Penerapan Data Mining untuk Klasifikasi Kondisi Inventaris Nonmedis Menggunakan Random Forest dan SMOTE sebagai Pendukung Efisiensi Manajemen di RSD dr. Soebandi

Abstract

Inventaris nonmedis merupakan aset penting yang mendukung kelancaran pelayanan rumah sakit sehingga diperlukan pengelolaan yang efektif untuk menjaga kondisi dan ketersediaannya. Tingginya intensitas penggunaan inventaris pada ruang rawat inap kelas 3 RSD dr. Soebandi meningkatkan risiko penurunan kondisi barang, sementara distribusi data kondisi inventaris yang tidak seimbang menjadi tantangan dalam proses klasifikasi. Penelitian ini bertujuan membangun model klasifikasi kondisi inventaris nonmedis menggunakan algoritma Random Forest dengan penerapan Synthetic Minority Oversampling Technique (SMOTE), mengevaluasi performa model, serta mengembangkan dashboard interaktif sebagai pendukung pengambilan keputusan pemeliharaan. Penelitian menggunakan pendekatan kuantitatif deskriptif berbasis data mining dengan data inventaris nonmedis dari 12 ruang rawat inap kelas 3 periode triwulan tahun 2025. Tahapan penelitian meliputi data cleaning, feature engineering, data transformation menggunakan One-Hot Encoding, penyeimbangan kelas menggunakan SMOTE, pembangunan model Random Forest, dan evaluasi menggunakan Stratified K-Fold Cross Validation. Hasil penelitian menunjukkan bahwa penerapan SMOTE meningkatkan kemampuan model dalam mengenali kelas minoritas dengan meningkatkan nilai Balanced Accuracy dan Recall dari 59,82% menjadi 73,43%, serta meningkatkan tingkat klasifikasi benar pada kelas Kurang Baik dari 52,91% menjadi 72,48% dan kelas Rusak Berat dari 30,59% menjadi 64,71%. Meskipun nilai Accuracy, Precision, dan ROC-AUC sedikit menurun, analisis performa per kelas menunjukkan bahwa model menjadi lebih efektif dalam mendeteksi inventaris yang memerlukan pemeliharaan. Analisis feature importance menunjukkan bahwa variabel depresiasi aset merupakan variabel yang paling berpengaruh dalam proses klasifikasi. Selain itu, dashboard interaktif berbasis Streamlit berhasil dikembangkan sebagai proof of concept yang mampu melakukan preprocessing data secara otomatis, menampilkan hasil klasifikasi, serta menghasilkan rekomendasi prioritas pemeliharaan sehingga mendukung pengambilan keputusan yang lebih konsisten, objektif, dan berbasis data.