Hasil Pencarian  ::  Simpan CSV :: Kembali

"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"

"ABSTRAKTesis ini menganalisis frekuensi dan severitas klaim yang merupakan dua risiko utama dalam asuransi umum. Penentuan harga kontrak asuransi dari pemegang polis dengan mengalikan ekspektasi frekuensi klaim dan severitas klaim. Net Premium tersebut merupakan estimasi dari kerugian agregat dari suatu grup polis yang memodelkannya mengasumsikan frekuensi dan severitas klaim saling bebas. Namun, dalam beberapa kasus, terdapat dependensi antara dua variabel tersebut. Untuk mengatasi masalah dependensi tersebut, pada tesis ini digunakan model copula berbasis regresi untuk membangun distribusi bersama. Hal ini dengan menggabungkan marginal generalized linear model dari frekuensi dan rata-rata severitas klaim menggunakan copula. Parameter dari distribusi ditaksir menggunakan metode maksimum likelihood. Kemudian pemilihan copula terbaik yang akan digunakan dalam membangun distribusi bersama dilakukan dengan melihat nilai log-likelihood paling besar dan Root Mean Square Error (RMSE) yang paling kecil. Hasil didapat bahwa model copula Clayton berbasis regresi yang dipilih. Terakhir, estimasi frekuensi dan rata-rata severitas klaim dihitung dan dihasilkan kerugian polis berdasarkan nilai estimasi mean dari distribusi bersamanya.

---

ABSTRACTThis thesis analyzes the frequency and severity of claim which are the two main risks in general insurance. Determination of insurance contract prices from policyholders by multiplying expected frequency of claims and severity of claims. The Net Premium is an estimate of the aggregate loss of a policy group that models it assuming the frequency and severity of the claims are independent. However, in some cases, there are dependencies between the two variables. To overcome this dependency problem, this thesis uses copula-based regression model to build a joint distribution. This is by combining the marginal generalized linear model of frequency and the average severity of claims using copula. The parameters of the distribution are estimated using the maximum likelihood method. Further, the selection of the best copula that will be used in building a joint distribution is done by looking at the greatest log-likelihood value and smallest value of Root Mean Square Error (RMSE). The result is clayton copula based regression model is chosen. Finally, estimatie of the frequency and average severity of claims is calculated and policy losses are generated based on the estimated mean value of the joint distribution."

"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."

"Seiring meningkatnya tren kecelakaan kerja selama periode 2007-2017 serta berjalannya kembali kegiatan usaha secara normal pascapandemi COVID-19, lini usaha asuransi kompensasi pekerja menjadi sangat potensial untuk dikembangkan. Sebagai komponen penting dalam model bisnis asuransi, severitas klaim perlu diprediksi seakurat mungkin karena berpengaruh terhadap penetapan tarif premi bagi tertanggung serta bermanfaat dalam mekanisme pengamatan klaim selama proses penyelesaian klaim. Proses prediksi ini dikategorikan sebagai masalah regresi yang biasanya ditangani oleh model-model pembelajaran mesin untuk data tabular. Namun dalam perkembangan studi pembelajaran mesin, terdapat upaya untuk memanfaatkan model Convolutional Neural Network (CNN) untuk melakukan prediksi terhadap data tabular dengan cara mentransformasikan data tersebut ke dalam representasi gambarnya, salah satunya melalui algoritma Image Generator for Tabular Data (IGTD). Penelitian ini bertujuan untuk menguji akurasi model CNN berbasis algoritma IGTD dalam memprediksi klaim asuransi kompensasi pekerja serta membandingkan performa model tersebut dengan model Multi-Layer Perceptron, Random Forest, serta eXtreme Gradient Boosting. Hasil simulasi dengan metode repeated holdout sebanyak lima iterasi menunjukkan bahwa model CNN dapat memprediksi klaim dengan baik meskipun secara umum belum mampu menyaingi model-model non-CNN secara signifikan.

