Integrasi XGBoost dan Visualisasi Gradio untuk Memprediksi Pendapatan Pembayar Asuransi: Studi Kasus Rumah Sakit Swasta di Manado

Abstract

Prediksi pendapatan yang akurat sangat penting untuk menjaga keberlanjutan finansial, mengoptimalkan alokasi sumber daya, dan membantu perencanaan strategis rumah sakit. Untuk memprediksi pendapatan bulan Agustus, data historis pendapatan digunakan dari Januari hingga Juli 2022. Pra-pemrosesan data termasuk menangani nilai kosong atau nilai yang tidak ada, memilih fitur, dan membagi data menjadi set pelatihan dan pengujian. Metode utama untuk pelatihan model adalah algoritma XGBoost. Hasil evaluasi model diperoleh Mean Squared Error (MSE) dengan hasil 3.239, dan R-squared (R2) 0.99884, Metrik-metrik ini menunjukkan hasil prediksi yang sangat baik. Ditemukan bahwa data bulan Juni dan Juli memberikan kontribusi terbesar. Sistem dibangun dalam bentuk dashboard interaktif berbasis Gradio untuk meningkatkan aksesibilitas dan pemanfaatan hasil model. Oleh karena itu, manajemen rumah sakit dapat menggunakan solusi ini untuk membuat keputusan yang lebih tepat dan berbasis data. Secara keseluruhan, penelitian ini menunjukkan bahwa penggabungan pembelajaran mesin dan visualisasi interaktif dapat sangat bermanfaat dalam manajemen keuangan rumah sakit. Dengan kata lain, integrasi machine learning ke dalam sistem operasional membuka jalan bagi pengambilan keputusan yang lebih berbasis data (data-driven decision making) dan adaptif terhadap dinamika pasar.  Kata kunci – Xgboost, Pendapatan, Prediksi, Gradio