Prediksi tingkat pemulihan dari tertanggung pada asuransi grup cacat jangka panjang menggunakan Extreme Gradient Boosting (XGBOOST)

Abstract

Perusahaan asuransi harus dapat memprediksi dan mengetahui variabel apa yang paling memengaruhi tingkat pemulihan cacat agar dapat membuat produk asuransi dan melakukan proses underwriting menjadi lebih baik lagi. Tingkat pemulihan cacat merupakan perbandingan antara jumlah tertanggung yang pulih dari kondisi cacat dengan rata-rata jumlah pekerja yang menerima manfaat karena mengalami kondisi cacat pada tahun tertentu. Oleh karena itu, model prediksi yang dibuat harus akurat agar perusahaan asuransi tidak mengalami kerugian finansial di masa depan. Pada skripsi ini, akan dibahas prediksi tingkat pemulihan dengan menggunakan metode extreme gradient boosting (XGBoost). Metode XGBoost merupakan algoritma ensemble machine learning yang berbasis pohon keputusan dan mengimplementasikan kerangka gradient boosting machine (GBM) sehingga memiliki kecepatan yang tinggi dan performa model yang baik. Data yang digunakan adalah data tingkat pemulihan yang diterbitkan oleh Society of Actuaries (SOA) pada tahun 2017. Untuk mengevaluasi performa model prediksi, akan dibandingkan root mean squared error (RMSE) dari metode GBM dengan RMSE dari metode XGBoost. Selain itu, akan dibahas variabel yang paling memengaruhi model prediksi tingkat pemulihan asuransi grup cacat jangka panjang. Hasil prediksi tingkat pemulihan cacat yang diperoleh dengan menggunakan metode XGBoost lebih akurat dibandingkan dengan yang menggunakan metode GBM dengan nilai RMSE sebesar 0,1066381 dan diperoleh juga variabel yang paling memengaruhi model prediksi tingkat pemulihan asuransi grup cacat jangka panjang adalah durasi pemberian manfaat kepada tertanggung setelah periode eliminasi.