Analisis Prediksi Lama Rawat Inap Pasien Diabetes Tipe 2 Menggunakan Algoritma Decision Tree, Naïve Bayes Dan K-Nearest Neighbor

Abstract

Penelitian ini bertujuan menganalisis kemampuan algoritma Decision tree, Naive bayes, dan K-nearest neighbor (KNN) dalam memprediksi lama rawat inap pasien Diabetes Mellitus Tipe 2. Penelitian dilatarbelakangi oleh meningkatnya jumlah kasus rawat inap dengan diagnosis Diabetes Mellitus Tipe 2 pada periode 2022–2024, yang berpotensi menambah beban pelayanan rumah sakit. Penelitian menerapkan metode deskriptif kuantitatif dengan pendekatan retrospektif yang dilakukan di RSUP dr. Soeradji Tirtonegoro Klaten. Sumber data yang digunakan berupa rekam medis elektronik pasien rawat inap yang memiliki diagnosis Diabetes Mellitus Tipe 2 selama tahun 2022–2024. Analisis data dilaksanakan berdasarkan kerangka kerja Knowledge Discovery in Database (KDD), yang terdiri atas tahapan data selection, preprocessing, transformation, data mining, dan interpretation/evaluation. Dalam tahap data mining, model klasifikasi dibangun menggunakan algoritma Decision tree, Naive bayes, dan KNN. Temuan penelitian mengindikasikan bahwa ketiga algoritma tersebut memiliki kemampuan untuk melakukan klasifikasi dalam prediksi lama rawat inap pasien Diabetes Mellitus Tipe 2. Hasil pengujian menunjukkan bahwa algoritma Naive bayes memberikan performa terbaik dengan nilai accuracy sebesar 0,525. Kinerja tersebut melampaui Decision tree yang memperoleh nilai accuracy 0,501 serta KNN dengan nilai accuracy 0,438. Berdasarkan hasil tersebut, Naive bayes ditetapkan sebagai algoritma yang paling unggul dalam memprediksi lama rawat inap pasien pada penelitian ini.