Abstract:
Suatu perusahaan asuransi perlu mengetahui bagaimana tingkat pemulihan cacat setiap kliennya
maka dari itu perlu dibuat suatu model yang dapat memprediksi tingkat pemulihan cacat.
Society of Actuaries (SOA) membuat model prediksi tingkat pemulihan cacat tersebut dengan
menggunakan pendekatan Pohon Keputusan. Pohon Keputusan adalah metode pembelajaran
mesin untuk membangun model prediksi dari data. Model diperoleh dengan membuat partisi
terhadap ruang prediktor (ruang yang dibentuk oleh variabel independen) menjadi sejumlah
bagian sederhana. Partisi tersebut dapat direpresentasikan secara grafis sebagai pohon keputusan
(decision tree). Guna menghasilkan model prediksi yang lebih akurat dari metode Pohon Keputusan,
dikembangkan metode ensemble. Metode tersebut membangun beberapa model prediktif
kemudian mengintegrasikan model-model tersebut agar diperoleh model dengan performansi
prediksi yang lebih baik. Salah satu metode ensemble yang populer adalah Boosting. Boosting
meliputi banyak algoritma, dua di antaranya adalah Gradient Boosting Machine (GBM) dan
AdaBoost. Pada skripsi ini akan dibahas mengenai pemodelan tingkat pemulihan cacat jangka
panjang dengan menggunakan metode GBM. GBM mampu meningkatkan performansi prediksi
yang dihasilkan dari Pohon Keputusan yang telah dibahas dalam jurnal Predicting Group Long
Term Disability Recovery and Mortality Rate Using Tree Models. Akan digunakan Mean Square
Error (MSE) untuk memvalidasi model prediksi yang diperoleh menggunakan GBM. Kemudian
akan dibandingkan nilai MSE dari model GBM dan nilai MSE dari model Pohon Keputusan.
Setelah dilakukan simulasi ternyata nilai MSE dari model GBM lebih kecil dibanding MSE
dari model Pohon Keputusan. Maka dapat disimpulkan bahwa GBM mampu meningkatkan
performansi model dalam memprediksi tingkat pemulihan cacat. GBM juga dapat disesuaikan
untuk kebutuhan aplikasi tertentu dengan menyesuaikan loss-function yang digunakan.
