Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tren kenaikan frekuensi dan severitas klaim untuk klaim asuransi kendaraan bermotor menyebabkan dibutuhkannya metode otomatisasi baru untuk memprediksi probabilitas seorang pemegang asuransi kendaraan akan mengajukan klaim jika diberikan data historis mengenai pemegang asuransi tersebut, agar perusahaan asuransi dapat memilah dan memproses lebih lanjut para pemegang polis yang kemungkinan mengajukan klaimnya tinggi. Masalah ini dapat diselesaikan dengan berbagai metode, salah satunya dengan machine learning, yang mengkategorisasikan masalah tersebut sebagai masalah supervised learning. Volume data yang besar dan banyaknya kemungkinan adanya missing values pada data pemegang asuransi menjadi dua aspek yang mempengaruhi pemilihan model machine learning yang tepat. XGBoost merupakan model gradient boosting machine learning baru yang dapat mengatasi missing value dan volume data besar sehingga XGBoost diklaim merupakan metode yang tepat untuk digunakan pada masalah tersebut. Dalam skripsi ini akan diaplikasikan metode XGBoost kepada masalah ini, dan akan dibandingkan hasilnya dengan berbagai metode machine learning lainnya, seperti AdaBoost, Stochastic Gradient Boosting, Random Forest, Neural Network, dan Logistic Regression.

---

The increasing trend of claim frequency and claim severity for auto-insurance result in a need of new methods to predict whether a policyholder will file an auto-insurance claim or not, given historical data about said policyholder, so that insurance industries can further process policyholders with high claim probability. This problem can be solved with many methods, one of which is machine learning, which categorizes this problem as a supervised learning problem. The high data volume and the existence of missing values on a policyholders historical data are aspects that the chosen machine learning model must be able to handle. XGBoost is a novel gradient boosting machine learning problem that is able to inherently handle missing values and high volume of data, which should make the model suitable for this problem. In this thesis, XGBoost will be applied to this problem, and its performance will be compared by other machine learning models, such as AdaBoost, Stochastic Gradient Boosting, Random Forest, Neural Network, and Logistic Regression."

"Metode Machine Learning sangat bermanfaat untuk menyelesaikan berbagai masalah, terutama pada masalah big data. Salah satu masalah yang terkait dengan big data adalah prediksi klaim asuransi di industri asuransi. XGBoost adalah metode machine learning yang menggunakan pendekatan ensemble learning dengan decision tree sebagai model dasarnya. XGBoost terdiri dari beberapa hyperparameter yang nilainya perlu ditentukan sebelum proses training. Partial grid search adalah optimasi hyperparameter yang biasanya digunakan untuk XGBoost. Random search adalah optimasi hyperparameter yang menentukan nilai hyperparameter secara random. Pada penelitian ini, diterapkan dan dianalisis metode pengoptimalan lain untuk XGBoost, yaitu Bayesian search untuk prediksi pengajuan klaim asuransi (dengan klasifikasi) dan besarnya klaim asuransi yang diajukan (dengan regresi). Tujuan dari penelitian ini yaitu membandingan performa ketiga metode optimasi hyperparameter pada XGBoost: random search, partial grid search, dan Bayesian search pada klasifikasi dan regresi. Hasil simulasi menunjukkan bahwa partial grid search memberikan akurasi yang sedikit lebih baik dibandingkan dengan random search dan Bayesian search. Namun, waktu running pada Bayesian search jauh lebih cepat daripada partial grid search. Random search memiliki akurasi dan waktu komputasi yang sedikit kurang bagus dibandingkan dengan Bayesian search.

---

Machine Learning Method is very useful for solving various problems, especially in the big data problem. One of the problems associated with big data is the prediction of insurance claims in the insurance industry. XGBoost is a machine learning method that uses an ensemble learning approach with a decision tree as its basic model. XGBoost consists of several hyperparameters which values need to be determined before the training process. Partial grid search is a hyperparameter optimization approach which is usually used for XGBoost. Random search is a hyperparameter optimization method which determines the value of hyperparameter randomly. In this study, another optimization method for XGBoost called Bayesian search is applied and analyzed for predicting insurance claims submissions (by classification) and the size of insurance claims submitted (by regression The purpose of this study is to compare the performance of the three hyperparameter optimization methods on XGBoost: random search, partial grid search, and Bayesian search on classification and regression. The simulation results show that partial grid search gives a slightly better accuracy compared to random search and Bayesian search. However, the running time on Bayesian search is much faster than partial grid search. Random search has an accuracy and computation time that is a little less good compared to Bayesian search."

