Prediksi Berbasis XAI untuk Simulasi Biaya Asuransi Kesehatan Menggunakan XGBoost dan Random Forest [IAU, NII]
Abstract
Industri asuransi kesehatan di Indonesia telah mengalami pertumbuhan yang signifikan, didorong oleh inisiatif seperti program Jaminan Kesehatan Nasional (JKN) dan meningkatnya adopsi asuransi swasta. Prediksi biaya perawatan kesehatan yang akurat sangat penting untuk memastikan keberlanjutan keuangan, keterjangkauan premi, dan efisiensi operasional bagi perusahaan asuransi dan penyedia layanan. Metode tradisional sering kali gagal karena kerentanannya terhadap kesalahan manusia, inefisiensi dalam menangani kumpulan data yang kompleks, dan skalabilitas yang terbatas. Teknik Machine Learning (ML), seperti Random Forest dan XGBoost, telah menunjukkan akurasi yang tinggi dalam prediksi biaya dengan secara efektif mengidentifikasi pola non-linear dalam kumpulan data yang besar. Selain itu, mengintegrasikan Explainable AI (XAI) dapat meningkatkan kemampuan interpretasi model, membangun kepercayaan di antara para pemangku kepentingan non-teknis, dan mendorong adopsi teknologi.
Studi ini membahas tantangan-tantangan penting dalam menerapkan model-model ML yang kompleks di Indonesia, termasuk sifat “black box”, tuntutan komputasi yang tinggi, dan kurangnya relevansi kontekstual. Studi ini mengusulkan pendekatan yang seimbang yang memprioritaskan akurasi prediksi, kemampuan interpretasi, efisiensi komputasi, dan relevansi kontekstual. Dengan menggunakan data klaim historis dari AdMedika (2020-2024), penelitian ini mengembangkan dan mengevaluasi model berdasarkan Random Forest dan XGBoost. Teknik XAI, seperti plot SHAP dan ICE, diterapkan untuk memastikan transparansi dan wawasan yang dapat ditindaklanjuti bagi para pemangku kepentingan. Selain itu, penelitian ini juga mengidentifikasi faktor-faktor klinis dan demografis utama yang mempengaruhi biaya perawatan kesehatan, yang bertujuan untuk mendukung pengembangan strategi premi dan alokasi sumber daya.
Penelitian ini terbatas pada data klaim AdMedika, berfokus pada wilayah dengan klaim tinggi seperti Jawa dan Bali, dan menggunakan analisis retrospektif tanpa mempertimbangkan perubahan kebijakan yang dinamis atau analisis bias demografis yang mendalam. Temuan-temuan ini diharapkan dapat berkontribusi pada adopsi praktis model ML yang dapat diinterpretasikan di sektor asuransi kesehatan di Indonesia, mendorong keberlanjutan keuangan, efisiensi operasional, dan pengambilan keputusan strategis sambil memajukan wawasan teoritis tentang aplikasi ML di negara-negara berkembang dengan sistem perawatan kesehatan yang unik.
