Perpustakaan Digital ITB

Kepuasan pasien merupakan salah satu indikator penting yang perlu di perhatikan dalam pelayanan kesehatan. Banyak faktor yang mempengaruhi kepuasaan pasien seperti kualitas perawatan yang diterima oleh pasien, sikap pendekatan staff pada pasien pada saat pertama kali datang ke rumah sakit, prosedur administrasi, dan yang paling sering terjadi adalah lamanya waktu tunggu (LOS) yang dirasakan pasien selama kunjungan pelayanan klinik rawat jalan. Kementerian Kesehatan Indonesia telah menetapkan standar minimum untuk layanan kesehatan yang harus dipenuhi oleh semua Rumah Sakit di Indonesia yaitu maksimal 60 menit untuk waktu tunggu pasien rawat jalan yang didefinisikan dari pasien datang ke rumah sakit hingga menerima perawatan dari Dokter. Namun didalam standard tersebut belum memberikan informasi terkait waktu tunggu pasien rawat jalan (OLOS) yang didefinisikan dari pasien datang ke Rumah Sakit hingga pasien keluar dari Rumah Sakit. Dengan meningkatnya persaingan dalam industri layanan kesehatan dan tuntutan pasien akan layanan berkualitas tinggi, Rumah Sakit memfokuskan diri untuk melakukan peningkatan kualitas dari perspektif klinis dan manajemen. Sehingga, setiap Rumah Sakit juga memiliki standar operasional yang ditetapkan oleh manajemen Rumah Sakit itu sendiri. Oleh karena itu, Rumah Sakit Edelweis yang berlokasi di Bandung menetapkan standar lama waktu tunggu maksimal 2 jam untuk pelayanan pasien rawat jalan. Memberikan informasi yang akurat tentang OLOS dapat meningkatkan kepuasan pasien dengan mengurangi ketidakpastian. Akan tetapi, metode yang efektif untuk memprediksi lama waktu tunggu pasien rawat jalan (OLOS) di Klinik Anak masih jarang diketahui. Tujuan penelitian ini adalah merancang model prediksi OLOS berdasarkan karakteristik pasien dan beberapa atribut klinis lainnya. Data diperoleh dari bagian divisi IT RS Edelweis dengan total data sebanyak 17.167 dan 6.172 data dapat dianalisis lebih lanjut. Dengan mengidentifikasi atribut yang mempengaruhi OLOS, model ini akan membantu Rumah Sakit mengambil keputusan yang relevan. Kami menggunakan algoritma pembelajaran mesin seperti random forest, decision tree, k-nearest neighbour (kNN), adaboost, dan gradient boosting untuk merancang model prediksi OLOS. Dari hasil validasi data, random forest memiliki tingkat akurasi tertinggi dengan nilai 99,3%. Selanjutnya model pembelajaran mesin digunakan untuk menentukan atribut yang paling penting dalam memprediksi OLOS. Model ini pada akhirnya dapat digunakan bersama dengan data sistem IT berdasarkan waktu nyata untuk memberikan estimasi OLOS yang akurat dari waktu ke waktu di Klinik Anak.