PENERAPAN ALGORITMA XGBOOST UNTUK PERHITUNGAN PREDIKSI NILAI KLAIM ASURANSI KAPAL
Ahmad Ibrahim, Drs. Danardono, M.P.H., Ph.D
2024 | Skripsi | S1 ILMU AKTUARIA
Penelitian ini mengkaji penerapan algoritma XGBoost dalam
konteks prediksi nilai klaim asuransi dengan memanfaatkan pendekatan machine
learning. Klaim asuransi memiliki dampak signifikan terhadap keberlanjutan
operasional perusahaan asuransi, sehingga prediksi yang akurat mengenai nilai
klaim menjadi krusial. Dalam menghadapi tantangan kompleksitas data klaim,
penggunaan algoritma machine learning, khususnya XGBoost, dipilih untuk
meningkatkan performa prediksi. Dataset penelitian melibatkan data klaim
asuransi kapal yang mencakup berbagai variabel terkait klaim, seperti jenis
kapal, karakteristik kapal, dan atribut lainnya. Melalui serangkaian eksperimen
dan analisis, penelitian ini mengevaluasi kemampuan algoritma XGBoost dalam
menghasilkan prediksi yang akurat dan efisien, sambil mempertimbangkan
keunggulan pendekatan machine learning dalam menangani pola-pola kompleks dan
non-linear pada data klaim. Berdasarkan hasil penelitian ini, diperoleh
kesimpulan bahwa penerapan algoritma XGBoost mampu memberikan prediksi nilai
klaim asuransi dengan tingkat akurasi yang lebih baik dibandingkan Generalized
Linear Model.
This study examines the implementation of the XGBoost
algorithm in the context of predicting insurance claim values using a machine
learning approach. Insurance claims have a significant impact on the operational
sustainability of insurance companies, making accurate predictions of claim
values crucial. Faced with the challenges of the complexity of claim data, the
use of machine learning algorithms, especially XGBoost, was chosen to enhance
prediction performance. The research dataset involves ship insurance claim
data, encompassing various variables related to claims such as ship types, ship
characteristics, and other attributes. Through a series of experiments and
analyses, this study evaluates the ability of the XGBoost algorithm to generate
accurate and efficient predictions, while considering the advantages of the
machine learning approach in handling complex and non-linear patterns in claim
data. Based on the results of this research, it is concluded that the implementation
of the XGBoost algorithm can provide better accuracy in predicting insurance
claim values compared to the Generalized Linear Model.
Kata Kunci : XGBoost, Generalized Linear Model, Klaim Asuransi