AI untuk Pendapatan Rumah Sakit: Panduan Pengambilan Keputusan Direktur

Hal yang paling sering menjadi fokus diskusi direksi RS saat topik AI diangkat bukan soal teknologinya — melainkan soal angkanya: kapan balik modal, di mana tepatnya AI membantu, dan risiko apa yang harus dikendalikan. Jawabannya: AI memberi ROI nyata pada empat titik revenue cycle — akurasi koding INA-CBG, analitik casemix, verifikasi klaim pra-kirim, dan pemantauan fraud. ROI itu sudah cukup terukur untuk dijadikan dasar keputusan adopsi, asalkan tiga kondisi dasar terpenuhi terlebih dahulu.

Mengapa Revenue Cycle RS Makin Kompleks di Era JKN

Pengelolaan pendapatan RS berbasis JKN bukan lagi soal mengisi formulir klaim dengan benar. Sistem INA-CBG yang ditetapkan Permenkes 26/2021 tentang Pedoman INA-CBG mencakup 1.075 kelompok kasus — 786 rawat inap dan 289 rawat jalan — masing-masing dengan tarif berbeda berdasarkan diagnosis utama, diagnosis sekunder, prosedur, severity level, dan jenis RS. Satu kode diagnosis sekunder yang terlewat bisa berarti kelompok tarif yang lebih rendah; satu kode prosedur yang tidak tepat bisa memicu dispute.

Sumber data koding INA-CBG adalah resume medis yang diisi DPJP, menggunakan ICD-10 Versi WHO 2010 untuk diagnosis dan ICD-9-CM Versi 2010 untuk prosedur (Sumber: Permenkes 26/2021). Kompleksitas ini tidak bisa lagi dikelola secara optimal hanya melalui proses manual — terutama di RS dengan volume klaim tinggi.

Di atas kerumitan INA-CBG, RS kini menghadapi transisi ke sistem iDRG yang mulai diujicoba nasional sejak Oktober 2025, dengan pengelompokan yang lebih granular dan kebutuhan koding yang lebih detail. Semakin kompleks sistemnya, semakin besar peran teknologi dalam menjaga akurasi dan kecepatan proses klaim.

Sementara itu, Perpres 82/2018 tentang Jaminan Kesehatan — khususnya Pasal 82 tentang kendali mutu dan kendali biaya JKN — mengamanatkan penilaian teknologi kesehatan sebagai bagian dari penyelenggaraan JKN yang berkualitas. Ini adalah landasan hukum yang secara eksplisit membuka ruang adopsi AI dalam manajemen klaim RS (Sumber: Perpres 82/2018 Pasal 82).

Empat Area di Mana AI Memberi ROI Nyata untuk RS

AI menghasilkan nilai terukur di revenue cycle bukan sebagai solusi tunggal, melainkan pada empat titik spesifik yang langsung berdampak pada pendapatan. Keempatnya dapat diimplementasikan secara bertahap sesuai kesiapan data dan sistem RS.

1. Koding Diagnosis Sekunder Otomatis

Kesalahan koding yang paling sering terjadi bukan pada diagnosis utama — melainkan pada diagnosis sekunder yang terlewat atau tidak lengkap. Akurasi diagnosis sekunder secara langsung menentukan tarif INA-CBG yang dihasilkan grouper — komorbiditas atau komplikasi yang tidak terkode berarti severity level lebih rendah dan tarif yang tidak proporsional dengan beban layanan riil.

Sistem AI dapat memindai teks resume medis, hasil laboratorium, dan catatan DPJP untuk mendeteksi kondisi klinis relevan yang belum dikodekan. Output-nya bukan keputusan final — melainkan rekomendasi yang dikonfirmasi koder. Ini mempercepat review dan mengurangi risiko undercoding yang tidak disengaja.

2. Casemix Analytics dan Pemantauan Distribusi Tarif

Optimasi casemix yang efektif dimulai dari pemahaman Direktur atas distribusi tarif CBG di RS-nya sendiri — kelompok kasus mana yang konsisten under-reimbursed, mana yang memiliki length-of-stay di atas rata-rata tarif, dan mana yang perlu koreksi di sisi koding atau proses klinis.

