<![CDATA[Transformasi digital di sektor kesehatan Indonesia masih menghadapi ketimpangan implementasi, di mana fasilitas kesehatan primer seperti poliklinik bandara tertinggal dalam adopsi Artificial Intelligence (AI), sementara sistem rujukan manual yang berlaku rentan terhadap kesalahan subjektif dan ketidakefisienan terutama dalam lingkungan dinamis bandara dengan pasien berisiko tinggi dan waktu respons kritis. Penelitian ini mengembangkan solusi berbasis Random Forest yang diintegrasikan dengan SHapley Additive exPlanations (SHAP) untuk mengklasifikasi status rujukan pasien ke dalam dua kelas target: “Dirujuk” (memerlukan penanganan lanjutan) dan “Tidak Dirujuk” (dapat ditangani di tempat), secara akurat dan terinterpretasi. Metode ini dipilih karena kemampuannya menangani data multivariat dan tidak seimbang, serta menyediakan penjelasan transparan melalui nilai SHAP. Analisis dilakukan pada 374 rekam medis poliklinik Bandara Juanda dengan fitur utama seperti usia, tanda vital, dan status pasien. Hasil menunjukkan akurasi 94,59% dan AUC 0,91, dengan recall sempurna (100%) untuk kelas dirujuk, meski precision-nya masih rendah (43%) akibat ketidakseimbangan data (hanya 15 kasus dirujuk vs 359 tidak dirujuk). Interpretasi SHAP mengungkap usia sebagai faktor dominan dalam pembedaan kedua kelas, diikuti nadi dan status pasien. Inovasi penelitian terletak pada kombinasi Random Forest-SHAP untuk konteks bandara yang belum banyak dieksplorasi, serta desain antarmuka yang sesuai alur kerja klinis. Temuan ini mendukung percepatan AI-assisted triage di fasilitas primer, dengan rekomendasi penggunaan resampling atau threshold adjustment untuk optimasi lebih lanjut. Implementasi sistem ini berpotensi mengurangi waktu rujukan hingga 40% dan menjadi model replikasi untuk layanan kesehatan berorientasi mobilitas tinggi.]]>
