Akurasi Koding Berhenti di 76 Persen: Dua Faktor yang Terbukti Menentukannya

Akurasi koding klinis dalam sistem casemix di sebuah rumah sakit pendidikan tercatat 76,4 persen — dari 445 rekam pemulangan, 340 terkode akurat. Dari sekian variabel yang diuji, hanya dua yang berhubungan signifikan: kelengkapan dokumentasi dan waktu penyelesaian koding. Pengalaman koder tidak. Temuan itu memindahkan letak solusinya dari ruang pelatihan ke desain proses.

Bagi Wadir Keuangan, ini kabar yang tidak nyaman sekaligus melegakan. Tidak nyaman karena hampir satu dari empat berkas berpotensi salah terkode, dan setiap kode yang salah berujung pada kelompok tarif yang salah. Melegakan karena dua faktor penentunya adalah hal yang bisa dikendalikan sistem — bukan sifat bawaan tim.

Angka 76,4 Persen dan Apa yang Sebenarnya Diukur

Studi potong lintang atas 445 rekam pemulangan rawat inap di Hospital Canselor Tuanku Muhriz, Malaysia, sepanjang Januari–Desember 2023, menemukan akurasi koding klinis keseluruhan 76,4 persen (340 dari 445 berkas). Pengambilan sampel dilakukan acak berstrata pada empat departemen, dan akurasi ditentukan dengan membandingkan entri rekam medis elektronik terhadap standar rujukan yang ditetapkan koder terlatih bersama dokter spesialis.

Dua hal penting soal cara membaca angka ini. Pertama, studi ini berlatar Malaysia, sehingga posisinya adalah pembanding regional — bukan representasi akurasi koding rumah sakit Indonesia. Kedua, ini satu rumah sakit pendidikan, bukan survei nasional, dan analisisnya bivariat. Yang layak dipindahkan ke konteks Indonesia bukan angkanya, melainkan pola hubungan antar variabelnya, karena mekanisme kerja koding casemix di kedua negara serupa: dokumentasi klinis diterjemahkan menjadi kode, lalu kode menentukan kelompok tarif.

Penulis studi menyebut akurasi pada latar tersebut "suboptimal" dan merekomendasikan pelatihan berkelanjutan serta audit reguler. Yang membuat temuan ini berguna bagi manajemen adalah bagian berikutnya: variabel mana yang ternyata bergerak bersama akurasi, dan mana yang tidak.

Faktor Pertama: Kelengkapan Dokumentasi

Kelengkapan dokumentasi berhubungan signifikan dengan akurasi koding pada tingkat signifikansi di bawah 0,001 — hubungan terkuat di antara seluruh variabel yang diuji dalam studi tersebut. Logikanya lurus: koder tidak dapat mengodekan apa yang tidak tertulis. Komorbiditas yang dirawat tetapi tidak dicatat di resume, komplikasi yang muncul di tengah rawat inap tetapi hanya tersimpan sebagai catatan lepas, tindakan penunjang yang tidak terhubung ke diagnosis kerja — semuanya hilang pada saat penerjemahan ke kode.

Di sinilah letak kekeliruan diagnosis organisasi yang paling sering terjadi. Ketika akurasi koding rendah, unit yang diperiksa biasanya unit koding. Padahal titik kebocorannya berada satu langkah sebelumnya, di mutu catatan yang diserahkan ke koder. Beban kerja klinis yang tinggi membuat dokumentasi menjadi pekerjaan sisa di akhir sif, dan beban dokumentasi klinis yang menumpuk ini berdampak langsung pada validitas klaim INA-CBG.

Konsekuensi finansialnya spesifik pada sistem INA-CBG. Kelompok tarif ditentukan diagnosis utama bersama diagnosis sekunder dan tindakan, dan INA-CBG mengenal tiga tingkat severity (I, II, dan III). Dokumentasi yang tidak lengkap menurunkan severity yang dapat dibuktikan, bukan severity yang sebenarnya dialami pasien. Selisih itu tidak muncul sebagai penolakan klaim yang mudah dihitung; ia muncul sebagai pendapatan yang tidak pernah tertagih.

Faktor Kedua: Waktu Penyelesaian Koding

Waktu penyelesaian koding berhubungan signifikan dengan akurasi pada tingkat signifikansi 0,02. Artinya jeda antara pasien pulang dan berkas selesai dikoding bukan sekadar urusan kecepatan administrasi — ia ikut menentukan benar atau tidaknya kode yang dihasilkan.

Mekanismenya adalah memudarnya konteks. Selama beberapa hari pertama, dokumentasi yang ambigu masih bisa diklarifikasi: koder dapat menanyakan maksud sebuah catatan kepada dokter penanggung jawab pelayanan yang masih mengingat kasusnya. Setelah berkas menganggur berminggu-minggu, jalur klarifikasi itu praktis tertutup, dan koder tidak punya pilihan selain mengodekan dokumen apa adanya. Dampak jeda ini terhadap kecepatan dan validitas klaim BPJS ketika koding dikerjakan setelah pasien pulang bekerja pada dua arah sekaligus: arus kas melambat, dan mutu data menurun.

