PENERAPAN MACHINE LEARNING ENSEMBLE UNTUK MEMPREDIKSI READMISI PASIEN

Buku ini membahas bagaimana cara memprediksi kemungkinan seorang pasien akan kembali dirawat di rumah sakit setelah sebelumnya pulang. Topik ini sangat penting karena dapat membantu rumah sakit meningkatkan pelayanan dan mengurangi biaya yang tidak perlu. Pada bagian awal, dijelaskan apa itu readmisi pasien dan bagaimana teknik ensemble learning seperti bagging, boosting, dan stacking dapat digunakan untuk membuat prediksi yang lebih akurat dan efisien.
Buku ini memperkenalkan berbagai pendekatan yang dapat mendukung proses prediksi, seperti model RFM (Recency, Frequency, Monetary), normalisasi data, serta pendekatan Fuzzy AHP untuk membantu pengambilan keputusan. Buku ini juga membahas bagaimana mengenali perilaku pasien melalui model Customer Lifetime Value (CLV), serta bagaimana data tentang kebiasaan pasien bisa digunakan untuk memahami pola kunjungan mereka ke rumah sakit.
Pada bagian akhir, dijelaskan cara mengelompokkan pasien berdasarkan kesamaan perilaku menggunakan teknik clustering, seperti K-Means, DBSCAN, dan pendekatan hierarki. Dengan menggabungkan berbagai teknik tersebut, buku ini menunjukkan langkah-langkah praktis dalam memanfaatkan data pasien untuk memprediksi kunjungan ulang. Buku ini ditujukan untuk pembaca umum yang ingin memahami cara kerja teknologi dalam dunia kesehatan, khususnya dalam meningkatkan kualitas layanan rumah sakit.