KLASIFIKASI DAN PENGELOMPOKAN POLIS ASURANSI KENDARAAN BERMOTOR: UPAYA PERSIAPAN IMPLEMENTASI IFRS 17 PADA PERUSAHAAN ASURANSI UMUM

ANDIANSYAH PRIMA W, Danang Teguh Qoyyimi, S.Si., M.Sc., Ph.D.

2020 | Skripsi | S1 STATISTIKA

Standar akuntansi untuk pelaporan kegiatan asuransi akan mengacu kepada IFRS 17 yang semula mengacu kepada IFRS4. IFRS 17 adalah standar akuntansi keuangan yang dikeluarkan oleh International Financial Reporting System yang mengatur perlakuan akuntansi yang disepakati secara internasional untuk kontrak-kontrak asuransi. Dalam upaya meningkatkan akurasi penilaian risiko untuk adaptasi IFRS 17, diperlukan cara yang baik untuk mengelompokkan risiko dari tertanggung. Oleh karena itu, perlu dilakukan penentuan kelompok risiko. Karena data dari suatu perusahaan asuransi memiliki ukuran yang besar, metode CLARA cocok untuk menangani masalah tersebut. CLARA memiliki sifat lebih robust terhadap pencilan dan dapat digunakan untuk menangani data dalam jumlah besar. Setelah dilakukan pengelompokan, perlu diketahui faktor apa yang menyebabkan seseorang masuk ke dalam kelompok tertentu. Untuk itu perlu dilakukan analisis klasifikasi. Beberapa metode analisis klasifikasi adalah XGBoost, AdaBoost, dan SVM. Extreme Gradient Boosting dan Adaptive Boosting merupakan teknik dalam machine learning untuk masalah regresi dan klasifikasi biner ataupun multikelas yang menghasilkan model prediksi dalam bentuk gabungan model prediksi yang lemah. Support Vector Machine (SVM) adalah suatu teknik untuk melakukan prediksi, baik dalam kasus regresi maupun klasifikasi biner atau multikelas. SVM memiliki prinsip dasar linier classifier.

Accounting standards for reporting insurance activities will refer to IFRS 17, which originally referred to IFRS4. IFRS 17 is a financial accounting standard issued by the International Financial Reporting System that regulates internationally agreed accounting treatment for insurance contracts. In an effort to increase the accuracy of risk assessment for IFRS 17 adaptation, a good way is needed to classify risks from the insured. Therefore, it is necessary to determine the risk group. Because data from an insurance company is large, the CLARA method is suitable for dealing with the problem. CLARA has a more robust nature of outliers and can be used to handle large amounts of data. After grouping, it is important to know what factors cause a person to enter a certain group. For this, classification analysis is needed. Some classification analysis methods are XGBoost, SVM, and AdaBoost. Extreme Gradient Boosting and Adaptive Boosting is a technique in machine learning for binary or multiclass regression and classification problems that results in predictive models in the form of weak predictive models. Support Vector Machine (SVM) is a technique for making predictions, both in the case of regression and binary or multiclass classification. SVM has the basic principle of linear classifier.

Kata Kunci : IFRS 17, CLARA, XGBoost, AdaBoost, SVM, klasifikasi multikelas, boosting, medoid