"Penilaian tingkat klaim risiko pemohon asuransi merupakan bagian penting dalam asuransi jiwa, sehingga perlu untuk diklasifikasikan. Penentuan tingkat klaim risiko pada asuransi jiwa didasarkan pada data historis pemohon. Pengajuan untuk menjadi anggota suatu asuransi jiwa membutuhkan waktu yang tidak singkat. Namun pengaplikasian suatu model machine learning dapat membantu mengklasifikasikan calon pemohon asuransi berdasarkan tingkat risiko dengan cepat. Salah satu model machine learning yaitu Extreme Gradient Boosting (XGBoost) yang merupakan suatu model berbasis decision tree. Model ini digunakan untuk memprediksi risiko pada asuransi jiwa. Adanya missing values pada data yang digunakan diatasi dengan beberapa strategi pada proses prapengolahan data untuk meningkatkan nilai akurasi model XGBoost. Hasil penelitian ini diperoleh bahwa akurasi model XGBoost sebesar 0,60730 dengan satuan kappa yang menunjukkan bahwa model XGBoost sangat baik dan dapat diterapkan pada masalah prediksi tingkat klaim risiko pemohon asuransi jiwa. Jika dibandingkan dengan model decision tree, random forest dan Bayesian ridge, kinerja model XGoost masih tetap unggul dalam memproses missing values pada data yang digunakan.

---

Risk level assessment for insurance applicants is an important part of life insurance, so it needs to be classified. Determination of the level of risk claims on life insurance is based on the applicants historical data. Submission to become a member of a life insurance requires a short time. But the application of a machine learning model can help classify prospective insurance applicants based on the level of risk quickly. One machine learning model is Extreme Gradient Boosting (XGBoost) which is a decision tree based model. This model is used to predict risk in life insurance. The missing values in the data used are overcome by several strategies in the data processing process to increase the accuracy value of the XGBoost model. The results of this study show that the accuracy of the XGBoost model is 0.60730 with kappa units which indicates that the XGBoost model is very good and can be applied to the problem of predicting the level of risk claims for life insurance applicants. When compared to the decision tree, random forest and Bayesian ridge models, the performance of the XGoost model still excels in processing missing values in the data used."

"Industri asuransi merupakan industri yang besar dan terus berkembang di Indonesia. Di tambah lagi, semakin banyak masyarakat Indonesia yang terlindungi oleh asuransi pada tahun 2022. Di samping itu, meningkatnya nasabah asuransi juga dapat meningkatkan risiko terjadinya fraud atau kecurangan pada setiap klaim yang dilakukan nasabah. Hal tersebut dapat menyebabkan kerugian bagi perusahaan asuransi. Maka dari itu, dibutuhkan suatu metode yang dapat menyelesaikan masalah fraud klaim asuransi. Namun, permasalahan fraud ini melibatkan data yang besar sehingga dibutuhkan metode yang dapat memproses data besar dengan cepat dan tidak membutuhkan dana yang besar. Machine learning diajukan sebagai metode untuk dapat mendeteksi fraud klaim asuransi dan telah digunakan dalam beberapa penelitian untuk penyelesaian masalah tersebut. Extreme Gradient Boosting (XGBoost) merupakan salah satu metode machine learning yang banyak digunakan, pertama kali diajukan sebagai model yang scalable sehingga dapat memproses data besar secara efisien. Namun, metode machine learning sebaiknya adalah model yang interpretable dan explainable. Dengan memiliki interpretability dan explainability, suatu model dapat digunakan dan dimengerti dengan baik sehingga sangat reliabel. Oleh karena itu, Approximating XGBoost diajukan sebagai metode yang dapat memungkinkan XGBoost yang terdiri dari banyak boosted Decision Tree dapat diekstrak menjadi satu Decision Tree saja sehingga model ini dapat diinterpretasikan secara transparan mengenai pekerjaan model tersebut dalam mendapatkan hasil yang dikeluarkan. Penelitian ini menemukan bahwa kinerja dari model Approximating XGBoost dapat mendeteksi fraud dengan AUC-ROC mencapai nilai 91,44%, pada specificity dapat mencapai 86,55%, dan pada sensitivity dapat mencapai 91,34% berdasarkan dataset yang digunakan. Artinya, model Approximating XGBoost dapat membentuk suatu model yang performanya mengaproksimasi XGBoost dan dapat model pohonnya dapat ditampilkan seperti Decision Tree.

