Pemodelan Klaim Asuransi Kesehatan Menggunakan Hidden Markov Kontinu
Abstract
Salah satu tahapan penting yang harus dilakukan perusahaan asuransi agar
terhindar dari kerugian akibat risiko klaim yaitu dengan memodelkan data klaim.
Pada asuransi kesehatan, ukuran risiko klaim memerlukan status kondisi kesehatan
pasien yang tidak selalu teramati. Jika kondisi kesehatan pasien yang memengaruhi
biaya perawatan rumah sakit diasumsikan tidak teramati secara langsung dan
membentuk rantai Markov, maka pasangan kondisi kesehatan pasien dan biaya
perawatan rumah sakit dapat dimodelkan menggunakan model hidden Markov.
Pada tugas akhir ini dilakukan pemodelan klaim asuransi kesehatan untuk
memprediksi klaim perawatan jalan di masa depan. Dari hasil perhitungan, model
HMM terbaik pada pemodelan klaim asuransi kesehatan dengan data rataan
mingguan untuk rata-rata total biaya rawat jalan per orang per hari terdiri atas empat
state yang masing-masing state menyebar lognormal dengan parameter berbeda.
Hasil pembangkitan data menggunakan model terbaik memberikan nilai prediksi
yang tergolong sangat akurat untuk sepuluh minggu ke depan dengan nilai MAPE
sebesar delapan persen. One of the important steps that insurance companies must take to avoid losses
due to claim risk is modeling claim data. In health insurance, the measure of claim
risk requires the patient's health condition status, which is not always observed. If
it is assumed that the patient's health condition that affects hospital care costs is not
directly observable and forms a Markov chain, then the patient's health condition
and hospital care cost pair can be modelled using the hidden Markov model. In this
final project, claim modeling is carried out to predict future claims. From the
calculation results, the best model in modelling health insurance claims using
weekly average data from average total outpatient costs per person per day consists
of four states that are lognormally distributed with different parameters for each
state. The results of data generation using the best model provide predictive values
that are classified as very accurate for the next ten weeks with a MAPE value of
eight percent.
Collections
- UT - Actuaria [142]