Prediksi Tujuan Poliklinik Berdasarkan Gejala Pasien Menggunakan Algoritma XGBoost (Studi Kasus: Rumah Sakit Daerah Kalisat)

Abstract

Rumah sakit memiliki berbagai poliklinik dengan layanan yang berbeda sesuai kebutuhan pasien. Dalam praktiknya, pasien sering kali tidak mengetahui secara pasti poliklinik yang sesuai dengan keluhan yang dialami. Berdasarkan hasil observasi di Rumah Sakit Daerah Kalisat, proses penentuan tujuan poliklinik masih dilakukan secara manual melalui komunikasi antara pasien dan petugas administrasi. Kondisi ini berpotensi menimbulkan ketidaktepatan penentuan tujuan poliklinik, terutama ketika jumlah kunjungan pasien tinggi dan perbedaan pemahaman antara pasien dan petugas administrasi. Oleh karena itu, diperlukan suatu sistem yang dapat membantu mengklasifikasikan tujuan poliklinik secara cepat dan akurat berdasarkan gejala pasien. Penelitian ini bertujuan untuk membangun model klasifikasi tujuan poliklinik menggunakan algoritma XGBoost serta mengimplementasikannya ke dalam aplikasi berbasis website. Model yang dihasilkan diharapkan dapat membantu proses penentuan tujuan poliklinik berdasarkan gejala pasien, sehingga pasien memperoleh rekomendasi layanan yang lebih sesuai dan petugas administrasi memperoleh dukungan dalam proses pengambilan keputusan secara lebih cepat dan konsisten. Dataset yang digunakan merupakan data rekam medis pasien rawat jalan Rumah Sakit Daerah Kalisat periode 1 Desember 2024 hingga 20 September 2025 dengan jumlah 23.045 data. Tahapan penelitian dimulai dari pengumpulan data, pre-processing, feature engineering kategori usia, seleksi fitur menggunakan TFIDF dan Chi-Square, pembagian data latih dan data uji, pembangunan model menggunakan algoritma XGBoost, serta evaluasi model menggunakan confusion matrix, accuracy, precision, recall, dan f1-score. Untuk meningkatkan performa model, dilakukan hyperparameter tuning menggunakan metode Random Search. Selain itu, dilakukan pengujian beberapa skenario model untuk mengetahui pengaruh penerapan class weighting dan hyperparameter tuning terhadap hasil klasifikasi. Hasil penelitian menunjukkan bahwa dari beberapa skenario yang diuji, model XGBoost dengan hyperparameter tuning menghasilkan performa terbaik dengan nilai accuracy sebesar 85,78%, precision sebesar 86,19%, recall sebesar 85,78%, dan f1-score sebesar 85,82%. Hasil evaluasi menunjukkan bahwa model mampu mengklasifikasikan sebagian besar tujuan poliklinik dengan baik, terutama pada Poli Anak, Poli Kandungan, dan Poli Mata yang memperoleh nilai precision, recall, dan f1-score di atas 90%. Meskipun demikian, masih ditemukan beberapa kesalahan klasifikasi pada poliklinik yang memiliki gejala serupa, seperti Poli Penyakit Dalam, Poli Jantung, Poli Bedah, dan Poli Orthopedi/Traumatologi. Model yang dihasilkan menggunakan 13 fitur input yang terdiri dari 12 fitur gejala dan 1 fitur kategori usia. Selanjutnya, model diimplementasikan ke dalam aplikasi berbasis website menggunakan Streamlit. Sistem yang dikembangkan mampu menampilkan rekomendasi tujuan poliklinik berdasarkan gejala pasien beserta probabilitas prediksi untuk setiap poliklinik. Hasil black box testing menunjukkan bahwa seluruh fungsi sistem berjalan sesuai dengan yang diharapkan. Berdasarkan hasil penelitian, dapat disimpulkan bahwa algoritma XGBoost mampu digunakan untuk membantu proses klasifikasi tujuan poliklinik berdasarkan gejala pasien. Model yang dihasilkan memiliki performa yang baik dan berhasil diimplementasikan dalam bentuk aplikasi berbasis web sehingga berpotensi mendukung proses pelayanan pasien di rumah sakit.