Prediksi tingkat pemulihan kehamilan peserta asuransi cacat berkelompok jangka panjang menggunakan metode random forests

Abstract

Kehamilan adalah suatu masa yang dimulai dari konsepsi sampai lahirnya janin. Setiap kehamilan memiliki risiko yang bahkan dapat menyebabkan kematian. Angka Kematian Ibu (AKI) merupakan salah satu indikator yang menunjukkan kesejahteraan masyarakat di suatu negara. Oleh karena itu, perlu untuk memprediksi terjadinya tingkat pemulihan yang disebabkan oleh faktor-faktor pada kehamilan. Faktor pada kehamilan adalah variabel-variabel yang digunakan pada data Group Long Term Disability (GLTD) Recovery Rates. Variabel yang digunakan terdiri dari enam variabel prediktor, yaitu Disability Category, Age Band, Duration, Own Occupation to Any Transition, Integration with Short Term Disability, dan Gross Indexed Benefit Amount dan satu variabel respons, yaitu Actual Recovery Rate. Pada skripsi ini, akan dihitung tingkat pemulihan kehamilan dengan menggunakan metode Random Forests. Metode Random Forests merupakan metode pengembangan dari metode Decision Trees. Metode Decision Trees dapat diaplikasikan menjadi Classification Trees dan Regression Trees. Data yang digunakan pada skripsi ini memiliki variabel respons yang bersifat kuantitatif maka akan digunakan metode Regression Trees. Dalam metode Random Forests terdapat kumpulan metode Regression Trees yang akan dilakukan dengan cara bootstrapping. Metode Random Forests akan melakukan estimasi pada variabel yang digunakan dan memprediksi tingkat pemulihan kehamilan. Selanjutnya, akan dilakukan perbandingan pada metode Regression Trees dan metode Random Forests. Perbandingan kedua metode dilakukan dengan menghitung nilai Mean Square Error (MSE), yaitu MSE Predicted. MSE Predicted akan dilakukan dengan menggunakan test data setelah mencocokkan model pada training data. Berdasarkan analisis yang diperoleh dapat disimpulkan bahwa MSE Predicted pada metode Random Forests lebih baik digunakan untuk memprediksi data GLTD Recovery Rates pada data kehamilan karena memiliki nilai prediksi yang lebih kecil daripada metode Regression Trees.