Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 130460 dokumen yang sesuai dengan query
cover
Karina Chandra Dewi
Analisis akurasi model random forest untuk big data-studi kasus prediksi klaim severity pada asuransi mobil = Analyzing accuracy of random forest model for big data-A case study of claim severity prediction in car insurance
"Klaim asuransi merupakan salah satu elemen penting dalam bidang jasa asuransi. Klaim severity mengacu pada besarnya dana yang harus dikeluarkan untuk memperbaiki kerusakan yang terjadi. Besarnya klaim asuransi dipengaruhi oleh banyak faktor. Hal ini menyebabkan volume data menjadi sangat besar. Sehingga diperlukan suatu metode yang tepat dalam memprediksi besarnya klaim severity untuk data besar. Salah satu metode yang dapat digunakan untuk menyelesaikan permasalahan tersebut yaitu Random Forest yang merupakan salah satu metode machine learning. Tesis ini mengaplikasikan model Random Forest untuk menyelesaikan masalah prediksi besarnya klaim severity pada asuransi mobil serta menganalisis pengaruh jumlah fitur yang digunakan pada model Random Forest terhadap akurasi model sebagai alternatif solusi terkait Big Data. Hasil simulasi menunjukkan bahwa model Random Forest dapat diterapkan pada kasus prediksi klaim severity yang merupakan kasus regresi dalam konteks machine learning. Dengan menggunakan 1⁄3 dari keseluruhan fitur yang ada, model Random Forest dapat menghasilkan akurasi yang setara dengan akurasi yang diperoleh ketika menggunakan seluruh fitur dalam membangun model, yaitu sekitar 99%. Hasil ini menunjukkan skalabilitas yang baik dari Random Forest terutama ditinjau dari jumlah fitur. Sehingga, model Random Forest dapat digunakan sebagai solusi untuk masalah Big Data terkait volume data.
The insurance claim is one of the important elements in the field of insurance services. Claim severity refers to the amount of fund that must be spent to repair the damage. The amount of insurance claim is influenced by many factors. This causes the volume of data to be very large. Therefore, a suitable method is required. Random Forest, one of the machine learning methods can be implemented to handle this problem. This thesis applies the Random Forest model to predict the amount of this claim severity on car insurance. Furthermore, analysis on the effect of the number of features used on model accuracy is conducted. The simulation result show that the Random Forest model can be applied in cases of prediction of claim severity which is a case of regression in the context of machine learning. Only by using 1⁄3 of the overall features, the accuracy of Random Forest model can produce accuracy that is comparable to that obtained when using all features, which is around 99%. This result confirms the scalability of Random Forest, especially in terms of the number of features. Hence, Random Forest model can be used as a solution to Big Data problems related to data volume."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2019
T54306
UI - Tesis Membership  Universitas Indonesia Library
cover
Yuni Rosita Dewi
Analisis akurasi metode seleksi fitur gram-schmidt orthogonalization pada support vector machine untuk big data-studi kasus masalah prediksi klaim = Analyzing accuracy of feature selection method gram-schmidt orthogonalization for support vector machine on big data-a case study of claim prediction problem
"Prediksi klaim merupakan proses penting dalam industri asuransi karena perusahaan asuransi dapat menyiapkan jenis polis asuransi yang tepat untuk masing-masing pemegang polis potensial. Frekuensi prediksi klaim dewasa ini kian meningkat. Sehingga data prediksi klaim yang memiliki volume besar ini disebut big data, baik dari segi jumlah fitur maupun jumlah data pemegang polis. Salah satu alternatif solusi perusahaan asuransi untuk melihat pemegang polis melakukan klaim atau tidak, bisa menggunakan machine learning yang teruji dapat digunakan untuk klasifikasi dan prediksi. Salah satu metode machine learning untuk mengurangi jumlah fitur adalah dengan proses seleksi fitur, yaitu mencari urutan fitur berdasarkan tingkat pentingnya fitur. Metode seleksi fitur yang digunakan adalah Gram-Schmidt Orthogonalization. Metode ini sebelumnya digunakan untuk data tidak terstruktur namun pada penelitian ini diuji pada data terstruktur bervolume besar. Untuk menguji urutan fitur yang diperoleh dari proses seleksi fitur, digunakan Support Vector Machine karena termasuk metode machine learning yang popular untuk klasifikasi. Berdasarkan hasil simulasi, urutan yang diperoleh dari proses Gram-Schmidt Orthogonalization relatif konsisten. Selanjutnya, dapat diketahui fitur-fitur yang paling berpengaruh untuk menentukan pemegang polis klaim atau tidak. Simulasi juga menunjukkan bahwa hanya dengan menggunakan sekitar 26 % fitur, akurasi yang dihasilkan sebanding dengan menggunakan semua fitur.
