oleh Immanuela Puspasari Saputro, S.Si., M.T. (Faculty Member PJJ CS)

Masalah kesehatan seperti kanker payudara dan gangguan reproduksi wanita merupakan isu serius di Indonesia. Salah satu tantangan yang dihadapi rumah sakit dalam menangani kasus-kasus ini adalah ketidaktepatan sistem pengkodean diagnosis INA-CBGs, yang dapat berdampak pada klaim asuransi dan perencanaan perawatan pasien. Ketidaksesuaian dalam mencocokkan tingkat keparahan pasien sering kali menyebabkan kesalahan klasifikasi, sehingga diperlukan pendekatan teknologi yang lebih akurat untuk meningkatkan efisiensi dan transparansi sistem pembiayaan kesehatan.

Penelitian ini bertujuan mengembangkan model klasifikasi berbasis Machine Learning untuk mengidentifikasi tingkat keparahan pasien berdasarkan kode diagnosis INA-CBGs. Dua algoritma utama yang digunakan adalah Random Forest (RF) dan Extreme Gradient Boosting (XGBoost). Proses pengembangan model dilakukan melalui tahapan pengumpulan data sekunder, analisis, pemrosesan, pelatihan model, dan evaluasi akurasi. Dataset yang digunakan berasal dari rumah sakit rujukan Indonesia Timur dengan periode data tahun 2023–2024.

Hasil pengujian menunjukkan bahwa model Random Forest mampu meningkatkan akurasi klasifikasi diagnosis_code dari 51,7% menjadi 69%, serta mencapai akurasi 95% pada severity_level. Model XGBoost juga menunjukkan performa tinggi dengan akurasi mencapai 70,6% untuk diagnosis_code dan 98,7% untuk severity_level. Keunggulan masing-masing model didukung oleh pemilihan fitur yang relevan, validasi model yang optimal, serta mekanisme boosting dan regularisasi untuk XGBoost.

Pada penelitian ini dapat disimpulkan bahwa pendekatan Machine Learning terbukti efektif dalam mengklasifikasikan tingkat keparahan pasien kanker payudara dan gangguan reproduksi berdasarkan kode INA-CBGs. Kedua model mampu mengurangi kesalahan sistem pengkodean yang selama ini menjadi hambatan dalam proses klaim dan perawatan. Temuan ini tidak hanya memberikan kontribusi bagi dunia akademik, tetapi juga berpotensi besar dalam meningkatkan efisiensi administrasi dan layanan medis di rumah sakit.

Sumber: Penelitian Dosen dan Mahasiswa PJJ CS

Editor: Yudy Purnama, S.Kom., M.TI

#BINUSRESEARCHPOINT #TEKNIKINFORMATIKA #COMPUTERSCIENCE #BINUS #BINUSUNIVERSITY