Prediksi Lama Rawat Inap Pasien Postpartum Berdasarkan Faktor Risiko Klinis Dan Demografis Menggunakan Algoritma Random Forest
Keywords:
postpartum, Rawat inap, Random Forest Regressor, PrediksiAbstract
Lama rawat inap pasien nifas merupakan indikator penting dalam pelayanan rumah sakit, namun penentuannya masih sering dilakukan secara manual dan subjektif, yang dapat berdampak pada keoptimalan dan biaya perawatan. Penelitian ini mengembangkan sistem prediksi durasi rawat inap berbasis website menggunakan algoritma Random Forest Regressor . Sistem dirancang untuk memberikan estimasi otomatis berdasarkan data klinis dan demografi pasien, sehingga mendukung pengambilan keputusan yang lebih cepat dan tepat. Model yang dibor menggunakan satu set data uji dengan 10 atribut, yaitu usia , gravida , paritas , abortus , jenis persalinan, tekanan darah, hemoglobin, komplikasi kehamilan, riwayat penyakit, dan metode pembayaran. Evaluasi terhadap data uji dengan rata – rata nilai aktual sebesar 2.64 menghasilkan RMSE sebesar 0.39, MAE sebesar 0.16, MAPE 0.05 dan 0.72. Aplikasi website dibangun menggunakan Streamlit dan mampu memberikan prediksi real-time secara konsisten, sehingga berpotensi membantu meningkatkan kualitas layanan kesehatan, khususnya bagi pasien pasca melahirkan .
References
N. L. Revalin, “PENGARUH PERBAIKAN MUTU TERHADAP PENURUNAN LAMA RAWAT INAP ( LENGTH OF STAY ) : LITERATURE REVIEW,” vol. 5, pp. 13094–13103, 2024.
R. P. Wulandari and M. Mufdlilah, “Faktor demografi dan obstetrik dalam mempengaruhi kualitas hidup postpartum,” J. Kebidanan, vol. 9, no. 2, p. 129, 2020, doi: 10.26714/jk.9.2.2020.129-142.
R. A. Rusadi, Musdalifah, and Y. Iskandar, “Lama Waktu Rawat Inap Pasien Operasi Bedah Caesar,” J. Bidan, vol. 1, no. 1, pp. 24–28, 2023, [Online]. Available: https://journal.umbogorraya.ac.id/index.php/JB/article/view/298
B. A. Pratama, “Hubungan Usia Kehamilan dan Jenis Persalinan dengan Lama Rawat Inap Kasus Low Birth Weight di RS PKU Muhammadiyah Surakarta Tahun 2022,” Indones. J. Med. Sci., vol. 11, no. 1, pp. 63–70, 2024, doi: 10.55181/ijms.v11i1.474.
R. G. Wardhana, G. Wang, and F. Sibuea, “Penerapan Machine Learning Dalam Prediksi Tingkat Kasus Penyakit Di Indonesia,” J. Inf. Syst. Manag., vol. 5, no. 1, pp. 40–45, 2023, doi: 10.24076/joism.2023v5i1.1136.
R. P. Munggaran and M. Nurmalasari, “Predicting Outpatient Service Waiting Times with Random Forest Algorithm Prediksi Waktu Tunggu Pelayanan Pasien Rawat Jalan dengan Algoritma Random Forest,” vol. 5, no. January, pp. 35–40, 2025.
P. Syahputra, “Prediksi Lama Rawat Pasien Covid-19 Berbasis Machine Learning,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 9, no. 4, pp. 3374–3382, 2022, doi: 10.35957/jatisi.v9i4.2883.
I. Paryudi, E. Winarko, S. Priyanta, and S. R. C. Nursari, “Modeling of Personality Traits based on Demographic Data on Multi-Races Samples of Ages from 13 to 50 Years Old: Investigating the Effect of Race on Model,” Proc. - 2020 6th Int. Conf. Sci. Technol. ICST 2020, pp. 2–7, 2020, doi: 10.1109/ICST50505.2020.9732792.
I. Paryudi, A. Ashari, and A. M. Tjoa, “Personality Estimation using Demographic Data in a Personality-based Recommender System: A Proposal,” ACM Int. Conf. Proceeding Ser., 2019, doi: 10.1145/3366030.3366098.
R. Supriyadi, W. Gata, N. Maulidah, and A. Fauzi, “Penerapan Algoritma Random Forest Untuk Menentukan Kualitas Anggur Merah,” E-Bisnis J. Ilm. Ekon. dan Bisnis, vol. 13, no. 2, pp. 67–75, 2020, doi: 10.51903/e-bisnis.v13i2.247.
L. Benedict and U. M. Nusantara, “Prediksi Tingkat Kematian Covid-19 di Indonesia dengan menggunakan Metode Linear Regression,” pp. 5–12, 2022, [Online]. Available: https://kc.umn.ac.id/id/eprint/22407