Sistem analitik berbasis AI mengolah data klaim historis dan menghasilkan dashboard yang menunjukkan pola ini secara real-time, bukan laporan bulanan statis. Direktur mendapat gambaran besar: potensi revenue yang belum teroptimalkan, tren per spesialisasi, dan variasi koding antar DPJP.

3. Verifikasi Klaim Pra-Kirim

BPJS Kesehatan sendiri telah mengadopsi AI melalui program Intelligence Claim dan SmartClaim JKN — sistem berbasis AI yang membantu verifikator mempercepat pemeriksaan awal klaim sekaligus mendeteksi inkonsistensi sebelum pembayaran diproses. Ini menunjukkan bahwa validasi berbasis AI bukan tren masa depan — ini adalah infrastruktur aktual yang sudah beroperasi di sisi pembayar (Sumber: Program Quick Wins BPJS Kesehatan 2026-2031).

RS yang menerapkan mekanisme verifikasi klaim berbasis AI sebelum mengirimkan berkas dapat mendeteksi inkonsistensi yang sama — dan memperbaikinya lebih awal. Hasilnya adalah tingkat klaim pending yang lebih rendah dan siklus pembayaran yang lebih pendek.

Tekanan finansial akibat klaim pending berdampak langsung pada arus kas RS. Konteks makro tekanan ini dibahas dalam artikel tentang dampak defisit BPJS 2026 terhadap siklus pendapatan RS.

4. Deteksi Fraud dan Anomali Tarif

Sistem AI yang dilatih pada pola klaim historis dapat menandai anomali: koding yang tidak konsisten dengan diagnosis klinis, tagihan prosedur yang tidak sesuai severity level, atau pola fragmentasi episode yang mencurigakan. Penelitian yang dipublikasikan di Jurnal Jaminan Kesehatan Nasional BPJS Kesehatan menunjukkan bahwa machine learning dapat mengidentifikasi pola inefisiensi dalam klaim BPJS yang tidak terdeteksi oleh audit manual (Sumber: Jurnal Jaminan Kesehatan Nasional BPJS Kesehatan).

Deteksi anomali berbasis AI membantu RS menghindari praktik yang berujung pada audit atau clawback — bukan hanya sebagai perlindungan dari sanksi, tetapi sebagai mekanisme kontrol kualitas koding yang berkelanjutan.

Kapan ROI AI Benar-Benar Nyata: Tiga Kondisi yang Harus Terpenuhi

AI memberikan ROI yang dapat diukur hanya jika tiga kondisi dasar terpenuhi: volume klaim yang cukup, kualitas data dasar yang memadai, dan integrasi sistem yang berjalan. Direktur RS perlu mengevaluasi ketiganya sebelum mengambil keputusan investasi.

Kondisi 1 — Volume klaim yang stabil. Model AI dilatih dari pola data historis. RS dengan volume rawat inap yang signifikan dan rekam medis terdigitalisasi memiliki fondasi data yang cukup untuk menghasilkan model yang akurat. RS dengan volume sangat rendah atau sangat fluktuatif akan menghasilkan model dengan prediksi yang tidak andal.

Kondisi 2 — Data rekam medis terstruktur. AI untuk koding hanya seefektif data yang dikonsumsinya. Jika diagnosis dan prosedur masih dicatat dalam teks bebas tanpa kode ICD-10 yang konsisten, AI tidak dapat menghasilkan rekomendasi yang dapat diandalkan. Standar koding dasar harus sudah berjalan sebelum lapisan AI ditambahkan.

Kondisi 3 — Integrasi SIMRS yang berjalan. Sistem AI harus terhubung ke SIMRS dan jalur bridging V-Claim. Tanpa integrasi ini, data yang dikonsumsi bersifat manual dan tertunda — menghilangkan keunggulan kecepatan yang menjadi nilai utama adopsi AI.

