Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tantangan besar dalam mengembangkan model prediktif yang baik untuk prediksi klaim asuransi kendaraan bermotor adalah adanya missing values dalam data. Berbagai algoritma pembelajaran mesin telah diteliti untuk mengatasi masalah missing values ini. XGBoost merupakan salah satu teknik Gradient Boosting Decision Tree (GBDT) yang terbukti unggul dibandingkan metode imputasi seperti K-Nearest Neighbors (KNN) dan mean imputation. Namun, XGBoost memiliki beberapa keterbatasan, seperti waktu pemrosesan yang lebih panjang dan perlunya untuk melakukan one-hot encoding pada variabel kategorikal. Keterbatasan yang dimiliki oleh metode XGBoost dapat diatasi oleh metode LightGBM. Penelitian ini bertujuan untuk menganalisis kinerja metode XGBoost dan LightGBM dalam memprediksi klaim asuransi kendaraan bermotor pada data yang mengandung missing values. Dataset yang digunakan berasal dari klaim asuransi kendaraan bermotor perusahaan Porto Seguro yang terdiri yang memiliki missing values hingga 70%. Evaluasi kinerja dilakukan menggunakan metrik Normalized Gini score dan training time. Penelitian ini membandingkan dua pendekatan dalam menangani missing values: tanpa imputasi dan dengan imputasi mean. Hasil penelitian menunjukkan bahwa metode XGBoost tanpa imputasi missing values memberikan kinerja terbaik dengan nilai Normalized Gini tertinggi sebesar 0,2735. Namun, XGBoost tanpa imputasi membutuhkan waktu training yang lebih lama, yaitu rata-rata 15,5841 detik. Metode LightGBM tanpa imputasi juga menunjukkan kinerja yang baik dengan nilai Normalized Gini sebesar 0,2559 dan waktu training yang lebih singkat dengan rata-rata 4,0521 detik. Pada data tanpa imputasi, XGBoost secara mutlak tetap menunjukkan kinerja terbaik dengan nilai Normalized Gini tertinggi baik pada data yang tidak diimputasi maupun telah diimputasi. LightGBM, meskipun memiliki Normalized Gini yang sedikit lebih rendah, namun lebih efisien dalam waktu training dengan waktu training hampir 4 kali lebih cepat dibandingkan XGBoost. XGBoost tanpa imputasi memberikan hasil prediksi yang lebih akurat. LightGBM tanpa imputasi menunjukkan efisiensi dalam waktu training dengan sedikit penurunan dalam Normalized Gini (6,88%) dibandingkan dengan XGBoost tanpa imputasi. Disimpulkan bahwa jika prioritas utama adalah kemampuan prediktif yang lebih baik, maka XGBoost tanpa imputasi adalah pilihan yang lebih baik. Namun, jika efisiensi waktu training menjadi prioritas utama, maka LightGBM tanpa imputasi dapat menjadi alternatif yang sangat baik karena mampu melakukan proses training dengan lebih cepat secara signifikan tanpa kehilangan kemampuan prediktif (dalam konteks ini Normalized Gini) yang signifikan.

