NalarAI

NALAR

Menghitung berapa rupiah dari sebuah tagihan klaim JKN yang tidak didukung oleh buktinya sendiri, tanpa satu pun contoh kecurangan berlabel.

Untuk Healthkathon BPJS Kesehatan 2026, kategori Efisiensi Risiko pada Fasilitas Kesehatan.

• Peragaan: https://nalar-six.vercel.app
• Kode: https://github.com/NalarAI/nalar-core
• Antarmuka: https://github.com/NalarAI/nalar-web

Apa yang dikerjakan model ini

Penebak normatif berbasis pohon berpenguat mempelajari berapa tarif yang wajar bagi bukti yang menyertai sebuah klaim, yaitu diagnosis utama, prosedur, obat, hasil laboratorium, bahan habis pakai, lama rawat, dan sifat fasilitasnya. Selisih antara yang ditagihkan dan yang didukung bukti menjadi angka rupiah.

Diagnosis sekunder sengaja tidak diberikan kepada penebak. Modus upcoding bekerja dengan menambahnya, jadi memberikannya kepada penebak sama saja membocorkan jawabannya.

Tidak ada satu pun label kecurangan yang dipakai saat melatih. Label seperti itu memang tidak tersedia di dunia nyata, dan menunggunya berarti tidak pernah mulai.

Isi repositori ini

Memakainya

import pickle
from nalar.detektor import Detektor   # pip install git+https://github.com/NalarAI/nalar-core

with open("detektor.pkl", "rb") as f:
    det = pickle.load(f)

hasil = det.skor(daftar_klaim)        # selisih rupiah per klaim
tanda = det.tandai(daftar_klaim)      # penandaan dengan jaminan konformal
jelas = det.jelaskan(daftar_klaim, 0) # bukti yang bila ada menggugurkannya

Bentuk satu klaim mengikuti keluaran nalar.generator.Pembangkit, dan skemanya ada di nalar/schema.py.

Hasil

Tujuh target ditulis sebelum satu pun percobaan dijalankan. Empat tercapai, tiga gagal. Ketiganya ditulis di bawah.

Angka operasional: rasio pengembalian audit 2,32 banding 1 pada biaya pemeriksaan Rp 750.000 per berkas, dan presisi profil fasilitas 1,000 pada dua puluh lima teratas.

Batasan yang harus ikut dibaca

Angka rupiah jangan dikutip sendirian. Rupiah yang ditemukan bergeser sekitar empat puluh persen antar benih acak, rentangnya 841 sampai 2.304 juta. Ukuran mutu yang dipakai adalah porsi batas atas, yang hanya bergeser sepuluh persen.

Pelaku yang beradaptasi belum terjawab. Fasilitas yang mau membayar ongkos mencoba coba sampai tahu di mana garisnya masih bisa mengambil uang tanpa satu klaim pun ditandai. Lebih buruk lagi, pelaku yang menyebar serangannya meloloskan lebih banyak uang daripada pelaku yang serakah.

Data latihnya buatan. Uji latih di sintetis lalu uji pada klaim Medicare gagal terhadap ambang yang kami tetapkan sendiri sebelum melihat data. Strukturnya berpindah, Spearman 0,270 melawan 0,000 tebakan, tapi hanya separuh dari 0,540 yang didapat model yang belajar dari klaim betulan.

Tarif resmi wajib terbaca. Kalau berkas tarif tidak ditemukan, seluruh alur jatuh ke tarif tebakan tanpa pesan galat, dan ketimpangan antar kelas fasilitas naik dari 1,737 ke 3,539.

Data

Seluruh pelatihan dan evaluasi memakai data buatan dari pembangkit yang ditulis sendiri, dikalibrasi ke angka terbitan BPJS Kesehatan dan Dewan Jaminan Sosial Nasional. Tidak ada satu pun klaim peserta JKN yang sungguhan dipakai, sesuai ketentuan lomba dan sesuai akal sehat.

Tarif berasal dari Permenkes 3 Tahun 2023 yang terbit terbuka.

Lisensi

Apache 2.0.