Dian Pratiwi (1), Auliyaur Rabbani (2)
General Background: Length of stay is one of the indicators used to assess healthcare quality and cost control, while patient medical record data can be analyzed to identify meaningful service patterns. Specific Background: At Jemursari Islamic Hospital, Surabaya, the Average Length of Stay (AvLOS) during January–March 2025 was 3.62 days, with most patients hospitalized for 1–5 days. Knowledge Gap: Previous studies have examined length of stay using cross-sectional, univariate, bivariate, and case-study approaches, while association rule data mining using the Apriori algorithm has not been widely applied to identify hidden combinations of patient characteristics related to length of stay. Aims: This study aimed to identify meaningful relationships between patient characteristics and length of stay using the Apriori association rule method. Results: Using 4,509 inpatient records, the analysis identified significant combinations across three hospitalization categories. Female patients aged 6–18 years with bronchopneumonia without complications and accompanying diagnoses were associated with 1–5 days of hospitalization. Female toddlers with typhoid fever without complications and accompanying diagnoses were associated with 6–9 days. Male adults or female elderly patients with pulmonary tuberculosis without complications and accompanying diagnoses were associated with hospitalization of ≥10 days. Novelty: The study applies Apriori association rules to combine age, sex, diagnosis, accompanying diagnosis, complications, and length of stay. Implications: The findings can support hospital planning and the evaluation or development of diagnoses within Clinical Pathway and national quality indicators.
Key Findings Highlights
Female children aged 6–18 years with bronchopneumonia and accompanying diagnoses were all hospitalized for 1–5 days.
Female toddlers with typhoid fever showed a 35.71% tendency toward 6–9 days of hospitalization.
Male adults or female elderly patients with pulmonary tuberculosis showed 9–10% hospitalization of ≥10 days.
Keywords : Length Of Stay, Patient Characteristics, Apriori Algorithm, Association Rule Mining, Clinical Pathway
Berdasarkan Permenkes No. 24 tahun 2022, “isi rekam medis elektronik adalah identitas data pasien, mulai dari registrasi, pemeriksaan secara fisik dan penunjang medis, pengobatan atau terapi, tindakan invasif maupun operasi dan pelayanan kesehatan lainnya yang diselenggarakan pada layanan kesehatan dengan tujuan untuk meningkatkan mutu pelayanan kesehatan” [1]. Data rekam medis dapat dimanfaatkan dalam perhitungan statistik dengan tujuan mengidentifikasi pencapaian indikator pelayanan kesehatan. "Berdasarkan Nisak (2020), statistik rumah sakit adalah agregasi data numerik yang menyajikan gambaran kondisi sebuah rumah sakit. Informasi ini, yang bersumber dari catatan medis, sangat krusial untuk perencanaan dan kebijakan strategis" [2]. Pencapaian mutu, dan efisiensi layanan kesehatan dapat diukur dari pencapaian indikator, salah satunya adalah Average Length of Stay (AvLOS). Nilai ideal rata-rata lama pasien dirawat antara 6-9 hari [3]. Indikator ini bersifat umum, atau dengan kata lain tidak spesifik terkait Diagnosa pasien. Belum tercapainya indikator mutu dapat berpotensi terjadinya re-admisi (pasien dirawat kembali), mengalami kegagalan monitoring efek terapi, edukasi yang kurang optimal, terjadinya HAIs (Healthcare-Associated Infections) atau infeksi yang diperoleh pasien selama menerima perawatan medis, timbulnya biaya perawatan yang lebih besar, memungkinkan pasien mengalami kejenuhan bahkan kecemasan, bahkan berujung pada ketidakpuasan terhadap layanan kesehatan.
