Analisis Komparatif Efisiensi dan Stabilitas Keuangan Asuransi Konvensional dan Syariah di Indonesia

Abstract

Penelitian ini bertujuan untuk mengembangkan model prediksi risiko mortalitas pasien rawat inap berbasis algoritma Random Forest yang akurat, stabil, dan reliabel sebagai dasar sistem peringatan dini klinis. Data penelitian menggunakan data rekam medis pasien rawat inap yang telah melalui proses pembersihan, normalisasi, serta penyeimbangan kelas. Model dilatih menggunakan skema 5-fold cross validation untuk menjamin kestabilan performa prediksi. Hasil evaluasi menunjukkan bahwa model Random Forest memiliki kinerja yang sangat baik dengan nilai akurasi sebesar 87,4%, sensitivitas 85,1%, spesifisitas 88,6%, dan AUC 0,91, sehingga memenuhi kriteria sebagai excellent classifier. Analisis feature importance mengidentifikasi lima faktor klinis utama yang paling berpengaruh terhadap risiko mortalitas pasien rawat inap, yaitu usia lanjut, saturasi oksigen, tekanan darah sistolik, kadar hemoglobin, dan riwayat komorbid. Model mampu mengklasifikasikan pasien ke dalam tiga kategori risiko, yaitu risiko rendah (<10%), sedang (10–30%), dan tinggi (>30%), yang efektif membedakan tingkat probabilitas kematian aktual. Model prediksi yang dikembangkan kemudian dirancang sebagai dasar sistem peringatan dini klinis yang mampu mengidentifikasi pasien berisiko tinggi secara lebih cepat dan akurat, sehingga berpotensi meningkatkan keselamatan pasien serta mutu pelayanan rumah sakit. Hasil penelitian ini menunjukkan bahwa Random Forest layak digunakan sebagai komponen utama dalam pengembangan sistem peringatan dini klinis berbasis kecerdasan buatan