Ditemukan 26117 dokumen yang sesuai dengan query :: Simpan CSV
Perancangan prototipe sistem informasi evaluasi dampak hasil penelitian dan pengembangan kesehatan melalui pendekatan bibliometrika di Badan Litbang Kesehatan Jakarta.Penelitian dan pengembangan kesehatan (litbangkes) diarahkan untuk menghasilkan pengetahuan dan teknologi kesehatan tepat guna yang diperlukan dalam rangka meningkatkan derajat kesehatan. Jumlah penelitian dan pengembangan yang dilakukan Badan Litbangkes cenderung meningkat setiap tahunnya. Pertanyaan yang mungkin muncul adalah bagaimana pengaruh dari penelitian Badan Litbangkes bagi kemajuan bidang penelitian? Dalam melakukan penelitian terhadap pengaruh penelitian diperlukan suatu indikator penetitian yang jelas yang dapat menunjukkan dampak (impact) suatu penelitian. Salah satu cara yang dapat memberikan gambaran atas pengaruh penelitian adalah dengan penentuan indeks sitasi dan faktor dampak dan jurnal yang dihasilkan. Selama ini laporan analisis data hasil penelitian yang telah dikumpulkan belum ada. Koleksi data publikasi dan sitasi artikel ilmiah belum pernah dicoba untuk dianalisis, hal ini disebabkan belum dikenali keperluan dan pemanfaatannya.Kinerja penelitian Badan Litbangkes baru diukur berdasar atas jumlah peneliti dan sumber daya penelitian lainnya ataupun sekedar jumlah artikel yang mampu dipublikasikan setiap tahunnya, belum melihat seberapa besar dampak luaran penelitian yang telah dihasilkan. Berdasarkan hal tersebut di atas perlu dilakukan pendekatan bibliometrik yang merupakan pendekatan kuantitatif untuk menganalisis literatur hasil penelitian dan mengembangkan sistem informasi untuk mengolah literatur tersebut sehingga mampu menghasilkan informasi yang dapat membantu mengevaluasi hasil penelitian Badan Litbangkes.Proses pelaksanaan pengemhangan sistem informasi dilaksanakan hanya sampai pada tahap uji coba prototipe di laboratorium karena keterbatasan dana dan waktu pelaksanaan. Metodologi yang digunakan adalah metode inkremental, yang menggabungkan elemen dalam metode urutan linear System Development Life Cyclc (SDLC) dengan filosofi iteratif dari metoda prototipe. Pengumpulan data dan informasi dilakukan melalui wawancara mendalam, observasi dan telaah dokumen. Unit kerja yang menjadi obyek penelitian adalah Badan Penelitian dan Pengembangan Kesehatan, Depkes RI, Jakarta. Permasalahan yang ditemukan adalah permasalahan Sistem Inforrnasi Evaluasi Dampak Hasil Litbangkes terkait dengan prosedur, basis data, sarana dan Prasarana. Penelitian ini menghasilkan prototipe Sistem Infonnasi Evaluasi Dampak Hasil Penelitian dan Pengembangan Kesehatan melalui Pendekatan Bibliometrika yang memerlukan kelanjutan komitmen yang kuat dari para pengambil keputusan dan seluruh staf Badan Penelitian dan Pengembangan Kesehatan, untuk diterapkan dan terus diberi masukan perbaikan.
