Klasifikasi Tingkat Triase Pasien IGD Menggunakan Random Forest dengan Pendekatan Cost-Sensitive Learning (Studi Kasus: Rumah Sakit Daerah Kalisat)

Abstract

Rumah Sakit Daerah Kalisat, sebuah rumah sakit umum tipe C, melayani pasien gawat darurat dengan kondisi klinis yang beragam sehingga membutuhkan proses triase Instalasi Gawat Darurat (IGD) yang cepat dan akurat. Kesalahan triase, khususnya undertriage, dapat menghambat penanganan pasien dan membahayakan keselamatan pasien. Di salah satu rumah sakit Indonesia, angka undertriage yang dilaporkan mencapai 26,6%, jauh melampaui batas toleransi 5% yang direkomendasikan oleh American College of Surgeons. Selain itu, distribusi kategori triase yang sangat tidak seimbang (kuning:hijau:merah = 26:3:1) menyebabkan model klasifikasi konvensional cenderung bias terhadap kelas mayoritas, sehingga kemampuannya dalam mengidentifikasi pasien kritis menjadi terbatas. Penelitian ini mengembangkan model klasifikasi triase IGD menggunakan algoritme Random Forest yang dikombinasikan dengan Cost-Sensitive Learning. Dataset yang digunakan terdiri atas 4.847 rekam medis gawat darurat yang dikumpulkan dari RSUD Kalisat pada periode Desember 2024 hingga September 2025 setelah melalui tahap preprocessing data. Dua skenario pembagian data latih dan uji (70:30 dan 80:20) dievaluasi untuk mengetahui pengaruh proporsi data latih terhadap kinerja model, dengan skenario 80:20 menghasilkan performa yang paling stabil dan seimbang. Selanjutnya, empat pendekatan Cost-Sensitive Learning, yaitu Balanced Class Weight, Ordinal Class Weight, Bayes Minimum Risk, dan Threshold Moving, dibandingkan satu sama lain. Pada pendekatan Bayes Minimum Risk dan Threshold Moving, diterapkan matriks biaya (cost matrix) dengan rasio 1:7 untuk memberikan penalti yang lebih besar pada kasus undertriage dibandingkan overtriage. Hasil penelitian menunjukkan bahwa model Random Forest dengan Threshold Moving memberikan kinerja paling stabil, dengan akurasi sebesar 82,78%, presisi 55,22%, recall 57,28%, F1-score 50,54%, dan AUC 80,39%. Secara klinis, model ini menghasilkan tingkat undertriage sebesar 2,58% dan overtriage sebesar 14,95%, yang keduanya masih berada dalam batas toleransi klinis yang dapat diterima, sekaligus meningkatkan secara signifikan kemampuan deteksi pasien kritis dibandingkan model baseline. Model tersebut selanjutnya diimplementasikan dalam bentuk aplikasi web berbasis Streamlit. Pengujian fungsional menunjukkan bahwa seluruh fitur sistem berjalan sesuai dengan yang diharapkan, sementara hasil validasi oleh dokter dan perawat IGD menunjukkan bahwa klasifikasi triase yang dihasilkan sistem konsisten dengan kondisi klinis pasien serta mampu mendukung proses pengambilan keputusan klinis.