Penerapan Decision Tree dan Neural Network untuk Prediksi Severity Level Pada Kasus Hipertensi di RSUD Khidmat Sehat Afiat (KISA) Depok
DOI:
https://doi.org/10.25047/j-remi.v6i1.4963Kata Kunci:
Klasifikasi, Severity Level, Neural Network, Decision TreeAbstrak
Severity Level adalah salah satu komponen kode INA CBGs yang menggambarkan tingkat keparahan kasus pada masa perawatan yang mempengaruhi besarnya tarif INA CBGs.Tujuan dari penelitian ini adalah melakukan prediksi severity level dengan implementasi decision tree dan neural network menggunakan tools Orange Data Mining. Penelitian ini dilakukan di RSUD Khidmat Sehat Afiat Kota Depok menggunakan 162 data dari laporan klaim rawat inap dengan diagnosa utama Hipertensi dan Hypertensive Heart Disease dan diagnosa sekunder CHF, CKD, dan keduanya. Prediksi dilakukan pada 114 data test dan 48 data training. Data klaim dianalisa dengan Decision Tree dan Neural Network dihasilkan nilai test and score tertinggi pada neural network dengan AUC 62,5%, CA 57%, F1 56,2%, dan precision 57,7%. Berdasarkan perhitungan dari confusion matrix didapatkan kinerja neural network memiliki accuracy lebih tinggi yaitu 57,89%. Pada precision, neural network memiliki nilai lebih tinggi yaitu 65,6%. Pada recall model neural network memiliki nilai lebih tinggi yaitu 80,76%. Neural network direkomendasikan untuk prediksi severity level kasus hipertensi di RSUD Khidmat Sehat Afiat karena memiliki akurasi lebih tinggi dibandingkan Decision Tree.
Referensi
F. Z. Luthfiyah, “Hubungan Pelayanan Rawat Jalan Pasien Dengan Premi Badan Penyelenggara Jaminan Sosial (BPJS) Berdasarkan UU No 24 Tahun 2011,” Nusant. J. Pendidikan, Seni, Sains dan Sos. Humanioral, vol. 1, no. 1, pp. 1–15, 2022.
S. Puspitorini, S. Kusumadewi, and L. Rosita, “SPK Penentuan Severity Level Kasus Penyakit Dengan Pohon Keputusan,” in Seminar Nasional Informatika Medis (SNIMed) 2016, 2016, pp. 16–32.
I. Indriyanti, N. Ichsan, H. Fatah, T. Wahyuni, and E. Ermawati, “Implementasi Orange Data Mining Untuk Prediksi Harga Bitcoin,” J. Responsif Ris. Sains dan Inform., vol. 4, no. 2, pp. 118–125, Aug. 2022, doi: 10.51977/jti.v4i2.762.
Kementerian Kesehatan Republik Indonesia, Peraturan Menteri Kesehatan Nomor 76 Tahun 2016 tentang Pedoman Indonesian Case Base Groups (INA-CBG) dalam Pelaksanaan Jaminan Kesehatan Nasional. Jakarta: Kementerian Kesehatan Republik Indonesia, 2016.
B. Sedayu, S. Azmi, and R. Rahmatini, “Karakteristik Pasien Hipertensi di Bangsal Rawat Inap SMF Penyakit Dalam RSUP DR. M. Djamil Padang Tahun 2013,” J. Kesehat. Andalas, vol. 4, no. 1, pp. 65–69, Jan. 2015, doi: 10.25077/jka.v4i1.192.
S. Regina, “Gambaran Indikasi Rawat Inap Pasien Hipertensi Di Rumah Sakit Sumber Waras Tahun 2017,” Universitas Tarumanagara, 2018.
I. P. Palupi, S. Sugiarsi, and T. A. Sutrisno, “Analisis Hubungan Kelengkapan Diagnosis Sekunder Dengan Kenaikan Tarif INA-CBGs DiRSUD Pandan Arang Boyolali,” Indones. J. Heal. Inf. Manag., vol. 3, no. 2, pp. 1–7, 2023, doi: https://doi.org/10.54877/ijhim.v3i2.126.