Health research and development (HRD) trend aim towards generate knowlegde and expeditious health technology needed to improve health quality. The number of research and development done by National Institute of Health Research and Development (NIHRD) increases every year. Possible question rise is what is the effect of NIHRD research to the improvement field of research? To estimate the research effect, a clear indicator is needed to show the impact of a research. One way to give a description of the effect is with determine citation index and impact factor from published science journal. All these years data analysis result has not been collected. Data collection on publicity and article citation never been analyze because the necessity and benefit was unrecognized. So far NIHRD appraisal based on the number of researcher and Qther sources, not based on how big the impact of those research. Based on all the above, HRD need to do bibliometrics approach that constitute quantitative approach to' analyze research literature and developing information system to prepare the literature so it can give information that help to evaluate NIHRD research result The process of developing infonnation system merely within prototype testing in laboratory due to the lack of funding and time limit oflhis research. Methodology for this research is incremental method which integrate elements in System Development Life Cycle (SDLC) with iteratif philosophy from prototype method. Data and information incorporated by depth interview, observation dan literature study. Research object is NIHRD, Jakarta. The discovered problems are information system of evaluation on HRD result impact related with procedure, data base, and infrastructure. This research produced design of Information system prototype on HRD Result Impact Evaluation through Bibliometrics Approach which need a commitment from policy maker dan all the staff on NIHRD to apply and give continue improvement. File Digital: 1
Latar Belakang: Fraud dalam klaim Jaminan Kesehatan Nasional (JKN), khususnya dalam bentuk upcoding diagnosis penyakit kardiovaskular, merupakan tantangan serius yang dapat mengancam keberlanjutan sistem jaminan kesehatan di Indonesia. Penyakit kardiovaskular, sebagai penyebab beban biaya tertinggi dalam layanan rawat inap, rentan terhadap praktik kecurangan yang sulit dideteksi melalui metode konvensional. Oleh karena itu, diperlukan pendekatan berbasis data dan teknologi untuk mendeteksi potensi fraud secara lebih efisien. Metode: Penelitian ini menggunakan pendekatan kuantitatif eksploratif dengan metode supervised machine learning. Data klaim rawat inap penyakit kardiovaskular tahun 2022–2024 dianalisis berdasarkan beberapa variabel yaitu lama hari rawat, lama rawat di ICU, waktu penggunaan ventilator, jumlah diagnosis sekunder, jumlah prosedur, dan biaya RS. Proses mencakup cleansing, encoding, pseudo-labeling, feature selection, serta pelatihan model menggunakan beberapa algoritma supervised, seperti Random Forest, Tree, Gradient Boosting, Neural Network, Naïve Bayes, Logistic Regression, Support Vector Machine (SVM), dan kNN. Evaluasi kinerja model dilakukan dengan menggunakan metrik akurasi, precision, recall, F1-score, dan AUC. Hasil: Hasil penelitian menunjukkan bahwa algoritma Random Forest menghasilkan performa terbaik dalam mendeteksi potensi fraud pada sebagian besar kategori diagnosis dan kelas rumah sakit. Nilai akurasi dan AUC yang dihasilkan berada dalam kategori baik hingga sangat baik. Selain itu, analisis pola klaim menunjukkan adanya perbedaan distribusi biaya dan indikator klinis antara klaim normal dan klaim yang terindikasi anomali, mendukung keberadaan pola upcoding Kesimpulan: Model machine learning, khususnya Random Forest, terbukti efektif dalam mendeteksi potensi fraud upcoding diagnosis penyakit kardiovaskular pada klaim JKN. Penerapan sistem berbasis algoritma ini berpotensi menjadi alat bantu auditor dalam pengawasan klaim yang lebih akurat dan efisien. Hasil penelitian ini memberikan dasar bagi pengembangan sistem deteksi fraud terintegrasi di masa depan guna meningkatkan akuntabilitas dan efisiensi pembiayaan kesehatan.
Background: Fraud in the National Health Insurance (JKN) claims, particularly in the form of upcoding for cardiovascular disease diagnoses, poses a serious threat to the sustainability of Indonesia’s health financing system. As the leading contributor to inpatient service expenditures, cardiovascular disease claims are highly susceptible to fraudulent practices that are difficult to detect using conventional methods. Therefore, a data-driven and technology-based approach is essential for more efficient fraud detection. Methods: This study employed a quantitative exploratory approach using supervised machine learning methods. The dataset consisted of inpatient cardiovascular disease claims from 2022 to 2024. The analysis involved data cleansing, encoding, pseudo-labeling, feature selection, and model training using several classification algorithms such as Random Forest, XGBoost, and Logistic Regression. Model performance was evaluated using metrics including accuracy, precision, recall, F1-score, and AUC. Results: The results demonstrated that the Random Forest algorithm achieved the highest performance in detecting potential fraud across most diagnosis categories and hospital classes. The accuracy and AUC values indicated good to excellent classification performance. Furthermore, the claim pattern analysis revealed distinct differences in cost and clinical indicators between normal and anomaly-labeled claims, supporting the presence of potential upcoding. Conclusion: Machine learning models, particularly Random Forest, proved to be effective in detecting potential upcoding fraud in cardiovascular disease claims within the JKN program. The implementation of algorithm-based fraud detection systems can serve as a decision-support tool for auditors, enabling more accurate and efficient claim monitoring. This study provides a foundation for the future development of integrated fraud detection systems to enhance accountability and efficiency in national health financing.