SISTEM PENDUKUNG KEPUTUSAN SERVICE LEVEL AGREEMENT (SLA) KLAIN ASURANSI KESEHATAN DENGAN METODE REGRESI LINEAR DAN METODE KMEANS

SISTEM PENDUKUNG KEPUTUSAN SERVICE LEVEL AGREEMENT (SLA)
KLAIN ASURANSI KESEHATAN DENGAN METODE REGRESI LINEAR
DAN METODE K-MEANS
Fahrul Nurzaman1), Agus Herwanto2)
1,2) Jurusan Teknik Informatika Fakultas Teknik UPI YAI
E-mail: fnurzaman@gmail.com , aerwanto@gmail.com

Abstrak
Service Level Agreement (SLA) atau Perjanjian Tingkat Layanan merupakan
hal yang sangat penting untuk diperhatikan dalam meningkatkan kualitas
pelayanan pada Asuransi Kesehatan. Salah satu kualitas pelayanan adalah
penyelesaian klaim yang sesuai dengan Service Level Agreement (SLA).
Penyelesaian klaim yang sesuai dengan Service Level Agreement (SLA)
memberikan jaminan terhadap kepuasan Pelanggan, sehingga mempengaruhi
tingkat kepercayaan Pelanggan terhadap Perusahaan. Untuk meningkatkan
daya saing bisnis perlu dilakukan peningkatan pelayanan dengan cara
memperbaiki Service Level (SLA), sehingga diperlukan penggalian data agar
perbaikan Service Level Agreement (SLA) menghasilkan keputusan yang
tepat. Penggalian data terdiri dari menganalisa hubungan Service Level
Agreement (SLA) klaim dengan faktor pengaruh penyelesaikan klaim dan
membuat gambaran pengelompokan data berdasarkan kategori tingkat

performansi Service Level Agreement (SLA). Hal ini bertujuan membantu dan
memudahkan para pengambil keputusan dalam menentukan Service Level
Agreement (SLA) yang tepat. Penelitian ini bertujuan memberikan solusi
kepada Perusahaan Asuransi Kesehatan dengan membangun
Sistem
Pendukung Keputusan berbasis Web dimana Sistem akan menyajikan
informasi berupa data dan grafik keterhubungan faktor-faktor yang
mempengaruhi kinerja dan performansi penyelesaian terhadap Service Level
Agreement (SLA) klaim serta gambaran pengelompokan data berdasarkan
kategori tingkat performansi Service Level Agreement (SLA). Metode yang
digunakan adalah Metode Regresi Linear untuk melihat keterhubungan
faktor-faktor yang mempengaruhi kinerja dan performansi penyelesaian
klaim terhadap Service Level Agreement (SLA) klaim, dan Metode K-Means
untuk membuat gambaran pengelompokan data.
Kata kunci:

Service Level Agreement (SLA), Sistem Pendukung Keputusan, Metode
Regresi Linear, Metode K-Means

Pendahuluan

Service Level Agreement (SLA) atau Perjanjian Tingkat Layanan merupakan hal yang
sangat penting untuk diperhatikan dalam meningkatkan kualitas pelayanan pada
Asuransi Kesehatan. Salah satu kualitas pelayanan adalah penyelesaian klaim yang
sesuai dengan Service Level Agreement (SLA). Penyelesaian klaim yang sesuai dengan
Service Level Agreement (SLA) memberikan jaminan terhadap kepuasan Pelanggan,
sehingga mempengaruhi tingkat kepercayaan Pelanggan terhadap Perusahaan. Dengan
tingginya persaingan dalam bisnis bidang Asuransi Kesehatan sangat penting untuk
memperhatikan Service Level Agreement (SLA), sehingga Perusahaan berinisiatif untuk
meningkatkan Service Level Agreement (SLA) tersebut dengan memperkecil Service
Level Agreement (SLA) yang sebelumnya. Pada umumnya klaim terdiri dari dua jenis
77

