Otomatisasi dan Digitalisasi Administrasi Pelayanan Rumah Sakit (Studi Kasus: Pelayanan Administrasi BPJS Rumah Sakit Oetomo Bandung)
Abstract
Studi ini mengkaji tantangan implementasi program BPJS di Rumah Sakit Oetomo Bandung, yang mencakup manajemen data luas, kesalahan dalam memasukkan kode ICD-10, serta masalah diagnosis penyakit yang mempengaruhi klaim BPJS. Fokus utama penelitian adalah kesulitan verifikasi klaim INA-CBG secara manual oleh tim rekam medis sebelum diinputkan ke sistem BPJS. Penelitian ini menawarkan solusi melalui pengembangan sistem otomasi yang menghubungkan dokter dengan tim rekam medis, termasuk otomasi manajemen data, pencarian kode ICD-10, dan verifikasi klaim INA-CBG. Sistem ini memungkinkan pencarian kode ICD-10 dengan opsi yang lebih luas dan mempermudah proses pendaftaran pasien, serta pencatatan data administrasi. Hasil penelitian menunjukkan bahwa meskipun pencarian kode ICD-10 manual dan sistem memberikan hasil yang sama, sistem otomatisasi menawarkan lebih banyak opsi kode dan efisiensi dalam verifikasi klaim INA-CBG.
Kata kunci— BPJS, ICD-10, Layanan kesehatan, Otomasi, Verifikasi klaim INA-CBG.
References
R. Amran, “Prosedur BPJS dan Klaim BPJS oleh Rumah Sakit,” HEME, vol. V, no. 2, Mei 2023, Diakses: 25 Juli 2024. [Daring]. Tersedia pada: https://jurnal.unbrah.ac.id/index.php/heme/issue/view/49 World Wide Web
A. Priyam, R. Gupta, A. Rathee, dan S. Srivastava, “Comparative Analysis of Decision Tree Classification Algorithms,” 2013. [Daring]. Tersedia pada: http://inpressco.com/category/ijcet
F. Colas^ dan P. Brazdil^, “Comparison of SVM and Some Older Classification Algorithms in Text Classification Tasks.”
Amity University, Institute of Electrical and Electronics Engineers. United Kingdom and Republic of Ireland Section, dan Institute of Electrical and Electronics Engineers, Abstract proceedings of International Conference on Automation, Computational and Technology Management (ICACTM-2019) : 24th - 25th April 2019.
A. Natekin dan A. Knoll, “Gradient boosting machines, a tutorial,” Front Neurorobot, vol. 7, no. DEC, 2013, doi: 10.3389/fnbot.2013.00021.
A. Paul, D. P. Mukherjee, P. Das, A. Gangopadhyay, A. R. Chintha, dan S. Kundu, “Improved Random Forest for Classification,” IEEE Transactions on Image Processing, vol. 27, no. 8, hlm. 4012–4024, Agu 2018, doi: 10.1109/TIP.2018.2834830.
S. Boukhary dan E. Colmenares, “A clean approach to flutter development through the flutter clean architecture package,” dalam Proceedings - 6th Annual Conference on Computational Science and Computational Intelligence, CSCI 2019, Institute of Electrical and Electronics Engineers Inc., Des 2019, hlm. 1115–1120. doi: 10.1109/CSCI49370.2019.00211.
https://www.geeksforgeeks.org/, “Pandas Read CSV in Python.” Diakses: 25 Juli 2024. [Daring]. Tersedia pada: https://www.geeksforgeeks.org/python-read-csv-usingpandas-read_csv/.
https://www.geeksforgeeks.org/, “Understanding TF-IDF (Term Frequency-Inverse Document Frequency).” Diakses: 25 Juli 2024. [Daring]. Tersedia pada: https://www.geeksforgeeks.org/understanding-tf-idf-term-frequency-inversedocument-frequency/.
https://www.geeksforgeeks.org/, “Label Encoding in Python.” Diakses: 25 Juli 2024. [Daring]. Tersedia pada: https://www.geeksforgeeks.org/ml-label-encoding-ofdatasets-in-python/.
Susan Li, “Model Comparison and Selection,” Towards Data Science. Diakses: 25 Juli 2024. [Daring]. Tersedia pada: https://towardsdatascience.com/multi-class-textclassification-model-comparison-and-selection-5eb066197568.
V. Apostolidis-Afentoulis, “SVM Classification with Linear and RBF Kernels”.