---

The insurance industry is a big and growing industry in Indonesia. Moreover, more and

more Indonesians will be covered by insurance by 2022. In addition, increasing the

number of insurers can also increase the risk of fraud or fraud in any claim made by the

insurer. So from that, we need a method that can solve the problem of insurance claims

fraud. However, this problem of fraud involves big data so it requires a method that can

process big data quickly and does not require large funds. Machine learning was proposed

as a method to detect insurance claims fraud and has been used in some research to solve

such problems. Extreme Gradient Boosting (XGBoost) is one of the most widely used

machine learning methods, first proposed as a scalable model to process big data

efficiently. However, machine learning methods are preferably models that are

interpretable and explainable. By having interpretability and explainability, a model can

be used and understood well so it is highly reliable. Therefore, Approximating XGBoost

was proposed as a method that could enable XGBoost consisting of many boosted

decision trees to be extracted into a single decision tree only so that this model can be

interpreted transparently about the work of the model in obtaining the outcome issued.

This study found that the performance of the Approximating XGBoost model can detect

fraud with an AUC-ROC of 91.44%, specificity can reach 86.55%, and sensitivity can

91.34% based on the data set used. In other words, the XGBoost Approximating model

can form a model whose performance approximates XGBuost and the tree model can be

displayed like a Decision Tree."

"Fraud atau kecurangan merupakan salah satu permasalahan yang masih dihadapi oleh industri asuransi dan masih memberikan kerugian yang sangat besar bagi industri ini. Biaya yang dikeluarkan pun untuk mengatasi permasalahan ini masih cukup besar, untuk itu dikembangkanlah sebuah model machine learning untuk membantu pencegahan terjadinya fraud pada asuransi. Salah satu model yang sedang sangat berkembang adalah model Imbalance-XGBoost, penelitian ini dilakukan untuk meninjau kemampuan model Imbalance-XGBoost dalam mendeteksi fraud sebagai langkah pencegahan fraud pada asuransi. Penelitian ini berhasil mendapati bahwa Imbalance-XGBoost memiliki performa yang lebih baik jika dibandingkan dengan model dasarnya yaitu XGBoost tanpa penanganan kelas tidak seimbang.

---

Fraud or dishonesty is one of the persistent challenges faced by the insurance industry and continues to result in significant losses for the industry. The costs incurred to address this issue are also quite substantial. Therefore, a machine learning model has been developed to assist in preventing insurance fraud. One of the models that is currently gaining traction is the Imbalance-XGBoost model. This research was conducted to assess the ability of the Imbalance-XGBoost model in detecting fraud as a preventive measure in insurance. The study found that Imbalance-XGBoost performs better compared to its base model, XGBoost, which does not handle imbalanced classes."

"Dengan ketatnya persaingan pada Industri asuransi kendaraan bermotor dan besarnya kemungkinan hilangnya pelanggan (customer churn), perusahaan dituntut untuk semakin memperhatikan pengelolaan hubungan pelanggan. Faktanya mempertahankan pelanggan dinilai lebih efisien secara sumber daya dibanding jika harus mencari pelanggan baru. Dengan perkembangan teknik pengelolaan (CRM) dan besarnya pertumbuhan data yang ada, kemungkinan untuk menganalisa perilaku pelanggan dan mengurangi terjadinya churn dapat dilakukan dengan analisa big data dan machine learning. Dalam penelitian ini, algoritma machine learning dalam membuat model terbaik yang dapat memprediksi churn pada pelanggan. Data yang digunakan merupakan 27.013 data transaksi pembelian dari PT. Asuransi XYZ yang merupakan salah satu perusahaan asuransi otomotif terbesar di Indonesia. Setelah melakukan eksplorasi dan descriptive analytics, peneliti membandingkan akurasi antara logistic regression, decision tree, dan random forest dalam memprediksi churn pada pelanggan. Ditemukan bahwa random forest memiliki skor akurasi total terbaik yaitu 87.74% diikuti dengan decision tree dan logistic regression. Lebih lanjut lagi, tenure, presentase komisi, dan jumlah premi adalah feature yang paling penting dari model. Hasil dari penelitian diharapkan dapat membantu perusahaan dalam mengurangi churn pada pelangan dengan memprediksi lebih awal dan membuat kampanye retensi pelanggan yang tepat

