Sistem Pendukung Keputusan Triase Poliklinik Menggunakan Pendekatan Hybrid K-Means Clustering dan Rule-Based

Abstrak

Disparitas waktu respons dalam proses triase instalasi gawat darurat kerap memicu eskalasi perburukan klinis, menyingkap kerentanan fundamental pada manajemen fasilitas kesehatan ortodoks. Meskipun adopsi Machine Learning (ML) menjanjikan efisiensi komputasional, model unsupervised murni seperti K-Means sering kali terdistorsi oleh hegemoni data historis yang tidak seimbang, sehingga gagal mengidentifikasi anomali klinis ekstrem secara presisi. Penelitian ini merancang Clinical Decision Support System (CDSS) berskala produksi menggunakan arsitektur hybrid yang menyintesis algoritma K-Means dengan heuristik pakar (rule-based). Menggunakan dataset simulasi rekam medis yang mencakup variabel usia, denyut nadi, suhu tubuh, dan saturasi oksigen (SpO2), metodologi ini mengkalibrasi bobot fitur sebelum mengeksekusi validasi berlapis. Lapisan pertama secara deterministik mengamankan parameter ancaman jiwa (misalnya SpO2 < 90%), mereduksi bias algoritmik, sementara pasien stabil didelegasikan pada logika proksimal K-Means. Evaluasi kuantitatif mengindikasikan bahwa intervensi hybrid ini sepenuhnya mengeliminasi kesalahan klasifikasi fatal yang melekat pada ML murni, memproyeksikan keselarasan absolut terhadap standar Emergency Severity Index (ESI). Rancang bangun sistem ini, yang diimplementasikan melalui antarmuka desktop Flutter dan komputasi backend Python-Flask, membuktikan kelayakan operasional dalam mereduksi human error serta mempercepat latensi pengambilan keputusan triase.

Identifier

• OpenAlex: https://openalex.org/W7169724460
• DOI: https://doi.org/10.62712/juktisi.v5i2.1352