Ninda Nurseha Amalina
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Ninda Nurseha Amalina has a total of 6 co-authors. Here are the top co-authors by number of shared publications:
David Try Liputra
Program Studi Teknik Industri, Universitas Kristen Maranatha
1 shared publication- David Try Liputra
Universitas Kristen Maranatha
1 shared publication Heungjo An
1 shared publication- Rainisa Maini Heryanto
Program Studi Teknik Industri, Universitas Kristen Maranatha
1 shared publication - Rainisa Maini Heryanto
Bachelor Program in Industrial Engineering, Faculty of Smart Technology and Engineering, Universitas Kristen Maranatha
1 shared publication - Vivi Arisandhy
Program Sarjana Teknik Industri, Fakultas Teknologi dan Rekayasa Cerdas, Universitas Kristen Maranatha, Bandung, Indonesia
1 shared publication
Latest Publications
- Open Access
A Multi-Head Attention Soft Random Forest for Interpretable Patient No-Show Prediction
Unattended scheduled appointments, defined as patient no-shows, adversely affect both healthcare providers and patients' health, disrupting the continuity of care, operational efficiency, and the efficient allocation of medical resources. Accurate predictive modeling is needed to reduce the impact of no-shows. Although machine learning methods, such as logistic regression, random forest models, and decision trees, are widely used in predicting patient no-shows, they often rely on hard decision splits and static feature importance, limiting their adaptability to specific or complex patient behaviors. To address this limitation, we propose a new hybrid Multi-Head Attention Soft Random Forest (MHASRF) model that integrates attention mechanisms into a random forest model using probabilistic soft splitting instead of hard splitting. The MHASRF model assigns attention weights differently across the trees, enabling attention on specific patient behaviors. The model exhibited 93.72% accuracy, 94.77% specificity, 90.23% precision, 89.38% recall, a 91.54% F1 score and AUC 97.87%, demonstrated high and balance performance across metrics, outperforming decision tree, random forest, logistic regression, and naive bayes models overall. Furthermore, MHASRF was able to identify key predictors of patient no-shows using two levels of feature importance (tree level and attention mechanism level), offering deeper insights into patient no-show predictors. The proposed model is a robust, adaptable, and interpretable method for predicting patient no-shows that will help healthcare providers in optimizing resources.
Open AccessA Multi-Head Attention Soft Random Forest for Interpretable Patient No-Show Prediction
Unattended scheduled appointments, defined as patient no-shows, adversely affect both healthcare providers and patients' health, disrupting the continuity of care, operational efficiency, and the efficient allocation of medical resources. Accurate predictive modeling is needed to reduce the impact of no-shows. Although machine learning methods, such as logistic regression, random forest models, and decision trees, are widely used in predicting patient no-shows, they often rely on hard decision splits and static feature importance, limiting their adaptability to specific or complex patient behaviors. To address this limitation, we propose a new hybrid Multi-Head Attention Soft Random Forest (MHASRF) model that integrates attention mechanisms into a random forest model using probabilistic soft splitting instead of hard splitting. The MHASRF model assigns attention weights differently across the trees, enabling attention on specific patient behaviors. The model exhibited 93.72% accuracy, 94.77% specificity, 90.23% precision, 89.38% recall, a 91.54% F1 score and AUC 97.87%, demonstrated high and balance performance across metrics, outperforming decision tree, random forest, logistic regression, and naive bayes models overall. Furthermore, MHASRF was able to identify key predictors of patient no-shows using two levels of feature importance (tree level and attention mechanism level), offering deeper insights into patient no-show predictors. The proposed model is a robust, adaptable, and interpretable method for predicting patient no-shows that will help healthcare providers in optimizing resources.
