Font Size: 

Industri asuransi kesehatan sangat diperlukan masyarakat dalam menanggulangi risiko finansial bidang kesehatan. Jumlah klaim sangat mempengaruhi pencapaian laba dan keberlangsungan industri asuransi kesehatan. Oleh karena itu, pengajuan klaim oleh pengguna asuransi dari tahun ke tahun perlu dilakukan prediksi oleh perusahaan asuransi. Metode machine learning menjanjikan solusi yang baik untuk memprediksi klaim asuransi kesehatan dibandingkan metode analitika data konvensional.  Salah satu metode machine learning yang unggul adalah Support Vector Machine (SVM). Namun, kinerja SVM ditentukan oleh pemilihan parameter SVM yang tepat, pemilihan parameter SVM biasanya dilakukan secara trial and error sehingga hasilnya kurang optimal dan membutuhkan banyak waktu. Algoritma berbasis kecerdasan swarm dapat dimanfaatkan untuk melakukan seleksi parameter terbaik dari SVM. Algoritma ini mampu mencari global optimum, mudah diimplementasikan dan tidak memerlukan derivatif. Salah satunya kecerdasan swarm yang baik adalah Bat Algorithm (BA). BA memiliki tingkat konvergensi yang lebih cepat daripada algoritma lainnya, seperti Genetic Algorithm dan Particle Swarm Optimization. Berdasarkan latar belakang tersebut, maka artikel ini mengusulkan pengembangan metode prediksi klaim asuransi kesehatan berdasarkan SVM dan BA. Metrik evaluasi yang digunakan adalah akurasi, recall, presisi, dan f₁-score serta waktu komputasi. Analisis hasil percobaan memperlihatkan bahwa performa metode yang diusulkan lebih baik dibandingkan SVM standar dalam memprediksi klaim asuransi kesehatan.

prediksi klaim; asuransi kesehatan; Support Vector Regression; Bat Algorithm; pemilihan parameter