Implikasi manajerialnya konkret. Jeda koding layak diangkat menjadi indikator mutu data yang dipantau berkala, bukan hanya indikator produktivitas unit rekam medis. Yang diukur bukan berapa berkas selesai per hari, melainkan berapa lama sebuah berkas menganggur sebelum disentuh — dan berapa banyak berkas yang melewati ambang tempat klarifikasi klinis masih realistis.

Yang Tidak Terbukti Menentukan

Variabel yang tidak berhubungan signifikan dengan akurasi dalam studi tersebut adalah pengalaman koder, departemen asal berkas, serta usia dan jenis kelamin pasien. Temuan ini perlu dibaca dengan disiplin: tidak signifikan secara statistik pada satu populasi penelitian bukan berarti tidak berpengaruh sama sekali. Studi ini satu pusat dengan 445 berkas dan analisis bivariat, sehingga bukan dasar untuk menyimpulkan kompetensi koder tidak relevan.

Yang layak disimpulkan lebih terbatas dan justru lebih berguna: pada latar yang diteliti, menambah jam pelatihan koder saja tidak akan menutup selisih akurasi, karena hambatannya ada di bahan baku dan di waktu. Koder paling berpengalaman pun tidak bisa memulihkan komorbiditas yang tidak pernah dicatat, dan tidak bisa mengklarifikasi catatan kepada dokter yang sudah lupa kasusnya. Keduanya adalah variabel proses, dan variabel proses adalah wilayah keputusan manajemen.

Mengandalkan Kode Saja Juga Menyimpan Risiko

Kode diagnosis adalah ringkasan dokumentasi, bukan penggantinya — dan selisih keduanya terukur. Studi validasi di lima rumah sakit rujukan di Prancis memproses 561.924 laporan klinis dari 10.868 pasien untuk mengklasifikasikan subtipe penyakit, dengan rujukan berupa telaah manual atas sampel acak berstrata 1.510 pasien.

Hasilnya: algoritma yang membaca teks laporan klinis mencapai nilai prediktif positif 94,0 persen (interval kepercayaan 95 persen: 92,6–95,4). Sementara strategi seleksi yang hanya bersandar pada kode ICD-10 — pendekatan yang umum dipakai dalam studi berbasis data administratif — menghasilkan nilai prediktif positif yang berkisar 58,1 sampai 88,3 persen, bergantung pada jumlah kode yang disyaratkan. Penulis menyimpulkan temuan ini menyoroti risiko misklasifikasi bila bersandar pada koding ICD-10 semata, dan pentingnya mutu dokumentasi klinis.

Untuk konteks Indonesia, perlu dicatat bahwa studi ini berlatar Prancis dan menyasar penyakit tertentu, sehingga angkanya tidak dapat dipindahkan langsung. Yang relevan adalah arah temuannya: setiap analisis internal yang berdiri di atas kode — evaluasi mutu, analisis payor mix, telaah unit cost — mewarisi mutu dokumentasi yang mendasari kode tersebut. Bila catatan klinisnya tipis, dasbor yang paling rapi pun melaporkan angka yang keliru dengan rapi.

Dasar Hukum

• Permenkes 26/2021 tentang Pedoman Indonesian Case Base Groups (INA-CBG) — menjadi pedoman berlaku dalam penyelenggaraan INA-CBG, mencakup ketentuan pengelompokan kasus yang mendasari penetapan tarif klaim. Regulasi ini mencabut Permenkes 76/2016.
• Permenkes 24/2022 tentang Rekam Medis — mengatur kewajiban penyelenggaraan rekam medis elektronik beserta kelengkapan isinya, yang menjadi bahan baku proses koding.

Koding diagnosis dalam INA-CBG mengacu pada ICD-10 versi WHO 2010 dengan ICD-9-CM untuk prosedur. Karena itu, temuan studi luar negeri yang memakai varian ICD-10 lain perlu dibaca pada tingkat pola, bukan pada tingkat kode spesifik.

Apa yang Bisa Dikendalikan Sistem

Dua faktor yang terbukti menentukan akurasi keduanya berada di jalur kerja harian, dan keduanya bisa dijepit lebih awal oleh sistem. Kelengkapan dokumentasi dijaga pada saat pencatatan, bukan pada saat koding. Waktu penyelesaian koding dijaga dengan memperpendek jeda, bukan dengan menambah kapasitas di ujung.

Untuk kelengkapan, titik kontrol paling efektif berada di momen pemulangan: memastikan komorbiditas yang dirawat dan komplikasi yang muncul sudah tertulis sebelum berkas berpindah tangan. Pendekatan berbasis sistem pendukung keputusan klinis untuk mendeteksi diagnosa sekunder yang terlewat sebelum berkas masuk ke koding bekerja pada faktor pertama ini secara langsung — memindahkan koreksi ke saat konteks klinis masih utuh.

