Perpustakaan Digital ITB

Pelayanan rawat jalan di rumah sakit kerap menghadapi tantangan dalam mengelola antrean pasien dan mengoptimalkan kapasitas layanan akibat ketidakpastian kehadiran pasien . Sebelumnya, banyak penelitian telah mengembangkan model machine learning untuk memprediksi perilaku , tetapi sedikit yang menindaklanjuti dengan strategi operasional konkret. Penelitian ini memadukan prediksi dengan kebijakan overbooking dalam sebuah aplikasi mobile penjadwalan janji temu sehingga slot yang terbuang akibat pasien tidak hadir dapat dialokasikan kepada pasien lain secara otomatis. Model prediksi dibangun menggunakan kerangka kerja CRISP-DM dengan data historis kunjungan dari Melinda Hospital. Proses meliputi pemahaman bisnis dan data, pembersihan serta rekayasa fitur, penanganan ketidakseimbangan kelas dengan SMOTE, serta pelatihan dan evaluasi beberapa algoritma klasifikasi. Prediksi no-show dilakukan dalam dua tahap: seluruh poliklinik dan setiap poliklinik. Hasilnya, prediksi dengan seluruh data mendapatkan hasil evaluasi yang kurang baik, tetapi beberapa poliklinik menunjukkan performa model yang lebih baik saat diproses terpisah. Hanya data poliklinik psikiatri dan psikologi yang menunjukkan kinerja terbaik, dengan metrik AUC score mencapai 0,84 dan precision mencapai 0.81. Pada tahap implementasi, sistem overbooking secara dinamis menambah kuota pendaftaran saat model memprediksi , tanpa mengorbankan kenyamanan antrean pasien lain. Evaluasi kebijakan overbooking menunjukkan jumlah false positives yang sangat rendah, meski recall model masih perlu peningkatan agar jumlah ekspektasi dapat tertangkap lebih komprehensif. Selain itu, analisis fitur juga dilakukan untuk mengidentifikasi fitur yang paling berpengaruh pada fenomena no-show. Dengan integrasi ini, rumah sakit dapat mengurangi slot terbuang, menurunkan waktu tunggu, dan meningkatkan efisiensi operasional. Temuan mengenai kinerja model dan kebijakan overbooking diharapkan menjadi landasan perbaikan sistem penjadwalan layanan rawat jalan di masa mendatang.