Latar Belakang Masalah

Meskipun RSUD X telah menerapkan Rekam Medis Elektronik (RME), pemanfaatan data dalam pengambilan keputusan masih terbatas. Laporan data pasien dibuat secara manual dan deskriptif, sehingga pihak rumah sakit kesulitan memprediksi lonjakan layanan atau tren penyakit. Keterbatasan ini sering kali menyebabkan alokasi sumber daya (tenaga medis, ruang, dan obat-obatan) yang tidak optimal, sehingga meningkatkan beban kerja staf dan berdampak pada kualitas layanan.

Tujuan Proyek

Tujuan proyek ini adalah mengembangkan sistem Business Intelligence berbasis dashboard interaktif. Sistem ini dirancang untuk mengubah data mentah RME menjadi informasi prediktif yang mendukung perencanaan operasional dan pengambilan keputusan. Proyek ini berfokus pada visualisasi, peramalan jumlah kunjungan pasien, dan klasifikasi diagnosis penyakit.

Metodologi

Proyek ini mengikuti metodologi BI Roadmap dari Moss dan Atre untuk memastikan pendekatan yang terstruktur dan terarah. Setiap tahapan proyek dirancang untuk memenuhi kebutuhan bisnis dan menghasilkan solusi yang optimal:

• Justifikasi & Analisis Masalah: Mengidentifikasi permasalahan inti dalam pengelolaan data di rumah sakit, yang menjadi dasar pentingnya implementasi BI.

• Perencanaan: Menentukan infrastruktur teknis (seperti Python, Jupyter Notebook, dan PostgreSQL) serta non-teknis yang dibutuhkan untuk proyek ini.

• Analisis Bisnis: Mengidentifikasi secara rinci 29 kebutuhan informasi utama dari pihak rumah sakit, mulai dari laporan deskriptif hingga prediksi. Kebutuhan ini menjadi acuan dalam seluruh perancangan sistem.

• Desain Solusi: Merancang skema data warehouse menggunakan metode Kimball dengan model Galaxy Schema untuk menstrukturkan data RME.

• Konstruksi: Membangun alur ETL menggunakan Python di Jupyter Notebook dan memuat data ke PostgreSQL. Setelah itu, model analitik diimplementasikan:

  • Prophet dipilih untuk peramalan (forecasting) karena kemampuannya yang sangat baik dalam menangani pola musiman dan tren pada data deret waktu.
  • XGBoost digunakan untuk klasifikasi (classification) karena dikenal dengan akurasinya yang tinggi dan kemampuannya menangani pola data yang kompleks.

  Hasil dari implementasi ini kemudian divisualisasikan di Power BI.

Proses Analisis dan Hasil

Proyek ini membuktikan bahwa data tidak hanya bisa divisualisasikan, tapi juga diubah menjadi temuan yang bisa dipakai untuk mengambil keputusan penting.

Analisis Deskriptif

Dari dasbor Power BI, analisis terhadap data historis mengungkapkan beberapa temuan kunci:

• Tren Kunjungan Pasien: Dasbor Rawat Jalan dan Rawat Inap menunjukkan total kunjungan pasien yang signifikan, dengan pola fluktuasi bulanan yang konsisten. Dengan mengidentifikasi periode-periode puncak dan sepi, manajemen rumah sakit dapat mengatur jadwal shift perawat dan dokter jaga serta mengalokasikan kapasitas ruangan secara lebih efisien.
• Profil Pasien: Analisis dasbor mengungkapkan bahwa pasien perempuan mendominasi kunjungan, yang mengindikasikan perlunya menyesuaikan alokasi tenaga medis, seperti dokter spesialis kandungan. Selain itu, sebagian besar pasien menggunakan BPJS sebagai metode pembayaran, yang memungkinkan rumah sakit untuk fokus pada efisiensi proses klaim dan administrasi terkait. Dasbor juga mencatat bahwa lebih dari 94% pasien rawat inap keluar dalam keadaan hidup, menunjukkan tingkat keberhasilan layanan yang tinggi.
• Diagnosis & Tindakan Terbanyak: Dasbor menyoroti diagnosis dominan, seperti A09.9 (Diare) di rawat inap. Informasi ini krusial untuk menyiapkan stok obat-obatan dan peralatan medis yang relevan lebih awal. Dasbor juga mengidentifikasi tindakan medis yang paling sering dilakukan, membantu dalam pengelolaan inventaris.

Analisis Prediktif