Upaya optimalisasi dan efisiensi pengelolaan dana Jaminan Kesehatan Nasional (JKN) terus dilakukan melalui pemanfaatan teknologi kecerdasan buatan. Tim peneliti dari Departemen Matematika Universitas Gadjah Mada (UGM) berhasil mengembangkan prototipe AI-Statistik yang dirancang khusus untuk membantu memilah dan mengidentifikasi klaim BPJS Kesehatan yang berisiko anomali atau mencurigakan secara otomatis.
Inovasi ini hadir sebagai solusi bagi petugas verifikator BPJS Kesehatan agar dapat menentukan prioritas audit klaim secara lebih cepat, terukur, dan akurat.
Cara Kerja dan Fitur Utama AI-Statistik UGM
Teknologi kecerdasan buatan ini bekerja bukan sebagai alat pemutus fraud secara otomatis, melainkan sebagai sistem pendukung keputusan (decision support system) bagi para verifikator.
Berikut adalah beberapa fitur dan mekanisme utama dari sistem AI-Statistik buatan UGM:
- Pengelompokan Tingkat Risiko (Risk Profiling): AI membagi profil data klaim ke dalam tiga kategori utama, yaitu High Risk (risiko tinggi), Medium Risk (risiko sedang), dan Low Risk (risiko rendah).
- Prioritas Audit Klaim: Dengan adanya pemilahan tingkat risiko, verifikator BPJS dapat memfokuskan pemeriksaan manual pada klaim berkategori High Risk terlebih dahulu tanpa harus memeriksa jutaan klaim satu per satu.
- Transparansi Penilaian dengan Teknologi SHAP: Menggunakan metode Shapley Additive Explanations (SHAP), AI tidak hanya memberikan angka atau skor risiko, tetapi juga menampilkan faktor-faktor spesifik yang melandasi penilaian tersebut. Hal ini membuat output AI dapat dipahami dan dipertanggungjawabkan secara klinis.
- Integrasi Dashboard dan Validasi Klinis: Sistem dilengkapi dashboard analisis statistik yang menyajikan gambaran umum hingga rincian profil data pasien secara intuitif.
Hasil Pengujian Prototipe dan Performa Sistem
Dalam tahap uji coba bersama BPJS Kesehatan, prototipe AI-Statistik telah diuji menggunakan 209 data profil pasien simulasi (sintetis). Hasil pengujian menunjukkan performa yang sangat memuaskan:
- Distribusi Risiko Data Uji: Dari total 209 profil data yang diuji, sistem mengelompokkan 11 profil (5,3%) ke dalam kategori High Risk, 31 profil (14,8%) ke dalam Medium Risk, dan 167 profil (79,9%) ke dalam kategori Low Risk.
- Tingkat Keberhasilan Skenario: Mengarungi 37 skenario pengujian—termasuk anomaly scoring, penilaian pasien baru, serta validasi rekam medis—sistem mencatatkan tingkat keberhasilan mencapai 100%.
- Kecepatan dan Stabilitas:Dashboard sistem mampu merespons permintaan data dalam waktu 3 hingga 5 detik serta beroperasi stabil tanpa kendala error server maupun timeout selama demonstrasi berjalan.
- Kesesuaian dengan Rekam Medis: Temuan klaim kategori High Risk dari AI terbukti sejalan dengan hasil verifikasi manual petugas BPJS dan catatan rekam medis.
Tantangan dan Langkah Pengembangan Selanjutnya
Ketua Tim Peneliti UGM, Gunardi, menjelaskan bahwa saat ini prototipe teknologi AI-Statistik telah mencapai Tingkat Kesiapterapan Teknologi (TKT) 5. Langkah besar berikutnya yang harus dihadapi oleh tim adalah melakukan validasi menggunakan data klaim BPJS Kesehatan yang sebenarnya.
Proses validasi dengan data sungguhan tersebut memerlukan tata kelola data yang ketat (data governance), terutama menyangkut privasi, keamanan, dan persetujuan penggunaan data kesehatan pasien. UGM berharap integrasi AI-Statistik ini nantinya dapat memberikan dampak nyata bagi efisiensi pembiayaan kesehatan nasional.
