Kesalahan Kode ICD-10 yang Paling Sering Menurunkan Tarif INA-CBG

Seorang pasien rawat inap dengan gagal jantung akut disertai diabetes dan gagal ginjal kronik seharusnya dikoding sebagai kasus severity level III — tarif tertinggi dalam kelompok INA-CBG-nya. Tapi koder menggunakan I50.9 (Heart failure, unspecified) sebagai diagnosis utama, tanpa mencantumkan E11.65 (DM type 2 with hyperglycemia) dan N18.5 (CKD stage 5) sebagai diagnosis sekunder.

Hasilnya: kasus jatuh ke severity level I. Selisih tarif bisa mencapai ratusan ribu hingga jutaan rupiah — untuk satu kasus saja.

Kalikan dengan ratusan kasus serupa setiap bulan. Itulah revenue yang hilang diam-diam dari kesalahan koding.

Seberapa Akurat Koding ICD-10 di RS Indonesia?

Jawaban singkatnya: sangat bervariasi, dan rata-rata masih rendah.

Sebuah literature review terhadap 45 artikel penelitian (2009-2019) menunjukkan tingkat ketepatan koding ICD-10 di Indonesia:

• Rumah sakit: berkisar antara 21% hingga 81%
• Puskesmas: hanya 26-45%

Artinya, di RS terburuk, hampir 8 dari 10 kode diagnosis salah. Di RS terbaik pun, masih ada 1 dari 5 kode yang tidak tepat.

Data Spesifik Per Kasus

Benchmark Global

Secara global, 20-30% kode ICD mengandung kesalahan. Studi di Saudi Arabia menemukan 26% diagnosis primer dan 9,9% diagnosis sekunder dikode secara tidak akurat. Indonesia tidak sendirian — tapi dampak finansialnya sangat nyata dalam sistem INA-CBG.

6 Kesalahan Koding yang Paling Sering Menurunkan Tarif

1. Menggunakan Kode "Unspecified" Padahal Informasi Tersedia

Ini kesalahan paling mahal dan paling sering terjadi.

Koder menggunakan kode berakhiran ".9" (unspecified) karena lebih cepat dan mudah ditemukan — padahal dokumentasi medis sudah cukup spesifik untuk kode yang lebih detail.

Contoh nyata:

Satu perubahan dari kode unspecified ke kode spesifik bisa mengubah severity level — dan tarif klaim.

2. Tidak Mencantumkan Diagnosis Sekunder

Severity level dalam INA-CBG ditentukan oleh diagnosis sekunder (komplikasi dan komorbiditi), bukan oleh diagnosis utama saja.

• Severity Level I (ringan): tanpa komplikasi/komorbiditi
• Severity Level II (sedang): dengan mild CC
• Severity Level III (berat): dengan major CC

Studi di salah satu RS Indonesia menunjukkan: setelah diagnosis sekunder dilengkapi, 19,4% klaim naik nilai tarif-nya. Total klaim naik dari Rp 194.285.000 menjadi Rp 261.169.500 — selisih Rp 66.884.500 hanya dari melengkapi diagnosis sekunder.

Masalahnya: banyak koder hanya fokus pada diagnosis utama dan mengabaikan komorbiditi yang sudah terdokumentasi di rekam medis. DM, hipertensi, anemia, malnutrisi — semua ini berkontribusi pada severity level tapi sering tidak dikode.

3. Salah Menempatkan Diagnosis Primer dan Sekunder

Menurut aturan WHO Morbidity Reference Group, diagnosis utama adalah diagnosis akhir yang paling banyak menggunakan sumber daya ATAU hari rawatan paling lama.

Kesalahan umum:

• Menempatkan gejala sebagai diagnosis primer padahal diagnosis definitif sudah ditegakkan
• Memilih diagnosis yang familiar bagi koder, bukan yang paling tepat secara aturan
• Tidak memahami bahwa urutan diagnosis mempengaruhi grouping INA-CBG

Studi menunjukkan 21,9% berkas klaim memiliki kesalahan penempatan diagnosis karena DPJP tidak memahami perbedaan diagnosis primer vs sekunder.