---

The primary challenge in developing robust predictive models for motor vehicle insurance claims lies in the presence of missing values within the dataset. Several machine learning algorithms have been explored to address this issue, with XGBoost—a gradient-boosted decision tree (GBDT) technique—demonstrating superior performance compared to traditional imputation methods such as K-Nearest Neighbors (KNN) and mean imputation. However, XGBoost is constrained by certain limitations, including longer processing times and the requirement for one-hot encoding of categorical variables. These limitations can be mitigated by employing the LightGBM method. This study aims to evaluate the performance of XGBoost and LightGBM in predicting motor vehicle insurance claims in datasets containing missing values. The dataset utilized in this research is sourced from Porto Seguro’s motor vehicle insurance claims, which contains up to 70% missing values. The model performance is assessed using two key metrics: the Normalized Gini score and training time. The study compares two approaches to handling missing values: without imputation and with mean imputation.The findings reveal that XGBoost without imputation achieves the highest predictive performance, with a Normalized Gini score of 0.2735. However, this approach also entails a longer training time, averaging 15.5841 seconds. LightGBM without imputation, while producing a slightly lower Normalized Gini score of 0.2559, demonstrates superior efficiency, with a significantly reduced training time of 4.0521 seconds on average. In scenarios without imputation, XGBoost consistently delivers the highest predictive performance, both for non-imputed and imputed data. While LightGBM exhibits a marginally lower Normalized Gini score, it offers substantial improvements in training efficiency, with training times nearly four times faster than those of XGBoost. In conclusion, XGBoost without imputation provides the most accurate predictions, making it the preferable choice when predictive performance is the primary objective. However, when the primary concern is training time efficiency, LightGBM without imputation emerges as a strong alternative, offering a significant reduction in training time with only a modest decrease (6.88%) in predictive accuracy, as measured by the Normalized Gini score, compared to XGBoost without imputation."

"Utilisasi dan biaya klaim merupakan komponen utama dalam perhitungan biaya perkapita, kemudian dalam perhitungan premi ditambahkan dengan faktorfaktor lain yaitu faktor risiko (risk factor) dan beban lainnya (loading factor. Dalam perhitungan premi pertimbangan utama adalah kecukupan premi untuk membiaya program jaminan kesehatan. Tujuan penelitian ini adalah untuk mengetahui faktorfaktor yang mempengaruhi perhitungan premi dan perhitungan nilai premi dalam program jaminan kesehatan pensiunan PT X di Bapel JPKM PT RS Pelabuhan, sehingga didapatkan nilai premi yang cukup dan bersaing. Metode yang digunakan menggunakan analisis logit dan regresi OLS pada data panel, data yang digunakan adalah data utilisasi dan biaya klaim periode 2016-2018. Hasil dari penelitina ini adalah biaya perkapita PMPM sebesar Rp.702.462, jika dibandingkan dengan premi yang berlaku saat ini sebesar RP.674.964 maka terdapat selisih sebesar Rp.27.498. Dengan demikian Bapel mengalami defisit sebesar Rp.27.498 perorang setiap bulannya.Besaran nilai Premi Netto adalah Rp.821.735, sedangkan premi bruto yang didapat PMPM adalah Rp.978.077. Variabel yang paling berhubungan meningkatkan probabilitas pemanfaatan pelayanan kesehatan dan biaya adalah usia dan jenis kelamin.

---

Counsellor : Prof. Budi Hidayat, S.KM., MPPM., Ph.D Utilization and claim costs are the main components in the calculation of per capita costs . Calculation of premiums are added with other factors, that is risk factors loading factor. In calculating the premium the main consideration is the adequacy of the premium to finance the health insurance program. The purpose of this study was to determine the factors that influence the calculation of premiums and the calculation of the value of premiums in the pension health insurance program PT X in Bpael JPKM PT RS Pelabuhan order to obtain adequate and competitive premiums. The method used uses logit analysis and OLS regression in panel data, the data used are utilization data and claims costs for the 2016-2018 period. The results of this research are PMPM per capita cost of Rp. 702,462, if compared with the current premium of Rp. 674,964, there is a difference of Rp. 27,498, deficit of Rp.27,498 per person per month. The net premium value was Rp.821,735, while the gross premiums obtained by PMPM was Rp.978,077. The most related variable increasing the probability of utilization of health services and costs is age and gender."

