Dalam dunia perawatan kesehatan yang semakin kompetitif, memahami perkembangan penyakit pasien sangat penting, terutama untuk penyakit kronis seperti Gagal Jantung Kongestif (CHF). CHF memiliki dampak medis dan ekonomi yang signifikan karena membutuhkan perawatan jangka panjang dengan biaya tinggi. Penelitian ini bertujuan untuk menganalisis perjalanan penyakit pasien CHF untuk mengidentifikasi pola klinis dan operasional yang dapat mendukung peningkatan efisiensi perawatan kesehatan. Metode process mining digunakan untuk mengeksplorasi pola perjalanan penyakit berdasarkan data sampel dari BPJS Kesehatan. Tahapan penelitian meliputi data preprocessing, process discovery, conformance checking, dan evaluation. Algoritma yang digunakan dalam penelitian ini adalah Inductive Miner. Perbandingan multi-level dilakukan berdasarkan abstraksi diagnosis ICD-10, yaitu pada level Chapter, Group, dan Specific Code, untuk menentukan level mana yang menghasilkan model proses yang paling representatif. Dengan menganalisis data event log dari sampel BPJS Kesehatan, penelitian ini diharapkan dapat memberikan wawasan baru mengenai manajemen penyakit CHF dan menjadi dasar strategi untuk meningkatkan kualitas dan efisiensi pelayanan dalam kerangka program JKN-KIS di Indonesia. Menggunakan algoritma Inductive Miner karena kemampuannya untuk secara rekursif membangun pohon proses dari event log dan menghasilkan model alur kerja yang baik. Algoritma ini membangun model Petri net yang selaras dengan perilaku yang diamati sambil meminimalkan penyimpangan, sehingga cocok untuk menemukan model proses yang terstruktur dan dapat dipahami dari data perawatan kesehatan. Hasil dari penelitian ini yaitu memperoleh hasil tertinggi pada level Chapter, yaitu pada threshold 0,6 menunjukkan fitness sangat tinggi 0,9910 dengan generalization 0,8549, precision 0,9462 dan simplicity 0,6000 sehingga model ini sangat baik dalam merepresentasikan log proses dan cukup fleksibel terhadap variasi jalur baru.
Kata Kunci: Penyakit Gagal Jantung Kongestif, Proses Multi Level, Process Mining