Kendali mutu dan biaya pada layanan kesehatan dilakukan untuk menjamin mutu yang ditetapkan dan diselenggarakan secara efisien. Sistem ini dilakukan oleh layanan kesehatan dan pihak terkait, seperti BPJS Kesehatan, organisasi profesi, asosiasi Rumah Sakit, dan Pemerintahan [4]. Berdasarkan Permenkes No. 71 tentang YanKes JKN tahun 2013, “Penyelenggaraan kendali mutu dan efisiensi biaya pada layanaan kesehatan mencakup pengaturan kewenangan, pembinaan etika & disiplin profesi kepada tenaga kesehatan, utilization review, audit medis, evaluasi penggunaan obat, alat kesehatan, serta bahan medis habis pakai yang dilaksanakan secara berkala dengan memanfaatkan sistem informasi kesehatan” [5]. Clinical Pathway adalah salah satu indikator mutu nasional Rumah Sakit. Penerapan Clinical Pathway di RS Islam Surabaya Jemursari bertujuan sebagai standarisari untuk mewujudkan pelayanan yang bermutu, mengurangi risiko yang terjadi dalam proses asuhan klinik, terutama hal-hal yang terkait dengan tahap pengambilan keputusan dan memberikan asuhan klinis secara tepat, efektif dengan menggunakan sumber daya efisien serta konsisten untuk menghasilkan mutu pelayanan tinggi dengan cara evidence based [6].
Sistem informasi kesehatan mencakup indikator dapat digunakan untuk mendukung pembangunan kesehatan. Data Kesehatan berupa angka dan fakta kejadian belum memiliki makna bagi pembangunan kesehatan [7]. Dalam bidang kesehatan, data mining dapat digunakan dalam menganalisis rekam medis untuk menentukan strategi pengobatan. Data mining adalah ekstraksi pola dan pengetahuan yang berguna dari jumlah data yang besar menggunakan teknik dari statistik, machine learning, dan sistem informasi. Dengan munculnya era big data, data mining telah menjadi lebih penting dari sebelumnya. Volume data yang besar dari internet, sensor, dan perangkat mobile membuka peluang baru untuk menemukan insight dari data yang belum pernah terjadi sebelumnya. Pembelajaran Mesin (Machine Learning), cabang dari kecerdasan buatan menjadi sangat terkait dengan data mining, membawa kemampuan prediktif dan analitik ke tingkat yang baru. Dalam konteks data mining, pembelajaran mesin digunakan untuk membangun model yang dapat mengenali pola atau tren yang kompleks dalam data besar [8]. Data mining merupakan tahapan untuk menggali nilai dari suatu kumpulan set data berukuran besar yang memungkinkan memberikan indikasi yang bermakna. Menurut fungsinya, data mining dapat digunakan untuk analisis asosiasi. Algoritma apriori melakukan teknik association rule dan cara bekerjanya adalah menganalisa kumpulan item set yang muncul secara bersamaan. Indikator diterimanya aturan asosiasi adalah jika nilai support dan confidence melampaui batas minimum. Diantara algoritma asosiasi lainnya, seperti FP-Growth, algoritma apriori ini lebih sederhana dan mudah dipahami bagi pengguna awam dan algoritmanya lengkap sehingga dapat menemukan semua aturan asosiasi yang telah ditentukan [9].
Penelitian sebelumnya menggunakan berbagai macam metode, seperti pendekatan crossectional, analisis univariat, atau uji bivariat, dan menyimpulkan bahwa lama dirawat pasien berhubungan dengan kelompok usia dan pemberian golongan antibiotik pada pasien dengan tifoid [10], kecemasan pada anak [11], kecemasan pada keluarga pasien [12] [13], komplikasi dan infeksi [14], serta selisih biaya yang dapat mengakibatkan kerugian finansial [15]. Penelitian dengan pendekatan studi kasus menyimpulkan bahwa clinical pathway efektif mengurangi AvLOS (rata-rata hari perawatan) dan juga menghemat biaya perawatan [16]. Penelitian-penelitian sebelumnya menggunakan metode analisis yang berbeda-beda, namun belum secara luas menggunakan teknik data mining dan belum menggunakan metode assosiasi rule apriori. Evaluasi yang belum dilakukan secara maksimal, dan untuk menemukan pola tersembunyi namun bermakna, serta sebagai bentuk kontribusi terhadap peningkatan mutu layanan kesehatan, maka menjadi sangatlah penting menerapkan data mining untuk mengidentifikasi karakteristik pasien dengan lama dirawat di RS Islam Surabaya Jemursari ?
