Deteksi Kecurangan Klaim Asuransi Menggunakan LSTM Berbasis Anomali Pada Website Studi Kasus PT. Nusantara
Article Sidebar
Main Article Content
Abstract
PT. Nusantara Insurance Broker dan Consultant saat ini menghadapi tantangan signifikan dalam mendeteksi klaim asuransi yang berpotensi curang, mengingat kompleksitas dokumen klaim serta tingginya risiko manipulasi data oleh pihak tidak bertanggung jawab. Kecurangan semacam ini tidak hanya berdampak pada kerugian finansial langsung, tetapi juga dapat merusak reputasi perusahaan dan menurunkan kepercayaan nasabah terhadap integritas layanan yang diberikan. Oleh karena itu, diperlukan sebuah solusi yang mampu mengidentifikasi indikasi kecurangan secara akurat, cepat, dan efisien. Sejalan dengan kemajuan teknologi kecerdasan buatan, khususnya dalam bidang deep learning, perusahaan kini memiliki peluang untuk mengungkap pola-pola mencurigakan dan anomali yang sebelumnya sulit terdeteksi melalui metode konvensional. Dalam upaya ini, dikembangkan sebuah aplikasi web yang memadukan antarmuka pengguna modern dengan kemampuan analisis cerdas di sisi backend. Frontend aplikasi dibangun menggunakan Next.js, HTML, dan CSS guna menghadirkan tampilan yang responsif, intuitif, dan user-friendly, sementara backend dikembangkan dengan Python dan framework Django untuk menangani logika bisnis, manajemen data, serta integrasi API secara andal. Inti dari sistem ini adalah model deep learning yang diimplementasikan melalui pustaka seperti TensorFlow dan PyTorch, yang mampu menganalisis input pengguna dan memberikan prediksi atau peringatan terkait potensi kecurangan dalam klaim. Dengan adanya sistem ini, PT. Nusantara Insurance Broker dan Consultant diharapkan dapat secara proaktif mendeteksi klaim mencurigakan sejak dini, meminimalkan risiko kerugian, serta memperkuat kepercayaan pelanggan melalui transparansi dan keandalan proses penanganan klaim. Lebih jauh lagi, inisiatif ini diharapkan menjadi fondasi awal bagi transformasi digital berbasis kecerdasan buatan di sektor asuransi, khususnya dalam mendukung pengambilan keputusan yang lebih cerdas dan berbasis data.
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
Adi Nugroho, P., Fenriana, I., & Arijanto, R. (2020). IMPLEMENTASI DEEP LEARNING MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK ( CNN ) PADA EKSPRESI MANUSIA. JURNAL ALGOR, 2(1). https://jurnal.buddhidharma.ac.id/index.php/algor/index
Kurniawan, B., & Romzi, M. (2022). Pembuatan dan Pelatihan Administrator Website pada Dinas Kesehatan Kabupaten Ogan Komering Ulu. Jurnal Pengabdian Masyarakat (Abdira), 2(3), 253–258. https://doi.org/10.31004/abdira.v2i3.202
Kumar Pala Highmark Health, S., & Kumar Pala, S. (2022). Investigating Fraud Detection in Insurance Claims using Data Science Article in. In International Journal of Enhanced Research In Science Technology & Engineering (Vol. 11). https://www.researchgate.net/publication/380712287
Nurjanah, S., & Komputer, R. I. (2024). IDENTIFIKASI KECURANGAN ASURANSI DENGAN TEKNIK DATA MINING. In Duniadata.org (Vol. 1, Issue 6).
Purnama Sari, Y., & Matematika UIN Raden Fatah Palembang, P. (n.d.). IDENTIFIKASI KEMAMPUAN KOGNITIF SISWA DALAM MENYELESAIKAN SOAL-SOAL MATERI BANGUN RUANG SISI DATAR.
Safitri, D. A. (2024). RANCANG BANGUN APLIKASI PENGINPUTAN DATA SENSUS PENDUDUK BERBASIS DEKSTOP. Jurnal Informatika Dan Teknik Elektro Terapan, 12(1). https://doi.org/10.23960/jitet.v12i1.3821
Sri, N., & Keperdataan, S. B. (2018). PERLINDUNGAN HUKUM TERHADAP PEMEGANG POLIS ASURANSI DALAM MENYELESAIKAN SENGKETA KLAIM ASURANSI Oleh. In Jurnal Spektrum Hukum (Vol. 15, Issue 1).
Benchaji, I., Douzi, S., El Ouahidi, B., & Jaafari, J. (2021). Enhanced credit card fraud detection based on attention mechanism and LSTM deep model. Journal of Big Data, 8(1). https://doi.org/10.1186/s40537-021-00541-8
GHRIB, T., KHALDI, Y., PANDEY, P. S., & ABUSAL, Y. A. (2024). ADVANCED FRAUD DETECTION IN CARD-BASED FINANCIAL SYSTEMS USING A BIDIRECTIONAL LSTM-GRU ENSEMBLE MODEL. Applied Computer Science, 20(3), 51–66. https://doi.org/10.35784/acs-2024-28
Karn, A. L., Ateeq, K., Sengan, S., Indra, G. V., Ravi, L., Sharma, D. K., & Subramaniyaswamy, V. (2022). B-LSTM-NB BASED COMPOSITE SEQUENCE LEARNING MODEL FOR DETECTING FRAUDULENT FINANCIAL ACTIVITIES. Malaysian Journal of Computer Science, 2022(Special Issue 1), 30–49. https://doi.org/10.22452/mjcs.sp2022no1.3
Nguyen, H. D., Tran, K. P., Thomassey, S., & Hamad, M. (2020). Forecasting and Anomaly Detection approaches using LSTM and LSTM Autoencoder techniques with the applications in Supply Chain Management.
Puspita, K., Alkhalifi, Y., & Basri, H. (2021). Rancang Bangun Sistem Informasi Penerimaan Peserta Didik Baru Berbasis Website Dengan Metode Spiral. Paradigma - Jurnal Komputer Dan Informatika, 23(1), 35–42. https://doi.org/10.31294/p.v23i1.10434
Raval, J., Bhattacharya, P., Jadav, N. K., Tanwar, S., Sharma, G., Bokoro, P. N., Elmorsy, M., Tolba, A., & Raboaca, M. S. (2023). RaKShA: A Trusted Explainable LSTM Model to Classify Fraud Patterns on Credit Card Transactions. Mathematics, 11(8). https://doi.org/10.3390/math11081901
Sun, J., Ren, H., Duan, Y., Yang, X., Wang, D., & Tang, H. (2024). Fusion of Multi-Layer Attention Mechanisms and CNN-LSTM for Fault Prediction in Marine Diesel Engines. Journal of Marine Science and Engineering, 12(6). https://doi.org/10.3390/jmse12060990
Sun, Y., Wu, Y., Calvin, Y. (, & Xu, ). (n.d.). Association for Information Systems Association for Information Systems AIS Electronic Library (AISeL) AIS Electronic Library (AISeL) Using an Ensemble LSTM Model for Financial Statement Fraud Using an Ensemble LSTM Model for Financial Statement Fraud Detection Detection. https://aisel.aisnet.org/pacis2020