Early Warning Score (EWS) merupakan sistem penilaian klinis yang digunakan untuk mendeteksi secara dini tanda-tanda perburukan kondisi pasien berdasarkan parameter fisiologis vital, seperti frekuensi napas, denyut jantung, tekanan darah, suhu tubuh, dan tingkat kesadaran. Namun, implementasi EWS di banyak rumah sakit masih dilakukan secara manual, yang berpotensi menimbulkan keterlambatan dalam penanganan pasien akibat keterbatasan pencatatan dan analisis data.
Berdasarkan permasalahan tersebut, penelitian ini bertujuan untuk merancang dan mengembangkan sebuah aplikasi berbasis Android yang mengintegrasikan metode machine learning guna mendukung proses klasifikasi dan prediksi risiko kondisi klinis pasien. Tujuan utama dari penelitian ini meliputi: merancang aplikasi berbasis machine learning yang dapat membantu tenaga medis dalam menentukan diagnosis awal pasien berdasarkan data fisiologis; mengimplementasikan algoritma Random Forest sebagai model supervised learning dalam penghitungan EWS secara otomatis; serta menganalisis performa dan efektivitas dari algoritma tersebut dalam mendukung proses penilaian risiko kegawat daruratan pasien.
Selain menggunakan parameter fisiologis standar pada EWS, aplikasi ini juga memperluas cakupan penilaian dengan menggabungkan data hasil laboratorium dan radiologi (rontgen) untuk memberikan skor penilaian yang lebih komprehensif terhadap risiko kegagalan organ maupun risiko mortalitas. Pada hasil evaluasi menunjukkan bahwa algoritma Random Forest mencapai akurasi sebesar 85,00%, precision 87,50%, recall 85,00%, dan F1-score 82,47%, dengan nilai AUROC 0,7733, yang menandakan performa klasifikasi yang baik. Efisiensi model juga tinggi dengan waktu pelatihan 0,1340 detik dan waktu prediksi 0,0189 detik. Temuan menunjukkan bahwa model mampu memberikan prediksi risiko pasien secara akurat dan cepat, serta berpotensi besar digunakan sebagai sistem pendukung keputusan klinis di ruang perawatan intensif.
Kata Kunci: Early Warning Score, Machine Learning, Random Forest, Aplikasi Android