Secara umum, penelitian yang dilakukan di RS Islam Surabaya Jemursari ini menggunakan pendekatan kuantitatif. Teknik yang diterapkan adalah metode association rule mining menggunakan algoritma apriori. Pemrosesan data dilakukan secara sistematis menggunakan bahasa pemrograman python untuk menghasilkan pengolahan data yang efisien dan optimal [17]. Penelitian ini bertujuan untuk menemukan pola hubungan yang bermakna antara karakteristik pasien dengan lama dirawat. Seluruh pasien yang dirawat pada periode Bulan Januari-Maret 2025 digunakan sebagai populasi atau data set, yaitu sebanyak 4.509 pasien (baris) dan 7 variabel (kolom). Variabel data meliputi usia, jenis kelamin, kelompok diagnosa (tunggal/penyerta), Diagnosa akhir (kode ICD X), komplikasi dan lama dirawat.
A. Identifikasi Masalah
1. Pada Bulan Januari-Maret 2025, AvLOS di RS Islam Surabaya Jemursari adalah 3.62 hari, dengan detail rincian sebagai berikut :
Tabel 1. Prosentase Lama Dirawat Pasien Bulan Januari-Maret 2025
Sumber : Data Primer Indeks Pasien Rawat Inap
Faktanya capaian ini belum dinilai ideal berdasarkan indikator Depkes 2005. Berdasarkan tabel diatas, dapat disimpulkan bahwa prosentase lama dirawat pasien dengan nilai ideal sangatlah kecil dibandingkan dengan lama dirawat pasien dengan nilai tidak ideal.
2. 10 Besar Penyakit berdasarkan lama dirawat Pasien Bulan Januari-Maret 2025
Tabel 2. 10 Besar Penyakit
3. Berikut adalah Diagnosa Clinical Pathway yang diterapkan di RS Islam Surabaya Jemursari :
Tabel 3. Clinical Pathway
Sumber : Data Sekunder Panduan Clinical Pathway RS Islam Surabaya Jemursari
B. Pengelompokan Variabel
Pengelompokan variabel pada kategori usia berdasarkan Permenkes no. 25 tahun 2014 [18] dan Permenkes no. 25 tahun 2016 [19]. Berikut adalah pengelompokan variabel data :
Tabel 4. Pengelompokan variabel data
C. Tahap Preprocessing
1. Data cleaning : proses yang dilakukan adalah menghapus data yang tidak lengkap, misalnya diagnosa yang belum diisi [20].
2. Data transformation : proses ini mengubah data ke format yang sesuai (kategorikal), one-hot encoding untuk itemset (teknik representasi data dalam bentuk vektor biner (0 dan 1) yang menunjukkan keberadaan atau ketiadaan suatu item dalam sebuah transaksi atau set data) [20].
D. Teknik Association Rule Algoritma Apriori
Sekumpulan transaksi dinamakan itemset yang dilambangkan dengan k=1, 2, … m. Apabila itemset memiliki k jumlah item, maka disebut k-itemset. Kedua aturan ini memerlukan perhitungan nilai support maupun confidence. Nilai support digunakan untuk mengukur kemunculan X dan Y secara bersamaan, dengan menggunakan rumus [21].
support (x →y)=jumlah transaksi yang mengandung x dan y÷jumlah transaksi
Rumus nilai confidence yang digunakan [21] :
confidence (x →y)=jumlah transaksi yang mengandung x dan y÷jumlah transaksi yang mengandung x
Lift Ratio memberikan informasi item yang muncul bersamaan dengan item lainnya dan dihitung dengan Rumus [21] :
lift ratio=support (a ∩b)÷(support a x support b)
Lift ratio digunakan sebagai indikator dalam menilai apakah pola asosiasi yang terbentuk layak dianggap signifikan atau tidak. Nilai ukuran lift ratio berada pada nilai 0 dan tak terhingga. Contoh (Item A => Item B) 1. Jika nilai lift ratio 1, maka antara item A dan B memiliki hubungan keeratan positif, dimana item A dan B saling bergantung satu sama lain. Maka ukuran nilai lift ratio yang baik adalah lift ratio >1, karena nilai lift ratio lebih besar dari 1, menunjukkan aturan tersebut bermanfaat dan aturan asosiatif tersebut valid [22].
