<![CDATA[Burnout pada tenaga kesehatan merupakan tantangan sistemik yang berdampak pada kualitas layanan dan keselamatan pasien. Beban kerja klinis, pola shift yang intens, serta tuntutan administratif dari penggunaan Electronic Health Record (EHR) menjadi faktor yang berpotensi meningkatkan stres kerja. Meskipun data operasional tersedia dalam Sistem Informasi Rumah Sakit (SIRS), pemanfaatannya untuk deteksi dini risiko burnout staf masih terbatas. Penelitian ini bertujuan mengembangkan dan mengevaluasi model supervised machine learning untuk memprediksi risiko burnout staf klinis berdasarkan data perilaku dan beban kerja dari SIRS dan EHR. Penelitian kuantitatif dengan desain prediktif melibatkan 120 staf klinis yang terdiri atas dokter dan perawat. Data primer tingkat burnout diperoleh melalui instrumen terstandar, sedangkan data sekunder mencakup aktivitas EHR, jumlah pasien, jam kerja, dan pola shift. Tiga algoritma dibandingkan, yaitu Logistic Regression, Random Forest, dan Gradient Boosting, menggunakan metrik akurasi dan Area Under the Curve (AUC). Hasil menunjukkan bahwa perawat dan staf dengan pola kerja shift memiliki proporsi risiko burnout sedang hingga tinggi yang lebih besar. Beban kerja, terutama volume pasien dan jam kerja, serta intensitas aktivitas EHR menjadi faktor penting yang berkaitan dengan risiko burnout. Gradient Boosting menghasilkan kinerja terbaik dengan akurasi 0,87 dan AUC 0,91. Model tersebut berpotensi digunakan sebagai instrumen deteksi dini untuk mendukung redistribusi beban kerja, optimalisasi jadwal shift, dan intervensi preventif berbasis data dalam manajemen SDM rumah sakit.]]>
Copyrights © 2026
