PREDIKSI LAMA TINGGAL PASIEN RAWAT INAP DI RUMAH SAKIT PADA MASA PANDEMI COVID-19 MENGGUNAKAN METODE ENSEMBLE LEARNING DAN DECISSION TREE

Abstract

Beban pada sistem perawatan kesehatan berasal dari insiden tertinggi, yakni COVID-19. Banyak langkah yang dilakukan untuk meningkatkan manajemen perawatan kesehatan yakni, mengurangi populasi pasien untuk disparitas kesehatan, serta adanya inisiatif peningkatan kualitas untuk fasilitas keperawatan. Oleh karena itu, pada penelitian ini membahas prediksi lama tinggal pasien rawat inap di rumah sakit pada masa pandemi COVID-19 dengan tujuan membuat model akurasi yang tepat untuk memprediksi lama tinggal pasien agar menigkatkan efisiensi manajemen perawatan kesehatan di rumah sakit. Penulis menggunakan model Decision Tree dan Ensemble Learning. pada Decision Tree dengan menggunakan kriteria Entropy dan Information Gain dengan variasi nilai 4, 8, 12, 16, 20 untuk melihat hasil performa akurasi, f1 score, dan AUC. Sedangkan ensemble learning menggunakan 4 variasi yaitu klasifikasi Random Forest, Gradient Boosting, AdaBoost, dan AdaBoost dengan Logistc Regressi. Hasil tertinggi dari penelitian ini untuk menentukan klasifikasi terkait lama rawat inap (stay) selama pandemi COVID-19 menggunakan teknik Ensemble Learning variasi Gradiant Boosting dengan akurasi 41%, f1 score 22% dan AUC 79%. Kata