Klasifikasi Pemegang Polis Menggunakan Metode XGBoost

Aditya Adam Firdaus, Aceng Komarudin Mutaqin

Abstract


Abstract. Based on data from the Indonesian Police, recorded in 2019 the number of accidents in Indonesia increased by 3 percent from 2018, which is 103,672 accidents. Therefore, the insurance company's step in addressing the uncertainty of the risk that will occur is by choosing an accurate method to predict whether the insured or the policyholder claims the risk that occurs or not. In this study will discuss about one of the methods of gradient decision tree for classification problems. The method is XGBoost. The method will be applied in predicting the classification of claims from Indonesian motor vehicle insurance data in PT insurance companies. X for the 2013 policy. The purpose of this study is to see how accurate the XGBoost method is in classifying claims from Indonesian motor vehicle insurance data at PT insurance companies. X for 2013 policy based on evaluation metrics such as confusion matrix, accuracy and precision. Based on the results, the XGBoost method was able to predict the classification of claims with an average accuracy of 80.87% and precision of 80.48%.

Keywords: Classification, XGBoost, Evaluation Metrics.

Abstrak. Berdasarkan data dari Kepolisian Republik Indonesia, tercatat pada tahun 2019 jumlah kecelakaan di Indonesia meningkat 3 persen dari 2018, yaitu sebanyak 103.672 kecelakaan. Untuk itu, langkah perusahaan asuransi dalam mengatasi ketidakpastian risiko yang akan terjadi yaitu dengan memilih metode yang akurat untuk memprediksi apakah tertanggung atau pemegang polis mengklaim risiko yang terjadi atau tidak. Dalam penelitian ini akan membahas mengenai salah satu dari metode pohon keputusan gradien untuk permasalahan klasifikasi. Metode tersebut adalah XGBoost. Metode tersebut akan diterapkan dalam memprediksi klasifikasi klaim dari data asuransi kendaraan bermotor Indonesia di perusahaan asuransi PT. X untuk polis tahun 2013. Tujuan dari hasil penelitian ini yaitu melihat seberapa akurat metode XGBoost dalam mengklasifikasikan klaim dari data asuransi kendaraan bermotor Indonesia di perusahaan asuransi PT. X untuk polis tahun 2013 berdasarkan evaluation metrics seperti confusion matrix, akurasi dan presisi. Berdasarkan hasil yang didapati, metode XGBoost mampu memprediksi klasifikasi klaim dengan rata-rata akurasi sebesar 80,87% dan presisi sebesar 80,48%.

Kata Kunci: Klasifikasi, XGBoost, Evaluation Metrics.

Keywords


Klasifikasi, XGBoost, Evaluation Metrics

Full Text:

PDF

References


Republik Indonesia. 2014. Undang-Undang Republik Indonesia Nomor 40 Tahun 2014 tentang Perasuransian. Diambil kembali dari https://www.ojk.go.id/Files/201506/1UU402014Perasuransian_1433758676.pdf

Kartini, N., Sunendiari, S., & Mutaqin, A. K. (2018). Penentuan Distribusi Kerugian Agregat Tertanggung Asuransi Kendaraan Bermotor di Indonesia Menggunakan Metode Fast Fourier Transform. Prosiding Statistika, Vol. 4, No. 1, 18-25.

PT. Kompas Cyber Media (Kompas Gramedia Digital Group). 2019. Polri Sebut Jumlah Kecelakaan Lalu Lintas Meningkat pada 2019. Diambil kembali dari Kompas.com: https://nasional.kompas.com/read/2019/12/28/10355741/polri-sebut-jumlah-kecelakaan-lalu-lintas-meningkat-pada-2019

Abdelhadi, S., Elbahnasy, K., & Abdelsalam, M. 2020. A Proposed Model to Predict Auto Insurance Claims Using Machine Learning Techniques. Vol. 98, 22.

Brownlee, J. 2018. XGBoost With Python: Gradient Boosted Trees with XGBoost and scikit-learn (1.10 ed.). Machine Learning Mastery.

XGBoost Developers. (2021, Juni 1). XGBoost Release 1.5.0-dev. Diambil kembali dari XGBoost: https://buildmedia.readthedocs.org/media/pdf/xgboost/latest/xgboost.pdf

Yunus, M. (2020, Januari 12). #3 Machine Learning Evaluation. Diambil kembali dari Medium: https://yunusmuhammad007.medium.com/3-machine-learning-evaluation-239426e3319e

Shofwani Sheila Ghazia, Kudus Abdul. (2021). Penentuan Kriteria Pengunjung dalam Pemilihan Green Hotel di Kota Bandung Menggunakan Metode Discrete Choice Experiment dengan Desain Choice Sets Kombinatorial. Jurnal Riset Statistika, 1(1), 1-9.




DOI: http://dx.doi.org/10.29313/.v0i0.30320

Flag Counter