ITSITS

IPTEK The Journal for Technology and ScienceIPTEK The Journal for Technology and Science

Rumah sakit secara strategis menyediakan layanan kesehatan berkualitas kepada masyarakat sekitar. Salah satu peran strategis tersebut diwujudkan dalam layanan rawat inap dan rawat jalan. Berdasarkan latar belakang tersebut, penulis melakukan penelitian terhadap segmentasi pasien berdasarkan analisis Customer Lifetime Value menggunakan model RFMT. Tahapan penelitian meliputi penghitungan skor RFMT, pengelompokan menggunakan algoritma K-Means dan DBSCAN, serta segmentasi pasien berdasarkan analisis CLV. Dataset dalam penelitian ini diperoleh dari kunjungan rawat inap dan rawat jalan di sebuah rumah sakit mulai Januari hingga Desember 2022. Hasil penelitian menunjukkan empat segmentasi pasien rawat jalan dan rawat inap berdasarkan nilai CLV: Champions, Loyal Customers, Potential Loyalists, dan Lost Customers.

Penelitian ini menggunakan nilai RFMT, metode min-max, dan metode RFMT berbobot untuk menentukan CLV.Hasil menunjukkan bahwa segmentasi pasien rawat jalan dan rawat inap dikategorikan berdasarkan perilaku kunjungan pasien sesuai model RFMT.Penelitian ini menunjukkan empat segmentasi pasien rawat jalan dan rawat inap berdasarkan nilai CLV.Champions, Loyal Customers, Potential Loyalists, dan Lost Customers.Segmentasi pasien penting dalam manajemen rumah sakit dan pemetaan strategi pemasaran.Penelitian lanjutan dapat mengembangkan model prediksi kunjungan pasien menggunakan metode machine learning.

Penelitian lanjutan dapat mengembangkan model prediksi kunjungan pasien dengan menggabungkan algoritma machine learning seperti Random Forest atau Deep Learning untuk meningkatkan akurasi prediksi. Selain itu, penelitian dapat memperluas analisis dengan memasukkan variabel tambahan seperti faktor demografis atau kondisi kesehatan pasien untuk memahami perilaku kunjungan secara lebih komprehensif. Terakhir, perlu dilakukan uji coba implementasi model segmentasi ini pada lingkungan rumah sakit yang berbeda untuk memvalidasi efektivitasnya dalam berbagai konteks.

  1. Clustering and profiling of customers using RFM for customer relationship management recommendations... doi.org/10.1109/citsm.2017.8089258Clustering and profiling of customers using RFM for customer relationship management recommendations doi 10 1109 citsm 2017 8089258
  2. Segmenting Retail Customers with an Enhanced RFM and a Hybrid Regression/Clustering Method | IEEE Conference... doi.org/10.1109/icmlde.2018.00029Segmenting Retail Customers with an Enhanced RFM and a Hybrid Regression Clustering Method IEEE Conference doi 10 1109 icmlde 2018 00029
  3. Empirical Study Utilizing QFD to Develop an International Marketing Strategy. empirical study utilizing... mdpi.com/2071-1050/7/8/10756Empirical Study Utilizing QFD to Develop an International Marketing Strategy empirical study utilizing mdpi 2071 1050 7 8 10756
  4. DBSCAN algorithm: twitter text clustering of trend topic pilkada pekanbaru - IOPscience. dbscan algorithm... doi.org/10.1088/1742-6596/1363/1/012001DBSCAN algorithm twitter text clustering of trend topic pilkada pekanbaru IOPscience dbscan algorithm doi 10 1088 1742 6596 1363 1 012001
  1. #pasien rawat inap#pasien rawat inap
  2. #direktorat jenderal pajak#direktorat jenderal pajak
Read online
File size629.97 KB
Pages18
Short Linkhttps://juris.id/p-2Se
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCAReport

Related /

ads-block-test