Aplikasi Pembelajaran Mesin Dalam Estimasi Lama Rawat Inap Pasien Di Rumah Sakit (Studi Kasus: Penyakit Stroke Di Rsup Dr. M. Djamil Padang)

Hamdi, Hilal (2024) Aplikasi Pembelajaran Mesin Dalam Estimasi Lama Rawat Inap Pasien Di Rumah Sakit (Studi Kasus: Penyakit Stroke Di Rsup Dr. M. Djamil Padang). S1 thesis, Universitas Andalas.

	Text (Cover dan Abstrak) COVER DAN ABSTRAK.pdf - Published Version Download (109kB)
	Text (BAB I) BAB I.pdf - Published Version Download (298kB)
	Text (BAB VI) BAB VI.pdf - Published Version Download (85kB)
	Text (Daftar Pustaka) DAFTAR PUSTAKA.pdf - Published Version Download (173kB)
	Text (Full-Text) FULL.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Rumah Sakit Umum Pusat (RSUP) Dr. M. Djamil di Kota Padang, sebagai rumah sakit tipe A pendidikan, menghadapi tantangan lamanya waktu tunggu pasien sebelum mendapatkan perawatan inap. Selain itu, rumah sakit juga mengalami peningkatan jumlah pasien dalam beberapa waktu terakhir. Rumah sakit membutuhkan sebuah model prediksi lama rawat inap yang dapat membantu rumah sakit mengelola operasional. Karakter penyakit yang berbeda membuat model harus difokuskan kepada satu penyakit dalam hal ini dipilih penyakit Stroke. Penyakit Stroke dipilih karena merupakan salah satu penyakit yang membutuhkan penanganan paling cepat serta menjadi penyakit dengan permintaan perawatan terbanyak di Spesialis Neurologi RSUP. Dr. M. Djamil. Untuk mengatasi tantangan ini, penelitian ini bertujuan membangun model prediksi lama rawat inap pasien Stroke dengan menggunakan beberapa algoritma machine learning. Model dibangun menggunakan bahasa pemrograman python. Model dibangun menggunakan data rekam medis pasien Stroke RSUP. Dr. M. Djamil Padang. Setelah dilakukan pengujian, dipilih algoritma yang memiliki perfomansi terbaik akan ditingkatkan lagi perfomansinya. Hasil penelitian menunjukkan model prediksi terbaik adalah Gradient Boosting yang memiliki akurasi akhir 76,47%. Model memprediksi apakah seorang pasien akan dirawat lebih atau kurang dari tujuh hari. Kasus yang menunjukkan prediksi kecil dari tujuh hari menunjukkan setidaknya fasilitas yang digunakan pasien tersebut dapat disiapkan untuk pasien baru. Sebaliknya kasus yang menunjukkan pasien harus memperpanjang perawatan lebih dari tujuh hari, rumah sakit dapat memperkirakan bahwa setidaknya dalam tujuh hari ke depan tempat tidur pasien tersebut masih akan terisi. Model ini diimplementasikan dalam aplikasi dashboard untuk mempermudah penggunaan dan integrasi dengan informasi rumah sakit lainnya, sehingga dapat meningkatkan kualitas pelayanan secara keseluruhan.

Actions (login required)

View Item