E. Hasil Association Rule dan Analisa
1. Pembentukan itemset dan kombinasi itemset
Tabel 5. Hasil nilai support 1-item set dan kombinasi item set
Tabel 5. Diatas merupakan hasil nilai support tertinggi dari pembentukan 1-itemset sampai kombinasi 4-itemset dengan menggunakan nilai minimum support = 0.1 atau 10%. Namun, pada kombinasi 5-itemset, nilai minimun support yang digunakan adalah 0.01 atau 1%.
2. Hasil Lift Ratio dan Analisis
Analisis asosiasi menggunakan algoritma apriori dengan nilai minimum support 0.001 atau 0.1% dan nilai minimum confidence 0.001 atau 0.1%, dan hasil lift ratio >1.
Tabel 6. Hasil lift ratio dengan lama dirawat 1-5 hari
Tabel 6. Diatas adalah 5 hasil asosiasi yang menunjukkan bahwa :
Kombinasi karakteristik pasien diatas mempunyai korelasi yang kuat dengan lama dirawat 1-5 hari.
Berdasarkan Depkes 2005, indikator Avlos belum memenuhi nilai ideal.
Diagnosa Thypoid Fever (A01.0), dan Bronchopneumonia (J18.0), masuk dalam 10 besar Diagnosa dan tidak termasuk dalam Diagnosa Clinical Pathway di RS Islam Surabaya Jemursari.
Gejala Nausea dan Vomitting (R11), Diagnosa Dyspepsia (K30), dan Urinary Tract Infection (N39.0) tidak termasuk dalam 10 besar Diagnosa dan Clinical Pathway di RS Islam Surabaya Jemursari.
Tabel 7. Hasil lift ratio dengan lama dirawat 6-9 hari
Tabel 7. Diatas adalah 5 hasil asosiasi yang menunjukkan bahwa :
Kombinasi karakteristik pasien diatas mempunyai korelasi yang kuat dengan lama dirawat 6-9 hari.
Berdasarkan Depkes 2005, indikator Avlos telah memenuhi nilai ideal.
Diagnosa Dengue Hemorrhagic Fever (A91) adalah 4 besar Diagnosa terbanyak dan termasuk dalam Diagnosa Clinical Pathway di RS Islam Surabaya Jemursari.
Diagnosa Typhoid Fever (A01.0), Pneumonia (J18.9), Bronchopneumonia (J18.0), dan Dengue Fever (A90) termasuk 10 besar Diagnosa, namun tidak termasuk dalam Diagnosa Clinical Pathway di RS Islam Surabaya Jemursari.
Tabel 8. Hasil lift ratio dengan lama dirawat ≥10 hari.
Tabel 8. Diatas adalah 5 hasil asosiasi yang menunjukkan bahwa :
1. Kombinasi karakteristik pasien diatas mempunyai korelasi yang kuat dengan lama dirawat ≥10 hari.
2. Berdasarkan Depkes 2005, indikator Avlos belum memenuhi nilai ideal.
3. Diagnosa Tuberculosis Paru (A16.2) termasuk dalam Diagnosa Clinical Pathway dengan ketentuan AvLOS 7 hari.
4. Diagnosa Penumonia (J18.9) dan Cerebral infarction due to thrombosis of cerebral arteries (I63.3) termasuk dalam 10 besar Diagnosa dan belum masuk dalam Diagnosa Clinical Pathway.
Temuan penelitian ini sejalan dengan penelitian (Aisyah, 2024) dan (Abqariah, 2024) dimana kelompok usia [10] dan komplikasi [14] memiliki korelasi kuat dengan lama dirawat pasien. Temuan lainnya adalah kombinasi karakteristik yang memiliki korelasi kuat dengan lama dirawat adalah sebagai berikut :
1. Pada aturan asosiasi tabel 6., sebanyak 0.19% pasien anak-anak berjenis kelamin Perempuan, dengan Diagnosa Bronchopneumonia (J18.0) tanpa komplikasi dan dengan diagnosa penyerta, 100% dirawat selama 1-5 hari (lama dirawat tidak ideal menurut Depkes 2005). Bronchopneumonia (J18.0) merupakan diagnosa terbanyak, namun tidak masuk dalam Clinical Pathway RS.