- Open Access
- 22 October 2024
- Published by LPPM UNPAR in Jurnal Rekayasa Sistem Industri
- Vol. 13 (2) , 143-156
Desain Mitigasi Risiko Rantai Pasok Darah Menggunakan Pendekatan Baru
Darah merupakan salah satu komponen penting bagi tubuh dan berperan dalam kelangsungan hidup manusia. Bank darah rumah sakit (BDRS) bertanggung jawab atas ketersediaan dan keamanan darah di suatu wilayah tertentu. Risiko-risiko yang terjadi pada rantai pasok darah di BDRS perlu mendapatkan perhatian penuh khususnya apabila terjadi wabah atau bencana agar aktivitas dan arus informasi, produk, dan uang dapat berjalan dengan lancar. Tujuan dari penelitian ini adalah membuat desain mitigasi risiko rantai pasok darah. Penelitian ini menggunakan studi kasus pada sebuah BDRS di Kota Bandung dan produk yang diamati adalah sel darah merah kemasan. Pendekatan baru yang digunakan dalam penelitian ini dimulai dengan pengumpulan mengenai risiko-risiko yang dapat terjadi dengan mendefinisikan dan mengklasifikasikan dalam model supply chain operation reference (SCOR). Setelah itu dilakukan penyebaran kuesioner sebagai input untuk menghitung bobot menggunakan analytical hierarchy process (AHP). Langkah berikutnya adalah mencari akar penyebab risiko menggunakan fault tree analysis (FTA) dan melakukan analisis untuk mencari penyebab risiko yang paling berpengaruh menggunakan failure mode effect and analysis (FMEA). Langkah akhir adalah merancang mitigasi risiko rantai pasok darah. Melalui penelitian ini diharapkan BDRS di suatu wilayah dapat mengetahui risiko yang perlu mendapatkan prioritas penanganan dan juga strategi yang dapat dilakukan agar risiko minimum. Berdasarkan hasil AHP, risiko yang memiliki bobot tertinggi sebesar 0,173 adalah tidak tersedianya stok darah di Palang Merah Indonesia (PMI) yang disebabkan oleh berkurangnya pendonor. Penyebab risiko ini dapat diatasi dengan menambahkan kegiatan donor darah di instansi dan BDRS. Pendekatan baru yang digunakan dalam penelitian dapat memetakan risiko rantai pasok darah lebih rinci.
- 22 October 2024
- Published by LPPM UNPAR in Jurnal Rekayasa Sistem Industri
- Vol. 13 (2) , 143-156
Open AccessDesain Mitigasi Risiko Rantai Pasok Darah Menggunakan Pendekatan Baru
Darah merupakan salah satu komponen penting bagi tubuh dan berperan dalam kelangsungan hidup manusia. Bank darah rumah sakit (BDRS) bertanggung jawab atas ketersediaan dan keamanan darah di suatu wilayah tertentu. Risiko-risiko yang terjadi pada rantai pasok darah di BDRS perlu mendapatkan perhatian penuh khususnya apabila terjadi wabah atau bencana agar aktivitas dan arus informasi, produk, dan uang dapat berjalan dengan lancar. Tujuan dari penelitian ini adalah membuat desain mitigasi risiko rantai pasok darah. Penelitian ini menggunakan studi kasus pada sebuah BDRS di Kota Bandung dan produk yang diamati adalah sel darah merah kemasan. Pendekatan baru yang digunakan dalam penelitian ini dimulai dengan pengumpulan mengenai risiko-risiko yang dapat terjadi dengan mendefinisikan dan mengklasifikasikan dalam model supply chain operation reference (SCOR). Setelah itu dilakukan penyebaran kuesioner sebagai input untuk menghitung bobot menggunakan analytical hierarchy process (AHP). Langkah berikutnya adalah mencari akar penyebab risiko menggunakan fault tree analysis (FTA) dan melakukan analisis untuk mencari penyebab risiko yang paling berpengaruh menggunakan failure mode effect and analysis (FMEA). Langkah akhir adalah merancang mitigasi risiko rantai pasok darah. Melalui penelitian ini diharapkan BDRS di suatu wilayah dapat mengetahui risiko yang perlu mendapatkan prioritas penanganan dan juga strategi yang dapat dilakukan agar risiko minimum. Berdasarkan hasil AHP, risiko yang memiliki bobot tertinggi sebesar 0,173 adalah tidak tersedianya stok darah di Palang Merah Indonesia (PMI) yang disebabkan oleh berkurangnya pendonor. Penyebab risiko ini dapat diatasi dengan menambahkan kegiatan donor darah di instansi dan BDRS. Pendekatan baru yang digunakan dalam penelitian dapat memetakan risiko rantai pasok darah lebih rinci.
