Implementasi dan Evaluasi Model XGBOOST dan LIGHTGBM untuk Deteksi Fraud pada Asuransi dengan Interpretasi SHAP dan LIME

Reisti Marlisdiah, Dr. Adhitya Ronnie E., S.Si., M.Si., M.Sc.

2026 | Tesis | S2 Matematika

Industri asuransi menghadapi tantangan signifikan akibat klaim fraud yang menyebabkan kerugian finansial besar, di mana metode deteksi konvensional seringkali tidak mampu menangkap pola nonlinear yang kompleks, sementara model Machine Learning modern seperti XGBoost dan LightGBM memiliki akurasi tinggi namun bersifat black-box. Penelitian ini bertujuan mengimplementasikan dan mengevaluasi XGBoost dan LightGBM pada dataset klaim kendaraan yang tidak seimbang menggunakan pendekatan Cost-Sensitive Learning, serta menjelaskan prediksinya dengan SHAP dan LIME. Hasil pengujian menunjukkan bahwa LightGBM dengan threshold 0,7 merupakan model terbaik dengan AUC 0,8328, yang mampu menekan False Positive hingga 60-70% dibanding model baseline guna efisiensi operasional. Kedua model memberikan tingkat akurasi yang lebih tinggi dibandingkan dengan model baseline (Regresi Logistik dan Random Forest), yaitu 0.8657 untuk model LightGBM dan 0.8331 untuk model XGBoost. Analisis XAI mengungkap bahwa fitur Fault_Third_Party dan BasePolicy_Liability berpengaruh dominan, di mana Fault_Third_Party tinggi berkorelasi negatif dengan probabilitas fraud, dan interpretasi lokal LIME membuktikan kemampuan model dalam memberikan penjelasan kredibel untuk prediksi individu, sehingga penelitian ini menyumbang pada pengembangan sistem deteksi fraud yang akurat, efisien, dan transparan.

The insurance industry faces significant financial losses due to fraudulent claims, where conventional detection methods often fail to capture complex nonlinear patterns, while advanced models like XGBoost and LightGBM are accurate yet act as black boxes. This study implements XGBoost and LightGBM on an imbalanced vehicle insurance dataset using Cost-Sensitive Learning and compares them with baseline models, incorporating SHAP and LIME for explainability. The results demonstrate that LightGBM with a threshold of 0.7 is the optimal model (AUC 0.8328), capable of reducing False Positives by 60-70\% compared to baselines for operational efficiency. Both models achieved higher accuracy than the baseline (Logistic Regression and Random Forest), with 0.8657 for the LightGBM model and 0.8331 for the XGBoost model. XAI analysis reveals that Fault_Third_Party and BasePolicy_Liability are the most dominant features, with high Fault_Third_Party values negatively correlating with fraud probability. Furthermore, LIME proves the model's ability to provide credible local explanations, thereby contributing to the development of fraud detection systems that are both accurate and transparent.

Kata Kunci : Deteksi Fraud, XGBoost, LightGBM, Explainable AI, SHAP, LIME, Data Tidak Seimbang, Fraud Detection, XGBoost, LightGBM, Explainable AI, SHAP, LIME, Imbalanced Data