Claim prediction is an important process in the insurance industry because insurance companies can prepare the right type of insurance policy for each potential policyholder. The frequency of today`s claim predictions is increasing. So that claim prediction data has a large volume called big data, both in terms of the number of features and the number of policyholders. One alternative solution for insurance companies to see whether policyholders claim or not, we can use machine learning that is proven to be used for classification and prediction. One of the machine learning methods to reduce the number of features is the feature selection process, which is to search for sequences of features based on their importance feature. The feature selection method used is Gram-Schmidt Orthogonalization. This method was previously used for unstructured data, but in this research is tested on large volume structured data. Support Vector Machine is used to test the ordered features obtained from the feature selection process because it is a popular machine learning method for classification. Based on a result, the ordered features obtained from the Gram-Schmidt Orthogonalization process is relatively stable. After that, it can also be seen the most important features to determine policyholders claim or not. The simulation also shows that using only about 26 % features, the resulting accuracy is comparable to using all features."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2019
T54313
UI - Tesis Membership  Universitas Indonesia Library
cover
Dian Maharani
Analisis akurasi Deep Neural Network (DNN) untuk big structured data studi kasus prediksi biaya kerugian pada asuransi kebakaran = Analyzing accuracy of Deep Neural Network (DNN) for big structured data a case study of loss cost prediction in insurance
"Jika biaya kerugian yang disebabkan peristiwa kebakaran dapat diprediksi dengan big-structured data mengenai faktor-faktor penyebab kebakaran yang sudah ada maka penentuan polis asuransi kebakaran di perusahaan asuransi menjadi lebih efektif dan efisien. Pada tesis ini, model Deep Neural Network (DNN) digunakan untuk memprediksi biaya kerugian akibat kebakaran untuk polis asuransi, kemudian membandingkan akurasi model DNN dan NN. Dari hasil penelitian didapatkan bahwa akurasi (MSE) model DNN optimal sebesar 0,04217331959 ±0,63924424e-15, sedangkan akurasi (MSE) model NN yang optimal sebesar 0,04217335183±  0,64079999e-15. Hal tersebut menunjukan bahwa model DNN sebanding dengan model NN dalam memprediksi biaya kerugian pada asuransi kebakaran dengan data yang digunakan merupakan big-structured data. Selain itu, running time program untuk model NN lebih cepat dibandingkan dengan model DNN.
