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.