Perpustakaan Digital ITB

Fraud pada klaim asuransi kesehatan merupakan tantangan signifikan yang memengaruhi stabilitas keuangan dan keberlanjutan layanan perusahaan asuransi. Kontribusi utama dari penelitian ini adalah merancang framework deteksi fraud pada klaim asuransi kesehatan berbasis unsupervised learning dengan pendekatan ensemble yang menggabungkan algoritma Local Outlier Factor (LOF), Isolation Forest (iForest), dan Z-Score. Dataset yang digunakan terdiri atas data transaksi klaim asuransi dan perilaku anggota, yang diolah untuk mendeteksi anomali melalui kombinasi metode ensemble seperti All Vote dan Any Vote. Matrik evaluasi yang digunakan yaitu Silhouette Score, Davies-Bouldin Index, dan Calinski-Harabasz Index untuk menilai kualitas pengelompokan. Hasil penelitian menunjukkan bahwa metode ensemble dapat meningkatkan performa model yaitu pada ensemble All Vote yang performa terbaik dengan nilai Silhouette Score sebesar 0,94, Davies-Bouldin Index sebesar 0,66, dan Calinski-Harabasz Index sebesar 115.160,38. Hasil evaluasi framework ini dengan BestModel AnyVote dapat mendeteksi hingga 6 kasus fraud, sedangkan metode konvensional tidak mampu mengidentifikasi satupun. Framework ini diharapkan menjadi solusi inovatif dalam mendeteksi fraud secara lebih awal, meningkatkan efisiensi operasional perusahaan asuransi, dan meminimalkan kerugian akibat fraud.