Learn, Connect, Growth | Tingkatkan Mutu Pelayanan Kesehatan Indonesia

[Edukasi] Data Mining Untuk Deteksi Potensi Kecurangan JKN

Kecurangan perawatan kesehatan adalah penipuan yang disengaja yang digunakan untuk mendapatkan manfaat yang tidak sah (Busch, 2007). Tidak seperti kesalahan dan pelecehan, perilaku curang biasanya didefinisikan sebagai kejahatan hukum. Namun, tidak ada konsensus global mengenai definisi kecurangan dan pelecehan dalam layanan kesehatan atau asuransi kesehatan. Diperkirakan sekitar 10 % dari pengeluaran sistem perawatan kesehatan terbuang karena kecurangan dan penyalahgunaan (Gee, Button, Brooks, & Vincke, 2010). Oleh karena itu, skala kecurangan dan penyalahgunaan layanan kesehatan cukup besar untuk menjadikannya isu prioritas untuk sistem kesehatan.

Meningkatnya penggunaan sistem komputer pada rekam medis telah menyebabkan peluang baru untuk deteksi kecurangan dan penyalahgunaan yang lebih baik. Menggabungkan metode otomatis dan pengetahuan statistik mengarah ke cabang sains interdisipliner yang baru muncul, diberi nama Knowledge Discovery dari Database (KDD). Data mining merupkan inti dari KDD. Data mining dapat membantu pembayar pihak ketiga seperti organisasi asuransi kesehatan untuk mendapatkan pengetahuan yang bermanfaat dari ribuan klaim dan mengidentifikasi subkumpulan klaim atau klaim yang lebih kecil untuk penilaian lebih lanjut dan pengawasan atas kecurangan dan penyalahgunaan (Rashidian et al., 2012). Dengan cara ini, pendekatan data mining adalah bagian dari sistem audit berbasis IT yang lebih efisien dan efektif.

no36Maimon dan Rokach (2010) telah mendefinisikan KDD sebagai proses terorganisir untuk mengidentifikasi pola yang valid, baru, berguna, dan mudah dipahami dari kumpulan data yang besar dan kompleks. Mereka mendefinisikan Data Mining (DM) sebagai inti proses KDD, yang melibatkan kesimpulan algoritma yang mengeksplorasi data, mengembangkan model dan menemukan pola yang sebelumnya tidak diketahui (Maimon & Rokach, 2010). KDD melibatkan beberapa langkah, mulai dari pemahaman lingkungan organisasi, menentukan tujuan yang jelas, memahami data, pembersihan, persiapan dan transformasi data, memilih pendekatan data mining yang tepat, menerapkan algoritma data mining, dan evaluasi dan interpretasi temuan (Rashidian et al., 2012; Maimon & Rokach, 2010)

Metode data mining ada 2 yaitu metode 'diawasi' dan 'tidak diawasi' (Phua, Lee, Smith, & Gayler, 2010; Li et al., 2008; Bolton & Hand , 2002). Metode yang diawasi mencoba menemukan hubungan antara variabel input (atribut dan fitur) dan variabel output (dependen) (atau atribut target). Metode pembelajaran yang tidak diawasi diterapkan bila tidak ada informasi awal tentang variabel dependen yang tersedia untuk digunakan. Metode yang diawasi berguna untuk mendeteksi pola penipuan dan penyalahgunaan yang sebelumnya dikenal. Secara teori, kita dapat menerapkan pendekatan tanpa pengawasan untuk mengidentifikasi jenis kecurangan atau penyalahgunaan baru. Metode yang disarankan biasanya menilai satu atribut klaim dalam kaitannya dengan klaim lainnya dan menentukan bagaimana kaitannya dengan atau berbeda satu sama lain. Ada tujuh langkah umum untuk untuk mendeteksi kecurangan dan pelecehan (setelah melakukan preprocessing data):

  1. Mengidentifikasi atribut data yang paling penting oleh domain pakar
  2. Mendefinisikan fitur baru yang merupakan indikator perilaku penipuan atau penyalahgunaan oleh domain ahli atau algoritma otomatis seperti induksi aturan asosiasi
  3. Mengidentifikasi catatan yang tidak biasa dengan metode deteksi outlier untuk penyelidikan
  4. Tidak termasuk outliers dari data dan clustering (atau re-clustering) catatan berdasarkan fitur yang diekstrak
  5. Mengidentifikasi cluster outlier dan menyelidiki catatan dalam kelompok tersebut secara lebih rinci dan menentukan catatan yang salah atau kasar (misalnya dengan inspeksi)
  6. Merancang model yang diawasi berdasarkan catatan berlabel dan memilih fitur yang paling diskriminatif
  7. Menerapkan metode yang diawasi sebagai tugas pemrosesan online rutin dan menerapkan metode tanpa pengawasan (deteksi dan pengelompokan outlier) dalam jangka waktu tertentu untuk menyempurnakan langkah-langkah sebelumnya dan mendeteksi kasus penipuan baru.

Text: Eva Tirtabayu Hasri S.Kep., MPH

Editor: PAR

*Bila Anda merasa artikel ini bermanfaat, silakan share artikel ini. Sehingga manfaat ini juga dapat dirasakan orang sekitar Anda.
*Anda kami persilakan untuk menggunakan artikel ini untuk berbagai keperluan. Namun, jangan lupa mencantumkan nama penulis dan referensi terkait lainnya untuk menghindari plagiarisme.

Add comment


Security code
Refresh