PREDIKSI KLAIM ASURANSI MENGGUNAKAN ALGORITMA MACHINE LEARNING DENGAN PEMBANDING GENERALIZED LINEAR MODEL (GLM)

Revi Meliyani; Qowiyyul Amin Siregar; Hikmah Rahmah; M. Hamal Musito; Tica Liana Kacaribu

doi:10.64626/jukomtek.v3i1.563

Penulis

Revi Meliyani Universitas Mitra Bangsa
Qowiyyul Amin Siregar Universitas Mitra Bangsa
Hikmah Rahmah Universitas Mitra Bangsa
M. Hamal Musito Universitas Mitra Bangsa
Tica Liana Kacaribu Universitas Mitra Bangsa

DOI:

https://doi.org/10.64626/jukomtek.v3i1.563

Kata Kunci:

Machine Learning, Generalized Linear Model, Prediksi Klaim, Asuransi

Abstrak

Permasalahan prediksi klaim pada industri asuransi merupakan aspek penting dalam proses underwriting, perhitungan premi, dan manajemen risiko. Penelitian ini bertujuan untuk menganalisis performa algoritma machine learning dalam memprediksi klaim asuransi dan membandingkannya dengan pendekatan statistik klasik, yaitu Generalized Linear Model (GLM). Data klaim umumnya memiliki karakteristik yang kompleks seperti non-linearitas, imbalance class, dan variabel interaksi yang sulit ditangkap oleh model linear. Oleh karena itu, penelitian ini menerapkan beberapa algoritma machine learning, yaitu Random Forest, Gradient Boosting, dan XGBoos, untuk memodelkan probabilitas klaim.

Evaluasi performa dilakukan menggunakan metrik AUC, F1-score, dan akurasi, disertai analisis feature importance. Hasil penelitian menunjukkan bahwa model machine learning memiliki performa prediksi yang lebih baik dibandingkan GLM, terutama pada masalah data tidak seimbang. XGBoost memberikan nilai AUC tertinggi sebesar 0,063194, sedangkan GLM cenderung memiliki performa lebih rendah pada pola data non-linear. Temuan ini menunjukkan bahwa machine learning dapat menjadi pendekatan alternatif yang efektif dalam mendukung proses pengambilan keputusan aktuaria dan pengembangan sistem pendukung keputusan di industri asuransi

Referensi

Chen, T. & Guestrin, C. 2016. XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.

Friedman, J.H. 2001. Greedy Function Approximation: A Gradient Boosting Machine. The Annals of Statistics 29(5).1189–1232.

Henckaerts, R., Antonio, K., & Côté, M.-P. 2022. When stakes are high: Balancing accuracy and transparency with Model-Agnostic Interpretable Data-driven suRRogates, Expert Systems with Applications 202. Art. 117230.

Henckaerts, R., Côté, M.-P., Antonio, K. & Verbelen, R. 2021. Boosting insights in insurance tariff plans with tree-based machine learning methods. North American Actuarial Journal 25(2). 255–285.

Sigrist, F. 2021. Gradient and Newton boosting for classification and regression. Expert Systems with Applications 167. Art. 114080.

Breiman, L. 2001. Random Forests. Machine Learning, vol. 45, no. 1. 5–32, 2001.

Asimit, V., Kyriakou, I. & Nielsen, J. P. 2020. Special Issue Machine Learning in Insurance. Risks 8(2).54.

Seyam, E. A. 2025 ‘Predicting motor insurance claim incidence using generalized and tree-based models: A comparative statistical approach’, Insurance Markets and Companies. 16(2). 38–53.

Schrijver, G. 2024. Automobile insurance fraud detection: A survey of recent publications (2019–2023). Journal of Computational Methods / Survey, review article summarizing methods and trends in auto-insurance fraud detection.

Brati, E., Braimllari, A. & Gjeçi, A. 2025. Machine Learning Applications for Predicting High-Cost Claims Using Insurance Data. Data (MDPI) 10(6). Art. 90.

Averro, N.T. 2023. The Imbalance Data Handling of XGBoost in Insurance Fraud Detection. Proceedings / ScitePress, paper analyzing weighted-XGBoost & imbalance handling for insurance datasets.

Blier-Wong, C., Cossette, H., Lamontagne, L. & Marceau, É. 2021.Machine Learning in P&C Insurance: A Review for Pricing and Reserving’, Risks 9(1),.4.

Fernando, A. & Abdulkadir, U. I. 2024. A Deep Learning Model for Insurance Claims Predictions. Journal on Artificial Intelligence 6(1). 71–83

P&C Insurance: A Review for Pricing and Reserving. Risks 9(1). 4

Kurniawati, R. 2024. Optimizing Claim Assessment Processes in Property Insurance using Machine Learning. Procedia / Elsevier / conference paper.

Pamungkas, MH. Rahmah, H. Aziezah, N. Widodo, B. Pengaruh Aspek Tampilan Terhadap Tingkat Kepercayaan Pengguna Robot Siram Otomatis (Rosio). TEKTONIK: Jurnal Ilmu Teknik 1 (2), 205-210