"Pemenuhan jaminan kesehatan dari negara sebagai hak warga negara dilaksanakan berdasarkan ketentuan klaim yang diajukan oleh pihak rumah sakit kepada BPJS berdasarkan pelayanan yang telah diberikan kepada pasien. RSUP Nasional Dr. Cipto Mangunkusumo (RSCM) menunjukkan terdapat klaim perawatan pasien yang tertunda dengan nilai yang besar pada tahun 2019. Studi ini merupakan penelitian deskriptif analitik yang dilaksanakan untuk mencari akar masalah penundaan pembayaran klaim perawatan pasien usia lanjut. Menggunakan metode purposive sampling pada penundaan pembayaran perawatan pasien usia lanjut pada periode Juli–Desember 2019. Pengumpulan data didapat melalui metode, observasi, tinjauan pustaka, telaah dokumen, dan wawancara mendalam dengan informan yang terlibat dalam manajemen klaim. Hasil menunjukkan masalah yang menyebabkan terjadinya penundaan pembayaran klaim mencakup kualitas resume medis dan kesalahan dalam proses coding, kebijakan yang sulit dimengerti oleh pelaksana, kurang pelatihan, kurangnya staf, instrumen peninjauan kelengkapan berkas klaim dan proses perbaikannya yang belum dibuat, keterbatasan akses terhadap kebijakan, dan aplikasi pemantauan proses klaim yang belum dibuat. Dengan demikian, pembuatan sistem IT manajemen klaim sesuai dengan instruksi kerja berdsasarkan regulasi yang dipakai menjadi saran utama diikuti dengan diklat sosialisasi media informasi perjanjian bersama BPJS.

---

Fulfillment of health insurance from the state as a citizen's right is carried out based on the provisions of the claims submitted by the hospital to BPJS based on the services provided to patients. National Hospital Dr. Cipto Mangunkusumo (RSCM) shows that there are claims of delayed patient care with a large value in 2019. This study is an analytical descriptive study conducted to find the root of the problem of delaying payment of claims for treatment of elderly patients. Using a purposive sampling method to delay payment for elderly patient care in the period July-December 2019. Data collection was obtained through methods, observation, literature review, document review, and in-depth interviews with informants involved in claims management. The results show the problems that cause delays in claim payments include the quality of medical resumes and errors in the coding process, policies that are difficult to understand by the implementer, lack of training, lack of staff, review instruments for the completeness of claim files and the process of repairing claims that have not been made, limited access to policies, and claim process monitoring application that has not been made. Thus, the creation of a claim management IT system in accordance with work instructions based on the regulations used is the main suggestion followed by education and training on media information dissemination of the joint BPJS agreement."

"ABSTRAKHarga premi asuransi jiwa di Indonesia dipengaruhi oleh tabel kematian Indonesia digunakan oleh masing-masing perusahaan asuransi, seperti tabel kematian Indonesia berdasarkan jenis kelamin. Jika informasi tahun mendatang tabel kematian Indonesia berdasarkan jenis kelamin dapat diketahui, informasi tersebut dapat bermanfaat bagi perusahaan asuransi untuk mengatur premistrategi perhitungan sehingga lebih cocok untuk menghadapi risiko di masa depan. Makalah ini memprediksi tabel angka kematian Indonesia berdasarkan jenis kelamin selama lima periode ke depan dengan menggunakan Lee- Model Carter. Parameter model Lee-Carter diperkirakan dengan menggunakan Least Square metode dan metode Newton Raphson, sedangkan prediksi parameter yang tergantung pada waktu menggunakan metode Double Moving Average. Keakuratan hasil estimasi dan perkiraandiukur dengan menggunakan Mean Absolute Perscentage Error (MAPE). Dari penelitian ini, Tabel kematian Indonesia berdasarkan jenis kelamin diperoleh untuk periode 2015-2020 sampai2035-2040.

---

ABSTRACTThe price of life insurance premiums in Indonesia is influenced by Indonesia's death tables used by each insurance company, such as Indonesia's death tables by sex. If the next year's information on Indonesia's death table based on sex can be known, this information can be useful for insurance companies to manage premiums calculation strategies so that it is more suitable for dealing with risks in the future. This paper predicts Indonesia's mortality table by sex over the next five periods using the Lee-Carter Model. The Lee-Carter model parameters are estimated using the Least Square method and Newton Raphson method, while the parameter predictions that depend on time use the Double Moving Average method. Accuracy of estimation and estimation results measured using Mean Absolute Perscentage Error (MAPE). From this study, Indonesian death tables by sex were obtained for the period 2015-20202035-2040."