Pengembangan Model Prediksi Readmisi Pasien Berdasarkan Analisis Customer Lifetime Value Menggunakan Metode Ensemble

Shodikin, Mohamad (2024) Pengembangan Model Prediksi Readmisi Pasien Berdasarkan Analisis Customer Lifetime Value Menggunakan Metode Ensemble. Masters thesis, S2 TEKNIK INFORMATIKA.

Text Mohamad Shodikin_BukuTesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (3MB) | Request a copy

Abstract

Saat ini tantangan dalam industri perumahsakitan di Indonesia khususnya dalam hal strategi marketing adalah masih banyaknya rumah sakit yang belum mampu melakukan pemetaan tipologi konsumen berdasarkan tingkat loyalitasnya. Seperti halnya yang terjadi di Rumah Sakit Anwar Medika sebagai RS swasta kelas C di Sidoarjo yang masih belum optimal dalam memetakan tipologi konsumen untuk mengembangkan strategi marketing khususnya dalam hal memprediksi readmisi pasien. Tujuan memprediksi readmisi pasien diharapkan dapat membantu manajer rumah sakit dalam merumuskan kebijakan strategi marketing untuk mempertahankan loyalitas konsumen.
Penelitian-penelitian yang menitikberatkan pada pemrosesan histori layanan medis pasien untuk pengembangan model prediksi readmisi pasien berdasarkan analisis Customer Lifetime Value (CLV) menggunakan metode Ensemble masih jarang dilakukan. Berdasarkan latar belakang tersebut di atas, maka penulis meneliti prediksi readmisi pasien berdasarkan analisis Customer Lifetime Value menggunakan metode Ensemble. Nilai CLV membantu perusahaan dan organisasi mengalokasikan sumber daya terbatas yang tersedia untuk pelanggan mereka dengan mengkategorikan dan menetapkan bobot tertentu untuk setiap pelanggan. Pemeringkatan CLV dievaluasi dengan salah satu metode populer yaitu model Recency, Frequency, Monetary dan Interpurchase Time (RFMT) untuk penekanan pada pelanggan yang menguntungkan perusahaan.
Hasil penelitian menunjukkan dataset readmisi pasien rawat inap dan rawat jalan dapat dibangun berdasarkan analisis CLV menggunakan nilai RFMT yang berasal dari histori layanan medis dan pembobotan RFMT menggunakan teknik Fuzzy-AHP. Segmentasi pasien rawat inap terdiri dari kategori Champions sebanyak 473 (2%), kategori Loyal Customers sebanyak 1.727 (7%), kategori Potential Loyalist sebanyak 3.874 (16%), kategori Lost Customers sebanyak 18.516 (75%). Segmentasi pasien rawat jalan meliputi kategori Champions sebanyak 3.512 (8%), kategori Loyal Customers sebanyak 5.661 (13%), kategori Potential Loyalist sebanyak 11.070 (25%), kategori Lost Customers sebanyak 23.678 (54%). Kategori Champions, Loyal Customers, dan Potential Loyalist termasuk dalam kelompok pasien readmisi. Sedangkan kategori Lost Customers termasuk dalam kelompok pasien non readmisi. Berdasarkan evaluasi kinerja model prediksi readmisi pasien rawat jalan dan rawat inap, didapatkan bahwa semua metode Ensemble baik model Decision Tree, Gradient Boosting dan Stacking memiliki akurasi 100%. Begitu pula nilai Precision, Recall dan F1-Score pada ketiga model tersebut juga mencapai 100%. Berdasarkan hasil evaluasi kinerja model menunjukkan bahwa metode Ensemble sebagai model prediksi yang dikembangkan dalam penelitian ini dapat mengkategorikan segmen pasien rawat jalan dan rawat inap yang meliputi Champions, Loyal Customers, Potential Loyalist, dan Lost Customers dengan benar.

Item Type:	Thesis (Masters)
Subjects:	T Technology > T Technology (General) > T174 Technological forecasting
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Mohamad shodikin
Date Deposited:	05 Aug 2024 04:45
Last Modified:	05 Aug 2024 04:45
URI:	http://repository.its.ac.id/id/eprint/113565

Actions (login required)

View Item