Model Deteksi Penyimpangan Keuangan Medis Menggunakan Gradient Boosted Tree (GBT ) Pada Rumah Sakit ABC

Article Sidebar

PDF
Published Feb 28, 2024
DOI https://doi.org/10.33050/sensi.v10i1.3115

Main Article Content

Aris Martono
Universitas Raharja
Padeli Padeli
Universitas Raharja

Abstract

Tujuan penelitian ini yaitu untuk mengetahui penyimpangan keuangan yang terjadi di lingkungan Rumah Sakit. Penyimpangan transaksi keuangan ini melibatkan aktivitas dokter, pembuatan resep dan apotik atau farmasi serta bagian keuangan Rumah Sakit. Setiap dokter yang mengeluarkan resep untuk pengobatan pasien, diharapkan pasien membeli obat di apotik Rumah Sakit itu sendiri sehingga transaksi keuangannya menjadi pemasukan bagi Rumah Sakit. Namun sebaliknya, hal ini bisa mempersulit mengetahui pemasukan kas yang diperoleh dari setiap dokter terkait resep yang dikeluarkan. Oleh karenanya penelitian ini dilakukan dengan membuat model untuk mengetahui penyimpangannya. Untuk mendapatkan model yang terbaik dilakukan evaluasi model terhadap algoritma Gradient Boosted Tree(GBT) dan Random Forest(RF). Hasilnya adalah AUC (Area Under the Curve) model GBT = 0.976 dan AUC model RF = 0.964 yang menunjukkan bahwa algoritma GBT pilihan terbaik untuk pemrosesan penyimpangan transaksi keuangan dataset medis di Rumah Sakit ABC. 

Article Details

How to Cite
Martono, A., & Padeli, P. (2024). Model Deteksi Penyimpangan Keuangan Medis Menggunakan Gradient Boosted Tree (GBT ) Pada Rumah Sakit ABC. Journal Sensi: Strategic of Education in Information System, 10(1), 33-42. https://doi.org/https://doi.org/10.33050/sensi.v10i1.3115
Issue
Vol 10 No 1 (2024): Journal Sensi
Section
Articles

References

[1] AMRA, IHSAN A ABU & ASHRAF Y.A. MAGHARI. Student Performance Prediction Using KNN and Naïve Bayesian. pp 909–913. 2017 7th International Conference on Information Technology (ICIT), 2017
[2] TIAN, D., HE, G., WU, J., CHEN, H., & JIANG, Y. An Accurate Eye Pupil Localization Approach Based on Adaptive Gradient Boosting Decision Tree. pp 27–30. 2016. https://doi.org/978-1-5090-5316-2/2016
[3] DEVIKA,R., AVILALA, S. V., & Subramaniyaswamy,V. Comparative Study of Classifier for Chronic Kidney Disease prediction using Naive Bayes , KNN and Random Forest. pp 679–684. 2019 3rd International Conference on Computing Methodologies and Communication (ICCMC), (Iccmc), 2019.
[4] L. Lumbaa, E. Mailoa, and ..., “Implementasi Metode SVM Dan Gradiant Boost Dalam Klasifikasi Bahasa Daerah (Halmahera, Kalimantan, Toraja)”, J. Tek. Inform. dan Sist. Inf. , vol. 9, no. 2, pp. 908–915, 2022.
[5] G. A. Mursianto, I. M. Falih, M. Irfan, T. Sakinah, and D. S. Prasvita, “Perbandingan Metode Klasifikasi Random Forest dan XGBoost Serta Implementasi Teknik SMOTE pada Kasus Prediksi Hujan”, J. Senamika, vol. 2, no. 2, pp. 41–50, 2021.
[6] E. Firasari, U. Khultsum, M. N. Winnarto, and R. Risnandar, “Kombinasi K-NN dan Gradient Boosted Trees untuk Klasifikasi Penerima Program Bantuan Sosial”, J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 6, pp. 1231-1236, 2020.
[7] A. C. Nugraha and M. I. Irawan, “Komparasi Deteksi Kecurangan pada Data Klaim Asuransi Pelayanan Kesehatan Menggunakan Metode Support Vector Machine (SVM) dan Extreme Gradient Boosting (XGBoost)”, J. Sains dan Seni ITS, vol. 12, no. 1, pp. 40–46, 2023.
[8] S. E. Herni Yulianti, Oni Soesanto, and Yuana Sukmawaty, “Penerapan Metode Extreme Gradient Boosting (XGBOOST) pada Klasifikasi Nasabah Kartu Kredit”, J. Math. Theory Appl., vol. 4, no. 1, pp. 21–26, 2022.
[9] G. M. Momole, “Perbandingan Naïve Bayes dan Random Forest Dalam Klasifikasi Bahasa Daerah”, J. Tek. Inform. dan Sist. Inf., vol. 9, no. 2, pp. 855–863, 2022.
[10] E. Renata and M. Ayub, “Penerapan Metode Random forest untuk Analisis Risiko pada dataset Peer to peer lending”, J. Tek. Inform. dan Sist. Inf., vol. 6,no. 3, pp. 462–474, 2020.
[11] TH Lee, A Ullah, R Wang, “Bootstrap Aggregating and Random Forest”, Vol 2, pp. 389–429, Springer Link: ASTA Book Series, 2019.
[12] S Suthaharan, S Suthaharan, “Decision tree learning”, vol 36, pp 237–269, Springer Link: ISIS book series, 2016.
[13] R Renault, A Trannoy, “Protecting minorities through the average voting rule”, Wiley Online Library: Journal of Public Economic Theory, 2005.
[14] Chun-Tao Wai, Chee Leong Cheng, Aileen Wee, Yock-Young Dan, Edwin Chan, Winnie Chua, Belinda Mak, Aung Myat Oo, Seng Gee Lim, “Non‐invasive models for predicting histology in patients with chronic hepatitis B”, National University of Singapore:Wiley, Online Library, 2006.
[15] Miguel Angel Luque-Fernandez, Daniel Redondo-Sánchez, and Camille Maringe,” Cvauroc: Command to compute cross-validated area under the curve for ROC analysis after predictive modeling for binary outcomes”, Volume 19, Issue 3, STATA Press: Sage Journal, 2019.