Penyakit COVID-19 telah menyebabkan dampak serius bagi sistem kesehatan global. Dalam menghadapi keterbatasan pengobatan khusus, penanganan COVID-19 saat ini terbatas pada perawatan simtomatik dan suportif. Permintaan layanan kesehatan yang tinggi telah memberatkan kapasitas sistem kesehatan, sehingga rumah sakit terpaksa menghentikan perawatan non-urgent untuk fokus pada kasus COVID-19. Dalam menghadapi peningkatan permintaan layanan ini, diperlukan optimalisasi alokasi sumber daya kesehatan selama puncak COVID-19.
Salah satu pendekatan penting adalah mengalokasikan pasien COVID-19 secara efisien antara rumah sakit rujukan. Namun, di Indonesia, pengalokasian pasien masih perlu ditingkatkan karena kurangnya regulasi dan transparansi. Penelitian ini mengembangkan pendekatan baru dengan mengintegrasikan model optimalisasi mixed integer programming (MIP) dan model prediksi long short-term memory (LSTM). Pendekatan ini bertujuan untuk mengoptimalkan alokasi pasien COVID-19, dengan mempertimbangkan ketersediaan tempat tidur di setiap rumah sakit rujukan.
Model prediksi LSTM terbukti sangat efektif dalam memprediksi jumlah pasien COVID-19 setiap hari dengan tingkat akurasi yang tinggi. Dua parameter utama yang dipertimbangkan adalah lag dan penggunaan learning rate. Lag melibatkan data input sebelumnya selama 1, 7, atau 14 periode waktu, yang menentukan sejauh mana data sebelumnya mempengaruhi prediksi hari ini. Sedangkan parameter kedua adalah penggunaan learning rate yang berbeda, yaitu 0,001, 0,01, dan 0,1. Nilai matriks R-square yang lebih dari 88% menunjukkan keandalan model LSTM dalam memberikan hasil prediksi yang akurat.
Hasil LSTM
Sementara itu, model MIP yang diusulkan berperan dalam mengalokasikan pasien dengan cara yang optimal agar meminimalkan lonjakan kasus yang terjadi. Sejumlah rumah sakit rujukan di Kota Balikpapan, termasuk RS Kanudjoso Djatiwibowo, RS Pertamina Balikpapan, dan RS Bhayangkara Balikpapan, telah mengambil langkah untuk meningkatkan kapasitas tempat tidur guna menangani peningkatan jumlah pasien yang masuk. Namun, penambahan kapasitas tempat tidur tidak selalu merupakan solusi yang optimal, karena beban yang harus ditanggung oleh setiap rumah sakit dapat berbeda. Untuk mengatasi tantangan ini, peneliti telah mengembangkan model matematika yang menggunakan software AMPL dengan solver Gurobi.
Model ini bertujuan untuk meminimalkan lonjakan pasien dengan mengalokasikan pasien ke rumah sakit yang memiliki beban lebih rendah. Penelitian ini menghasilkan total lonjakan sebanyak 541 kasus, serta alokasi sebanyak 101 pasien antar rumah sakit rujukan pada waktu tertentu. Dengan menggunakan model ini, para pengambil keputusan, termasuk tenaga medis dan pemerintah, dapat mengoptimalkan alokasi pasien sehingga beban yang ditanggung oleh setiap rumah sakit dapat diseimbangkan. Model ini memungkinkan pengurangan lonjakan yang terjadi pada rumah sakit tertentu, dengan mengarahkan pasien ke rumah sakit lain yang memiliki kapasitas lebih kosong.
Evaluasi Pasien Aktif Berdasarkan Model
Hasil penelitian menunjukkan bahwa sebelum adanya alokasi pasien, rumah sakit mencapai tingkat beban maksimum sebesar 115%, yang jauh melebihi kapasitas normal mereka. Namun, setelah dilakukan alokasi pasien menggunakan model LSTM-MIP, tingkat beban berhasil diturunkan menjadi 75%, dengan rata-rata tingkat beban di setiap rumah sakit mencapai 71%. Ini menunjukkan efektivitas pendekatan yang diusulkan dalam mengoptimalkan pemanfaatan fasilitas layanan kesehatan di Kota Balikpapan. Dengan menggunakan model matematika yang diusulkan, rumah sakit rujukan dapat memaksimalkan pemanfaatan sumber daya mereka dan menyeimbangkan beban antar rumah sakit, sehingga memastikan bahwa setiap pasien mendapatkan perawatan yang optimal.
Dengan implementasi model ini, Kota Balikpapan dapat mengatasi masalah ketersediaan fasilitas layanan kesehatan yang terbatas, memastikan setiap pasien COVID-19 mendapatkan perawatan dengan waktu yang tepat. Keputusan yang diambil berdasarkan model ini dapat berdampak positif dalam penanganan pandemi COVID-19 di Kota Balikpapan dan menjadi contoh bagi kota-kota lain dalam mengelola lonjakan pasien dengan lebih efisien. Keputusan alokasi pasien tidak dapat optimal tanpa adanya akomodasi fasilitas kesehatan yang memadai. Penelitian ini juga membuka potensi penggunaan metode serupa di kota-kota lain di Indonesia dan di seluruh dunia, untuk memperkuat respons kesehatan masyarakat dalam menghadapi penyakit lain atau pandemi yang akan terjadi ke depannya.
1. Memberikan wawasan baru tentang bagaimana teknologi dan metode analitik dapat digunakan untuk menghadapi tantangan pandemi dan meningkatkan efisiensi dalam penanganan pasien.
2. Membantu mengurangi beban rumah sakit yang berlebihan dan meningkatkan kapasitas penanganan pasien.
3. Mendorong penelitian berkelanjutan dalam bidang optimalisasi alokasi pasien dan pengembangan model prediksi deep learning.