Sistem Pendukung Keputusan Probabilistik untuk Prediksi Rawat Inap Pasien Pneumonia Anak dengan NGBoost dan SHAP

Abstract

Pneumonia masih menjadi penyebab utama morbiditas dan mortalitas pada anak secara global, menuntut keputusan Rawat Inap yang cepat dan akurat. Penelitian ini bertujuan untuk mengembangkan Sistem Pendukung Keputusan (SPK) Probabilistik untuk memprediksi risiko Rawat Inap pasien pneumonia anak menggunakan model Natural Gradient Boosting (NGBoost). Metodologi penelitian mencakup praproses data klinis dan hematologi, pelatihan model NGBoost menggunakan distribusi Bernoulli untuk klasifikasi biner, dan evaluasi komprehensif. Hasil pengujian menunjukkan kinerja model yang superior dengan akurasi 0.95 (95%) dan yang paling krusial, Sensitivitas (Recall) sempurna 1.00 (100%) untuk kelas Rawat Inap. Model juga mencapai kemampuan diskriminasi yang baik (AUROC = 0.87). Kontribusi utama penelitian ini adalah integrasi prediktor probabilistik dengan SHapley Additive exPlanations (SHAP) untuk memastikan transparansi. Analisis SHAP mengidentifikasi tanggal pemeriksaan, kategori pneumonia, dan hematokrit sebagai fitur paling dominan. Penelitian ini memperlihatkan potensi NGBoost sebagai alat bantu klinis yang sangat sensitif dan dapat dijelaskan untuk meningkatkan objektivitas dan keselamatan dalam keputusan Rawat Inap pediatrik.