PERBANDINGAN LOGISTIC REGRESSION DAN EXTREME GRADIENT BOOSTING UNTUK PREDIKSI READMISI PASIEN: ANALISIS KINERJA DAN INTERPRETASI FAKTOR RESIKO DENGAN SHAP

Readmisi rumah sakit dalam 30 hari merupakan indikator penting kualitas layanan, khususnya pada pasien obstetri dan ginekologi (obgyn) yang berisiko komplikasi pasca perawatan. Penelitian ini membandingkan performa Logistic Regression (LR) dan Extreme Gradient Boosting (XGBoost) dalam memprediksi readmisi pasien obgyn menggunakan data rekam medis elektronik 109.079 pasien rawat inap (2021–2023) dengan 19 atribut klinis. Dataset yang tidak seimbang diatasi dengan Synthetic Minority Oversampling Technique (SMOTE). Evaluasi model dilakukan menggunakan akurasi, AUC, F1-Score, presisi, dan recall; tambahan optimasi dilakukan melalui threshold tuning (0,32) pada LR serta teknik stacking. Hasil menunjukkan LR baseline mencapai F1-Score = 84,23%, AUC = 70,30%, yang meningkat menjadi F1-Score = 86,45%, AUC = 87,74% setelah threshold tuning, dengan recall = 92,37%. XGBoost memberikan performa terbaik F1-Score = 98,11%, AUC = 97,01%, sedangkan stacking menghasilkan performa sebanding. Analisis Odds Ratio dari LR mengindikasikan variabel seperti lama rawat (OR ≈ 0,29) menurunkan peluang readmisi, sedangkan spesialis (OR ≈ 1,42) meningkatkan peluang. Analisis SHAP pada XGBoost menegaskan bahwa lama rawat inap, selisih waktu kunjungan, dan riwayat penyakit merupakan faktor dominan. Hasil penelitian ini menyimpulkan bahwa XGBoost lebih unggul dalam akurasi prediksi readmisi, sedangkan LR—meski kinerjanya meningkat melalui threshold tuning—tetap lebih rendah. Namun, LR memiliki kelebihan interpretasi klinis melalui OR, sehingga keduanya memberikan manfaat komplementer: XGBoost untuk prediksi operasional, dan LR untuk pemahaman faktor risiko.