Teknologi kecerdasan buatan (AI) kini dapat digunakan untuk memprediksi perilaku pasien yang tidak hadir dalam jadwal pemeriksaan rumah sakit. Peneliti dari Politeknik Negeri Banjarmasin, Fitria dan Nitami Lestari Putri, mengembangkan model berbasis algoritma Decision Tree untuk menganalisis data janji temu medis. Penelitian yang diterbitkan pada tahun 2026 ini bertujuan untuk membantu rumah sakit mengoptimalkan sistem penjadwalan dan mengurangi inefisiensi operasional akibat ketidakhadiran pasien yang tidak terencana
Ketidakhadiran pasien tanpa pemberitahuan sebelumnya merupakan tantangan besar dalam sistem informasi manajemen rumah sakit. Fenomena ini tidak hanya menyebabkan waktu tunggu dokter terbuang percuma, tetapi juga berdampak pada kerugian operasional dan penurunan efektivitas layanan kesehatan. Oleh karena itu, kemampuan untuk memprediksi pola kehadiran pasien menjadi krusial agar pihak rumah sakit dapat mengelola sumber daya medis dengan lebih efektif
Dalam penelitian ini, tim menggunakan data dari 200 catatan janji temu rumah sakit yang mencakup informasi dokter, alasan kunjungan, hari, dan sesi waktu janji temu. Proses pengembangan model melibatkan beberapa tahapan, mulai dari pembersihan data, rekayasa fitur untuk membuat variabel baru, hingga pengkodean data kategori agar dapat dibaca oleh algoritma machine learning. Model Decision Tree dipilih karena kemampuannya dalam mengklasifikasikan data kategori dan memberikan hasil yang mudah diinterpretasikan oleh pengelola rumah sakit
Hasil analisis menunjukkan beberapa temuan penting mengenai pola ketidakhadiran pasien:
- Ketidakhadiran paling banyak terjadi pada hari Rabu
. - Sesi pemeriksaan pada pagi dan siang hari memiliki tingkat ketidakhadiran yang lebih tinggi dibandingkan sesi sore atau malam hari
. - Terdapat variasi tingkat ketidakhadiran yang bergantung pada dokter yang dituju
. - Model Decision Tree yang dikembangkan mampu mencapai tingkat akurasi sebesar 60% dalam memprediksi status kehadiran pasien
.
Implementasi model prediksi ini menawarkan manfaat nyata bagi dunia kesehatan, terutama dalam mendukung pengambilan keputusan operasional. Dengan mampu mendeteksi potensi ketidakhadiran lebih awal, pihak rumah sakit dapat melakukan penyesuaian jadwal atau melakukan overbooking yang terukur guna meminimalkan idle time dokter. Meskipun tingkat akurasi saat ini berada pada angka 60%, model ini dinilai memiliki potensi besar untuk dikembangkan lebih lanjut dengan penambahan variabel lain seperti demografi pasien, riwayat medis, hingga metode pembayaran untuk meningkatkan performa prediksi di masa depan
Profil Penulis:
Penelitian ini disusun oleh Fitria dan Nitami Lestari Putri dari Politeknik Negeri Banjarmasin. Fitria berfokus pada bidang Sistem Informasi Akuntansi, sedangkan Nitami Lestari Putri memiliki keahlian dalam bidang Sistem Informasi Kota Cerdas (Smart City).
Sumber Penelitian:
Fitria, F., & Putri, N. L. (2026). Machine Learning-Based Patient No-Show Prediction for Hospital Appointment Systems. International Journal of Education and Life Sciences (IJELS), 4(6), 761-772. DOI:
0 Komentar