Perbandingan Peramalan Biaya Klaim Asuransi Kesehatan Menggunakan Metode ARIMA dan LSTM pada Data Aktual dan Data Simulasi

Ananda, Denisha Anelda Early (2025) Perbandingan Peramalan Biaya Klaim Asuransi Kesehatan Menggunakan Metode ARIMA dan LSTM pada Data Aktual dan Data Simulasi. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5006211009-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2027. Download (5MB) | Request a copy

Abstract

Asuransi merupakan sebuah bentuk perjanjian antara penanggung yakni perusahaan asuransi dan tertanggung yakni pemegang polis. Di Indonesia, kesadaran dalam menggunakan asuransi terutama asuransi kesehatan mulai meningkat setelah terjadi badai COVID-19. Masyarakat mulai sadar bahwa dibutuhkan biaya yang sangat besar untuk mendapatkan pengobatan sehingga muncul dorongan untuk memberikan perlindungan lebih pada diri maupun keluarga. Nominal risiko yang ditanggung oleh perusahaan reasuransi tentu tidak sedikit, untuk memastikan proses bisnis dapat terus berjalan, peran aktuaris sangat dibutuhkan untuk memitigasi risiko-risiko yang akan terjadi. Untuk memastikan bahwa jumlah klaim yang akan ditanggung perusahaan reasuransi dari perusahaan asuransi masih berada di batas yang aman, peramalan jumlah klaim yang akan muncul di periode-periode berikutnya menjadi hal yang sangat penting. Praktik penelitian terdahulu, telah membuktikan bahwa metode ARIMA dan LSTM dikatakan unggul dalam melakukan peramalan maupun prediksi. ARIMA dinilai cocok untuk jenis data linear dan memberikan akurasi tinggi untuk peramalan dalam jangka waktu pendek sementara LSTM mampu menangkap faktor-faktor non-linear yang diabaikan oleh metode ARIMA. Data yang digunakan dalam penelitian ini merupakan data aktual klaim asuransi kesehatan selama 7 tahun serta data simulasi hasil bangkitan yang dibuat berdasarkan karateristik data asli. Penelitian menunjukkan bahwa model LSTM mampu memberikan performa yang lebih baik dibandingkan metode ARIMA, LSTM menghasilkan MAPE sebesar 99,23% untuk data asli dan sebesar 96,27% untuk data simulasi. Selain MAPE yang lebih baik, nilai prediksi dan peramalan yang dihasilkan oleh LSTM juga lebih unggul karena mampu menangkap pola-pola naik turun dari dataset jauh lebih baik dibandingkan ARIMA.
==================================================================================================================================
Insurance is a form of agreement between the insurer, namely the insurance company and the insured, namely the policy holder. In Indonesia, awareness of using insurance, especially health insurance, began to increase after the COVID-19 storm. People began to realize that it takes a very large amount of money to get treatment so that there is an urge to provide more protection for themselves and their families. The nominal risk borne by reinsurance companies is certainly not small, to ensure the business process can continue to run, the role of actuaries is needed to mitigate the risks that will occur. To ensure that the number of claims to be borne by reinsurance companies from insurance companies is still within safe limits, forecasting the number of claims that will arise in the following periods is very important. Previous research practices have proven that the ARIMA and LSTM methods are said to be superior in forecasting and prediction. ARIMA is considered suitable for linear data types and provides high accuracy for forecasting in the short term while LSTM is able to capture non-linear factors that are ignored by the ARIMA method. The data used in this study are actual health insurance claims data for 7 years as well as simulated data generated based on the characteristics of the original data. The research shows that the LSTM model is able to provide better performance than the ARIMA method, LSTM produces a MAPE of 99,23% for the original data and 96,27% for the simulated data. In addition to better MAPE, the prediction and forecasting values generated by LSTM are also superior because they are able to capture the up and down patterns of the dataset much better than ARIMA.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Asuransi, Klaim Asuransi Kesehatan, LSTM, Peramalan, ARIMA, Forecasting, Health Insurance Calim, Insurance
Subjects:	Q Science > QA Mathematics Q Science > QA Mathematics > QA141 Numeracy--Problems, exercises, etc. Q Science > QA Mathematics > QA276 Mathematical statistics. Time-series analysis. Failure time data analysis. Survival analysis (Biometry) Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Actuaria > 94203-(S1) Undergraduate Thesis
Depositing User:	Denisha Anelda Early Ananda
Date Deposited:	14 Jan 2025 01:32
Last Modified:	14 Jan 2025 01:32
URI:	http://repository.its.ac.id/id/eprint/116269

Actions (login required)

View Item