---

With the tightness of the competition in auto insurance market and the possibilities of company loss because of customer churning, insurer company should put more concern in customer relationship management. Moreover, there is fact of acquiring new costumers is more expensive than retaining one. Fortunately, due to current advancement in CRM and vast growth of data provided, the possibilities to learn customer behavior from the data is becoming feasible to retain the customer. This research purpose is to used machine learning algorithm to build model provide best accuracy to predict customer churn. We use 27.013 transaction data from XYZ Insurance Ltd, one of major auto-insurer in Indonesia. After exploring the data with the descriptive analysis, we conduct predictive analysis model with logistic regression, decision tree, and random forest to determine which algorithm give the best accuracy. This research found that random forest model has highest accuracy score (87,74%) followed by decision tree and logistic regression. Furthermore, tenure, percentage of commision, and amount of premium are the most feature that impacting customer churn. This result could help insurer company to reducing customer churn by creating right marketing campaign to retain customers."

"Pada asuransi, tingkat risiko menjadi hal utama dalam menentukan ketentuan-ketentuan yang diterapkan oleh perusahaan asuransi seperti ketentuan besarnya premi yang harus dibayarkan pemegang asuransi. Pada asuransi kendaraan bermotor, salah satu cara untuk melihat tingkat risiko pemegang asuransi adalah dengan memprediksi apakah pemegang asuransi tersebut akan mengajukan klaim asuransi kendaraannya selama satu tahun ke depan. Banyaknya pemegang asuransi kendaraan menghasilkan data yang besar. Metode machine learning mampu mengolah data yang besar dan menghasilkan akurasi yang cukup tinggi. Sudah banyak metode-metode machine learning yang digunakan untuk prediksi klaim asuransi salah satunya neural network yang terinspirasi dari pengolahan informasi pada jaringan syaraf biologis. Terdapat metode deep neural network yang merupakan pengembangan neural network dengan struktur yang lebih kompleks dan menghasilkan akurasi yang lebih tinggi. Penelitian ini menerapkan metode deep neural network untuk memprediksi pengajuan klaim asuransi kendaraan bermotor dan menganalisa akurasi hasil simulasi. Pada penelitian ini juga dibandingan hasil akurasi antara metode deep neural network dengan metode neural network tandar. Hasil simulasi pada penelitian ini menunjukkan bahwa akurasi metode deep neural network lebih tinggi dibandingkan dengan metode neural network standar.

---

In insurance, the level of risk is the main thing in determining the conditions applied by insurance companies. In automobile insurance, one way to see the risk level of insurance holders is to predict whether the insurance holder will submit an insurance claim for the vehicle for the next year. The number of automobile insurance holders produces large data. Machine learning method can process large data and produce high accuracy to predict claims. There have been many machine learning methods used for insurance claim prediction, for example is neural network. Neural network in machine learning inspired by information processing on biological neural network. Deep neural network which is the development of neural network with structures that are more complex and produce higher accuracy. This research uses deep neural network to predict claim automobile insurance and analyze the accuracy of the simulation result. We also compare the accuration of deep neural network with standart neural network. Our simulation show that the accuration of deep neural network is better than standart neural network."