If the loss costs caused by fire events can be predicted with big structured data regarding the factors that cause the fires that already exist, determining fire insurance policies in the insurance companies can be more effective and efficient. In this study, the Deep Neural Network (DNN) model is used to predict the loss cost due to fire for insurance policies, then compare the accuracy of the DNN and NN models. The results showed that the accuracy (MSE) of the optimal DNN model was 0.04217331959 ± 0.63924424e-15. While the optimal NN model was 0.04217335183 ± 0.64079999e-15. This shows that the DNN model is comparable with the NN model in predicting the loss cost in fire insurance with the data used being big structured data. In addition, the running time of the program for the NN model is faster than the DNN model."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2019
T53940
UI - Tesis Membership  Universitas Indonesia Library
cover
Widya Fajar Mustika
Analisis akurasi model XGBoost untuk klasifikasi multikelas: studi kasus prediksi tingkat klaim risiko pemohon pada asuransi jiwa = Analyzing accuracy of XGBoost model for multiclass classification: a case study of the applicant level claim risk prediction for life insurance
"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."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2019
T54273
UI - Tesis Membership  Universitas Indonesia Library
cover
Samuel Tjahjono
Analisis Akurasi Model TabTransformer dalam Memprediksi Severitas Klaim Asuransi Kompensasi Pekerja = Analyzing the Accuracy of TabTransformer as a Transformer-Based Model in Predicting the Severity of Workers' Compensation Insurance Claims
"Asuransi menjadi konsep yang tidak asing lagi dalam memitigasi risiko yang dapat menimbulkan kerugian finansial yang besar bagi pihak tertanggung. Dalam dunia kerja secara khusus, terlihat adanya peningkatan jumlah kecelakaan kerja di Indonesia dari tahun ke tahun. Kecenderungan tersebut memperlihatkan adanya prospek pengembangan asuransi kompensasi pekerja yang menjanjikan. Tentunya, penentuan tarif premi yang cukup sebagai komponen utama dalam kerangka bisnis asuransi memerlukan prediksi severitas klaim yang akurat. Menurut karakteristik data klaim asuransi pekerja, teramati bahwa dataset tersebut berbentuk tabular dan variabel severitas klaim bersifat kontinu. Oleh sebab itu, prediksi severitas klaim dapat dipandang sebagai masalah regresi data tabular. Penelitian ini akan meninjau performa dari TabTransformer, salah satu metode berbasis tranformer dalam melaksanakan regresi yang mengimplementasikan contextual embeddings terhadap fitur-fitur kategorik. Performa sebagai akibat dari penangkapan konteks oleh model TabTransformer akan diukur dan kemudian dibandingkan dengan metode-metode lain yang mendukung penyelesaian permasalahan regresi, seperti Decision Trees Regressor, Random Forest, XGBoost, dan Multi-Layer Perceptron sebagai model dasar TabTransformer.
It is without the need of doubt to believe upon the integrity within the concepts of insurance as a way of mitigating significant financial risks of its own policyholders. As something which existence is prevalent, risks are also found within the workplace environment as seen in the rising numbers of yearly work-related accidents. This tendency suggests promising prospects upon the development and incorporation of worker’s compensation insurance into the business lines of especially reliable insurance companies. As a core part of insurance policies, determining the sufficient rate of premium would require accurate prediction of claim severity. Upon observing the characteristics of claim severity datasets, witnessed are the following two points: that (1) both datasets take a tabular form, and (2) the number of severities is a continuous target variable. Evidently, it shows that the problem to be solved is regression for tabular data. This particular research will focus upon the performance of TabTransformer as a transformer-based machine learning model that incorporates Transformers in providing a degree of interpretability from its capabilities by performing contextual embeddings of the categorical features of our data. The performance will be measured and will further be compared to other models suitable for regression, such as Decision Trees Regressor, Random Forest, XGBoost, and baseline model Multi-Layer Perceptron"
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Dilla Fadlillah Salma
Analisis akurasi metode support vector machine, random forest, dan logistic regression dalam mengklasifikasi data asuransi mobil dengan implementasi metode seleksi fitur one dimensional naive bayes classifier = Accuracy analysis of support vector machine, random forest, and logistic regression method in classifying car insurance data with one dimensional naive bayes classifier features selection implementation
"Kepemilikan dan penggunaan kendaraan mobil memiliki berbagai risiko negatif, seperti terjadinya kecelakaan. Untuk mengurangi beban risiko tersebut, perusahaan menjual produk asuransi mobil. Asuransi mobil merupakan salah satu produk perusahaan asuransi kendaraan yang bertujuan sebagai upaya perlindungan pemilik kendaraan mobil dari kerugian finansial yang terjadi pada kendaraan yang diasuransikannya. Untuk menawarkan produk asuransi, beberapa perusahaan menggunakan teknik penjualan dengan cara cold calling. Teknik penjualan tersebut akan lebih efektif menjual produk asuransi jika terlebih dahulu data nasabah calon pembeli asuransi diprediksi atau diklasifikasi ke dalam kelas membeli atau tidak membeli.