---

Along with the increasing trend of work accidents during 2007-2017 period as well as the resumption of business activities normally after the COVID-19 pandemic, the workers’ compensation insurance business line has great potential to be developed. As an important component in the insurance business model, the claim severity needs to be predicted as accurate as possible because it affects the determination of premium rates for the insured and is useful in the claim watching mechanism during the claim settlement process. This prediction process is categorized as a regression problem which is usually handled by machine learning models for tabular data. However, in the development of machine learning studies, there are emerging efforts to utilize the Convolutional Neural Network (CNN) model to predict tabular data by transforming the data into its image representation, one of which is through Image Generator for Tabular Data (IGTD) algorithm. This study aims to test the accuracy of the CNN model based on the IGTD algorithm in predicting workers’ compensation insurance claims and to compare the model performance with the Multi-Layer Perceptron, Random Forest, and eXtreme Gradient Boosting models. The simulation result using the repeated holdout method for five iterations shows that the CNN model can well predict the claims, although in general, it has not been able to significantly compete with non-CNN models."

"Manajemen klaim menjadi hal yang sangat penting dalam bisnis asuransi dan berperan dalam mebangun citra perusahaan. Dimana TPA X sebagai administrator Asuransi dituntut untuk memberikan analisis klaim kepada peserta secara tepat. Penelitian ini dilakukan dengan desain kuantitatif dan kualitatif, dengan menggunakan teknik pengumpulan data meliputi wawancara mendalam, dan telaah dokumen. Hasil penelitian menunjukkan bahwa sumber daya yang mempengaruhi ketepatan proses analisis klaim TPA X pada PT. Asuransi adalah perubahan ketentuan polis, kurangnya beberapa sarana dan prasarana juga sistem informasi yang menunjang ketepatan proses analisis klaim.

---

Claims management becomes very important in the business of insurance and reestablished role in the company's image. As an administrator Insurance, PT TPA X required to guarantee proper claim to all members. This research is quantitative and qualitative design, using the techniques of data collection includes in-depth interviews, and a review of documents.

The results showed that the resources that affect the precision of the analysis process claims TPA X at PT Asuransi Y is a change of policy provisions, lack of some facilities and infrastructure information sistems also support the accuracy of the analysis process claims."

"Prinsip utmost good faith merupakan salah satu prinsip didalam asuransi, yang mengaturTertanggung dan Penanggung harus memberikan informasi yang benar saat membuat perjanjian asuransi. Masalahnya antara lain, Pertama, bagaimana interpretasi hakim terhadap Pasal 251 Kode Komersial. Kedua, aturan hukum apa adalah yang paling tepat untuk digunakan oleh hakim dalam hal terjadi perselisihan penolakan klaim asuransi, apakah itu diatur dalam perjanjian umum atau asuransi pengaturan yang diatur dalam kode komersial. Ketiga, apakah hakim memiliki menerapkan aturan hukum secara tepat dalam kasus antara Ny. Kwee Lanny bersama dengan David Laurence melawan PT. Commonwealth Life. Tesis ini adalah penelitian yuridis normatif, yang sebagian data skripsi ini didasarkan pada literatur dan wawancara terkait. Dari hasil penelitian, tesis ini menyatakan bahwa (1) The juri menafsirkan artikel 251 dari kode komersial sebagai artikel yang berfokus pada kewajiban kepada Tertanggung, dan melindungi Penanggung. Namun dalam penerapannya Hakim harus memperhatikan nilai keadilan dalam masyarakat, kehidupan dan kearifan lokal, (2) Dalam jika terjadi perselisihan tentang penolakan klaim asuransi, aturan yang seharusnya digunakan adalah pengaturan asuransi diatur dalam kode komersial sebagai khusus pengaturan tetapi harus memperhatikan nilai keadilan di masyarakat. (3) Keputusan Hakim tidak akurat dan tidak ada pertimbangan mengenai pelanggaran prinsip itikad baik sepenuhnya. Saran dari penelitian ini adalah bahwa para pihak harus menerapkan prinsip itikad baik sepenuhnya, terutama Tertanggung dalam mengisi formulir, dan Penanggung wajib menjelaskan risikonya yang dijamin dan dikecualikan, pelatihan khusus perlu diadakan untuk memperdalam pengetahuan tentang prinsip-prinsip dalam asuransi, terutama prinsip itikad baik sepenuhnya untuk para Hakim, dan pelatihan diperlukan untuk Mahkamah Agung menambah pengetahuan hakim tentang keunikan hukum asuransi di Indonesia ranah hukum perdata.

