Implementasi Business Intelligence Berbasis Dashboard Untuk Forecasting dan Classification Diagnosis Pasien Berdasarkan ICD-10 pada RSUD dr. Adnaan WD Payakumbuh

Dzaki, Azzahra Athifah (2025) Implementasi Business Intelligence Berbasis Dashboard Untuk Forecasting dan Classification Diagnosis Pasien Berdasarkan ICD-10 pada RSUD dr. Adnaan WD Payakumbuh. S1 thesis, Universitas Andalas.

	Text (Cover dan Abstrak) Cover & Abstrak.pdf - Published Version Download (247kB)
	Text (Bab I Pendahuluan) Bab I Pendahuluan.pdf - Published Version Download (249kB)
	Text (Bab IV Penutup) Bab IV Penutup.pdf - Published Version Download (183kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Published Version Download (215kB)
	Text (Laporan TA Full) Laporan TA Full.pdf - Published Version Restricted to Repository staff only Download (11MB) | Request a copy

Abstract

Perkembangan teknologi informasi di bidang kesehatan mendorong transformasi digital di rumah sakit, termasuk penerapan Rekam Medis Elektronik (RME). RSUD dr. Adnaan WD Payakumbuh merupakan rumah sakit rujukan utama di Kota Payakumbuh yang telah menerapkan RME untuk layanan rawat jalan dan rawat inap. Namun, pemanfaatan data RME di RSUD dr. Adnaan WD Payakumbuh masih terbatas pada laporan deskriptif bulanan, sehingga belum mampu memprediksi beban layanan secara akurat. Kondisi ini berdampak pada kesiapan rumah sakit menghadapi lonjakan kunjungan pasien yang memengaruhi beban kerja tenaga medis, distribusi logistik, hingga kualitas pelayanan. Penelitian ini mengimplementasikan Business Intelligence (BI) berbasis dashboard interaktif yang menggabungkan peramalan (forecasting) menggunakan model Prophet dan klasifikasi (classification) diagnosis pasien dengan XGBoost berdasarkan ICD-10, yaitu sistem klasifikasi penyakit internasional yang menetapkan kode standar untuk diagnosis medis. Data pasien rawat jalan (2021–2023) dan rawat inap (2021–2024) diolah melalui proses ETL dan disajikan dalam lima dashboard utama, yaitu dashboard kunjungan pasien rawat jalan, dashboard rawat inap, dashboard forecasting kunjungan pasien, dashboard forecasting lima diagnosis terbanyak, dan dashboard klasifikasi diagnosis. Model forecasting menunjukkan performa sangat baik dengan R² 0,9672 pada rawat inap dan 0,9880 pada rawat jalan, serta rata-rata R² 0,8277 untuk lima diagnosis terbanyak. Model klasifikasi mencapai akurasi 69,5% dan F1-score 70%, dengan performa terbaik pada kode ICD-10 A09.9 dan S09.8. Implementasi ini berhasil mengubah data historis menjadi informasi prediktif yang mendukung pengambilan keputusan proaktif, mendukung perencanaan sumber daya secara lebih efisien, serta meningkatkan ketepatan dan kualitas pelayanan pasien. Penelitian ini juga memperluas penerapan metode Prophet dan XGBoost pada data RME di Indonesia, sekaligus membuktikan bahwa integrasi analisis deskriptif, prediktif, dan klasifikasi diagnosis dalam satu dashboard berhasil diimplementasikan secara efektif melalui proses ETL berbasis Python, perancangan data warehouse skema Galaxy, dan visualisasi menggunakan Power BI.

Actions (login required)

View Item