EUVIMEDEUVIMED entdecken
Crossref

Model Ai Prediksi Burnout Berbasis Workload Staf Klinis

Dola Ramalinda, Yudi Darsono, Agung Rachmat Raharja

Jurnal Sains Manajemen · 2026

DOI: 10.51977/af7yfj23 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Jurnal Sains Manajemen, 2026. Verfasst von Dola Ramalinda und 2 weiteren Autor:innen.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Burnout among healthcare workers is a systemic challenge that affects service quality and patient safety. Clinical workload, intensive shift patterns, and administrative demands associated with the use of Electronic Health Records (EHR) are potential factors contributing to work-related stress. Although operational data are available through Hospital Information Systems (HIS), their use for the early detection of staff burnout risk remains limited. This study aims to develop and evaluate a supervised machine learning model to predict burnout risk among clinical staff based on work behavior and workload data obtained from HIS and EHR. This quantitative study employed a predictive design involving 120 clinical staff members consisting of physicians and nurses. Primary data on burnout levels were obtained using a standardized instrument, while secondary data included EHR activity, patient volume, working hours, and shift patterns. Three algorithms were compared: Logistic Regression, Random Forest, and Gradient Boosting, using accuracy and Area Under the Curve (AUC) as evaluation metrics. The results showed that nurses and staff working in shift-based patterns had a higher proportion of moderate-to-high burnout risk. Workload, particularly patient volume and working hours, as well as the intensity of EHR activity, were important factors associated with burnout risk. Gradient Boosting achieved the best performance, with an accuracy of 0.87 and an AUC of 0.91. The model has the potential to serve as an early detection instrument to support workload redistribution, shift schedule optimization, and data-driven preventive interventions in hospital human resource management. Burnout pada tenaga kesehatan merupakan tantangan sistemik yang berdampak pada kualitas layanan dan keselamatan pasien. Beban kerja klinis, pola shift yang intens, serta tuntutan administratif dari penggunaan Electronic Health Record (EHR) menjadi faktor yang berpotensi meningkatkan stres kerja. Meskipun data operasional tersedia dalam Sistem Informasi Rumah Sakit (SIRS), pemanfaatannya untuk deteksi dini risiko burnout staf masih terbatas. Penelitian ini bertujuan mengembangkan dan mengevaluasi model supervised machine learning untuk memprediksi risiko burnout staf klinis berdasarkan data perilaku dan beban kerja dari SIRS dan EHR. Penelitian kuantitatif dengan desain prediktif melibatkan 120 staf klinis yang terdiri atas dokter dan perawat. Data primer tingkat burnout diperoleh melalui instrumen terstandar, sedangkan data sekunder mencakup aktivitas EHR, jumlah pasien, jam kerja, dan pola shift. Tiga algoritma dibandingkan, yaitu Logistic Regression, Random Forest, dan Gradient Boosting, menggunakan metrik akurasi dan Area Under the Curve (AUC). Hasil menunjukkan bahwa perawat dan staf dengan pola kerja shift memiliki proporsi risiko burnout sedang hingga tinggi yang lebih besar. Beban kerja, terutama volume pasien dan jam kerja, serta intensitas aktivitas EHR menjadi faktor penting yang berkaitan dengan risiko burnout. Gradient Boosting menghasilkan kinerja terbaik dengan akurasi 0,87 dan AUC 0,91. Model tersebut berpotensi digunakan sebagai instrumen deteksi dini untuk mendukung redistribusi beban kerja, optimalisasi jadwal shift, dan intervensi preventif berbasis data dalam manajemen SDM rumah sakit.

Zitieren

APA

Ramalinda, D., Darsono, Y., & Raharja, A. R. (2026). Model Ai Prediksi Burnout Berbasis Workload Staf Klinis. Jurnal Sains Manajemen. https://doi.org/10.51977/af7yfj23

Vancouver

Ramalinda D, Darsono Y, Raharja AR. Model Ai Prediksi Burnout Berbasis Workload Staf Klinis. Jurnal Sains Manajemen. 2026. doi:10.51977/af7yfj23

BibTeX
@article{Ramalinda2026,
  author = {Ramalinda, Dola and Darsono, Yudi and Raharja, Agung Rachmat},
  title = {Model Ai Prediksi Burnout Berbasis Workload Staf Klinis},
  journal = {Jurnal Sains Manajemen},
  year = {2026},
  doi = {10.51977/af7yfj23}
}
Kostenlos starten →