2. Pada aturan asosiasi tabel 7., sebanyak 0.11% pasien Balita berjenis kelamin perempuan dengan Thypoid Fever (A01.0) tanpa komplikasi, dengan diagnosa penyerta, 35.71% diantaranya cenderung dirawat selama 6-9 hari (lama dirawat ideal menurut Depkes 2005). Thypoid Fever (A01.0) merupakan 3 besar diagnosa terbanyak dan tidak masuk dalam Clinical Pathway RS.
3. Pada tabel 8., ditemukan bahwa sebanyak 0.02%, pasien dewasa laki-laki atau lansia perempuan dengan Diagnosa Tuberculosis Paru (A16.2) tanpa komplikasi dan dengan diagnosa penyerta, 9-10% diantaranya dirawat ≥10 hari. Dari hasil temuan tersebut, maka penerapan Clinical Pathway Diagnosa Tuberculosis Paru (A16.2) dengan AvLOS 7 hari, perlu dilakukan evaluasi secara berkala sehingga dapat menurunkan rata-rata hari perawatan (AvLOS) dan biaya perawatan [16].
Lama dirawat pasien di RS Islam Surabaya Jemursari saling berhubungan erat dengan karakteristik pasien, seperti usia, jenis kelamin, kelompok diagnosa (tunggal/penyerta), Diagnosa akhir (kode ICD X), dan komplikasi. Metode data mining asosiasi rule apriori efektif menyimpulkan bahwa pasien anak-anak usia antara 6-18 tahun berjenis kelamin Perempuan, dengan Diagnosa Bronchopneumonia (J18.0) tanpa komplikasi dan dengan diagnosa penyerta, 100% dirawat selama 1-5 hari. Pasien Balita usia antara 0-5 tahun berjenis kelamin perempuan dengan Thypoid Fever (A01.0) tanpa komplikasi, dengan diagnosa penyerta, 35.71% diantaranya dirawat selama 6-9 hari. Pasien dewasa usia antara 19-59 tahun laki-laki atau lansia usia ≥60 tahun perempuan dengan Diagnosa Tuberculosis Paru (A16.2) tanpa komplikasi dan dengan diagnosa penyerta, 9-10% diantaranya dirawat ≥10 hari. Hasil ini dapat dimanfaatkan dalam perencanaan kebijakan di Rumah Sakit. Salah satunya adalah menerapkan Diagnosa baru dalam indikator mutu nasional clinical pathway di Rumah Sakit Islam Surabaya Jemursari.
Ucapan Terima Kasih
Syukur Alhamdulillah selalu dipanjatkan Kepada Allah SWT atas segala nikmat dan karuniaNya. Terima kasih kepada Orang Tua dan Keluarga yang senantiasa melangitkan Doa-Doanya selalu. Terima kasih untuk UMSIDA yang memberi ruang untuk berkembang, dan terima kasih untuk RS Islam Surabaya Jemursari yang sudah memberikan banyak kesempatan serta pengalaman yang berharga. Semoga dapat memberi manfaat sepanjang masa.
Kementerian Kesehatan Republik Indonesia, “PMK No. 24 Tentang Rekam Medis,” 2022.
U. K. Nisak, Buku Ajar Statistik Di Fasilitas Pelayanan Kesehatan, 2020, doi: 10.21070/2020/978-623-6833-94-0.
G. Sanyoto, “Indikator Kinerja Rumah Sakit Menurut Depkes RI Tahun 2005,” 2005. [Online]. Available: https://www.academia.edu/31900121/Indikator_Kinerja_Rumah_Sakit_Menurut_Depkes_RI_Tahun_2005
B. Penyelenggara and J. Sosial, “Berita Negara,” 2016.
Kementerian Kesehatan Republik Indonesia, “PMK No. 71 Tentang Pelayanan Kesehatan JKN,” 2013.
