<![CDATA[Lama rawat inap (Length of Stay atau LOS) merupakan indikator penting yang mencerminkan efisiensi operasional rumah sakit dan kualitas pelayanan pasien. Berbagai penelitian telah memanfaatkan metode machine learning untuk memprediksi LOS berdasarkan data klinis pasien. Namun, kinerja model prediksi sangat dipengaruhi oleh kualitas representasi fitur yang digunakan, terutama pada variabel kategorikal dengan jumlah kategori yang terlalu banyak. Penggunaan kategori yang terlalu rinci dapat meningkatkan kompleksitas data dan berpotensi menurunkan performa model. Oleh karena itu, diperlukan kajian untuk mengetahui pengaruh penerapan feature grouping terhadap kinerja model prediksi LOS. Penelitian ini bertujuan untuk menganalisis pengaruh penerapan feature grouping terhadap kinerja algoritma Random Forest dalam prediksi lama rawat inap pasien berdasarkan data klinis dan administratif. Metode penelitian melibatkan pengolahan data rekam medis sebanyak 41.121 pasien dengan 8 fitur klinis. Tahapan penelitian meliputi preprocessing, feature engineering, serta evaluasi model menggunakan metrik R², Mean Absolute Error (MAE), dan Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa model Random Forest mampu memprediksi LOS dengan nilai R² sebesar 0,172. Penerapan feature grouping menunjukkan adanya peningkatan performa model dibandingkan baseline, namun peningkatan tersebut relatif kecil dan tidak signifikan secara praktis. Hal ini menunjukkan bahwa Random Forest memiliki kemampuan yang cukup baik dalam menangani fitur kategorikal tanpa transformasi tambahan.Kesimpulan dari penelitian ini menunjukkan bahwa efektivitas feature grouping dalam meningkatkan performa model bergantung pada karakteristik data dan kemampuan algoritma yang digunakan. Model yang dihasilkan diharapkan dapat memberikan gambaran awal untuk mendukung proses pengambilan keputusan dalam perencanaan pelayanan kesehatan di rumah sakit.]]>
