<![CDATA[Kesalahan klinis yang bersumber dari ketidakwajaran data rekam medis masih menjadi tantangan signifikan dalam sistem pelayanan kesehatan, karena berpotensi memengaruhi akurasi pengambilan keputusan medis dan keselamatan pasien. Ketidakwajaran tersebut dapat berupa kesalahan pencatatan nilai klinis, ketidaksesuaian dosis obat, maupun inkonsistensi informasi pasien. Penelitian ini bertujuan untuk mengembangkan dan menguji model Artificial Intelligence (AI) berbasis unsupervised anomaly detection dalam mendeteksi anomali pada rekam medis pasien sebagai mekanisme pencegahan dini terhadap kesalahan klinis. Metode Isolation Forest digunakan untuk mempelajari pola mayoritas data dan mengidentifikasi observasi yang menyimpang tanpa memerlukan pelabelan kesalahan sebelumnya. Dataset penelitian berasal dari data rekam medis pasien rawat jalan yang mencakup variabel demografis, diagnosis, nilai laboratorium, dosis obat, serta kelengkapan resume medis. Hasil analisis menunjukkan bahwa model mampu mengidentifikasi sekitar 10% data sebagai anomali dengan skor penyimpangan yang relatif tinggi. Visualisasi hasil memperlihatkan pemisahan yang jelas antara data normal dan data anomali, sekaligus mengindikasikan adanya kombinasi nilai klinis yang tidak lazim dan berpotensi menimbulkan risiko klinis. Temuan ini menegaskan bahwa model AI berbasis Isolation Forest memiliki potensi kuat untuk dikembangkan sebagai sistem peringatan dini guna mendukung keselamatan pasien dan meningkatkan kualitas pengelolaan rekam medis dalam layanan kesehatan.]]>
