Kondisi kesehatan seseorang dari waktu ke waktu dapat dimodelkan dengan model multistatus yang menggunakan asumsi Markov. Masalah yang terkadang dihadapi adalah kondisi kesehatan tersebut tidak selalu dapat teramati. Namun demikian, ada variabel lain yang teramati dan dapat menggambarkan kondisi kesehatan dari waktu ke waktu. Dalam penelitian ini dibahas mengenai model hidden Markov untuk mengestimasi intensitas transisi dan probabilitas pengamatan. Estimasi dilakukan dengan metode maksimum likelihood. Selanjutnya akan dianalisis pengaruh kovariat terhadap intensitas transisi. Hasil estimasi dari intensitas transisi dan probabilitas transisi, baik tanpa kovariat maupun dengan kovariat akan digunakan untuk menghitung premi asuransi kesehatan rawat jalan. Metode yang dibahas dalam penelitian ini akan diaplikasikan pada data kunjungan pasien di sebuah klinik kesehatan di Jawa Barat dan data simulasi. Pengolahan data dilakukan dengan software R. Diharapkan dengan menggunakan model hidden Markov, nilai premi asuransi kesehatan rawat jalan tetap dapat dihitung meskipun tidak tersedia data tentang kondisi kesehatan pasien.

Health conditions over time can be modeled using multistate Markov model. However, the information about health conditions are not always available, but there is another information related to these conditions. This study presents hidden Markov model to estimate transition intensities and observation probabilities for multistate model where the true states are not observed. Maximum likelihood method is used to estimate parameters in the model. Covariates will be fitted to transition intensities. The estimation of transition intensities and transition probabilities, both with and without covariates effect, will be used to calculate health insurance premium. By using this method, it is expected to get premium value although the health condition data is not available. This method will be applied to two datasets, data of patients visit in a clinic in West Java and simulated data. Data analysis is done using R software.

Kata Kunci : -