Pada skripsi ini, dilakukan klasfikasi dengan metode Support Vector Machine (SVM), Random Forest (RF),dan Logistic Regression (LR) dengan implementasi metode seleksi fitur One Dimensional Naïve Bayes Classifier (1-DBC). Data yang diperoleh berjumlah 4000 data dengan total 18 fitur. Diperoleh hasil bahwa akurasi SVM lebih tinggi dibandingkan dengan kedua metode lainnya. Selain itu, mplementasi metode seleksi fitur telah berhasil meningkatkan akurasi dari metode Random Forest, dan Logistic Regression. Dengan implementasi 1-DBC, ketiga metode klasifikasi memperoleh hasil akurasi tertinggi pada penggunaan 15 fitur.
Ownership and use of car vehicles have a variety of negative risks, such as accidents. To reduce the risk burden, the company sells car insurance products. Car insurance is one of the products of a vehicle insurance company that aims to protect vehicle owners from financial losses that occur on their insured vehicles. To offer insurance products, some companies use sales techniques using cold calling. The sales technique will be more effective in selling insurance products if first the prospective customer buyer data is predicted or classified into the class of buying or not buying.
In this paper, classification is done using the method of Support Vector Machine (SVM), Random Forest (RF), and Logistic Regression (LR) by implementing the One Dimensional NaA-ve Bayes Classifier (1-DBC) feature selection method. The data obtained amounted to 4000 data with a total of 18 features. The results were obtained that the accuracy of SVM was higher compared to the other two methods. In addition, the implementation of the feature selection method has succeeded in increasing the accuracy of the Random Forest, and Logistic Regression. With the implementation of 1-DBC, the three classification methods obtained the highest accuracy results with the use of 15 features."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2018
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Gilbert Gentania
Perbandingan metode Benktander-Kredibel dan Random Forest dalam prediksi cadangan klaim asuransi Bodily Injury = Credible Benktander and Random Forest method comparation for Bodily Injury insurance claim reserving
"Salah satu cara untuk mengendalikan risiko adalah dengan memindahkan risiko melalui asuransi, dimana pihak tertanggung berkewajiban untuk membayar premi dan pada saat terjadi sesuatu yang merugikan tertanggung, tertanggung berhak untuk mengajukan klaim. Klaim yang diajukan akan melalui proses pengecekan oleh perusahaan asuransi dan jika klaim tersebut diterima, perusahaan asuransi kemudian melakukan pembayaran pertama, serta menghitung prediksi cadangan klaim untuk kemungkinan pembayaran klaim potensial lain di masa depan. Hingga saat ini, kebanyakan aktuaris asuransi umum menggunakan metode Chain Ladder dan Bornhuetter-Ferguson dalam melakukan prediksi cadangan klaim. Metode Chain Ladder mengggunakan data di masa lalu, yang bisa jadi kurang sesuai dengan data terbaru, sehingga diskontinuitas fundamental dari urutan estimasi rentan terjadi, yakni ketidakstabilan hasil prediksi ketika terdapat perubahan data, sedangkan metode Bornhuetter-Ferguson bisa jadi tidak berfungsi ketika terjadi downward development. Oleh karena itu, diperkenalkan metode Benktander, yang dapat menghasilkan galat lebih kecil dengan pemberian bobot yang tepat melalui penggabungan metode Chain Ladder dan Bornhuetter-Ferguson. Metode Benktander tersebut dapat dimodifikasi dengan penggunaan parameter banyak klaim, yang disebut metode Benktander-Kredibel. Di sisi lain, algoritma machine learning juga dapat digunakan untuk prediksi cadangan klaim. Salah satunya adalah decision tree yang dihasilkan oleh algoritma Classification and Regression Tree (CART), yang sebenarnya tidak terlalu baik karena tidak robust. Oleh karena itu, penulis memperkenalkan metode Random Forest yang merupakan hasil penggabungan beberapa decision tree, sehingga hasil yang diperoleh bersifat robust. Dari hasil penelitian ini, dengan melihat parameter penganalisis keakuratan, yakni Root Mean Squared Error (RMSE), diperoleh kesimpulan bahwa metode Random Forest mengungguli metode Benktander-Kredibel dalam prediksi cadangan klaim asuransi bodily injury yang melibatkan penggunaan incurred claim dengan downward development disertai dengan data pendukung berupa banyak klaim.
