The Implementation of Classification Algorithm C4.5 in Determining the Illness Risk Level for Health Insurance Company in Indonesia

Abstract

Fundamental thing on health insurance is how to manage all contributions fee from membership insurance, so it can use for finance health services. In this writer's case, the problem of health insurance is when registered membership insurance, there's no validation or adjustment about fee insurance with a history of illness from the applicant. That thing will be increasing financial cost if insurance does not use another approach from health services like promotive and preventive services for manage illness registered membership for health insurance, so that can be suppress financing of health services. Based on data on health insurance, they can do classification processing data and combined with algorithm C 4.5 for proses classification. Classification that has been used for mapping the level of risk illness membership in health insurance. Result from this research using a ten-fold cross-validation / confusion matrix with accuracy 99,87%.

Penerapan Algoritma C4.5 Untuk Klasifikasi Mahasiswa Penerima Bantuan Sosial Covid-19

“…Kelebihan dari Algoritma C4.5 adalah dapat menangani atribut kontinu dan diskrit, dapat menangani data pelatihan dengan nilai atribut yang hilang, serta dapat memangkas pohon setelah dibuat. Pada Algoritma C4.5 data diolah dari model pohon keputusan menjadi aturan yang sederhana sehingga mudah dipahami [3]. Algoritma C4.5 dapat diterapkan untuk penelitian masalah yang terjadi di kehidupan nyata seperti salah satunya masalah yang ditimbulkan oleh pandemi Covid-19.…”

Perbandingan Algoritma C4.5 dan Multilayer Perceptron untuk Klasifikasi Kelas Rumah Sakit di DKI Jakarta

“…Pengumpulan data pada penelitian ini menggunakan data hasil penelitian dari [3] dengan data sebelumnya bersumber dari Kementerian Kesehatan RI Republik Indonesia berupa data rumah sakit sumber daya yang diperoleh melalui penelitian fasilitas kesehatan (HFR), yang tersedia untuk umum di situs web (sirs.yankes.kemkes.go.id/rsonline).…”

“…Data hasil pada penelitian tersebut yang digunakan adalah data hasil clustering dengan K-Medoids, berikut contoh data kelas rumah sakit sebanyak 10 data dari 338 data dengan memiliki atribut sebanyak 112 diantaranya adalah VVIP, VIP, Kelas I dan kluster. Dari hasil penelitian yang dilakukan oleh Yogi Wahyu Romadon dan Devi Fitrianah [3], didapatkan hasil 4 kluster dimana masing-masing kluster menjelaskan kluster 0 dengan predikat sangat baik, kluster 1 dengan predikat baik, kluster 2 dengan predikat cukup dan kluster 3 dengan predikat kurang. Hasil kluster yang diperoleh dari penelitian sebelumnya dijadikan sebagai label kelas untuk data yang ada.…”

“…Dalam penelitian terkait yang dilakukan oleh Yogi Wahyu Romadon dan Devi Fitrianah dalam melakukan penelitian perbandingan penggunaan metode clustering dengan algoritma K-means dan K-Medoids [3]. Dari hasil penelitian tersebut diperoleh bahwa algoritma K-Medoids lebih unggul dalam hal waktu eksekusi, kluster yang dihasilkan dan mendapatkan hasil yang akurat dalam pengelompokan.…”