---

The principle of utmost good faith is one of the principles in insurance, which governs the Insured and the Insurer must provide the correct information when making an insurance agreement. The problems include, first, how the judges interpretation of Article 251 of the Commercial Code. Second, what legal rules are the most appropriate for judges to use in the event of a dispute rejection of an insurance claim, whether it is regulated in a general agreement or insurance arrangements stipulated in a commercial code. Third, whether the judge has applied the rule of law appropriately in the case between Mrs. Kwee Lannyalong with David Laurence against PT. Commonwealth Life. This thesis is a normative juridical study, part of this thesis data is based on literature and related interviews. From the research results, this thesis states that (1) The jury interprets article 251 of the commercial code as an article that focuses on obligations to the Insured, and protects the Insurer. But in its application the Judge must pay attention to the value of justice in the community, life and local wisdom, (2) In if there is a dispute about the rejection of an insurance claim, the rule that should be used is that the insurance arrangement is regulated in the commercial code as a special arrangement but must pay attention to the value of justice in the community. (3) Judges decisions are inaccurate and there is no consideration regarding the violation of the principle of good faith completely. Suggestion from this research is that the parties must apply the principle of good faith fully, especially the Insured in filling out the form, and the Insurer must explain the risk guaranteed and excluded, special training needs to be held to deepen knowledge of the principles in insurance, especially the principle of good faith in full for the Judges, and training needed for the Supreme Court to increase the judges knowledge of the uniqueness of insurance law in Indonesia in the area of ​​civil law."

"Tulisan ini menganalisis pertimbangan hukum dalam Putusan Pengadilan Negeri Medan Nomor 861/Pdt.G/2019/PN.Mdn yang memerintahkan PT Asuransi Asoka Mas untuk membayar ganti kerugian (klaim) kepada CV. Benua Swadaya Makmur, ditinjau dari prinsip Insurable Interest dan Contribution. Tulisan ini disusun dengan menggunakan metode penelitian doktrinal. Penelitian ini menyoroti bahwa sengketa terjadi karena objek pertanggungan memiliki dua asuransi dari perusahaan berbeda dan objek tersebut bukan milik CV. Benua Swadaya Makmur. Oleh karena itu, penelitian lebih lanjut diperlukan untuk mengevaluasi penerapan kedua prinsip ini. Hasil penelitian menunjukkan bahwa penerapan prinsip Insurable Interest telah sesuai, mengingat hubungan hukum antara tertanggung dan objek pertanggungan. Namun, penerapan prinsip Contribution dalam putusan hakim dinilai kurang tepat. Sebaiknya, prinsip Contribution diterapkan dengan membagi tanggung jawab antara kedua perusahaan asuransi yang menanggung objek pertanggungan, untuk mencerminkan keadilan dan proporsionalitas dalam pengelolaan klaim asuransi.

---

This paper analyzes the legal considerations in the Medan District Court Decision No. 861/Pdt.G/2019/PN.Mdn, which ordered PT Asuransi Asoka Mas to pay compensation (claims) to CV. Benua Swadaya Makmur, as examined through the principles of Insurable Interest and Contribution. The study employs a doctrinal research method to assess the issues at hand. It highlights that the dispute arose because the insured object was covered by two insurance policies from different companies and was not owned by CV. Benua Swadaya Makmur. Therefore, further analysis is required to evaluate the application of these principles. The findings reveal that the application of the principle of Insurable Interest was appropriate, given the legal relationship between the insured party and the insured object. However, the application of the principle of Contribution in the court’s decision was deemed inadequate. It is recommended that the principle of Contribution be applied by allocating liability between the two insurance companies covering the insured object, thereby ensuring fairness and proportionality in claim management."

"ABSTRAKPerusahaan asuransi wajib menyiapkan cadangan klaim untuk membayar klaim yang diajukan pemegang polis. Cadangan klaim terdiri dari cadangan untuk klaim-klaim yang sudah dilaporkan tetapi masih dalam proses penyelesaian reported claims disebut juga cadangan klaim RBNS Reported but Not Settled, dan cadangan untuk klaim-klaim yang sudah terjadi tetapi belum dilaporkan unreported claims disebut juga cadangan klaim IBNR Incurred but Not Reported. Perusahaan asuransi memprediksi cadangan klaim menggunakan data run-off triangle. Terdapat dua jenis data run-off triangle yaitu data besar klaim dan data banyak klaim. Metode Chain Ladder CL merupakan metode yang sering digunakan untuk mengestimasi besarnya cadangan klaim. Pada metode CL, cadangan klaim diestimasi menggunakan run-off triangle data besar klaim dengan cara memprediksi pola pembayaran dari data yang digunakan kemudian menggunakan pola tersebut untuk memprediksi cadangan klaim. Namun cadangan klaim yang dihasilkan metode CL tidak terpisah antara cadangan klaim RBNS dan cadangan klaim IBNR. Oleh karena itu, pada skripsi ini digunakan metode Double Chain Ladder DCL, dimana metode ini berhubungan dengan metode CL. Metode DCL menerapkan metode CL pada dua run-off triangle, masing-masing berisi data besar klaim dan data banyak klaim. Adanya informasi tambahan dari run-off triangle data banyak klaim mengakibatkan cadangan klaim RBNS dan cadangan klaim IBNR dapat diprediksi terpisah.

