Klasifikasi Readmisi Pasien Diabetes Menggunakan Algoritma Catboost dengan Penanganan Imbalanced Data (Studi kasus : Pasien Diabetes 130 Rumah Sakit di Amerika Serikat dari Tahun 1999-2008)

Abstract

Penelitian ini bertujuan mengembangkan model klasifikasi risiko readmisi pasien diabetes menggunakan algoritma CatBoost dengan fokus pada penanganan ketidakseimbangan data dan penerapan feature engineering. Dataset Diabetes 130- US Hospitals for Years 1999–2008 yang terdiri dari 56.504 pasien dan lebih dari 78.000 kunjungan rumah sakit dibagi menjadi data latih sebesar 80% dan data uji sebesar 20% setelah melalui tahap penyaringan. Rekayasa fitur dilakukan melalui pembentukan indikator diagnosis, kombinasi diagnosis, variabel agregat berbasis riwayat kunjungan, serta keyword matching untuk kondisi klinis tertentu. Evaluasi model menunjukkan bahwa CatBoost dengan penyesuaian parameter scale_pos_weight mencapai akurasi 81,14%, AUC 0,8789, dan recall 72,81% pada data uji, dengan kemampuan mendeteksi lebih dari tujuh dari sepuluh kasus readmisi. Analisis feature importance mengungkapkan bahwa riwayat rawat inap, jumlah diagnosis, serta faktor administratif menjadi prediktor dominan. Hasil penelitian ini menunjukkan bahwa CatBoost dengan dukungan feature engineering dapat menjadi pendekatan andal untuk memprediksi risiko readmisi pasien diabetes dan berpotensi mendukung sistem pendukung keputusan di bidang kesehatan.