Law Enforcement Against Medical Personnel as Perpetrators of Fraud in the National Health Insurance Program
Notice bibliographique
Résumé
JKN is program issued by the government aimed providing certainty in providing comprehensive health services for all Indonesian citizens. However, since JKN was first implemented until now, many challenges have been experienced, one of which is the large number of fraudulent acts in its implementation dominated by JKN participants themselves. Therefore, this research aims to find out. what prevention efforts have been carried out, the application of current sanctions, and how to update the application of sanctions for JKN participants who commit fraud in the implementation of JKN in Indonesia. This research is normative legal research referring to legal sources, especially statutory regulations relating to acts of fraud in healthservice programs. Legal sources in this writing consist of primary legal materials and secondary legal materials. The data collection technique used is library research. The data analysis techniques carried out in this research will go through a qualitative processing and analysis stage. The results of this research show that prevention efforts that have been carriedout by the government include reporting suspected fraud to the Fraud Prevention and Handling Team, maintaining the confidentiality of residence identity and JKN KIS cards so that they are not misused, and complying with all existing regulations, then implementing sanctions against Currently, acts of fraud only take the form of administrative sanctions,therefore the effort to reform the application of sanctions is to include the concept of criminalization in the form of imprisonment in order to catch fraudsters in the implementation of JKN in Indonesia.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».