View/Open

Author
Rosananda , Destalya Kovitri

Date Published
17 Jun 2026

Advisor
Amalia Listiani, S.Pd., M.Sc.,
Putri Isnaini Cahyaning Baiti, S.Mat., M.Sc.,

Subject
Aktuaria

Publisher

Risiko pada asuransi property all risks yang memiliki karakteristik klaim bernilai besar dan fluktuatif menimbulkan tantangan dalam proses estimasi dan pengelolaan risiko secara akurat. Penelitian ini bertujuan membangun model prediksi besar klaim menggunakan algoritma Extreme Gradient Boosting (XGBoost) serta memberikan manfaat berupa pendekatan berbasis machine learning untuk meningkatkan ketepatan estimasi dan mendukung pengambilan keputusan perusahaan asuransi. Lingkup penelitian mencakup data klaim asuransi property all risks periode 2018–2025 dengan variabel cause of loss, city, zona earthquake, zona TSFWD, occupation, dan premises. Metodologi penelitian meliputi pembagian data training dan testing sebesar 80:20, penerapan algoritma XGBoost, serta optimasi hyperparameter menggunakan Bayesian Optimization untuk memperoleh konfigurasi parameter yang optimal. Interpretasi data dilakukan melalui evaluasi nilai RMSE dan MAE serta analisis feature importance untuk mengidentifikasi variabel yang berpengaruh terhadap pemodelan besar klaim. Hasil penelitian menunjukkan bahwa model XGBoost menghasilkan performa prediksi yang baik dengan nilai RMSE sebesar Rp23.486.700,37, MAE sebesar Rp16.309.511,51, dan CV-RMSE sebesar 7,61%. Hasil ini mengindikasikan bahwa karakteristik fisik, fungsi bangunan, dan lokasi objek pertanggungan memiliki kontribusi dominan terhadap besarnya klaim, sehingga model yang dihasilkan dapat dijadikan dasar pengambilan keputusan berbasis data dalam proses underwriting dan manajemen risiko perusahaan asuransi.

URI
https://repo.itera.ac.id/depan/submission/SB2606180077

Keyword
Asuransi Property All Risks Bayesian Optimization Besar Klaim Risiko XGBoost