PREDIKSI LAPSE RATE PADA ASURANSI JIWA DENGAN PENDEKATAN MACHINE LEARNING

FAUSTINA DIAN CAHYANINGRUM, Dr. Nanang Susyanto, M.Sc., M.Act.Sc.

2024 | Skripsi | S1 ILMU AKTUARIA

Peristiwa lapse pada asuransi sangat mempengaruhi keberlangsungan perusahaan asuransi karena mempengaruhi pendapatan perusahaan yang berasal dari premi. Oleh karena itu, pemodelan prediksi lapse menjadi sangat penting karena dapat membantu perusahaan dalam memahami perilaku pemegang polis dan memprediksi kejadian lapse yang akan datang. Dengan memprediksi lapse, perusahaan asuransi dapat mengambil langkah-lankah strategis untuk mencegah lapse.

Saat ini, regresi logistik menjadi metode yang populer untuk melakukan prediksi terkait klasifikasi, salah satunya lapse pada asuransi. Namun, regresi logistik memiliki beberapa kelemahan. Maka dari itu, penggunaan machine learning, salah satunya XGBoost, dapat menjadi alternatif yang menarik karena dapat mengatasi kekurangan regresi logistik. Diperoleh kesimpulan model XGBoost lebih baik dalam melakukan prediksi lapse, dilihat dari nilai metrik yang lebih baik dibandingkan regresi logistik.

The lapse event in insurance greatly affects the sustainability of the insurance company because it affects the company's income derived from premiums. Therefore, lapse prediction modeling is very important because it can help companies understand policyholder behavior and predict future lapse events. By predicting lapse, insurance companies can take strategic measure to prevent lapse.

Currently, logistic regression is a popular method to make predictions related to classifications, one of which is the lapse status in insurance. However, logistic regression has some weaknesses. Therefore, the use of machine learning, one of which is XGBoost, can be an interesting alternative because it can handle logistic regression's weaknesses. It is concluded that the XGBoost model is better at predicting lapse, judging by the better metric value compared to logistic regression.

Kata Kunci : status polis, lapse, machine learning, regresi logistik, Extreme Gradient Boosting