View/Open

Author
Ignasia, Daradewari Winora Simbolon

Date Published
23 Jun 2026

Advisor
Muklas Rivai, S.Stat., M.Si.,
Annisa Hevita Gustina Kumalasari. S, S.Si., M.Mat.,

Subject
Aktuaria

Publisher

Industri asuransi kredit menghadapi tantangan besar akibat tingginya fluktuasi risiko klaim, khususnya pada segmen non-Kredit Usaha Rakyat (non-KUR). Karakteristik debitur yang kompleks serta tekanan kondisi makroekonomi menuntut adanya sistem deteksi dini yang akurat guna meminimalkan potensi kerugian perusahaan. Penelitian ini bertujuan untuk membandingkan kinerja model Random Forest dan Extreme Gradient Boosting (XGBoost) dalam mengklasifikasikan risiko klaim asuransi ke dalam kategori Low, Medium, dan High, serta mengaplikasikan Shapley Additive Explanations (SHAP) untuk memberikan transparansi terhadap keputusan model. Hasil penelitian menunjukkan bahwa algoritma XGBoost mengungguli Random Forest dengan tingkat akurasi sebesar 75,38 persen dan nilai AUC 82,06 persen, dibandingkan model Random Forest yang memperoleh akurasi 72,31persen. Selain itu, analisis tingkat kepentingan fitur menemukan bahwa besaran plafon kredit merupakan variabel yang paling dominan dalam pembentukan struktur keputusan klasifikasi. Namun, berdasarkan interpretasi SHAP, tingkat inflasi justru menjadi pemicu utama yang paling memengaruhi pergeseran probabilitas gagal bayar ke kategori risiko tertinggi (High). Temuan ini diharapkan dapat memberikan wawasan strategis bagi praktisi aktuaria dalam memperkuat proses seleksi risiko dan menyusun kebijakan mitigasi yang lebih adaptif terhadap guncangan ekonomi.

URI
https://repo.itera.ac.id/depan/submission/SB2606230180

Keyword
Asuransi Kredit Klasifikasi Risiko Random Forest SHAP XGBoost