"Tantangan besar dalam mengembangkan model prediktif yang baik untuk prediksi klaim asuransi kendaraan bermotor adalah adanya missing values dalam data. Berbagai algoritma pembelajaran mesin telah diteliti untuk mengatasi masalah missing values ini. XGBoost merupakan salah satu teknik Gradient Boosting Decision Tree (GBDT) yang terbukti unggul dibandingkan metode imputasi seperti K-Nearest Neighbors (KNN) dan mean imputation. Namun, XGBoost memiliki beberapa keterbatasan, seperti waktu pemrosesan yang lebih panjang dan perlunya untuk melakukan one-hot encoding pada variabel kategorikal. Keterbatasan yang dimiliki oleh metode XGBoost dapat diatasi oleh metode LightGBM. Penelitian ini bertujuan untuk menganalisis kinerja metode XGBoost dan LightGBM dalam memprediksi klaim asuransi kendaraan bermotor pada data yang mengandung missing values. Dataset yang digunakan berasal dari klaim asuransi kendaraan bermotor perusahaan Porto Seguro yang terdiri yang memiliki missing values hingga 70%. Evaluasi kinerja dilakukan menggunakan metrik Normalized Gini score dan training time. Penelitian ini membandingkan dua pendekatan dalam menangani missing values: tanpa imputasi dan dengan imputasi mean. Hasil penelitian menunjukkan bahwa metode XGBoost tanpa imputasi missing values memberikan kinerja terbaik dengan nilai Normalized Gini tertinggi sebesar 0,2735. Namun, XGBoost tanpa imputasi membutuhkan waktu training yang lebih lama, yaitu rata-rata 15,5841 detik. Metode LightGBM tanpa imputasi juga menunjukkan kinerja yang baik dengan nilai Normalized Gini sebesar 0,2559 dan waktu training yang lebih singkat dengan rata-rata 4,0521 detik. Pada data tanpa imputasi, XGBoost secara mutlak tetap menunjukkan kinerja terbaik dengan nilai Normalized Gini tertinggi baik pada data yang tidak diimputasi maupun telah diimputasi. LightGBM, meskipun memiliki Normalized Gini yang sedikit lebih rendah, namun lebih efisien dalam waktu training dengan waktu training hampir 4 kali lebih cepat dibandingkan XGBoost. XGBoost tanpa imputasi memberikan hasil prediksi yang lebih akurat. LightGBM tanpa imputasi menunjukkan efisiensi dalam waktu training dengan sedikit penurunan dalam Normalized Gini (6,88%) dibandingkan dengan XGBoost tanpa imputasi. Disimpulkan bahwa jika prioritas utama adalah kemampuan prediktif yang lebih baik, maka XGBoost tanpa imputasi adalah pilihan yang lebih baik. Namun, jika efisiensi waktu training menjadi prioritas utama, maka LightGBM tanpa imputasi dapat menjadi alternatif yang sangat baik karena mampu melakukan proses training dengan lebih cepat secara signifikan tanpa kehilangan kemampuan prediktif (dalam konteks ini Normalized Gini) yang signifikan.

---

The primary challenge in developing robust predictive models for motor vehicle insurance claims lies in the presence of missing values within the dataset. Several machine learning algorithms have been explored to address this issue, with XGBoost—a gradient-boosted decision tree (GBDT) technique—demonstrating superior performance compared to traditional imputation methods such as K-Nearest Neighbors (KNN) and mean imputation. However, XGBoost is constrained by certain limitations, including longer processing times and the requirement for one-hot encoding of categorical variables. These limitations can be mitigated by employing the LightGBM method. This study aims to evaluate the performance of XGBoost and LightGBM in predicting motor vehicle insurance claims in datasets containing missing values. The dataset utilized in this research is sourced from Porto Seguro’s motor vehicle insurance claims, which contains up to 70% missing values. The model performance is assessed using two key metrics: the Normalized Gini score and training time. The study compares two approaches to handling missing values: without imputation and with mean imputation.The findings reveal that XGBoost without imputation achieves the highest predictive performance, with a Normalized Gini score of 0.2735. However, this approach also entails a longer training time, averaging 15.5841 seconds. LightGBM without imputation, while producing a slightly lower Normalized Gini score of 0.2559, demonstrates superior efficiency, with a significantly reduced training time of 4.0521 seconds on average. In scenarios without imputation, XGBoost consistently delivers the highest predictive performance, both for non-imputed and imputed data. While LightGBM exhibits a marginally lower Normalized Gini score, it offers substantial improvements in training efficiency, with training times nearly four times faster than those of XGBoost. In conclusion, XGBoost without imputation provides the most accurate predictions, making it the preferable choice when predictive performance is the primary objective. However, when the primary concern is training time efficiency, LightGBM without imputation emerges as a strong alternative, offering a significant reduction in training time with only a modest decrease (6.88%) in predictive accuracy, as measured by the Normalized Gini score, compared to XGBoost without imputation."