4. Tidak Menggunakan Combination Code

ICD-10 memiliki aturan combination code — satu kode yang mencakup dua kondisi yang saling terkait. Menggunakan dua kode terpisah padahal ada combination code bisa menyebabkan klaim ditolak.

Contoh kritis:

Pelanggaran aturan combination code bisa menghasilkan grouping INA-CBG yang berbeda — dan biasanya lebih rendah.

5. Melanggar Aturan Excludes

ICD-10 memiliki dua jenis excludes:

• Excludes1 ("NOT CODED HERE"): Dua kode tidak boleh digunakan bersamaan
• Excludes2 ("NOT INCLUDED HERE"): Boleh dikode bersamaan jika keduanya memang ada

Pelanggaran Excludes1 menyebabkan klaim langsung ditolak oleh verifikator BPJS. Ini sering terjadi karena koder tidak membaca catatan instruksi di ICD-10 volume 1.

6. Kode Tidak Sesuai Gender atau Usia

Kode diagnosis tertentu hanya valid untuk gender atau kelompok usia tertentu. Contoh: kode obstetrik pada pasien laki-laki, atau kode neonatal pada pasien dewasa.

Kesalahan ini biasanya terdeteksi langsung oleh sistem e-Klaim BPJS dan menyebabkan reject otomatis — tapi tetap membutuhkan waktu untuk koreksi dan resubmit.

Dampak Finansial: Angka yang Tidak Bisa Diabaikan

Data Indonesia

• RSUD Wates, Kulon Progo: kerugian Rp 90 juta karena ketidakakuratan diagnosis — dari satu RS saja
• Satu studi lain: selisih tarif mengakibatkan kerugian RS sebesar Rp 192 juta
• Perbedaan klaim akibat kelengkapan rekam medis: 4,08% pada nilai klaim dan 34,92% pada severity level

Data Global (Sebagai Pembanding)

• RS di Amerika: potensi kerugian $1.149 juta dari 612 kasus, rata-rata $1.877/kasus
• 1% inaccuracy rate pada billing $200 juta = $2 juta revenue hilang
• Kasus bedah jantung: potensi kerugian $8.790/kasus jika koding salah

Untuk RS tipe C Indonesia dengan 1.000 klaim/bulan, bahkan perbaikan akurasi koding sebesar 5% saja bisa mengembalikan puluhan juta rupiah per bulan.

Akar Masalah: Mengapa Koding Masih Salah?

Kekurangan SDM Koder

Indonesia mengalami kekurangan tenaga rekam medis yang signifikan. Banyak petugas koding bukan lulusan PMIK (Perekam Medis dan Informasi Kesehatan). Satu studi menemukan kebutuhan 16 petugas rekam medis, yang tersedia hanya 14 — dan sebagian bukan berlatar belakang koding.

Dokumentasi Klinis yang Lemah

Koder hanya bisa mengkode berdasarkan apa yang tertulis di rekam medis. Jika DPJP menulis diagnosis yang tidak spesifik, singkatan yang tidak standar, atau tulisan tangan yang tidak terbaca — koder akan memilih kode "unspecified" sebagai jalan aman.

Tidak Ada Sistem Validasi Otomatis

Kebanyakan SIMRS di Indonesia belum memiliki fitur real-time coding validation — tidak ada alert ketika koder memilih kode unspecified padahal data klinis mendukung kode spesifik, atau ketika aturan combination code dilanggar.

Tekanan Volume

RS menengah memproses ratusan hingga ribuan klaim per bulan. Koder yang kelelahan lebih cenderung memilih kode yang "cukup" daripada kode yang "tepat" — terutama saat deadline pengajuan klaim mendekat.

Bagaimana CDSS dengan ICD-10 AI Membantu?

