Pemodelan tingkat pemulihan asuransi grup cacat jangka panjang menggunakan Gradient Boosting Machine (GBM)

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.