Untuk waktu, yang dibutuhkan lebih sederhana: visibilitas. Daftar berkas yang menunggu dikoding beserta umur masing-masing berkas sudah cukup untuk mengubah jeda dari hal yang tidak terlihat menjadi hal yang dikelola. Ambang wajar ditetapkan internal, lalu berkas yang melewatinya ditangani sebagai antrean prioritas, bukan sebagai tumpukan biasa.

Satu hal yang harus dilakukan lebih dulu: mengukur baseline sendiri. Angka 76,4 persen adalah milik rumah sakit lain di negara lain. Audit internal atas sampel acak rekam pemulangan, dengan pembanding yang ditetapkan koder terlatih bersama dokter spesialis, adalah cara mengetahui posisi sendiri — dan tanpa baseline itu, perbaikan apa pun tidak bisa dibuktikan berhasil.

FAQ

Apakah angka akurasi koding 76,4 persen berlaku untuk rumah sakit di Indonesia?

Tidak secara langsung. Angka 76,4 persen berasal dari satu rumah sakit pendidikan di Malaysia atas 445 rekam pemulangan tahun 2023, sehingga berlaku sebagai pembanding regional, bukan sebagai data Indonesia.

Yang dapat dipindahkan lintas negara adalah pola hubungannya: kelengkapan dokumentasi dan waktu penyelesaian koding berhubungan signifikan dengan akurasi, sedangkan pengalaman koder tidak. Untuk mengetahui posisi sendiri, rumah sakit perlu mengukur akurasi kodingnya melalui audit internal dengan pembanding yang ditetapkan koder terlatih dan dokter spesialis.

Kalau pengalaman koder tidak berpengaruh signifikan, apakah pelatihan koder tidak perlu?

Pelatihan tetap perlu, tetapi bukan satu-satunya pengungkit. Temuan studi adalah bahwa pengalaman koder tidak berhubungan signifikan dengan akurasi pada populasi yang diteliti — bukan bahwa kompetensi koder tidak penting. Penulis studi justru merekomendasikan pelatihan berkelanjutan dan audit reguler.

Implikasi praktisnya: bila dokumen pemulangan tidak lengkap dan berkas menganggur berhari-hari sebelum dikoding, menambah pelatihan saja tidak akan menutup selisih akurasi, karena koder yang paling berpengalaman pun tidak dapat mengodekan informasi yang tidak tertulis.

Mengapa waktu penyelesaian koding memengaruhi akurasi, bukan hanya kecepatan klaim?

Karena konteks klinis memudar seiring waktu. Semakin lama jarak antara pasien pulang dan berkas dikoding, semakin kecil peluang koder mengklarifikasi dokumentasi yang ambigu kepada dokter penanggung jawab pelayanan yang masih mengingat kasusnya.

Pertanggungan yang tidak jelas akhirnya dikodekan berdasarkan dokumen apa adanya. Dalam studi tersebut, waktu penyelesaian koding berhubungan signifikan dengan akurasi, sehingga jeda koding layak diperlakukan sebagai indikator mutu data, bukan sekadar indikator kecepatan administrasi.

Apakah cukup mengandalkan kode diagnosis untuk analisis internal rumah sakit?

Tidak sepenuhnya. Studi validasi di lima rumah sakit rujukan di Prancis menemukan strategi seleksi pasien yang hanya bersandar pada kode ICD-10 menghasilkan nilai prediktif positif 58,1 sampai 88,3 persen, sementara pembacaan teks laporan klinis mencapai 94,0 persen.

Artinya, kode adalah ringkasan dari dokumentasi, bukan pengganti dokumentasinya. Untuk analisis mutu maupun casemix, kualitas catatan klinis yang mendasari kode tetap menentukan keandalan angka yang keluar.

Sumber

• Azzeri A, Wan Musaludin WM, Jaafar H, Hafidz NM, Noor Aizuddin A. "Factors Affecting the Accuracy of Clinical Coding in the Casemix System in a Teaching Hospital: Cross-Sectional Study." Interactive Journal of Medical Research. 2026;15:e93769. https://doi.org/10.2196/93769 — diakses via PubMed. Sumber angka 76,4 persen (340/445), kelengkapan dokumentasi (p<0,001), dan waktu penyelesaian koding (p=0,02).
• Azoyan L, Leblanc J, Santin A, dkk. "Classifying Sickle Cell Disease Subtypes from Clinical Reports: Algorithm Validation and ICD-10 Accuracy Assessment in Five French Hospitals." Journal of Medical Systems. 2026;50(1). https://doi.org/10.1007/s10916-026-02461-7 — diakses via PubMed. Sumber nilai prediktif positif 94,0 persen dan kisaran 58,1–88,3 persen untuk strategi berbasis kode ICD-10.
• Permenkes 26/2021 tentang Pedoman Indonesian Case Base Groups (INA-CBG) — JDIH Kementerian Kesehatan.
• Permenkes 24/2022 tentang Rekam Medis — JDIH Kementerian Kesehatan.