<![CDATA[Permasalahan prediksi klaim pada industri asuransi merupakan aspek penting dalam proses underwriting, perhitungan premi, dan manajemen risiko. Penelitian ini bertujuan untuk menganalisis performa algoritma machine learning dalam memprediksi klaim asuransi dan membandingkannya dengan pendekatan statistik klasik, yaitu Generalized Linear Model (GLM). Data klaim umumnya memiliki karakteristik yang kompleks seperti non-linearitas, imbalance class, dan variabel interaksi yang sulit ditangkap oleh model linear. Oleh karena itu, penelitian ini menerapkan beberapa algoritma machine learning, yaitu Random Forest, Gradient Boosting, dan XGBoos, untuk memodelkan probabilitas klaim. Evaluasi performa dilakukan menggunakan metrik AUC, F1-score, dan akurasi, disertai analisis feature importance. Hasil penelitian menunjukkan bahwa model machine learning memiliki performa prediksi yang lebih baik dibandingkan GLM, terutama pada masalah data tidak seimbang. XGBoost memberikan nilai AUC tertinggi sebesar 0,063194, sedangkan GLM cenderung memiliki performa lebih rendah pada pola data non-linear. Temuan ini menunjukkan bahwa machine learning dapat menjadi pendekatan alternatif yang efektif dalam mendukung proses pengambilan keputusan aktuaria dan pengembangan sistem pendukung keputusan di industri asuransi]]>
Copyrights © 2024