RS yang belum memenuhi ketiga kondisi ini sebaiknya memprioritaskan pembenahan data dan integrasi terlebih dahulu. Investasi dengan urutan yang tepat menghasilkan ROI yang jauh lebih tinggi daripada mengadopsi AI sebelum fondasinya siap.

Tata Kelola AI: Risiko yang Direktur Harus Kelola Aktif

Adopsi AI di revenue cycle bukan tanpa risiko. Tiga risiko utama yang harus masuk dalam agenda tata kelola Direktur — bukan hanya agenda tim IT.

Risiko 1 — Over-reliance tanpa audit manusia. AI dapat menghasilkan rekomendasi koding yang secara statistik masuk akal tetapi secara klinis tidak tepat untuk kasus tertentu. Tim koder harus mempertahankan kapasitas review independen. AI adalah asisten yang mempercepat, bukan otomat yang menggantikan penilaian klinis.

Risiko 2 — Tanggung jawab hukum koding. Perpres 82/2018 Pasal 82 mewajibkan RS menjalankan penilaian teknologi kesehatan sebagai bagian dari kendali mutu JKN — artinya sistem AI yang digunakan harus dievaluasi kinerjanya secara berkala, bukan hanya saat implementasi awal. Kode yang keliru, terlepas dari apakah dihasilkan AI atau manusia, tetap menjadi tanggung jawab RS. Klaim yang salah dapat mengakibatkan pengembalian dana (clawback) atau pemeriksaan audit BPJS.

Risiko 3 — Keamanan dan kerahasiaan data. Rekam medis yang dikonsumsi AI mengandung data sensitif pasien. Penggunaan sistem AI pihak ketiga harus memenuhi ketentuan kerahasiaan rekam medis yang diatur Permenkes 24/2022 tentang Rekam Medis Elektronik, termasuk aspek penyimpanan data dan hak akses.

Parameter Keputusan Adopsi AI: Checklist Direktur

Sebelum mengotorisasi investasi AI untuk revenue cycle, Direktur RS perlu mengevaluasi empat parameter berikut secara berurutan:

1. Kesiapan data — apakah koding dasar sudah berjalan konsisten dan SIMRS terintegrasi dengan V-Claim?
2. Threshold volume — apakah volume klaim cukup untuk melatih dan memvalidasi model dengan akurasi yang dapat diterima?
3. Kasus penggunaan yang spesifik — pilih satu titik (misalnya verifikasi klaim pra-kirim) sebagai pilot sebelum memperluas ke seluruh revenue cycle.
4. Mekanisme audit — sudahkah ada SOP untuk memvalidasi output AI sebelum klaim dikirim, dan siapa yang bertanggung jawab atas error yang lolos?

AI di revenue cycle RS bukan pilihan yang "mewah" atau "masa depan" — dengan kesiapan yang tepat, ini adalah alat manajemen yang menghasilkan nilai terukur. Tanpa kesiapan itu, ini hanya pengeluaran tambahan dengan output yang tidak dapat diandalkan.

Dasar Hukum

• Perpres 82 Tahun 2018 Pasal 82 tentang Jaminan Kesehatan — mengamanatkan kendali mutu dan kendali biaya JKN melalui penilaian teknologi kesehatan, termasuk efektivitas dan efisiensi teknologi yang digunakan dalam pelayanan JKN.
• Permenkes 26 Tahun 2021 tentang Pedoman Indonesian Case Base Groups (INA-CBG) dalam Pelaksanaan Jaminan Kesehatan — menetapkan 1.075 kelompok kasus berbasis ICD-10 Versi WHO 2010 sebagai dasar pembayaran klaim di fasilitas kesehatan rujukan tingkat lanjutan.
• Permenkes 24 Tahun 2022 tentang Rekam Medis Elektronik — mewajibkan kerahasiaan dan keamanan data rekam medis, termasuk dalam konteks pemanfaatan teknologi digital pihak ketiga.

FAQ

Apa perbedaan AI untuk koding INA-CBG dan CDSS klinis?