R. H. Pambudi, B. D. Setiawan, and I. Indriati, “Penerapan Algoritma C4.5 Untuk Memprediksi Nilai Kelulusan Siswa Sekolah Menengah Berdasarkan Faktor Eksternal,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 7, pp. 2637–2643, 2018, [Online]. Available: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/1660
A. P. Permana, K. Ainiyah, and K. F. H. Holle, “Analisis Perbandingan Algoritma Decision Tree, kNN, dan Naive Bayes untuk Prediksi Kesuksesan Start-up,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 6, no. 3, pp. 178–188, Sep. 2021, doi: 10.14421/jiska.2021.6.3.178-188.
N. S. El-Jerjawi and S. S. Abu-Naser, “Diabetes Prediction Using Artificial Neural Network,” Int. J. Adv. Sci. Technol., vol. 121, pp. 55–64, 2018, doi: http://dx.doi.org/10.14257/ijast.2018.121.05.
D. T. Wilujeng, M. Fatekurohman, and I. M. Tirta, “Analisis Risiko Kredit Perbankan Menggunakan Algoritma K-Nearest Neighbor dan Nearest Weighted K-Nearest Neighbor,” Indones. J. Appl. Stat., vol. 5, no. 2, pp. 142–148, Oct. 2023, doi: 10.13057/ijas.v5i2.58426.
I. Oktadiana, “Perbandingan Biaya Riil Pada Pasien Diabetes Mellitus Tipe 2 Dengan Tarif INA-CBG’S Di Rumah Sakit Umum Daerah,” J. Farm. Tinctura, vol. 2, no. 2, pp. 42–51, 2021.
E. Pranadjaya, E. S. Pangestu, C. O. Sereati, S. Octaviani, and M. Darmawan, “Perbandingan Algoritma Machine Learning menggunakan Orange Data Mining untuk Klasifikasi Jenis Kendaraan pada Sistem Tilang Digital,” J. Elektro, vol. 17, no. 1, pp. 41–47, Apr. 2024, doi: 10.25170/jurnalelektro.v17i1.5429.
E. Mardiani et al., “Membandingkan Algoritma Data Mining Dengan Tools Orange untuk Social Economy,” Digit. Transform. Technol., vol. 3, no. 2, pp. 686–693, Nov. 2023, doi: 10.47709/digitech.v3i2.3256.
A. Hartanto and Thoyyibah, “Implementasi Orange Data Mining Untuk Prediksi Penderita Diabetes,” in Prosiding Seminar Kecerdasan Artifisial, Sains Data, dan Pendidikan Masa Depan PROKASDADIK, Program Studi Teknik Informatika, Program Pascasarjana, Universitas Pamulang, 2023, pp. 20–23.
H. Hozairi, A. Anwari, and S. Alim, “Implementasi Orange Data Mining Untuk Klasifikasi Kelulusan Mahasiswa Dengan Model K-Nearest Neighbor, Decision Tree Serta Naive Bayes,” Netw. Eng. Res. Oper., vol. 6, no. 2, pp. 133–144, Nov. 2021, doi: 10.21107/nero.v6i2.237.
M. M. Santoni, N. Chamidah, and N. Matondang, “Prediksi Hipertensi menggunakan Decision Tree, Naïve Bayes dan Artificial Neural Network pada software KNIME,” Techno.Com, vol. 19, no. 4, pp. 353–363, Nov. 2020, doi: 10.33633/tc.v19i4.3872.
J. Liang, “Confusion Matrix: Machine Learning,” POGIL Act. Clear. J., vol. 3, no. 4, 2022, [Online]. Available: https://pac.pogil.org/index.php/pac/article/view/304
S. Pramana, B. Yuniarto, S. Mariyah, I. Santoso, and R. Nooraeni, Data Mining dengan R: Konsep Serta Implementasi. Bogor: In Media, 2018.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Arlien Rona Rafidah, Mieke Nurmalasari, Hosizah Hosizah, Dhiar Niken Larasati
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
