<![CDATA[Analisis survival adalah teknik statistik untuk menganalisis waktu hingga suatu kejadian terjadi. Teknik ini dapat memprediksi waktu survival dan mempelajari faktor-faktor yang memengaruhinya. Data dalam analisis survival menagalami penyensoran ketika kejadian tertentu tidak teramati. Penyensoran paling umum adalah penyensoran kanan, yaitu ketika kejadian belum terjadi atau tidak dapat dilanjutkan pengamatannya. Metode analisis survival seperti Cox Proportional Hazard (CPH) dan Random Survival Forest (RSF) dapat mengatasi masalah ini. CPH memerlukan asumsi risiko proporsional yang konstan terhadap waktu. RSF, sebuah metode non-parametrik dengan machine learning, dapat menjadi solusi untuk mengatasi keterbatasan ini. RSF membangun pohon keputusan dan menggabungkan hasil prediksi dari setiap pohon. Tujuan penelitian ini adalah untuk membandingkan performa CPH dan RSF berdasarkan C Index dalam memprediksi data simulai tersensor kanan dengan berbagai skenario serta menerapkannya pada data aktual. Hasil dari penelitian ini menunjukkan bahwa metode CPH unggul dalam berbagai skenario dalam menganalisis data simulasi. Mayoritas nasabah melakukan klaim. Tidak ada perbedaan risiko klaim berdasarkan faktor usia, jenis kelamin, dan jenis penykit. Secara berurutan risiko klaim berasal dari pengidap infeksi adenovirus, dermatitis atopik, dan gingivitis akut. CPH merupakan metode terbaik dalam menganalisis data aktual. Hanya variabel jenis penyakit yang signifikan dalam pemodelan CPH. Tingkat kepentingan variabel RSF secara berurutan adalah jenis penyakit, usia, jenis kelamin, dan status merokok.]]>