- Open Access
- 13 June 2024
- Published by Universitas Muhammadiyah Jakarta in JISI: Jurnal Integrasi Sistem Industri
- Vol. 11 (1) , 65-76
Analisis Penyebab Risiko pada Rantai Pasok Darah di Masa Pandemi COVID-19 Menggunakan Model Supply Chain Operations Reference (SCOR) dan Failure Modes and Effects Analysis (FMEA)
Kebutuhan darah merupakan sesuatu hal yang perlu mendapat prioritas perhatian karena dapat menyangkut keberlanjutan hidup manusia. Entitas dalam suatu rantai pasok darah dapat terdiri dari Palang Merah Indonesia (PMI) sebagai pemasok darah, bank darah rumah sakit (BDRS) sebagai penyalur darah, dan pasien sebagai konsumen darah. BDRS merupakan unit pelayanan yang bertanggung jawab terhadap ketersediaan darah yang dapat memadai untuk menunjang pelayanan medis. Semenjak masa pandemi COVID-19, kemampuan pemenuhan produk darah di BDRS Kota Bandung mengalami penurunan. Banyak faktor yang menyebabkan terjadinya penurunan pemenuhan produk darah. Pada penelitian ini akan dilakukan identifikasi risiko dan analisis penyebab risiko pada suatu rantai pasok darah di masa pandemi khususnya di BDRS Kota Bandung. Penelitian diawali dengan tahap identifikasi risiko dengan model Supply Chain Operations Reference (SCOR). Penyebab risiko di BDRS dianalisis menggunakan metode Fishbone Analysis. nilai risiko (severity), dan penyebab risiko (occurrence) dinilai menggunakan metode Failure Mode and Effect Analysis (FMEA). Hasil penelitian menunjukkan terdapat 34 risiko dan 29 penyebab risiko yang teridentifikasi. Melalui penelitian ini diharapkan BDRS dapat mengidentifikasi dan menganalisis risiko serta penyebabnya agar BDRS dapat segera melakukan penanganan sehingga permasalahan dalam rantai pasok darah dapat diminimasi.
- 13 June 2024
- Published by Universitas Muhammadiyah Jakarta in JISI: Jurnal Integrasi Sistem Industri
- Vol. 11 (1) , 65-76
Open AccessAnalisis Penyebab Risiko pada Rantai Pasok Darah di Masa Pandemi COVID-19 Menggunakan Model Supply Chain Operations Reference (SCOR) dan Failure Modes and Effects Analysis (FMEA)
Kebutuhan darah merupakan sesuatu hal yang perlu mendapat prioritas perhatian karena dapat menyangkut keberlanjutan hidup manusia. Entitas dalam suatu rantai pasok darah dapat terdiri dari Palang Merah Indonesia (PMI) sebagai pemasok darah, bank darah rumah sakit (BDRS) sebagai penyalur darah, dan pasien sebagai konsumen darah. BDRS merupakan unit pelayanan yang bertanggung jawab terhadap ketersediaan darah yang dapat memadai untuk menunjang pelayanan medis. Semenjak masa pandemi COVID-19, kemampuan pemenuhan produk darah di BDRS Kota Bandung mengalami penurunan. Banyak faktor yang menyebabkan terjadinya penurunan pemenuhan produk darah. Pada penelitian ini akan dilakukan identifikasi risiko dan analisis penyebab risiko pada suatu rantai pasok darah di masa pandemi khususnya di BDRS Kota Bandung. Penelitian diawali dengan tahap identifikasi risiko dengan model Supply Chain Operations Reference (SCOR). Penyebab risiko di BDRS dianalisis menggunakan metode Fishbone Analysis. nilai risiko (severity), dan penyebab risiko (occurrence) dinilai menggunakan metode Failure Mode and Effect Analysis (FMEA). Hasil penelitian menunjukkan terdapat 34 risiko dan 29 penyebab risiko yang teridentifikasi. Melalui penelitian ini diharapkan BDRS dapat mengidentifikasi dan menganalisis risiko serta penyebabnya agar BDRS dapat segera melakukan penanganan sehingga permasalahan dalam rantai pasok darah dapat diminimasi.