One way to control risk is to transfer risk through insurance, where the insured is obliged to pay the premium and when something happens that harms the insured, the insured has the right to submit a claim. The claim submitted will go through a checking process by the insurance company and if the claim is accepted, the insurance company then makes the first payment, as well as calculating the predicted claims reserve for the possibility of paying other potential claims in the future. Until now, most general insurance actuaries use the Chain Ladder and Bornhuetter-Ferguson methods in predicting claims reserves. The Chain Ladder method uses data from the past, which may not be in accordance with the latest data, so that fundamental discontinuities in the estimation sequence are prone to occur, namely instability of prediction results when there are data changes, whereas the Bornhuetter-Ferguson method can so it doesn't work when downward development occurs. Therefore, the Benktander method is introduced, which can produce smaller errors by assigning appropriate weights through combining the Chain Ladder and Bornhuetter-Ferguson methods. The Benktander method can be modified by the use of a frequency of claims parameter, called Credible Benktander method. On the other hand, the machine learning algorithm can also be used for claims reserve prediction. One of them is the decision tree produced by the Classification and Regression Tree (CART) algorithm, which is actually not very good because it is not robust. Therefore, the author introduces the Random Forest method which is the result of combining several decision trees, so that the results obtained are robust. From the results of this research, by looking at the accuracy analyzer parameters, namely Root Mean Squared Error (RMSE), it was concluded that the Random Forest method outperforms the Credible Benktander method in predicting reserves for bodily injury insurance claims involving the use of incurred claim with downward development accompanied by supporting data in the form of many claims."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2024
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Ramlah
Prediksi Distribusi Dosis pada Perencanaan IMRT Kasus Kanker Paru menggunakan model Random-Forest = Prediction of Dose Dostribution In Planning IMRT For Lung Cancer Using Random-Forest Model
"Prediksi dengan model mesin learning regresi telah banyak digunakan untuk penelitian. Salah satu model mesin learning yang digunakan untuk prediksi adalah random forest regressor. Mesin learning membutuhkan data training untuk mempelajari pola dan hubungan antar data. Model regressor yang sedangkan dikembangkan dalam bidang medis saat ini adalah model yang dapat memprediksi dosis pada perencanaan IMRT. Data perencanaan dalam format DICOM (format asli data) dieksport ke bentuk CVS (Comma Separated Values). Kemudian data dibagi menjadi data training dan testing yang dipilih secara random. Algoritma yang digunakan untuk memprediksi adalah random forest yang akan di training menggunakan 7-fold validation dan kemudian model akan di uji dengan data baru yaitu data testing yang belum pernah dilihat oleh model. Data yang dievaluasi yaitu parameter untuk mendapat HI (Homogenety Index) untuk organ target, dan dosis mean dan max untuk OAR (Organ At Risk). Random forest mampu memprediksi nilai sebenarnya dengan kesalahan dievaluasi menggunakan MAE pada fitur PTV D2 (0,012), D50 (0,015) dan D98 (0,018) serta pada fitur OAR (mean dan  max) paru kanan (0,104 dan 0,228), paru kiri (0,094 dan 0,27), jantung (0,088 dan 0,267), spinal cord (0,069 dan 0,121) dan (V95) Body (0,094).
