Universitas Gadjah Mada (UGM) mengembangkan AI-Statistik yang dirancang untuk membantu proses penyaringan klaim Jaminan Kesehatan Nasional (JKN) di BPJS Kesehatan. Teknologi ini dikembangkan oleh Departemen Matematika UGM untuk membantu verifikator menentukan klaim yang perlu mendapat perhatian lebih dahulu.
Sistem tersebut memanfaatkan kecerdasan buatan dan analisis statistik untuk mencari pola yang dianggap anomali. Dengan begitu, pemeriksaan dapat diarahkan terlebih dahulu pada profil yang memiliki tingkat risiko lebih tinggi, dibandingkan harus memeriksa seluruh klaim secara manual.
AI UGM Mengelompokkan Klaim Berdasarkan Risiko
Ketua tim peneliti UGM, Gunardi, menjelaskan bahwa AI-Statistik dirancang sebagai alat bantu bagi petugas dalam menentukan prioritas pemeriksaan.
Dalam pengujian, sistem mengelompokkan profil pasien menjadi tiga kategori, yakni High Risk, Medium Risk, dan Low Risk. Pengelompokan tersebut digunakan untuk membantu verifikator melihat data mana yang membutuhkan pemeriksaan lebih lanjut.
Pengujian dilakukan terhadap 209 profil pasien sintetis. Hasilnya, sebanyak 11 profil atau 5,3 persen masuk kategori High Risk, 31 profil atau 14,8 persen berada di kategori Medium Risk, sedangkan 167 profil atau 79,9 persen masuk kategori Low Risk.
Diuji Bersama BPJS Kesehatan
Prototipe AI-Statistik tersebut telah melalui pengujian bersama BPJS Kesehatan. Dalam pengujian yang mencakup 37 skenario, sistem memperoleh hasil keberhasilan 100 persen pada seluruh skenario yang diuji.
Pengujian mencakup sejumlah fungsi, antara lain dashboard, analisis statistik, anomaly scoring, penilaian pasien baru, penjelasan hasil AI, validitas klinis, hingga performa sistem.
Dalam simulasi, dashboard juga mampu memberikan respons dalam kisaran 3–5 detik. Sistem dilaporkan dapat berjalan stabil selama demonstrasi sekitar dua jam tanpa mengalami error server maupun timeout.
Menggunakan Teknologi SHAP
Salah satu fitur yang dikembangkan dalam AI-Statistik adalah kemampuan memberikan penjelasan mengenai faktor yang memengaruhi skor anomali.
Sistem menggunakan metode Shapley Additive Explanations (SHAP) untuk membantu pengguna memahami alasan di balik suatu skor yang diberikan AI. Dengan pendekatan tersebut, hasil AI tidak hanya berupa angka, tetapi juga dilengkapi informasi mengenai faktor yang berkontribusi terhadap hasil penilaian.
Bagi verifikator, informasi tersebut dapat menjadi bahan pertimbangan ketika menentukan apakah sebuah klaim perlu diperiksa lebih lanjut.
Bukan Alat Deteksi Fraud Otomatis
Meski dapat membantu menemukan pola klaim yang tidak biasa, UGM menegaskan bahwa AI-Statistik bukan alat pendeteksi fraud otomatis.
Sistem tersebut berfungsi untuk melakukan pemilahan dan menentukan prioritas audit. Artinya, klaim yang masuk kategori High Risk tetap membutuhkan pemeriksaan dan keputusan lebih lanjut dari petugas.
Hasil pengujian juga menunjukkan bahwa temuan kategori High Risk dapat sejalan dengan hasil verifikasi petugas BPJS dan informasi dalam rekam medis pada data yang diuji.
Tahap Berikutnya Gunakan Data Klaim Sebenarnya
Pengembangan teknologi saat ini masih berada pada tahap prototipe. Tim UGM selanjutnya berencana melakukan validasi menggunakan data klaim BPJS Kesehatan yang sebenarnya.
Tahap tersebut membutuhkan perhatian terhadap persetujuan, keamanan, serta tata kelola data karena menyangkut informasi kesehatan. Peneliti ingin memastikan sistem tidak hanya mampu bekerja secara komputasional, tetapi juga memberikan manfaat nyata dalam proses pemeriksaan klaim JKN.
Pengembangan AI-Statistik ini menjadi bagian dari pemanfaatan teknologi untuk mendukung pengelolaan pembiayaan kesehatan. Sebelumnya, peneliti UGM juga telah mengembangkan sejumlah metode untuk mendeteksi anomali pada klaim rumah sakit menggunakan pendekatan statistik dan machine learning.
