Aplikasi metode random forests dalam memprediksi tingkat mortalita asuransi grup cacat jangka panjang

Abstract

Pada skripsi ini akan dibahas mengenai prediksi Tingkat Mortalita dengan data Asuransi Grup Cacat Jangka Panjang milik Society of Actuaries (SOA) tahun 2017 menggunakan model aplikasi Random Forests. Metodologi yang dilakukan pada skripsi ini adalah membentuk model Random Forests lalu akan dibandingkan hasil tersebut dengan model Decision Tree pada laporan Asuransi Grup Cacat Jangka Panjang tahun 2017. Model Random Forests dibangun menggunakan program Machine Learning R, yaitu dengan membuat 500 himpunan bagian data dari data training (yang disebut data bootstrapped), sehingga masing-masing himpunan bagian dapat dibentuk Decision Tree-nya. Lalu dengan data out-of-bag, akan dibentuk plot Random Forests untuk melihat pergerakan galat terhadap masing-masing tree. Kemudian data test akan dimasukkan ke dalam 500 tree, sehingga menghasilkan nilai respon. Nilai prediksi tingkat mortalita merupakan rata-rata dari seluruh respon yang dihasilkan. Berdasarkan model yang diperoleh kemudian akan dihitung juga tingkat kecocokan model menggunakan Mean Squared Errors, variable importance, dan pengaruh parameter terhadap model. Berdasarkan hasil prediksi dan nilai Mean Squared Errors yang diperoleh, model Random Forests tidak memberikan hasil yang lebih baik untuk data Grup Cacat Jangka Panjang tahun 2017. Hal ini disebabkan karena data Grup Cacat Jangka Panjang tahun 2017 memiliki sangat banyak entri dengan jumlah prediktor yang tidak terlalu banyak.