Peramalan Klaim Kesehatan PT Asuransi ABC Menggunakan Attention-LSTM dan Estimasi Risiko Value at Risk dengan Pendekatan Moving Block Bootstrap

Wijaya, Agfi Septian (2026) Peramalan Klaim Kesehatan PT Asuransi ABC Menggunakan Attention-LSTM dan Estimasi Risiko Value at Risk dengan Pendekatan Moving Block Bootstrap. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5006221047-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Klaim asuransi adalah pengajuan pembayaran ganti rugi dari pihak tertanggung yang atas kejadian yang tidak diinginkan kepada pihak asuransi. Pada asuransi kesehatan, jaminan diberikan kepada tertanggung jika tertanggung jatuh sakit atau mengalami kecelakaan. Dengan meningkatnya lonjakan klaim hingga Rp6,362 triliun pada tahun 2023 yang menyebabkan nilai rasio klaim mencapai 95,3% dan nilai loss ratio 103%, penting untuk melakukan estimasi risiko untuk nilai klaim pada masa yang akan datang. Penelitian ini menggunakan analisis time series dengan metode Attention-LSTM untuk melakukan peramalan dan menggabungkan pendekatan moving block bootstrap untuk mendapatkan nilai VaR pada selang kepercayaan 97,5% dan 99%. Data klaim yang digunakan pada penelitian adalah nilai klaim harian selama periode 1 Januari 2017 hingga 21 Juni 2025 yang bersumber dari PT Asuransi ABC. Hasil Penelitian menunjukkan bahwa penerapan pre-processing untuk menstasionerkan menyebabkan over-stasionarization, yang menurunkan akurasi yang di mana nilai MAE mencapai 0,678 pada konfigurasi terbaiknya yaitu window 14 dan hidden nodes 32. Hasil peramalan juga hanya menunjukkan tren yang menuju nol. Perbaikan model dengan menghilangkan strategi stasioneritas pada konfigurasi yang sama meningkatkan nilai MAE menjadi 0,182. Hasil peramalan menunjukkan tren klaim bergerak sideways pada kisaran Rp800 juta hingga Rp1,45 miliar per hari hingga akhir 2025. Estimasi risiko menunjukkan bahwa VaR 99% lebih akurat dalam menangkap risiko ekor (tail risk) dengan tingkat pelanggaran hanya 0,518%, dibandingkan VaR 97,5% yang cenderung underestimate terhadap risiko aktual.
======================================================================================================================================
An insurance claim is a request for compensation submitted by the insured to the insurer for unexpected events. In health insurance, coverage is provided to the insured in the event of illness or accident. Given the significant surge in claims reaching IDR 6.362 trillion in 2023, which drove the claim ratio to 95.3% and the loss ratio to 103%, estimating the risk of future claim values is crucial. This study employs time series analysis using the Attention-LSTM method for forecasting, combined with the Moving Block Bootstrap approach to estimate Value at Risk (VaR) at 97.5% and 99% confidence levels. The claim data utilized in this study consists of daily claim values from January 1, 2017, to June 21, 2025, obtained from PT Asuransi ABC. The results indicate that applying pre-processing to induce stationarity led to over-stationarization, reducing accuracy with a Mean Absolute Error (MAE) of 0.678 in the best configuration (window size 14 and 32 hidden nodes). Additionally, the forecasting results only showed a trend declining towards zero. Improving the model by removing the stationarity strategy using the same configuration enhanced performance, reducing the MAE to 0.182. The forecasting results suggest a sideways trend in claims, ranging from IDR 800 million to IDR 1.45 billion per day through the end of 2025. Risk estimation reveals that VaR at the 99% confidence level is more accurate in capturing tail risk, with an exceedance rate of only 0.518%, compared to VaR at 97.5%, which tends to underestimate the actual risk.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Attention-LSTM, Moving Block Bootstrap, Peramalan Time Series, Value-at-Risk Attention-LSTM, Moving Block Bootstrap, Time Series Forecasting, Value-at-Risk
Subjects:	Q Science > QA Mathematics > QA276 Mathematical statistics. Time-series analysis. Failure time data analysis. Survival analysis (Biometry) Q Science > QA Mathematics > QA401 Mathematical models. 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:	Agfi Septian Wijaya
Date Deposited:	12 Jan 2026 06:46
Last Modified:	12 Jan 2026 06:46
URI:	http://repository.its.ac.id/id/eprint/129498

Actions (login required)

View Item