klaim dengan pembayaran Cashless dan dengan pembayaran Reimburse. Jenis
Pembayaran Cashless adalah Pembayaran ditanggung terlebih dahulu oleh penyedia
pelayanan kesehatan, sedangkan Jenis pembayaran Reimburse ditanggung terlebih
dahulu oleh Pasien atau Peserta Asuransi Kesehatan. Service Level Agreement (SLA)
terbagi menjadi dua yaitu penyelesaian Klaim Cashless dengan 14 hari kerja, dan
penyelesaian klaim Reimburse dengan 7 hari kerja. Agar mendapatkan keputusan yang
tepat dalam menentukan berapa hari kah Service Level Agreement (SLA), diperlukan
penggalian data yang terdiri dari menganalisa hubungan Service Level Agreement (SLA)

klaim dengan faktor pengaruh penyelesaikan klaim dan membuat gambaran
pengelompokan data berdasarkan kategori tingkat performansi Service Level Agreement
(SLA). Faktor-faktor tersebut di atas dapat terdiri dari jumlah petugas verifikator, jenis
layanan dan kompleksitas klaim yang terdiri dari jumlah item benefit, jumlah berkas
dokumen, besaran nilai klaim, serta faktor luar seperti pengembalian atau penyerahan
kelengkapan dokumen dari Rumah Sakit atau Pasien yang berobat. Pengelompokan data
dapat dibuat berdasarkan kategori tingkat performansi Service Level Agreement (SLA)
dibandingkan dengan jenis pembayaran klaim atau jenis layanan. Hal ini bertujuan
membantu dan memudahkan para pengambil keputusan dalam menentukan Service
Level Agreement (SLA) yang tepat. Penelitian ini bertujuan memberikan solusi kepada
Perusahaan Asuransi Kesehatan dengan membangun Sistem Pendukung Keputusan
berbasis Web dimana Sistem akan menyajikan informasi berupa data dan grafik
keterhubungan faktor-faktor yang mempengaruhi kinerja dan performansi penyelesaian
terhadap Service Level Agreement (SLA) klaim serta gambaran pengelompokan data
berdasarkan kategori tingkat performansi Service Level Agreement (SLA). Metode yang
digunakan adalah Metode Regresi Linear untuk melihat keterhubungan faktor-faktor
yang mempengaruhi kinerja dan performansi penyelesaian klaim terhadap Service Level
Agreement (SLA) klaim, dan Metode K-Means untuk membuat gambaran
pengelompokan data.
Studi Pustaka

Menurut Turban (2004), definisi awal Decision Support System menunjukan bahwa
Decision Support System sebagai sebuah sistem yang dimaksudkan untuk mendukung
para pengambil keputusan manajerial dalam situasi keputusan semiterstruktur. Decision
Support System adalah sistem informasi yang membantu untuk mengidentifikasikan
kesempatan pengambilan keputusan atau penyediaan informasi untuk mambantu
pengambilan keputusan. Menurut Santosa (2007) Data mining atau juga disebut sebagai
Knowledge Discovery In Database (KDD adalah kegiatan yang meliputi pengumpulan,
pemakaian data, histori untuk menemukan keteraturan, pola atau hubungan dalam set
data berukuran besar. Menurut Ritonga dan Setiawan (Ferdiansyah, 2011) , analisis
regresi merupakan teknik statistik untuk mengivestigasi dan menyusun model mengenai
hubungan antar variabel. Algoritma Regresi Linear Sederhana Dalam Regresi Linear, data
dimodelkan dalam bentuk grafik berbentuk garis continues dua dimensi. Oleh karena
penggambaran data menggunakan dua dimensi, maka dibutuhkan variabel X dan Y.
Dalam regresi linear, variabel Y disebut sebagai response variable sedangkan variabel X
disebut sebagai predictor variable. Kedua variabel diformulasikan secara statistik dengan
rumus sebagai berikut :
Y    X ………………….. (1)
Nilai Y pada rumusan di atas dianggap sebagai nilai konstan, sedangkan nilai  dan
adalah nilai regression coefficient yang mempengaruhi penggambaran data dalam bentuk
grafik dua dimensi. Nilai dan dapat dicari menggunakan metode least square yang

berfungsi untuk meminimalkan nilai error antara data sebenarnya dan data hasil prediksi.
78

