Prediksi Waktu Tunggu Pelayanan Pasien Rawat Jalan dengan Algoritma Random Forest
Predicting Outpatient Service Waiting Times with Random Forest Algorithm
Keywords:
Data Mining, Klasifikasi, Prediksi Waktu Tunggu, Random Forest, Rawat JalanAbstract
Waktu tunggu pelayanan merupakan salah satu langkah yang harus dilalui pasien untuk mendapatkan pelayanan kesehatan, dimulai dari pendaftaran hingga pemeriksaan oleh dokter. Penelitian ini bertujuan memprediksi waktu tunggu pelayanan pasien rawat jalan menggunakan algoritma Random Forest di Rumah Sakit Jiwa Dr. Soeharto Heerdjan. Prediksi ini diharapkan mempermudah pekerjaan petugas dan dapat diintegrasikan ke dalam aplikasi online untuk mengurangi penumpukan pasien. Metode data mining diterapkan menggunakan aplikasi Orange Data Mining dengan algoritma Random Forest. Penelitian dilakukan menggunakan 2.109 data dari tiga bulan di tahun 2023, yang setelah preprosesing menghasilkan 1.508 data dengan 8 atribut: usia, jenis kelamin, poliklinik, layanan yang dipilih, waktu datang, waktu sebelum bertemu dokter, durasi waktu tunggu, jaminan kesehatan, dan kategori pasien. Data dibagi menjadi dua bagian, yaitu data training sebanyak 1.055 dan data testing sebanyak 452. Hasil prediksi menunjukkan akurasi tinggi dengan nilai AUC 98,2%, CA 97,6%, F1 97,6%, precision 97,6%, dan recall 97,3%. Model ROC-curve dapat memisahkan tiga kategori waktu tunggu yaitu cepat, lambat, dan normal, dengan nilai akurasi mendekati 1. Visualisasi menggunakan Pythagorean Forest membantu mengidentifikasi kategori atau pola waktu tunggu pasien dengan akurasi yang tinggi.
References
K. Fajrin, Haeruddin, and R. A. Ahri, “Faktor Yang Mempengaruhi Waktu Tunggu Pelayanan Rawat Jalan Pasien di RSUD Kota Makasar,” Wind. Public Heal. J., vol. 2, no. 5, pp. 827–835, 2021.
Oktavy Budi Kusumawardhani, Rada Febria Kurniawati, “Faktor-Faktor Yang Mempengaruhi Petugas dalam Pelayanan Waktu Tunggu Pasien di Rumah Sakit,” no. 44, pp. 125–136, 2023.
S. Dwieka Septiani AdiwinotoIlmu, A. Negara, F. Ilmu, and U. N. Surabaya, “Kualitas Pelayanan Program Posyandu Kualitas Pelayanan Program Posyandu Jiwa terhadap Pasien ODGJ( Orang Dengan Gangguan Jiwa ) di Desa Mojotamping,” 2021
D. McIntyre and C. K. Chow, “Waiting Time as an Indicator for Health Services Under Strain: A Narrative Review,” Inq. (United States), vol. 57, 2020, doi: 10.1177/0046958020910305.
J. Chen, K. Li, Z. Tang, K. Bilal, and K. Li, “A parallel patient treatment time prediction algorithm and its applications in hospital queuing-recommendation in a big data environment,” IEEE Access, vol. 4, pp. 1767–1783, 2016, doi: 10.1109/ACCESS.2016.2558199.
M. D. Wahyudi, “Penerapan Data Mining Dengan Algoritma C4. 5 Dalam Prediksi Penjualan Buku,” J. Teknorama (Informatika dan …, vol. 1, no. 1, pp. 1–6, 2023,
A. Atalan, “Neural Network and Random Forest Algorithms for Estimation of the Waiting Times Based on the DES in ED,” Int. Conf. Contemp. Acad. Res., vol. 1, no. 1, pp. 14–20, 2023.
A. Cutler and D. R. Cutler, “Ensemble Machine Learning Random Forest,” Ensemble Mach. Learn., no. February 2014, 2012, doi: 10.1007/978-1-4419-9326-7.
UU “Keputusan Menteri Kesehatan Republik Indonesia No 377/Menkes/SK/III/2007.” 2007.
M. R. Akbar, Kepuasan Pasien Jaminan Kesehatan Nasional Terhadap Waktu Tunggu di Puskemas dan Klinik Mitra BPJS.
R. B. Fetter and J. D. Thompson, “Patients ’ Waiting Time and Doctors ’ Idle Time in the Outpatient _ Setting,” 1996.
D. P. Handayani, M. Mustafid, and B. Surarso, “Patient Queue Systems in Hospital Using Patient Treatment Time Prediction Algorithm,” Kinet. Game Technol. Inf. Syst. Comput. Network, Comput. Electron. Control, vol. 4, pp. 45–54, 2020, doi: 10.22219/kinetik.v5i1.1001.
S. Trivedi and N. Patel, “The Impact of Artificial Intelligence Integration on Minimizing Patient Wait Time in Hospitals,” Res. Rev. Sci. Technol. , vol. 3, no. 1, pp. 21–35, 2020,
M. Hanko et al., “Random Forest–Based Prediction of Outcome and Mortality in Patients with Traumatic Brain Injury Undergoing Primary Decompressive Craniectomy,” World Neurosurg., vol. 148, pp. e450–e458, 2021, doi: 10.1016/j.wneu.2021.01.002.
P. Patil and S. Thakur, “Patient waiting time prediction in hospital queuing system using improved random forest in big data,” IEEE Int. Conf. Issues Challenges Intell. Comput. Tech. ICICT 2019, 2019, doi: 10.1109/ICICT46931.2019.8977717.
J. Joseph, S. Senith, A. A. Kirubaraj, and J. S. R. Ramson, “Machine Learning for Prediction of Wait Times in Outpatient Clinic,” Procedia Comput. Sci., vol. 215, no. 2022, pp. 230–239, 2022, doi: 10.1016/j.procs.2022.12.026.
A. Azevedo and M. F. Santos, “KDD , SEMMA AND CRISP-DM?: A PARALLEL OVERVIEW Ana Azevedo and M . F . Santos,” IADIS Eur. Conf. Data Min., pp. 182–185,
P. C. Ncr et al., “Crisp-Dm,” SPSS inc, vol. 78, pp. 1–78,
H. Hidayat, A. Sunyoto, and H. Al Fatta, “Klasifikasi Penyakit Jantung Menggunakan Random Forest Clasifier,” J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), vol. 7, no. 1, pp. 31–40, 2023
E. W. Ambarsari and H. Herlinda, “Membangun Pythagoras Sebagai Visualisasi Random Forest Untuk Pemodelan Pohon Keputusan,” Fakt. Exacta, vol. 13, no. 3, pp. 132–139, 2020.
