Simulasi Deteksi Klaim Anomali pada Produk Asuransi Kesehatan PT Reasuransi X Menggunakan Autoencoder

Vanessa, Vanessa (2026) Simulasi Deteksi Klaim Anomali pada Produk Asuransi Kesehatan PT Reasuransi X Menggunakan Autoencoder. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5006221008-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (38MB) | Request a copy

Abstract

Asuransi kesehatan merupakan salah satu asuransi yang terus meningkat dalam kepemilikan jaminan kesehatan, pendapatan premi asuransi, dan angka klaim. Peningkatkan angka klaim tersebut menyebabkan rawannya terjadi kecurangan (fraud), seperti pada kasus fraud BPJS Kesehatan. Keadaan ini mendorong kebutuhan akan suatu alat atau metode deteksi fraud agar kejadian serupa tidak terulang kembali. Penelitian ini bertujuan untuk mengetahui kinerja autoencoder dalam mendeteksi outlier dan menganalisis karaktertistik data anomali pada klaim kesehatan. Sampel yang digunakan merupakan data klaim kesehatan PT Reasuransi X dengan periode Januari 2023 hingga Mei 2025. Autoencoder merupakan arsitektur dalam neural network yang menggunakan model pembelajaran unsupervised, yaitu pembelajaran data yang tidak memiliki label, dengan tujuan merekonstruksi input dengan nilai eror seminimum mungkin. Performa dari autoencoder dievaluasi melalui tahapan simulasi pada data, yaitu dengan memodelkan data bangkitan yang sudah dilakukan penambahan outlier. Hasil penelitian yang sudah dilakukan menunjukkan bahwa nilai rata – rata F1 score model autoencoder dalam mendeteksi anomali dengan threshold rentang interkuartil adalah sebesar 17,09%. Selain itu, karakteristik data klaim secara umum dengan data klaim yang terdeteksi anomali tidak jauh berbeda. Data anomali cenderung memiliki nilai total klaim yang sangat rendah, baik untuk durasi rawat inap yang lama maupun sebentar, nilai total klaim yang sangat tinggi, serta durasi rawat inap yang sangat lama. Temuan ini diharapkan dapat menjadi dasar dalam pengambilan keputusan penerimaan ajuan klaim bagi PT Reasuransi X dan sebagai dasar pengembangan model deteksi fraud di industri asuransi untuk mengurangi potensi kerugian finansial di masa depan.
================================================================================================================================
Health insurance is one of the insurance sectors that continues to grow in terms of health coverage ownership, premium income, and number of claims. The increasing number of claims may raise the likelihood of fraud occurring, as one of the cases involving BPJS Kesehatan. Therefore, effective tools or methods for fraud detection are required to prevent recurring fraud cases. This study aims to examine the performance of autoencoder in detection outlier and analyzing the characteristics of anomalous data in health insurance claims. The sample consisted of health insurance claim data from PT Reasuransi X from 2023 until May 2025. An autoencoder is a neural network architecture that applies unsupervised learning, in which the model is trained on unlabeled data, to reconstruct input data with the minimum possible error. The performance of autoencoder was evaluated through simulation stages by modeling generated data containing outliers. The results show that the average F1 score of the autoencoder model in detecting anomalies using the interquartile range threshold is 17.09%. Furthermore, the general characteristics of health insurance claims and those identified as anomalous are not significantly different. Anomalous data tends to have either very low total claim amounts, regardless of the length of stay, or very high total claim amounts and extremely long length of stay. The findings of this study are expected to provide PT Reasuransi X with insight into the characteristics of anomalous claims that will be valuable for decision making in claim acceptance and as a basis for developing fraud detection models in the insurance industry, which may reduce potential financial losses in the future.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Autoencoder, Fraud, Klaim Asuransi Kesehatan, Simulasi, Autoencoder, Fraud, Health Insurance Claim, Simulation
Subjects:	H Social Sciences > HG Finance > HG8051 Insurance H Social Sciences > HG Finance > HG8054.5 Risk (Insurance) 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:	Vanessa Vanessa
Date Deposited:	15 Jan 2026 04:27
Last Modified:	15 Jan 2026 04:29
URI:	http://repository.its.ac.id/id/eprint/129527

Actions (login required)

View Item