<![CDATA[Prediksi risiko gagal bayar premi merupakan salah satu aspek penting dalam pengelolaan risiko perusahaan asuransi. Ketepatan model prediksi memungkinkan perusahaan mengidentifikasi calon tertanggung yang berpotensi menunggak pembayaran premi sehingga langkah mitigasi dapat dilakukan sejak awal. Penelitian ini bertujuan menerapkan algoritma Gradient Boosting Classifier (GBC) dalam memprediksi risiko gagal bayar dengan menggunakan dataset publik Travel Insurance Prediction. Variabel target direlabel menjadi Default Risk sebagai representasi risiko gagal bayar. Proses penelitian meliputi pre-processing data, encoding variabel kategorik, penyeimbangan data dengan SMOTE, dan evaluasi model menggunakan metrik AUC, akurasi, precision-recall. Hasil penelitian menunjukkan bahwa Gradient Boosting menghasilkan performa terbaik dibandingkan Logistic Regression dan Random Forest, dengan nilai AUC tertinggi dan stabilitas prediksi yang baik pada data tidak seimbang. Penelitian ini memberikan kontribusi pada pengembangan model risiko berbasis machine learning di industri asuransi.]]>
Copyrights © 2024
