247
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
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 jumlah kunjungan pasien hipertensi primer. Penelitian ini bertujuan membangun model peramalan (forecasting) menggunakan algoritma Gated Recurrent Unit (GRU) untuk memprediksi jumlah kunjungan pasien guna mengoptimalkan alokasi tenaga medis dan ketersediaan obat. Pendekatan yang digunakan meliputi Exploratory Data Analysis (EDA) dan pemodelan data runtun waktu (time-series). Evaluasi performa model diukur menggunakan metrik Root Mean Square Error (RMSE) dan Normalized Root Mean Squared Error (NRMSE). Hasil penelitian menunjukkan bahwa konfigurasi model terbaik dicapai pada rasio pembagian data 80:20 dengan time step 6. Konfigurasi ini menghasilkan nilai RMSE uji sebesar 50,36 dan NRMSE sebesar 17,36% (kategori acceptable). Selain itu, model ini mengungguli model baseline dengan penurunan tingkat kesalahan prediksi hingga 42%. Penerapan model untuk peramalan periode Januari hingga Juni 2025 memproyeksikan puncak kunjungan pada bulan Januari (302 pasien) dan titik terendah pada bulan April (255 pasien). Kesimpulannya, model GRU terbukti andal dan layak diimplementasikan sebagai instrumen pendukung keputusan objektif bagi manajemen UPT Puskesmas Jatiroto, khususnya dalam merencanakan pengadaan logistik obat dan mengelola tenaga medis.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,851
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 0,841
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 0,822
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