Teknik Data Science di Bidang Kesehatan : Menganalisis Faktor penting Ketidakhadiran Janji Medis Pasien

Ketidakhadiran pasien dan pembatalan janji temu yang terlambat akan berdampak buruk pada kinerja keuangan dan kualitas layanan organisasi perawatan kesehatan, kesinambungan perawatan terganggu, kemanjuran obat tidak dapat dipantau secara teratur, layanan pencegahan dan pemeriksaan tidak dapat diberikan tepat waktu. Makalah ini menyajikan hasil analisis dalam kumpulan data menggunakan pendekatan ilmu data. Kerangka kerja menerapkan konsep CRIS-DM dengan tahapan pemahaman bisnis, pra-pemrosesan data, pembersihan data, rekayasa fitur, pemodelan dan evaluasi. Analisis data statistik deskriptif dan visual digunakan untuk memahami kumpulan data untuk menjawab delapan pertanyaan penting yang berhubungan dengan faktor ketidakhadiran janji temu pasien yang terjadwal, kemudian memprediksi apakah pasien akan datang pada hari janji temu yang dijadwalkan. Berdasarkan hasil evaluasi nilai matriks Accuray, F1-Score dan ROC terhadap Lima model machine learning yang digunakan menghasilkan Light GBM Classifier, Gradient Boosting Classifier dan XGBoost Classifier adalah tiga model terbaik dengan akurasi diatas 78% sekitar 0.79968 (79.9%), 0.79883 (79.8%) dan 0.79806 (79.8%) pada masing-masing model