P. P. C. Pathway, Panduan Pelaksanaan Clinical Pathway (03 Feb 2022 s.d. 02 Feb 2025), 2022.
Kementerian Kesehatan Republik Indonesia, “Peraturan Menteri Kesehatan No. 18 Tahun 2022,” 2022.
Harmayanai, Esensi Data Mining.
D. Sitanggang, M. Kom, and A. Apriori, Algoritma Apriori.
Aisya AF, Nurelly, and W. I. Ningsi, “Analisis Faktor-Faktor Yang Mempengaruhi Length Of Stay (LOS) Pada Pasien Demam Tifoid Di Rumah Sakit Ibnu Sina YW UMI Januari–Desember 2022,” Innovative: Journal of Social Science Research, vol. 4, no. 2, pp. 6448–6469, 2024. [Online]. Available: https://j-innovative.org/index.php/Innovative
R. I. Patantan, I. W. Romantika, N. Narmawan, and A. M. Andas, “Hubungan Pengalaman Dan Lama Rawat Dengan Kecemasan Pada Anak Yang Menjalani Hospitalisasi Di Ruang Rawat Inap RS Benyamin Guluh Kolaka,” Jurnal Surya Medika, vol. 8, no. 3, pp. 263–267, 2022.
Z. R. Aprilina, “Lama,” vol. 6, no. 1, 2025.
S. Samarang, S. B. Syukur, and F. Syamsuddin, “Hubungan Average Length Of Stay (AVLOS) Dengan Tingkat Kecemasan Keluarga Pasien Di Ruangan Intensive Care Unit (ICU) RSUD Otanaha,” Jurnal Ilmu Kesehatan dan Gizi, vol. 1, no. 2, pp. 113–126, 2023. [Online]. Available: https://prin.or.id/index.php/jig/article/view/975
M. Abqariah and Mukhlis, “Faktor-Faktor Yang Berhubungan Dengan Lamanya Hari Rawat Pada Pasien Di Ruang Bedah Rumah Sakit Umum Daerah Tgk Chik Ditiro Sigli,” vol. 14, no. 4, pp. 508–515, 2024.
N. Syifa, “Korelasi Karakteristik Pasien Dan Length Of Stay Terhadap Pembiayaan Layanan Kesehatan Pada Kasus Bronchopneumonia,” pp. 312–327, 2023.
Safi and A. Aziz, “Efektivitas Dan Efisiensi Penggunaan Clinical Pathway Terhadap Average Length Of Stay (AVLOS) Pasien Sectio Caesarea (SC) Di RSI NU Demak,” Jurnal ARSI: Administrasi Rumah Sakit Indonesia, vol. 9, no. 3, 2023, doi: 10.7454/arsi.v9i3.7343.
O. Pratama and J. Haerul Jaman, “Penerapan Data Mining Menggunakan Algoritma Apriori Untuk Mengetahui Kebiasaan Konsumen Dan Prediksi Stok Produk,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 3, pp. 1837–1844, 2023, doi: 10.36040/jati.v7i3.7016.
“Permenkes 24 Tahun 2014,” 2014.
“Permenkes 25 Tahun 2016,” 2019. [Online]. Available: http://scioteca.caf.com/bitstream/handle/123456789/1091/RED2017-Eng-8ene.pdf?sequence=12&isAllowed=y
F. Marisa, Data Mining: Konsep Dan Penerapannya.
N. D. Sari and S. Khoiriah, “Penerapan Metode Asosiasi Pada Toko Afifa Dengan Algoritma Apriori,” Instink: Inovasi Pendidikan, Teknologi Informasi dan Komputer, vol. 1, no. 1, pp. 8–17, 2022, doi: 10.30599/instink.v1i1.1498.
Amiq, Pujiono, Budiono, and Fahmi, “Penerapan Metode Association Rule,” Jurnal Ilmiah Teknologi Informasi Terapan, vol. II, no. 2, pp. 221–227, 2020.