Diberikan nilai sampel data S dengan titik-titik (Xt , Yt), (X2, Y2), ... (X3, Y3), maka
regression coefficient dapat dicari menggunakan rumus sebagai berikut:
adalah rata-rata dari x1, x2, .... xs dan adalah rata-rata dari y1, y2, .... ys.
Dimana
Salah satu kemampuan yang dimiliki oleh data mining adalah kemampuannya untuk
melakukan proses pengklusteran pada suatu data. Analisis cluster merupakan salah satu
teknik data mining yang bertujuan untuk mengidentifikasi sekelompok obyek yang
mempunyai kemiripan karakteristik tertentu yang dapat dipisahkan dengan kelompok
obyek lainnya, sehingga obyek yang berada dalam kelompok yang sama relatif lebih
homogen daripada obyek yang berada pada kelompok yang berbeda.. Salah satu metode
clustering yang paling dasar, yaitu K-means Clustering. Means berarti nilai rata-rata dari
suatu grup data (cluster). K-Means adalah suatu metode penganalisaan data. Metode kmeans berusaha mengelompokkan data yang ada ke dalam beberapa kelompok, dimana
data dalam satu kelompok mempunyai karakteristik yang sama satu sama lainnya dan
mempunyai karakteristik yang berbeda dengan data yang ada di dalam kelompok yang
lain. Dengan kata lain, metode ini berusaha untuk meminimalkan variasi antar data yang
ada di dalam suatu cluster dan memaksimalkan variasi dengan data yang ada di cluster
lainnya. Algoritma K-Means merupakan algoritma pengelompokan iteratif yang

melakukan partisi set data ke dalam sejumlah K cluster yang sudah ditetapkan di awal.
K-Means dapat diterapkan pada data yang direpresentasikan dalam r-dimensi ruang
tempat. Kmeans mengelompokan set data r-dimensi, X= {xi|i=1,...,N}. Secara umum
algoritma K-Means memiliki langkah-langkah dalam pengelompokan, diantaranya
Langkah pertama
menentukan nilai K centroid yang diinginkan dan metrik
ketidakmiripan (jarak) yang diinginkan,. Langkah kedua memilih K data dari set X
sebagai centroid. Untuk menentukan centroid dapat menggunakan persamaan :
(Jumlah data)/(Jumlah Class+1) ……………………………. (4)
Langkah ketiga mengalokasikan semua data ke centroid terdekat dengan metrik jarak
yang telah ditetapkan. Langkah keempat menghitung kembali centroid C berdasarkan
data yang mengikuti cluster masing – masing. Langkah kelima m`engulangi langkah ke-3
dan ke-4 hingga kondisi konvergen tercapai.
Berikut ini adalah rumus untuk
menentukan jumlah cluster:
……………………….. (5)
dimana : K = klaster , N = jumlah data
Menghitung jarak pada ruang jarak Euclidean menggunakan formula:
……… (6)
Dimana : D = euclidean distance , x = banyaknya objek Ʃp = jumlah data record

