PENERAPAN METODE MACHINE LEARNING UNTUK MENGKLASIFIKASI PENANGANAN PERAWATAN PASIEN
DOI:
https://doi.org/10.59823/jopacs.v1i2.37Keywords:
Klasifikasi, Machine Learning, Pasien, Rawat Inap, Rawat JalanAbstract
Pengambilan keputusan dalam pelayanan kesehatan, terutama terkait pemilihan jenis perawatan, merupakan proses kompleks yang memiliki dampak besar pada pasien dan sistem perawatan. Penentuan apakah pasien harus menjalani perawatan rawat inap di rumah sakit atau cukup dengan perawatan rawat jalan memerlukan pertimbangan yang tepat. Salah satu faktor penting yang ikut berperan adalah hasil pemeriksaan laboratorium yang memberikan wawasan mendalam tentang kondisi kesehatan pasien. Metode machine learning telah mengemuka sebagai alat yang potensial dalam berbagai bidang, termasuk dalam dunia medis. Penelitian ini bertujuan untuk menginvestigasi pemanfaatan metode machine learning dalam mengklasifikasikan pasien berdasarkan hasil pemeriksaan laboratorium, sehingga memungkinkan pengambilan keputusan yang lebih tepat dalam menentukan perawatan yang diperlukan. Hasil penelitian ini menemukan bahwa potensi metode machine learning dalam mendukung pengambilan keputusan medis. Model KNN dan SVM menunjukkan kinerja yang kuat dalam mengklasifikasikan pasien.
References
Etika, S. A. (2007). Hukum kesehatan. Makasar: Hasanuddin University.
Sari, N. H. F., Muchsin, S., & Sunariyanto, S. (2019). Efektivitas Pelayanan Kesehatan Pasien Bpjs (Badan Penyelenggara Jaminan Sosial) Di Puskesmas (Studi Kasus Di Puskesmas Dinoyo Kota Malang). Respon Publik, 13(3), 113-121.
Saras, T. (2023). Demensia: Memahami, Mengatasi, dan Merawat dengan Bijaksana. Tiram Media.
Mardewi, M., Yarkuran, N., Sofyan, S., & Aziz, F. (2023). KLASIFIKASI KATEGORI OBAT MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE. Journal Pharmacy and Application of Computer Sciences, 1(1), 27-32.
Lawi, A., & Aziz, F. (2018, November). Comparison of classification algorithms of the autism Spectrum disorder diagnosis. In 2018 2nd East Indonesia Conference on Computer and Information Technology (EIConCIT) (pp. 218-222). IEEE.
García, S., Ramírez-Gallego, S., Luengo, J., Benítez, J. M., & Herrera, F. (2016). Big data preprocessing: methods and prospects. Big Data Analytics, 1(1), 1-22.
Torres-Sospedra, J., Hernández-Espinosa, C., & Fernández-Redondo, M. (2006). Improving adaptive boosting with k-cross-fold validation. In Intelligent Computing: International Conference on Intelligent Computing, ICIC 2006, Kunming, China, August 16-19, 2006. Proceedings, Part I 2 (pp. 397-402). Springer Berlin Heidelberg.
Mahesh, B. (2020). Machine learning algorithms-a review. International Journal of Science and Research (IJSR).[Internet], 9(1), 381-386.
Bonaccorso, G. (2017). Machine learning algorithms. Packt Publishing Ltd.
Zhou, Z. H. (2021). Machine learning. Springer Nature.
Zhou, J., Gandomi, A. H., Chen, F., & Holzinger, A. (2021). Evaluating the quality of machine learning explanations: A survey on methods and metrics. Electronics, 10(5), 593.