Clinical Decision Support System dengan modul ICD-10 AI bekerja sebagai asisten koding yang membantu — bukan menggantikan — koder manusia:

Cara Kerjanya

1. SOAP notes masuk ke sistem — dari catatan klinis DPJP
2. AI menganalisis teks klinis dan mengidentifikasi entitas medis (diagnosis, gejala, prosedur, temuan lab)
3. Rekomendasi kode ICD-10 ditampilkan, diurutkan berdasarkan confidence level — termasuk kode spesifik, bukan hanya unspecified
4. Validasi otomatis terhadap aturan koding: sequencing, combination codes, excludes, gender/age conflicts
5. Saran diagnosis sekunder yang terdokumentasi tapi belum dikode — membantu menangkap CC/MCC yang menaikkan severity level
6. Koder review dan finalisasi — keputusan akhir tetap di tangan manusia

Bukti Efektivitas

Evidence dari implementasi computer-assisted coding (CAC):

• University of Pittsburgh Medical Center: Case mix index naik 8%, peningkatan revenue $22 juta setelah implementasi
• Gwinnett Hospital System: Case mix naik 3,8% di tahun pertama
• Richmond University Medical Center: Rejected claims turun 30%
• Produktivitas koder: waktu per rekam medis berkurang 22%
• Akurasi koding dengan AI modern: >95%, waktu koding berkurang 75%

Persiapan Menghadapi iDRG

Transisi dari INA-CBG ke iDRG (Indonesian Diagnosis Related Group) per Oktober 2025 membuat akurasi koding semakin kritis:

• Dari 21 CMG menjadi 27 MDC — 6 grup baru termasuk Pre-MDC, Multi-Significant Trauma, Burn, Neoplasma
• Pedoman koding baru: Indonesian Coding Standard (ICS)
• Koding yang lebih kompleks = risiko kesalahan lebih tinggi tanpa bantuan teknologi

RS yang sudah memiliki sistem CDSS dengan ICD-10 AI akan lebih siap menghadapi transisi ini.

Langkah Praktis untuk RS

1. Audit akurasi koding: Ambil sampel 100 klaim bulan lalu, bandingkan kode yang diajukan dengan rekam medis. Berapa yang menggunakan kode unspecified padahal informasi lebih spesifik tersedia?
2. Hitung dampak finansial: Identifikasi kasus dengan severity level I yang seharusnya bisa naik ke level II/III jika koding lebih lengkap
3. Perkuat Clinical Documentation Improvement (CDI): Dorong DPJP untuk menulis diagnosis yang spesifik dan lengkap — ini fondasi koding yang akurat
4. Evaluasi CDSS dengan ICD-10 AI: Teknologi yang membantu koder menangkap kode spesifik dan diagnosis sekunder yang sering terlewat

MedMinutes CDSS menyediakan modul ICD-10 AI yang merekomendasikan kode diagnosis berdasarkan data SOAP — langsung di dalam browser, tanpa mengganti SIMRS yang sudah ada.

Hubungi kami untuk demo

Referensi

1. Pramono et al. Ketepatan Kodifikasi ICD-10 di Indonesia: Literature Review. Jurnal RMIK Poltekkes Semarang, 2021.
2. UGM. Salah Input Kode Diagnosis Rugikan Rumah Sakit. ugm.ac.id, 2019.
3. BKPK Kemenkes. Pengajuan Klaim INA-CBG Butuh Pengkodingan yang Benar. badankebijakan.kemkes.go.id
4. JMIKI. Selisih Klaim Berdasarkan Kelengkapan Rekam Medis. 2023.
5. HFMA. The Financial Truth About ICD-10 Coding Accuracy. hfma.org, 2024.
6. UTHSC. Computer-Assisted Coding Post ICD-10 Implementation. 2020.
7. PMK No. 26/2021 tentang Pedoman INA-CBG. Kemenkes RI.
8. Panduan Manual Verifikasi Klaim INA-CBG. PERSI/BPJS.
9. STARKES 2024 — Standar MRMIK. Kemenkes RI.

Artikel ini ditulis oleh Vera, Healthcare Content Strategist MedMinutes, berdasarkan data riset terpublikasi dan pengalaman pendampingan 50+ rumah sakit di Indonesia.