Metodologi Penelitian
Secara garis besar penelitian ini dibagi dalam tiga tahapan, yaitu pengumpulan data pra
pengembangan, pengembangan serta implementasi, dan pengumpulan data pasca
pengembangan. Pengumpulan data pra pengembangan dimaksudkan untuk
mendapatkan bekal studi pendahuluan tentang inti masalah yang sedang dihadapi,
79

sedangkan tahap pengembangan dan implementasi berfokus merancang sistem
pendukung keputusan dalam bentuk model diagram, pembuatan proses penggalian data
dengan mendapatkan pola informasi dan pengetahuan dengan menggunakan metode
Regresi dan Metode K-Means, dan membuat kode pemrograman untuk
mengimplementasikan perancangan yang telah dibuat. Sedangkan tahapan pengumpulan
data pasca pengembangan adalah untuk pembenahan Sistem Pendukung Keputusan
yang dibuat, penarikan kesimpulan, dan saran untuk topik penelitian selanjutnya.
Tahapan Penelitian meliputi Identifikasi Masalah mengenai bagaimana memberikan
kemudahan dalam mengambil keputusan berkenaan dengan SLA penyelesaian klaim,
Pengumpulan Data berkenaan dengan SLA penyelesaian klaim, Membuat kode SQL
untuk mengambil data dari sistem sumber data, Menganalisa Permasalahan, Penggalian
Data dan Pembentukan Pola penyajian informasi dan knowledge, Implementasi dan

Pengembangan Sistem Pengambil Keputusan , Ujicoba dan Evaluasi Sistem, Pengambilan
Kesimpulan dan Saran dari Hasil Penelitian.
Hasil dan Pembahasan
Analisis Kebutuhan Data
Data yang dibutuhkan sebagai masukkan dalan proses perhitungan adalah tahun dan
bulan pengerjaan klaim, petugas verifikasi klaim, jenis manfaat klaim, jenis layanan,
nomor klam , jumlah item tindakan, besar nilai klaim dan jumlah SLA berdasarkan hari
kerja. Sumber data berasal dari Basis Data Transaksional atau Basis Data Operasional
yang akan dimasukkan ke dalam Sistem Datawarehouse atau Basis Data Staging.
Analisis Sistem Arsitektur Basis Data
Sumber Data yang digunakan untuk proses data mining dan proses perhitungan data
adalah Sistem Datawarehouse atau Basis Data Staging. Data di Basis data transaksional
atau Basis Data operasional secara otomatis diambil sesuai dengan data yang dibutuhkan
menggunakan implementasi kode query dimasukkan ke dalam Sistem Datawarehouse
atau Basis Data Staging.

Gambar 1 Arsitektur Basis Data
Analisis Skema Basis Data Transaksional
Data yang dibutuhkan untuk menjadi data masukkan proses data mining dan proses
perhitungan berasal dari database transaksional yang melibatkan banyak tabel. Tabeltabel itu diantaranya Tabel master petugas verifikator, Tabel master jenis manfat klaim,

Tabel transaksi klaim dan Tabel master tindakan . Berikut di bawah ini adalah Skema
Basis Data Transaksional untuk Operasional Klaim :

80

Gambar 2 Skema Basis Data Transaksional
Hasil Perhitungan Metode Regresi Linear
Proses Perhitungan data dimulai dari pengambilan data dari tabel klaim yang terdapat
pada Sistem Datawarehouse atau Basis Data Staging. Data tabel klaim didapat dari
proses insert data klaim dari Basis data transaksional ke dalam Sistem Datawarehouse
atau Basis Data Staging. Dari Tabel data klaim di Basis Data staging, dilakukan proses
perhitungan jumlah petugas verifikator, jumlah kasus berdasarkan nilai klaim dengan
melihat nilai klaim sampai dengan 25.000.000 , jumlah kasus berdasarkan kompleksitas
klaim dengan melihat jumlah item benefit sampai dengan 3 item serta jumlah kasus yang
SLA nya terpenuhi sampai dengan 7 Hari Kerja.
Variabel yang terbentuk adalah
Variabel Predictor Terdiri dari tiga variabel diantara nya adalah Jumlah Verifikator (X1) ,
jumlah kasus klaim berdasarkan kategori (X2 ), jumlah kasus klaim berdasarkan
kompleksitas (X3 ) . Sedangkan Variabel Response adalah jumlah kasus klaim yang
terpenuhi SLA nya (Y1 ).

