MODEL RETRIEVAL BERBASIS NATURAL LANGUAGE PROCESSING UNTUK REKOMENDASI OTOMATIS ICD-10 DAN ICD-9 PADA SISTEM KLAIM RUMAH SAKIT

Abstract

Sejak penerapan Jaminan Kesehatan Nasional, pengkodean diagnosis dan prosedur menjadi komponen penting dalam penentuan tarif INA-CBG pada proses klaim rumah sakit. Namun praktik pengkodean manual sering menimbulkan jeda waktu, ketidakkonsistenan antarpetugas, serta potensi keterlambatan pengajuan klaim ke BPJS Kesehatan. Penelitian ini bertujuan mengembangkan model ringan berbasis Natural Language Processing (NLP) untuk menghasilkan rekomendasi otomatis kode ICD-10 dan ICD-9 dari teks diagnosis dokter dengan kebutuhan komputasi minimal. Metode yang digunakan meliputi normalisasi teks medis, pembentukan sentence embeddings menggunakan model Sentence Transformer, serta perhitungan kemiripan berbasis cosine similarity dalam skema retrieval multi-label. Dataset berasal dari hasil kodifikasi Rumah Sakit Khusus Ibu dan Anak Harapan Bunda Bandung periode Oktober 2024 hingga November 2025, dengan evaluasi dilakukan menggunakan pendekatan temporal hold-out pada data Desember 2025 dan Januari 2026. Hasil evaluasi menunjukkan performa stabil dengan nilai Hit-3 sebesar 80,7% pada Desember 2025 dan 77,5% pada Januari 2026. Nilai Recall-3 sebesar 70% pada Desember 2025 dan 68% pada Januari 2026, sementara Mean Reciprocal Rank (MRR) berada di atas 0,4, menunjukkan bahwa kode relevan umumnya muncul pada peringkat awal rekomendasi, analisis per unit layanan menunjukkan bahwa performa model lebih optimal pada kasus rawat inap dibandingkan rawat jalan, mengindikasikan bahwa karakteristik teks diagnosis dan kompleksitas kasus pada rawat inap lebih sesuai dengan pendekatan semantic retrieval yang digunakan. Temuan ini mengindikasikan bahwa pendekatan retrieval berbasis NLP mampu memberikan rekomendasi kode ICD secara cepat dan konsisten, serta berpotensi mendukung percepatan proses pengkodean dan meminimalkan risiko keterlambatan klaim layanan Kesehatan