PREDIKSI LAMA RAWAT INAP PASIEN MENGGUNAKAN FEATURE TOKENIZER TRANSFORMER DENGAN PENDEKATAN EXPLAINABLE ARTIFICIAL INTELLIGENCE

Prediksi yang akurat terhadap lama rawat inap pasien (Length of Stay atau LoS) merupakan tantangan penting dalam pengelolaan sumber daya di bidang kesehatan, karena durasi rawat inap yang panjang dapat meningkatkan biaya bagi pasien maupun fasilitas pelayanan kesehatan. Data klinis yang tersimpan dalam Electronic Health Records (EHR) dalam bentuk data tabular terstruktur memiliki karakteristik yang heterogen dan nonlinier sehingga menyulitkan proses pemodelan. Penelitian ini bertujuan mengembangkan model prediksi LoS yang akurat dan dapat diinterpretasikan dengan mengombinasikan Feature Tokenizer Transformer (FT Transformer) dan interpretabilitas berbasis SHAP. Model dikembangkan menggunakan Microsoft LoS Dataset yang terdiri atas 100.000 data rawat inap pasien. Optimasi hyperparameter dilakukan menggunakan Optuna, sedangkan nilai SHAP dari model dasar dimanfaatkan sebagai mekanisme seleksi fitur berbasis model pada empat variasi jumlah fitur (k = 5, 10, 15, 20, dan semua fitur), dengan 15 fitur terbaik dipilih sebagai konfigurasi optimal. Model yang dihasilkan memperoleh nilai MAE sebesar 0,2202, RMSE sebesar 0,3574, RAE sebesar 0,1159, dan RSE sebesar 0,0233, serta mampu menurunkan nilai MAE sebesar 25,96% dibandingkan model XGBoost pada dataset yang sama. Hasil evaluasi berbasis toleransi menunjukkan bahwa 99,1% prediksi berada dalam rentang ±1 hari dari nilai LoS aktual. Selain itu, interpretabilitas SHAP diterapkan pada tiga tingkat, yaitu global, lokal, dan kelompok risiko. Hasil analisis secara konsisten menunjukkan bahwa neutrophils dan bloodureanitro merupakan fitur yang paling berpengaruh terhadap prediksi, dengan tingkat kepentingan relatif yang bervariasi sesuai kompleksitas kondisi pasien. Temuan ini menunjukkan bahwa integrasi FT Transformer dengan seleksi fitur berbasis SHAP dan interpretabilitas SHAP multitingkat menghasilkan kerangka prediksi lama rawat inap yang akurat, kompetitif, dan dapat diinterpretasikan, sehingga mendukung pengambilan keputusan klinis dan pengelolaan sumber daya kesehatan yang lebih baik.

Kata Kunci: Data Tabular, eXplainable Artificial Intelligence, Feature Tokenizer Transformer, Prediksi Lama Rawat Inap, SHAP