COMPARATIVE ANALYSIS OF MACHINE LEARNING ALGORITHMS FOR PREDICTING PATIENT ADMISSION IN EMERGENCY DEPARTMENTS USING EHR DATA

Chamid, Ahmad Abdul and Nindyasari, Ratih and Ghozali, Muhammad Imam (2025) COMPARATIVE ANALYSIS OF MACHINE LEARNING ALGORITHMS FOR PREDICTING PATIENT ADMISSION IN EMERGENCY DEPARTMENTS USING EHR DATA. Jurnal Resti, 9 (2). pp. 185-194. ISSN 2580-0760

KLIK BACA DISINI UNTUK MEMBACA SECARA ONLINE

[thumbnail of COVER]
Preview
 Image (COVER)
Cover_page-0001.jpg - Published Version
Download | Baca Disini
[thumbnail of Table of Contents]
Preview
 Text (Table of Contents)
full issue 9-2 Apr2025.pdf - Published Version
Download | Baca Disini
[thumbnail of Article]
Preview
 Text (Article)
6188-Article Text-21996-1-10-20250307 (5).pdf - Published Version
Download | Baca Disini
Official URL: https://jurnal.iaii.or.id/index.php/RESTI

Abstrak

Setiap pasien yang dilarikan ke Instalasi Gawat Darurat (IGD) membutuhkan penanganan yang cepat untuk menentukan apakah pasien tersebut harus dirawat inap atau rawat jalan. Namun, fakta yang ada, untuk menentukan pasien rawat inap atau rawat jalan harus menunggu diagnosis dari dokter yang ada, sehingga apabila pasiennya banyak, umumnya membutuhkan waktu yang cukup lama. Maka dari itu, untuk memprediksi penerimaan pasien di IGD, dibutuhkan suatu model machine learning yang dapat bekerja dengan cepat dan akurat. Oleh karena itu, pada penelitian ini dikembangkan suatu model machine learning dan neural network untuk menentukan perawatan pasien di Instalasi Gawat Darurat. Penelitian ini menggunakan data rekam medis elektronik (RME) yang tersedia untuk umum, yaitu sebanyak 3.309. Proses pengembangan model menggunakan metode machine learning (SVM, Decision Tree, KNN, AdaBoost, MLPClassifier) ​​dan neural network. Model yang telah diperoleh kemudian dievaluasi kinerjanya menggunakan matriks konfusi dan beberapa matriks seperti akurasi, presisi, recall, dan F1-Score. Hasil evaluasi kinerja model diperbandingkan dan diperoleh model terbaik yaitu model MLPClassifier dengan nilai akurasi = 0,736 dan nilai F1-Score = 0,635, serta model Neural Network memperoleh nilai akurasi = 0,724 dan nilai F1-Score = 0,640. Model terbaik yang diperoleh dalam penelitian ini yaitu model MLPClassifier dan Neural Network terbukti mampu mengungguli model lainnya.

Item Type: Article
Kata Kunci: Patient Care, Emergency Departments, Electronic Health Record, Machine Learning, Neural Networks
Subjects: Teknologi > Teknologi (umum)
Program Studi: Fakultas Teknik > S1 Teknik Informatika
Depositing User: Mr Ahmad Abdul Chamid
Date Deposited: 09 Jul 2025 02:35
Last Modified: 09 Jul 2025 02:35
URI: http://eprints.umk.ac.id/id/eprint/24209

Actions (login required)

View Item View Item