ANALISIS PERBANDINGAN TEKNIK IMPUTATION K- NEAREST NEIGHBORS (KNN), ITERATIF, DAN RANDOM FOREST TERHADAP PREDIKSI READMISSION PASIEN GAGAL JANTUNG

Readmission merupakan indikator penting dalam menilai kualitas pelayanan rumah sakit, khususnya pada pasien gagal jantung. Proses prediksi readmission sering terkendala oleh data rekam medis yang tidak lengkap atau bersifat sparse. Dalam praktiknya, kondisi ini sering dianggap sebagai missing
values dan ditangani dengan teknik imputation. Penelitian ini membandingkan tiga teknik imputation, yaitu KNN, Iteratif, dan Random Forest, terhadap akurasi prediksi readmission menggunakan algoritma Random Forest. Dataset berasal
dari pasien gagal jantung di Sichuan, Tiongkok, periode 2016–2019. Penelitian mencakup tahapan pre-processing, imputation, standardization, pemodelan, evaluasi menggunakan metrik accuracy, precision, recall, F1-score, ROC AUC, dan analisis feature importance. Hasil menunjukkan bahwa Random Forest Imputer meningkatkan akurasi sebesar 0,99%, Iterative Imputer sebesar 0,74%,
sedangkan KNN Imputer menurun 0,49%. Analisis feature importance menunjukkan bahwa left ventricular end-diastolic diameter (LV), glomerular filtration rate, dan high-sensitivity troponin merupakan fitur utama yang memengaruhi readmission. Ketiga metode menghasilkan pola fitur penting yang serupa, menandakan proses imputation tidak mengganggu interpretabilitas model.