PREDIKSI JUMLAH PERAWAT BERDASARKAN KABUPATEN/KOTA DI PROVINSI JAWA BARAT MENGGUNAKAN DECISION TREE
DOI:
https://doi.org/10.62281/v3i8.2682Keywords:
Perawat, Jawa Barat, Decision Tree, Data Mining, RapidMinerAbstract
Ketersediaan tenaga kesehatan, khususnya perawat, merupakan aspek penting dalam menjamin layanan kesehatan yang merata dan berkualitas bagi seluruh masyarakat. Provinsi Jawa Barat, sebagai provinsi dengan jumlah penduduk terbanyak di Indonesia, menghadapi tantangan besar dalam pemerataan distribusi tenaga perawat di berbagai kabupaten dan kota. Ketimpangan ini dapat berdampak pada kualitas pelayanan kesehatan yang diterima oleh masyarakat di wilayah tertentu, terutama di daerah terpencil dan padat penduduk. Penelitian ini bertujuan untuk memprediksi jumlah perawat berdasarkan wilayah administratif menggunakan algoritma Decision Tree. Data penelitian diperoleh dari instansi pemerintah yang mencakup data jumlah perawat di setiap wilayah selama kurun waktu tertentu. Proses analisis dilakukan dengan bantuan perangkat lunak RapidMiner untuk membangun model prediksi dan mengevaluasi performanya secara menyeluruh. Hasil penelitian menunjukkan adanya disparitas jumlah perawat antarwilayah serta beberapa variabel yang memengaruhi distribusinya. Model prediksi ini diharapkan dapat menjadi dasar pengambilan keputusan strategis bagi pihak berwenang dalam merumuskan kebijakan pemerataan tenaga kesehatan di Provinsi Jawa Barat.
Downloads
References
Dame Maria Pakpahan, Fitriany Suangga, & Rizki Sari Utami. (2023). Hubungan Karakteristik Perawat Dan Beban Kerja Dengan Kelelahan Kerja Perawat Di Ruang Rawat Inap RSUD Kota Tanjungpinang. Jurnal Rumpun Ilmu Kesehatan, 4(1), 10–27. https://doi.org/10.55606/jrik.v4i1.2751
Harahap, R. N., & Muslim, K. (2020). Peningkatan Akurasi pada Prediksi Kepribadian Mbti Pengguna Twitter Menggunakan Augmentasi Data. Jurnal Teknologi Informasi Dan Ilmu Komputer, 7(4), 815. https://doi.org/10.25126/jtiik.2020743622
Riany, A. F., & Testiana, G. (2023). Penerapan Data Mining untuk Klasifikasi Penyakit Stroke Menggunakan Algoritma Naïve Bayes. Penerapan Data Mining Menggunakan Algoritma K-Means Untuk Klasifikasi Penyakit ISPA Sonia, 13(1), 42–54. https://doi.org/10.33020/saintekom.v13i1.352
Sari, Y. R., Sudewa, A., Lestari, D. A., & Jaya, T. I. (2020). Penerapan Algoritma K-Means Untuk Clustering Data Kemiskinan Provinsi Banten Menggunakan Rapidminer. CESS (Journal of Computer Engineering, System and Science), 5(2), 192. https://doi.org/10.24114/cess.v5i2.18519
Septhya, D., Rahayu, K., Rabbani, S., Fitria, V., Rahmaddeni, R., Irawan, Y., & Hayami, R. (2023). Implementasi Algoritma Decision Tree dan Support Vector Machine untuk Klasifikasi Penyakit Kanker Paru. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 3(1), 15–19. https://doi.org/10.57152/malcom.v3i1.591
Suprapto, S., & Mulat, T. C. (2021). Faktor Determinan Pengembangan Kapasitas Perawat dalam Pelayanan Kesehatan. Jurnal Ilmiah Kesehatan Sandi Husada, 10(2), 416–422. https://doi.org/10.35816/jiskh.v10i2.628
Widodo, F. T., & Setyawan, M. B. (n.d.). Implementasi Text Mining Pada Analisis Sentimen Pemain Naturalisasi Timnas Indonesia Dengan Algoritma Naïve Bayes dan Support Vector Machine ( SVM ) 1 Pendahuluan.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Aldi Patria Nugraha, Tia Mulyani, Elkin Rilvani (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
