Jurnal Sains dan Seni ITS
Vol 13, No 4 (2024)

Perbandingan Metode Extreme Gradient Boosting (XGBoost) dan Light Gradient Boosting Machine (LightGBM) untuk Mendeteksi Fraud pada Data Klaim Asuransi Kendaraan Bermotor

Aliefia, Aqilla Yumna (Departemen Matematika Institut Teknologi Sepuluh Nopember Surabaya)
Irawan, Mohammad Isa (Departemen Matematika Institut Teknologi Sepuluh Nopember Surabaya)



Article Info

Publish Date
29 Apr 2025

Abstract

Penggunaan asuransi semakin diminati di era per-kembangan ekonomi modern saat ini karena meningkatnya kesadaran masyarakat akan risiko, sehingga penting diperlu-kan sebuah perlindungan atas risiko yang tidak terduga. Asu-ransi merupakan perjanjian antara dua pihak, di mana pihak penanggung berkomitmen kepada tertanggung dengan meneri-ma premi asuransi untuk memberikan ganti rugi kepada ter-tanggung. Salah satu asuransi yang banyak ditawarkan, yaitu asuransi kendaraan bermotor yang memberikan manfaat atas kerugian atau kerusakan yang terjadi pada kendaraan. Namun, pada praktiknya, asuransi kendaraan bermotor rentan terha-dap masalah fraud, yang merupakan tindakan yang dilakukan secara sengaja dengan tujuan memperoleh keuntungan dari pihak lain. Oleh karena itu, pada penelitian ini membahas mengenai deteksi fraud pada klaim asuransi kendaraan bermo-tor dengan menggunakan metode Extreme Gradient Boosting (XGBoost) dan Light Gradient Boosting Machine (LightGBM). Hasil klasifikasi dari kedua metode tersebut akan dibandingkan untuk mendapatkan model yang terbaik. Penelitian ini dila-kukan tahap pengambilan data sebanyak 15.420 data, kemu-dian dilakukan preprocessing data yang meliputi data cleaning, label encoding data, handling imbalance class, dan splitting data. Kemudian dilakukan klasifikasi dengan mengimplementasikan metode XGBoost dan metode LightGBM serta hyperparameter tuning pada masing-masing metode. Kinerja model XGBoost dari metrik evaluasi mendapatkan hasil accuracy 97,89%, precision 97,8%, recall 98,1%, F1-Score 98,0%, dengan waktu komputasi training, yaitu 756.2738 sekon atau sekitar 12 menit. Sementara itu, model LightGBM mendapatkan accuracy 98,3%, precision 98,0%, recall 98,5%, F1-Score 98,3% dengan waktu komputasi training, yaitu 444,5474 sekon atau sekitar 7 menit, Kedua model menunjukkan kinerja yang baik dalam mendeteksi fraud. Namun, model LightGBM memiliki keung-gulan dalam semua metrik evaluasi dan efisiensi waktu kom-putasi. Dengan demikian, LightGBM lebih efektif dan efisien dibandingkan XGBoost dalam mendeteksi fraud pada klaim asuransi kendaraan bermotor.

Copyrights © 2024