Dari hasil prorses perhitungan Persamaan Regresi Linear yang dihasilkan adalah Y =
158.20 + 14.23 X1 - 3.54 X2 + 3.81 X3 . Sedangkan Hasil Pengujian Hipotesis Untuk
probabilitas menggunakan nilai 0.05. Nilai F tabel didapat dari Tabel Distribusi F dimana
Dk pembilang = k dan Dk penyebut = n – k -1 , untuk k adalah jumlah variable predictor
dan n adalah jumlah data yang diteliti. Maka nilai yang didapat adalah : F tabel = F tabel
(0.05, 3 , 3.2 ) = 2.9 . Dalam Menentukan formulasi hipotesis Berdasarkan hasil
perhitungan maka didapat nilai sebagai berikut : H1: B1 : 14.23 B2 : - 3.54 B3 : 3.81 ≠ 0 F
hitung (6.12) > F tabel (2.9) = H0 ditolak, H1 diterima.
Hasil Perhitungan Metode K-Means
Proses Perhitungan data dimulai dari pengambilan data dari tabel klaim yang terdapat
pada Sistem Datawarehouse atau Basis Data Staging. Data tabel klaim didapat dari
proses insert data klaim dari Basis data transaksional ke dalam Sistem Datawarehouse
atau Basis Data Staging. Dari Tabel data klaim di Basis Data staging, dilakukan proses
perhitungan untuk mengelompokan jumlah klaim yang terpenuhi SLA nya dari total
klaim yang diselesaikan pada tiap bulannya untuk periode 3 tahun kebelakang yaitu dari
tahun 2014, 2015 dan 2016. Hasil perhitungan centorid yang dibangkitkan dinyatakan
sudah konvergen adalah pada iterasi ke-6. Berikut di bawah ini adalah hasil perhitungan
iterasi ke-6 dan centorid yang sudah konvergen :

81

Tabel 1. Perhitungan Distance Space Iterasi ke-6
Iterasi 6
tahun bulan total_sla total_klaim
cluster1
cluster2
cluster3 CLUSTER
481 1,130 163 378 398 491
2014
1
84
190
1,020
203
435
2
2014
2
98
533
709
168
303
2
2014
3
88
619
644
253
336
2
2014
4
156
750
500
373
354
1
2014
5
112
654
602
281
329
1
2014
6
55
786
547
422
452
1
2014
7
5
1,514
612
1,147
1,096
1
2014
8
4
1,083
479
723
711
1
2014
9
500
1,046
86
749
564
1
2014
10
491
1,133
11
824
648
1
2014
11
618
1,071
149
830
620
1
2014
12
973
1,138
492
1,111
865
1
2015
1
775
923
360
820
573
1
2015
2
610
679
469
540
283
3
2015
3
407
438
696
252
54
3
2015
4
427
481
651
284
31
3
2015
5
317
415
733
159
111
2
2015
6
122
182
1,013
200
415
2
2015
7
153
173
1,011
205
402
2
2015
8
147
239
951
139
356
2
2015
9
141
330
869
52
304
2
2015
10
179
352
834
30
260
2
2015
11
162
295
894
83
307
2
2015
12
135
363
841
31
293
2
2016
1
253
390
774
91
177
2
2016
2
435
494
637
296
37
3
2016
3
392
456
680
243
36
3
2016
4
506
547
583
383
121
3
2016
5
432
482
650
289
35
3
2016
6
372
452
686
222
47
3
2016
7
364
375
764
202
121
3
2016
8
398
407
727
237
84
3
2016
9
307
344
805
148
173
2
2016
10
309
314
834
160
198
2
2016
11
255
276
883
137
259
2
2016
12
361
410
730
201
89
3

82

cluster
1
2
3

Tabel 2 Titik Pusat Cluster Hasil Iterasi ke-6
centorid (x1)
centroid(x2)
keterangan
rata-rata data Cluster 1 Iterasi Ke481
1,130
6
rata-rata data Cluster 2 Iterasi Ke163
378
6
rata-rata data Cluster 3 Iterasi Ke398
491
6

