PREDIKSI JUMLAH PASIEN ANAK MENGGUNAKAN ALGORITMA RANDOM FOREST REGRESSION DAN SUPPORT VECTOR REGRESION (SVR)

Simanungkalit, Sumando Pangihutan P (2026) PREDIKSI JUMLAH PASIEN ANAK MENGGUNAKAN ALGORITMA RANDOM FOREST REGRESSION DAN SUPPORT VECTOR REGRESION (SVR). Diploma thesis, Universitas Nasional.

	Text 1. COVER.pdf Download (842kB)
	Text 2. BAB 1.pdf Download (399kB)
	Text 3. BAB 2.pdf Download (614kB)
	Text 4. BAB 3.pdf Download (1MB)
	Text 5. BAB 4.pdf Download (785kB)
	Text 6. BAB 5.pdf Download (381kB)
	Text 7. LAMPIRAN.pdf Download (729kB)

Abstract

Lonjakan kunjungan pasien anak yang fluktuatif sering kali menimbulkan
tantangan bagi fasilitas kesehatan dalam mengelola beban kerja dan ketersediaan
logistik medis. Penelitian ini bertujuan untuk mengonstruksi model peramalan
kunjungan pasien anak guna mendukung efisiensi perencanaan pelayanan di
lingkungan Kementerian Kesehatan Republik Indonesia. Dataset yang digunakan
bersumber dari data rekam medis Kementerian Kesehatan (Kuningan, Jakarta
Selatan) periode Januari 2020 hingga Maret 2025 dengan total 30.000 rekaman data
yang kemudian difiltrasi menjadi 29.713 baris data bersih melalui tahap prapemrosesan.

Metodologi yang diterapkan adalah Ensemble Learning yang
menggabungkan algoritma Random Forest Regression (RFR) dan Support Vector
Regression (SVR) dengan teknik Averaging. Tahap pra-pemrosesan melibatkan
ekstraksi fitur klinis menggunakan Regular Expression (Regex), pemetaan kategori
diagnosis, dan pembentukan fitur lag temporal. Hasil pengujian menunjukkan
bahwa model Ensemble mampu memberikan prediksi yang stabil dengan nilai
Kernel (MAPE) sebesar 41,19%, sementara model mandiri RFR dan SVR masingmasing

menghasilkan MAPE sebesar 42,85% dan 39,53%. Meskipun SVR
menunjukkan akurasi sedikit lebih tinggi, pendekatan Ensemble lebih unggul dalam
menangkap pola musiman dan menjaga stabilitas prediksi jangka panjang. Hasil
penelitian diimplementasikan ke dalam dashboard interaktif berbasis Streamlit
yang mampu memproyeksikan kunjungan 12 bulan ke depan serta memberikan
estimasi stok obat secara otomatis. Penelitian ini memberikan kontribusi praktis
sebagai instrumen pendukung keputusan strategis dalam manajemen pelayanan
kesehatan masyarakat.

Item Type:	Thesis (Diploma)
Subjects:	T Technology > T Technology (General)
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Sistem Informasi
Depositing User:	Irna Irna Yunita
Date Deposited:	28 Apr 2026 02:21
Last Modified:	28 Apr 2026 02:21
URI:	https://repository.unas.ac.id/id/eprint/15400

Actions (login required)

View Item