AI untuk koding INA-CBG dan CDSS klinis sering dikelompokkan dalam satu kategori "AI di rumah sakit," padahal tujuan dan penggunanya berbeda. AI koding INA-CBG fokus pada akurasi klaim — mendeteksi diagnosis sekunder yang terlewat, memprediksi severity level, dan mengurangi rate pending. CDSS klinis fokus pada keselamatan pasien — peringatan interaksi obat, panduan terapi berbasis pedoman, dan indikasi prosedur.

Keduanya dapat diimplementasikan secara paralel di RS yang sama, tetapi Direktur perlu memahami perbedaan ini agar dapat mengevaluasi vendor dan mengukur ROI yang tepat dari masing-masing sistem. Kebingungan di antara keduanya sering menghasilkan ekspektasi yang tidak terpenuhi.

Apakah AI menggantikan tim koder casemix RS?

Tidak. AI mengotomatisasi tugas yang berulang dan terpola — pencocokan kode ICD-10, deteksi anomali tarif, dan rekomendasi kode sekunder — tetapi tanggung jawab validasi final tetap pada koder bersertifikat. Kasus klinis yang kompleks atau ambigu tetap membutuhkan penilaian manusia.

Yang berubah adalah komposisi pekerjaan tim casemix: lebih banyak waktu untuk review kasus kompleks, audit kualitas output AI, dan pengembangan SOP koding — lebih sedikit waktu untuk entri dan pencocokan kode yang bersifat rutin. RS yang mengadopsi AI umumnya melaporkan produktivitas koder yang meningkat, bukan pengurangan tim.

Bagaimana RS tipe C menilai kesiapan adopsi AI untuk revenue cycle?

Tiga indikator kesiapan yang dapat dievaluasi Direktur sebelum investasi:

Pertama, kesiapan volume: apakah data klaim historis cukup untuk melatih dan memvalidasi model? RS tipe C dengan volume rawat inap yang stabil umumnya memiliki data yang mencukupi.

Kedua, kesiapan data: apakah diagnosis dan prosedur sudah dikodekan secara konsisten dengan ICD-10 yang benar? Jika koding dasar masih tidak konsisten, AI akan menghasilkan rekomendasi yang tidak andal.

Ketiga, kesiapan integrasi: apakah SIMRS sudah terhubung ke BPJS melalui bridging V-Claim? Tanpa integrasi ini, AI tidak dapat mengakses data secara real-time dan nilai kecepatannya hilang.

Apa risiko hukum jika AI menghasilkan kode INA-CBG yang keliru?

Tanggung jawab koding tetap pada fasilitas kesehatan — bukan pada sistem AI atau vendornya. Kode yang keliru, terlepas dari sumbernya, dapat mengakibatkan klaim dikembalikan oleh BPJS, clawback jika sudah dibayarkan, atau pemeriksaan audit.

Perpres 82/2018 Pasal 82 mewajibkan RS menjalankan penilaian teknologi kesehatan sebagai bagian dari kendali mutu JKN. Artinya, sistem AI yang digunakan di proses klaim harus dievaluasi kinerjanya secara berkala — bukan hanya pada saat implementasi awal. Audit trail dari rekomendasi AI yang kemudian divalidasi koder adalah dokumentasi penting jika terjadi dispute klaim.

Sumber

• Permenkes Nomor 26 Tahun 2021 tentang Pedoman Indonesian Case Base Groups (INA-CBG) dalam Pelaksanaan Jaminan Kesehatan — peraturan.go.id
• Perpres Nomor 82 Tahun 2018 tentang Jaminan Kesehatan, Pasal 82 tentang Kendali Mutu dan Kendali Biaya — peraturan.bpk.go.id
• Permenkes Nomor 24 Tahun 2022 tentang Rekam Medis Elektronik — jdih.kemkes.go.id
• Jurnal Jaminan Kesehatan Nasional BPJS Kesehatan — "Deteksi Inefisiensi pada Klaim BPJS Kesehatan dengan Menggunakan Machine Learning" — jurnal-jkn.bpjs-kesehatan.go.id
• BPJS Kesehatan — Program Quick Wins 2026-2031: Intelligence Claim dan SmartClaim JKN — bpjs-kesehatan.go.id