PENERAPAN MACHINE LEARNING DECISION TREE DALAM PEMODELAN KEMATIAN UNTUK MENINGKATKAN AKURASI MODEL LEE-CARTER DAN MODEL RENSHAW-HABERMAN

ALFA NUR SABILA, Drs. Danardono, MPH., Ph.D.

2020 | Tesis | MAGISTER MATEMATIKA

Pemodelan kematian sangat penting dalam ekonomi, demografi dan asuransi. Di dunia asuransi, tingkat kematian menentukan liabilitas asuransi, harga produk asuransi, dan skema manfaat asuransi. Pemodelan kematian yang akurat sangat dibutuhkan sebagai acuan dalam menentukan produk asuransi. Dalam beberapa tahun terakhir, sejumlah pendekatan baru telah dikembangkan untuk pemodelan kematian, di antaranya model Lee-Carter dan model Renshaw-Haberman. Model Lee-Carter mengambil logaritma dari Age Spesific Death Rate (ASDR) dan merupakan model yang paling populer. Model Renshaw-Haberman merupakan ekstensi dari model Lee-Carter dengan menambahkan cohort sebagai parameter tambahan. Salah satu metode dalam Machine Learning, yaitu Decision Tree juga dapat diterapkan dalam pemodelan kematian. Dengan menggunakan algoritma Classification and Regression Trees (CART) dalam Machine Learning Decision Tree, dapat dianalisis bagaimana keakuratan hasil estimasi tingkat kematian dapat ditingkatkan. Pada penelitian ini, akan dilakukan pemodelan kematian menggunakan model Lee-Carter dan model Renshaw-Haberman, serta akan diterapkan Machine Learning Decision Tree untuk meningkatkan akurasi kedua model tersebut. Hasil akhir menunjukkan bahwa model Lee-Carter dan model Renshaw-Haberman yang telah dilakukan back-testing menggunakan Machine Learning Decision Tree memberikan nilai MAPE yang lebih kecil dibandingkan dengan model sebelum back-testing. Adapun model yang memberikan hasil estimasi paling akurat adalah model Renshaw-Haberman dengan penerapan Machine Learning Decision Tree.

Mortality modeling is crucial in economy, demography and insurance. In insurance business, the mortality rate determines insurance liabilities, prices of insurance products, and insurance beneficial schemes. Accuracy of mortality modeling is necessary to determine insurance products. In recent years, a number of new approaches of mortality modeling have been developed, among others are the Lee-Carter model and the Renshaw-Haberman model. The Lee-Carter model is the most popular one. This model takes logarythm from Age Specific Death Rate (ASDR). The Renshaw-Haberman model is an extension of the Lee-Carter model which includes cohort as an additonal parameter. One of the methods in Machine Learning, namely Decision Tree can also be applied in mortality modeling. By using the Classification and Regression Trees (CART) algorythm in the Machine Learning Decision Tree, the accuracy of mortality rate estimate result can be improved. In this research, the author will apply the Lee-Carter model and the Renshaw-Haberman model for mortality modeling, and the Machine Learning Decision Tree will be applied to improve the accuracy of both models. The results show that the Lee-Carter model and the Renshaw-Haberman model with the Machine Learning Decision Tree improvement provide smaller MAPE value than the models before improvement. The model that has the smallest MAPE value is the Renshaw-Haberman model with the Machine Learning Decision Tree improvement.

Kata Kunci : Machine Learning, Decision Tree, Lee-Carter, Renshaw-Haberman.