Perpustakaan Digital ITB

Deteksi fraud pada klaim asuransi kendaraan menghadapi tantangan akibat ketidakseimbangan kelas, tumpang tindih antarkelas, dan asimetri biaya antara false negative dan false positive. Penelitian ini membandingkan strategi penanganan ketidakseimbangan kelas pada level data dan algoritma dalam deteksi fraud berbasis biaya. Tiga strategi yang dibandingkan meliputi pendekatan level data menggunakan Synthetic Minority Over-sampling Technique (SMOTE), pendekatan level algoritma melalui pembobotan peka biaya (cost-sensitive learning), dan pendekatan gabungan yang mengintegrasikan keduanya. Seluruh skenario diimplementasikan dalam pipeline PSO-XGBoost yang identik untuk memastikan perbandingan yang setara. Particle Swarm Optimization (PSO) digunakan untuk mengoptimalkan sembilan hiperparameter XGBoost dan ambang keputusan secara simultan dengan fungsi fitness yang meminimumkan total biaya kesalahan klasifikasi melalui validasi silang lima lipatan. Kinerja model dievaluasi menggunakan metrik klasifikasi dan biaya, dengan Saving Rate sebagai ukuran utama efektivitas ekonomi. Pada data dengan imbalance ratio sebesar 15,72, pendekatan gabungan menghasilkan kinerja terbaik dengan Saving Rate sebesar 52,47% dan recall sebesar 96,22%. Model berhasil mendeteksi 178 dari 185 klaim fraud dan menurunkan total biaya dari 2829,77 menjadi 1345,01. Hasil penelitian menunjukkan bahwa integrasi penanganan ketidakseimbangan kelas, optimasi hiperparameter, dan ambang keputusan berbasis biaya menghasilkan tingkat deteksi tinggi sekaligus memberikan penghematan biaya. Pendekatan ini menjadi kerangka deteksi fraud yang mempertimbangkan kinerja prediktif dan konsekuensi ekonomi kesalahan klasifikasi.