Prediksi Klaim Rasio Untuk Penyesuaian Premi Dan Pengelolaan Klaim Asuransi Menggunakan Artificial Neural Network

Siregar, Benardo (2026) Prediksi Klaim Rasio Untuk Penyesuaian Premi Dan Pengelolaan Klaim Asuransi Menggunakan Artificial Neural Network. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6032231162_Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

Asuransi kesehatan kumpulan merupakan produk yang memberikan perlindungan finansial bagi perusahaan dan karyawan. PT ABC sebagai perusahaan asuransi menghadapi peningkatan rasio klaim yang signifikan sepanjang 2023 hingga 2024, yang berdampak pada profitabilitas dan ketepatan penetapan premi. Penilaian risiko yang selama ini mengandalkan underwriting konvensional dan metode aktuaria berbasis data historis belum mampu memprediksi rasio klaim secara akurat pada tahap pembaruan polis (renewal). Kondisi ini menegaskan kebutuhan akan pendekatan prediktif berbasis data untuk mendukung proses penetapan premi dan pengelolaan klaim yang lebih efektif. Penelitian ini bertujuan mengevaluasi akurasi Artificial Neural Network (ANN) dalam memprediksi rasio klaim terhadap nilai aktual, menghitung premi ideal agar rasio klaim berada pada rentang optimal 70–90%, serta merumuskan strategi pengelolaan klaim berdasarkan hasil prediksi. Penelitian ini juga bertujuan mengidentifikasi faktor-faktor yang paling memengaruhi besarnya klaim melalui analisis feature importance menggunakan model XGBoost. Data penelitian mencakup premi, histori klaim, karakteristik peserta, dan informasi polis, yang diproses melalui tahapan data preprocessing sebelum pemodelan. Hasil penelitian menunjukkan bahwa model ANN memiliki tingkat akurasi yang sangat tinggi dengan nilai R² sebesar 0.9911 pada data uji. Analisis feature importance berbasis XGBoost mengidentifikasi usia peserta, frekuensi klaim historis, dan besaran premi sebagai faktor dominan yang memengaruhi besarnya klaim. Penelitian ini menyimpulkan bahwa ANN efektif dalam memprediksi rasio klaim pada tingkat polis, mendukung penyesuaian premi sesuai target rasio klaim optimal, serta memberikan dasar bagi pengelolaan klaim yang lebih terarah pada kelompok berisiko tinggi.
====================================================================================================================================
Group health insurance provides financial protection for companies and employees. PT ABC, as an insurance provider, experienced a significant increase in loss ratios during 2023–2024, which affected both profitability and the accuracy of premium setting. The risk assessment process, which has traditionally relied on conventional underwriting and actuarial methods based on historical data, has been unable to accurately predict loss ratios at the policy renewal stage. This situation underscores the need for a data-driven predictive approach to support more effective premium determination and claims management. This study aims to evaluate the accuracy of an Artificial Neural Network (ANN) in predicting loss ratios relative to actual values, calculate the ideal premium to maintain the loss ratio within the optimal range of 70–90%, and formulate claims management strategies based on the prediction results. The study also seeks to identify the key factors influencing claim amounts through feature importance analysis using the XGBoost model. The research dataset includes premiums, claim histories, participant characteristics, and policy information, which were processed through data preprocessing stages prior to modeling. The results demonstrate that the ANN model achieved a very high level of accuracy, with an R² value of 0.9911 on the test dataset. Feature importance analysis using XGBoost identified participant age, historical claim frequency, and premium amount as dominant factors influencing claim magnitude. This study concludes that the ANN model is effective in predicting loss ratios at the policy level, supports premium adjustments aligned with optimal loss ratio targets, and provides a basis for more targeted claims management for high-risk groups.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Artificial Neural Network (ANN), XBoost, Klaim Rasio, Premi, feature importance, Pengelolaan Klaim, Claim Ratio, Premium, Claim Management, Customer Risk Profile
Subjects:	T Technology > T Technology (General) > T58.5 Information technology. IT--Auditing
Divisions:	Interdisciplinary School of Management and Technology (SIMT) > 61101-Master of Technology Management (MMT)
Depositing User:	Benardo Siregar
Date Deposited:	30 Jan 2026 07:02
Last Modified:	30 Jan 2026 07:02
URI:	http://repository.its.ac.id/id/eprint/131309

Actions (login required)

View Item