---

ABSTRACTAn insurance company is required to set up a claims reserve to pay claims reported by the policyholders. There are two types of claims reserve Reported but Not Settled RBNS claims reserve and Incurred but Not Reported IBNR claims reserve. Insurance company predict a claims reserve using run off triangle data. There are two types of data in a run off triangle claims amount and number of claims. The Chain Ladder Method CLM is often used to estimate the claims reserve. In CLM, the estimate of the claims reserve may be determined using the run off triangle claims amount by calculated development pattern from the data and then calculated a predictive value of the claims reserve using that development pattern. But CLM unable to estimate the RBNS and IBNR reserves separately. The method used in this thesis is closely related to CLM and is called a Double Chain Ladder DCL method. The DCL method applies the Chain Ladder algorithm to two run off triangles, the run off triangle of claims amount and number of claims. The additional information from the run off triangle of the number of claims enable the DCL method to estimate the RBNS and IBNR reserves separately."

"Incurred But Not Reported (IBNR) adalah salah satu bagian dari cadangan klaimyang harus disiapkan oleh perusahaan asuransi. Perusahaan asuransi di Indonesiaumumnya menggunakan metode Chain Ladder dalam membentuk cadangan IBNR.Hal ini juga berlaku di perusahaan asuransi jiwa ABC. Namun dikarenakan metodeChain Ladder hanya bergantung pada nilai klaim, maka nilai yang ekstrim akansangat memengaruhi ketepatan dari estimasi. Maka dari itu, metode Cape Coddirancang untuk mengatasi kekurangan dari metode Chain Ladder denganmenambahkan pertimbangan ekspektasi klaim melalui pendapatan premi. MetodeCape Cod juga dinilai sebagai best practice dalam melakukan estimasi cadanganIBNR. Penelitian dilakukan dengan tujuan untuk melihat penerapan metode CapeCod di perusahaan asuransi jiwa ABC dan apakah metode tersebut dapatmenghasilkan nilai yang lebih mendekati nilai sebenarnya. Dengan menggunakandata dari perusahaan asuransi jiwa ABC dengan tahun pengamatan 2016-2018,didapatkan nilai deviasi dan eror yang lebih rendah pada metode Cape Coddibandingkan dengan metode Chain Ladder untuk masing-masing tahun pengujian.Hasil penelitian ini sesuai dengan penelitian yang mengungkapkan bahwa metodeCape Cod akan menghasilkan nilai yang lebih mendekati nilai sebenarnyadibandingkan dengan metode Chain Ladder. Penelitian ini juga menyimpulkanbahwa metode Cape Cod dapat diterapkan pada perusahaan asuransi jiwa ABCuntuk mendapatkan nilai cadangan IBNR yang lebih mendekati nilai sebenarnya

---

Incurred But Not Reported (IBNR) is a part of the claim reserve that must be

prepared by insurance companies. In general, insurance companies in Indonesia

adopt Chain Ladder method to determine the IBNR reserves. This also applies to

the ABC life insurance company. However, because the Chain Ladder method only

depends on the value of the claim, the extreme value will greatly affect the accuracy

of the estimate. Therefore, the Cape Cod method is designed to overcome the

shortcomings of the Chain Ladder method by adding consideration of expected

claims through premium income. Cape Cod methos is considered as the best

practice for estimating IBNR reserves. This research was conducted at ABC life

insurance company with the aim of seeing the application of the Cape Cod method

and if the method can obtain a value closer to the true value. The results obtained

were lower error values in the Cape Cod method compared to the Chain Ladder

method for each testing year. The results of this study are consistent with previous

research which revealed that the accuracy of the Cape Cod method is better than

the Chain Ladder method. This study also concludes that the Cape Cod method can

be applied to ABC life insurance companies to obtain an IBNR reserve value that

is closer to its true value."

"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."