Predictions with machine learning regression models have been widely used for research. One of the machine learning models used for prediction is the random forest regressor. Machine learning requires training data to determine patterns and relationships between data. Nowadays, the regressor model that being developed in the medical field is able to predict dose in IMRT planning. Planning data in DICOM format (original data format) was exported to CVS (Comma Separated Values) format. Then, the data was divided into training and testing data which were selected randomly. The algorithm used to predict is a random forest that was trained using 7-fold validation and the model was evaluated with new data, namely testing data that have not been seen by the model. The evaluated data are parameters to obtain HI (Homogenety Index) for target organs, and mean and max doses for OAR (Organ At Risk). Random forest was able to predict the true value with errors and it was evaluated using MAE for PTV D2 (0,012), D50 (0,015) and D98 (0,018), for OAR (mean and  max) right lung (0,104 and 0,228), left lung (0,094 and 0,27), heart (0,088 and 0,267), spinal cord (0,069 and 0,121) and (V95) Body (0,094)."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2021
T-pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Fitria Indah Astari
Universal prediction model berbasis random forest untuk sistem pengukuran kadar gula: studi kasus 3 varietas pisang musa acuminata = Universal prediction model for sugar content measurement system based on random forest: a case study of 3 varieties of banana musa acuminata
"Kadar gula merupakan salah satu karakter kualitas buah pisang yang memengaruhi rasa. Berdasarkan kesamaan karakteristik spektral pada varietas pisang ambon, pisang mas, dan pisang cavendish, yang didapat dari hasil akuisisi citra menggunakan kamera hiperspektral VNIR (400 - 1000 nm), telah berhasil dirancang sebuah universal prediction model yang tidak memerlukan perlakuan destruktif untuk memprediksi nilai kadar gula pada 3 varietas pisang Musa acuminata: pisang ambon, pisang mas, dan pisang cavendish. Filter Savitzky - Golay mengurangi noise pada hasil spektral dan juga memperkuat sinyal yang berisi informasi penting. Pada model regresi Random Forest dengan fitur panjang gelombang optimal berjumlah 20 menghasilkan nilai RMSE pelatihan (train) dan RMSE pengujian (test) yang kecil dengan masing-masing sebesar 0,67 dan 1,08 serta nilai koefisien korelasi pelatihan (R2 Train) dan koefisien korelasi pelatihan (R2 Test) yang besar masing-masing sebesar 0,98, dan 0,94. Hal menunjukan penggunaan algoritma Random Forest untuk pembuatan universal prediction model memiliki hasil yang baik.
Sugar content is one of the quality attribute that affects the taste of bananas. A non-destructive universal prediction model has been successfully designed based on the similarity of the spectral characteristics of the Ambon bananas, Mas bananas and Cavendish bananas, which were obtained from the results of image acquisition using a VNIR hyperspectral camera (400 - 1000 nm) to predict the value of sugar content on 3 banana Musa acuminata varieties: Ambon bananas, Mas bananas and Cavendish bananas. The Savitzky - Golay filter reduces noises in the spectral results and also amplifies the signal that contains some important information. Random Forest regression model with 20 features give a small error value with RMSE Train value is 0.67 and RMSE Test value is 1.08, also give a large correlation coefficient value with R2 Train value is 0.98 and R2 Test value is 0.94, it shows that the use of the Random Forest algorithm for designing the universal prediction model has good results."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2021
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
M. Rasyid Rabbani
Interpretasi dan Analisis Akurasi Model Imbalance-XGBoost untuk Prediksi Fraud Asuransi = Interpretation and Analysis Accuracy of Imbalance-XGBoost Model for Insurance Fraud Prediction
"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."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>