digilib@itb.ac.id +62 812 2508 8800

ABSTRAK Tito Satria Joel Manurung
PUBLIC Dwi Ary Fuziastuti

BAB 1 TITO SATRIA JOEL MANURUNG.pdf
Terbatas Dwi Ary Fuziastuti
» ITB

BAB 2 TITO SATRIA JOEL MANURUNG.pdf
Terbatas Dwi Ary Fuziastuti
» ITB

BAB 3 TITO SATRIA JOEL MANURUNG.pdf
Terbatas Dwi Ary Fuziastuti
» ITB

BAB 4 TITO SATRIA JOEL MANURUNG.pdf
Terbatas Dwi Ary Fuziastuti
» ITB

BAB 5 TITO SATRIA JOEL MANURUNG.pdf
Terbatas Dwi Ary Fuziastuti
» ITB

Bisnis asuransi adalah bisnis yang menangani perpindahan risiko dari pihak tertanggung (pemegang polis) kepada pihak penanggung (perusahaan asuransi). Sebagai kompensasi atas perpindahan risiko tersebut, pemegang polis wajib membayarkan sejumlah uang kepada perusahaan asuransi yang disebut dengan premi asuransi. Namun, besar premi yang harus dibayarkan oleh pemegang polis biasanya sulit untuk ditentukan sebab frekuensi dan severitas dari risiko yang terjadi atas pemegang polis belum diketahui secara pasti pada waktu pembayaran premi dilakukan. Pada Tugas Akhir ini, digunakan dua metodologi untuk menentukan besar premi asuransi yang harus dibayarkan oleh pemegang polis atas suatu produk asuransi umum. Metodologi pertama adalah model regresi Generalized Linear Model (GLM). Di dalam GLM, terdapat asumsi bahwa distribusi dari variabel respons harus mengikuti suatu distribusi dalam kelas distribusi keluarga eksponensial. Metodologi yang ke-2 adalah Gradient Boosting Machine (GBM) yang tidak menggunakan asumsi distribusi peluang apapun atas variabel respons. Dalam Tugas Akhir ini, digunakan suatu data asuransi kesehatan di Amerika Serikat yang didapatkan dari Kaggle.com. Variabel premi di data, yang merupakan variabel respons, mengikuti suatu distribusi Tweedie. Berdasarkan model peluang tersebut, di dalam GLM digunakan link function logaritma natural. Di sisi lain, pada metode GBM dipertimbangkan 4 hyperparameter: shrinkage, interaction.depth, minobsinnode, dan n.trees. Nilai RMSE pada test set digunakan untuk membandingkan kedua metodologi tersebut. Diperoleh bahwa nilai RMSE untuk GBM lebih kecil dibandingkan RMSE yang dihasilkan GLM. Ini berarti bahwa, berdasarkan data yang dianalisis, metode GBM lebih baik dalam memprediksi besar premi asuransi dibandingkan prediksi besar premi asuransi yang dihasilkan GLM. Namun perlu diperhatikan bahwa GLM adalah metodologi yang lebih interpretatif dibandingkan metode GBM sehingga GL