<![CDATA[Umumnya, keputusan rawat inap dan rawat jalan seorang pasien ditentukan secara subyektif oleh dokter menggunakan hasil laboratorium darah. Pada pasien yang masuk melalui Instalasi Gawat Darurat, keputusan tersebut dilakukan oleh dokter umum yang menangani banyak pasien sekaligus sehingga berpotensi salah keputusan. Machine Learning dapat dipakai untuk membantu dokter dalam pengambilan keputusan jenis perawatan. Penelitian ini membandingkan performa Random Forest dan XGBoost dalam memprediksi jenis perawatan pasien. Dataset yang digunakan berisi 4.412 data pasien dari beberapa rumah sakit swasta di Indonesia, dengan 11 atribut mencakup profil pasien serta hasil laboratorium seperti hematokrit, hemoglobin, eritrosit, leukosit, trombosit, MCH, MCHC, dan MCV. Dataset termasuk dalam kategori ketidakseimbangan ringan karena terdiri dari 59,6% pasien rawat jalan dan 40,4% rawat inap. Pengujian dilakukan menggunakan parameter default maupun dengan pengaturan fitur. Hasil pengujian menunjukkan bahwa kinerja Random Forest lebih baik dibanding XGBoost. Model Random Forest terbaik didapat dengan menggunakan parameter default dengan feature selection, mencapai akurasi 77%, presisi 77%, recall 77%, F1-Score 76% dan ROC-AUC 81,4%. XGBoost terbaik diperoleh dengan menggunakan default parameter seluruh variabel, dengan akurasi 76%, presisi 74%, recall 76%, F1-Score 75% dan ROC-AUC 80,2%. Random Forest menunjukkan keseimbangan prediksi antar kelas dan sensitivitas serta spesifisitas tinggi sehingga efektif dalam mendukung keputusan klinis. Penelitian selanjutnya dapat difokuskan pada metode feature selection dan optimasi parameter yang mempertimbangkan waktu dan beban komputasi.]]>
