Deteksi Anomali pada Dataset BPJS Tahun 2020

Dharmawan, Dewangga (2024) Deteksi Anomali pada Dataset BPJS Tahun 2020. Project Report. [s.n.], [s.l.]. (Unpublished)

Text 05111940000029-Project_Report.pdf - Accepted Version Download (1MB)

Abstract

BPJS Kesehatan adalah badan yang bertanggungjawab atas pemberian bantuan terhadap kesehatan penduduk Indonesia. Dalam BPJS, terdapat berbagai peserta yang menggunakan jasa BPJS untuk mengurangi beban biaya pembayaran rumah sakit. Beberapa pasien memiliki data yang berada di luar jangkauan biasanya. Sehingga, penelitian ini mengusulkan cara-cara untuk mencari anomali dalam dataset-dataset BPJS dengan menggunakan Boxplot modifikasi, DBSCAN, Isolation Forest, dan manual untuk menemukan anomali numerik dan kategorikal, univariat dan multivariat, dan multidimensional. Ditemukan maksimal 1.547 peserta yang memiliki ketidakcocokan informasi kategorikal, maksimal 26,85% kunjungan FKRTL memiliki nilai numerik diluar batas bawah atau atas, maksimal 61 data dimana kunjungan FKRTL yang seharusnya rawat jalan memiliki lama kunjung lebih dari satu hari, 0,07% dari dataset kunjungan FKRTL merupakan anomali numerik multivariat menurut Isolation Forest AND LOF, 1,79% dari data kunjungan FKRTL merupakan anomali multidimensional menurut model hybrid Isolation Forest OR LOF, 236 kunjungan FKTP non-kapitasi rawat jalan yang mana lama kunjungannya lebih dari satu hari, maksimal 12.89% data kunjungan FKTP non-kapitasi yang memiliki nilai numerik yang berada di luar batas bawah dan atas, 0,55 persen dari data FKTP non-kapitasi memiliki anomali numerik multivariat, dan 0,72 persen dari data FKTP non-kapitasi menurut DBSCAN atau Isolation Forest AND LOF merupakan data anomali multidimensional.
============================================================================================================================
Health BPJS is an agency that responsible for giving aids to the health of Indonesian population. In BPJS, there are several people that use BPJS services to reduce the hospital payment price. Few patients have data that is outside the range of common price. So, this research offers ways to find anomaly inside BPJS datasets using modified Boxplot, DBSCAN, Isolation Forest, and manual to find numeric and categorical anomalies, univariate and multivariate anomalies, and multidimensional anomalies. There are 1.547 people at maximum that has unmatching categorical information, 26,58% FKRTL visits at maximum that has numerical values outside of lower and upper values, 61 FKRTL ambulatory care visits at maximum has hospital visits that is longer than one day, 0,07% FKRTL visits are multivariate numerical anomalies according Isolation Forest AND LOF, 1,79% FKRTL visits are multidimensional anomalies according Isolation Forest OR LOF, 236 non-capitation FKTP ambulatory care visits has hospital visits that is longer than one day, 12,89% non-capitation FKTP visits at maximum has numerical values that are outside lower and upper limits, 0,55% non-capitation FKTP is multivariate numeric anomalies, and 0,72% non-capitation FKTP is multidimensional anomalies according Isolation Forest AND LOF.

Item Type:	Monograph (Project Report)
Uncontrolled Keywords:	BPJS, Deteksi Anomali, Machine Learning, Analisis Data, Anomali BPJS, Anomaly Detection, Machine Learning, Data Analysis, Anomalies
Subjects:	T Technology > T Technology (General) > T174 Technological forecasting T Technology > T Technology (General) > T174.5 Technology--Risk assessment. T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Dewangga Dharmawan
Date Deposited:	13 Feb 2024 02:15
Last Modified:	13 Feb 2024 02:15
URI:	http://repository.its.ac.id/id/eprint/106954

Actions (login required)

View Item