"Permasalahan utama yang sering dihadapi oleh perusahaan asuransi adalah mengestimasi cadangan klaim. Perhitungan estimasi cadangan klaim yang dilakukan secara kurang tepat akan memengaruhi kelangsungan usaha dari perusahaan asuransi. Metode estimasi cadangan klaim yang paling sering digunakan di dunia asuransi adalah metode Chain-Ladder dan variasinya. Selain metode tersebut, Peters, Targino dan Wuthrich (2017) mengembangkan metode yaitu gamma-gamma Bayesian Chain-Ladder. Metode ini merupakan metode Bayesian Chain-Ladder yang menggunakan distribusi gamma yang memiliki rentang prediksi cadangan klaim yang relatif kecil.

Pada penelitian ini penghitungan terhadap rentang prediksi cadangan klaim dilakukan menggunakan model gamma-gamma Bayesian Chain-Ladder. Tujuan utama pada penelitian ini yaitu menerapkan proses penghitungan rentang prediksi dengan model gamma-gamma Bayesian Chain-Ladder pada konteks perusahaan asuransi XYZ di Indonesia, serta membandingkannya dengan metode Chain-Ladder. Data yang digunakan dalam penelitian ini adalah data klaim produk asuransi kendaraan bermotor perusahaan asuransi XYZ tahun 2014 sampai dengan 2016. Hasil rentang prediksi berdasarkan nilai MSEP model gamma-gamma Bayesian chain-ladder tahun 2014 sampai dengan 2016 relatif lebih kecil dibandingkan dengan MSEP chain-ladder model Mack.

---

The Main problem often faced by insurance companies is estimating claim reserve. The calculation of claim reserve that is undertaken inaccurately will affect the business operations of the insurance company. The claim reserve estimation method that is commonly undertaken called Chain-Ladder method and its variations. Besides, Peters, Targino and Wuthrich (2017) develop a method namely gamma-gamma Bayesian Chain-Ladder. This is a Bayesian Chain-Ladder method that uses a gamma distribution and has the prediction range of claim reserve that relatively small.

This research performs the calculation of the prediction range claim reserve that uses the gamma-gamma Bayesian Chain-Ladder model. The main purpose of this research is implementing the process of calculation prediction range with the gamma-gamma Bayesian Chain-Ladder model in the context of XYZ insurance companies in Indonesia, and compare it with the Chain-Ladder classic method. The data used in this study is the claim data for motor vehicle insurance products for XYZ insurance companies from 2014 to 2016. The results of the prediction range based on the MSEP value of the gamma-gamma Bayesian Chain-Ladder model from 2014 to 2016 relatively smaller compared to the Macks MSEP chain-ladder model."

"Salah satu sifat dari web yang tak mengenal batas wilayah dapat dimanfaatkan untuk pengiriman data dan informasi. Hal ini banyak bermanfaat untuk pengiriman data dari berbagai tempat tanpa harus membuat jaringan internal. Salah satu implementasi aplikasi berbasis web adalah pelayanan klaim kerugian asuransi kendaraan bermotor. Sesuai dengan sifat mobile kendaraan bermotor, maka klaim tersebut dapat mengambil tempat kejadian dimana saja. Hal ini menimbulkan kesulitan pada proses pengajuan klaim tersebut. Sementara pemegang polis harus memberikan laporan kepada perusahaan asuransi dalam jangka waktu tertentu. Jika jangka waktu tersebut terlewati maka polis tidak dapat diklaim. Hal ini diatasi dengan memberi alternatif cara pelaporan dan pengecekan klaim dengan memanfaatkan web. Untuk itu dilakukan perancangan dan pembuatan aplikasi pelayanan klaim kerugian asuransi kendaraan bermotor berbasis web, sebagai satu alternatif cara pelaporan agar tercapai efisiensi waktu untuk menghindari terjadinya kadarluwarsa waktu lapor."