Hasil Implementasi Aplikasi Sistem
Hasil implementasi Aplikasi sistem yang dibangun dapat ditampilkan seperti di bawah
ini :

Gambar 3 Tampilan Hasil Aplikasi
Kesimpulan
Dari hasil dan pembahasan penelitian dapat disimpulkan sebagai berikut :
a) Penyelesaian klaim yang sesuai dengan Service Level Agreement (SLA) dipengaruhi
oleh ke-3 faktor yaitu diantaranya jumlah verifikator, jumlah item benefit , besar nilai
klaim dimana ke-3 faktor tersebut menjadi variabel prediktor dan variable response
nya adalah jumlah kasus yang diselesaikan sesuai dengan Service Level Agreement
(SLA) nya.
b) Persamaan Regresi Linear nya adalah Y = 158.20 + 14.23 X1 - 3.54 X2 + 3.81 X3 ,
sehingga faktor yang paling besar mempengaruhi adalah jumlah petugas verifikator.
c) Nilai F hitung (6.12) > F tabel (2.9) = H0 ditolak, H1 Diterima dapat disimpulkan
bahwa Jumlah verifikaor, kompleksitias klaim yang terdiri jumlah item benefit dan
besarnya nilai klaim berpengaruh signifikan terhadap jumlah kasus klaim yang
diselesaikan sesuai dengan SLA.
83

d) Cluster dibagi menjadi tiga kelompok berdasarkan jumlah penyelesaian klaim
berdasarkan SLA Terpenuhi dan Total Jumlah Klaim yang diselesaikan.
e) Iterasi clustering pada data kinerja penyelesaian klaim sebanyak 6 kali iterasi, sampai
ditemukannya konvergensi pada titik pusat cluster.
f) Hasil dari pengelompokan dengan Metode K-Means memberikan informasi kinerjav
erifikator dalam menyelesaikan klaim berdasarkan SLA yang terpenuhi.
g) Hasil dari Aplikasi dapat menyajikan informasi dalam bentuk tabel dan grafik
sehingga dapat membantu dalam menganalisa dan membantu memberi keputusan
yang berkenaan dengan penyelesaian klaim.
Ucapan Terima kasih
Penelitian ini dibiayai oleh Kemenristek DIKTI Direktur Riset dan Pengabdian
Masyarakat.
Daftar pustaka
Andayani, Sri., 2007, Pembentukan Cluster dalam Knowledge Discovery in database dengan
Algoritma K-Means, Semnas Matematika dan Pendidikan Matematika.
Andry Syafrianto., 2012, Perancangan aAplikasi K-Means Untuk Pengelompokan Mahasiswa
Stmik Elrahma Yogyakarta Berdasarkan Frekuensi Kunjungan Ke Perpustakaan dan IPK,
Yogyakarta
Efraim, T., dkk, 2005, Decision Support Systems and Intelligent Systems, Edisi ke-7, Dwi
Prabantini, Andi, Yogyakarta.
Kusrini, 2007, Konsep dan Aplikasi Sistem Pendukung Keputusan Keputusan, Andi Offset,
Yogyakarta
Larose, Daniel T., 2005, Discovering Knowledge in Data: An Introduction to Data Mining,
John Willey & Sons, Inc
Mc Leoad, Raymond. ,1995, SIstem Informasi Manajemen, PT. Tema Baru, Klaten
Turban, Efraim., Aronso, Jay., Liang Peng Ting., 2005, Decision Support System and
Intelligence System (Versi Bahasa Indonesia), Edisi Ke-7. Yogyakarta : ANDI Offset Santosa,
Budi. 2007. Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta :
Graha Ilmu
Susanto, Sani, dan Suryadi, Dedy. ,2010, Pengantar Data Mining, Penerbit Andi,
Yogyakarta

84