[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-118647-id":3,"doc-seo-118647-113":30,"detail-sidebar-cat-0-id-113":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":20,"language":22,"language_code":23,"site_id":24,"html_lang":23,"table_of_contents":25,"faqs":26,"seo_title":27,"seo_description":14,"update_tm":28,"read_time":29},118647,962085564807,"Aurelia","https://ap-avatar.wpscdn.com/davatar_6f874abed73319feea01a86fa6f0fab8",54,"Penelitian & Laporan","Prediksi Klaim Asuransi Menggunakan Algoritma Machine Learning dengan Pembanding Generalized Linear Model (GLM)","Prediksi klaim asuransi berperan penting dalam underwriting, penentuan premi, dan manajemen risiko portofolio. Penelitian ini menganalisis performa algoritma machine learning untuk memprediksi klaim asuransi serta membandingkannya dengan pendekatan statistik klasik, yaitu Generalized Linear Model (GLM). Data klaim yang kompleks, seperti non-linearitas, ketidakseimbangan kelas, dan interaksi variabel, menantang model linear. Random Forest, Gradient Boosting, dan XGBoost digunakan untuk memodelkan probabilitas klaim, dievaluasi memakai AUC, F1-score, akurasi, dan analisis feature importance. Hasil menunjukkan machine learning lebih unggul, terutama pada data tidak seimbang, dengan XGBoost mencatat AUC tertinggi 0,063194. Temuan mendukung pengambilan keputusan aktuaria dan pengembangan sistem pendukung keputusan di industri asuransi.","PREDIKSI KLAIM ASURANSI MENGGUNAKAN ALGORITMA MACHINE LEARNING DENGAN PEMBANDING GENERALIZED LINEAR MODEL (GLM)  \nRevi Meliyani1, Qowiyyul Amin Siregar2, Hikmah Rahmah3, M. Hamal Musito4,  \nTica Liana Kacaribu5  \n1,2,3,4,5 Universitas Mitra Bangsa, Pejaten Timur, 12530  \n* Email Korespondensi: [revi.meliyani@umiba.ac.id](revi.meliyani@umiba.ac.id)  \n\n| INFO ARTIKEL |  | ABSTRAK |\n| --- | --- | --- |\n| Sejarah Artikel:\u003Cbr>Diterima Tgl. 06/12/2023 Diperbaiki Tgl. 31/12/2023 Disetujui Tgl. 06/01/2024 Tersedia daring Tgl. 23/01/2024 |  | Permasalahan prediksi klaim pada industri asuransimerupakan 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 sepertinon-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.\u003Cbr>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 tidakseimbang. XGBoost memberikan nilai AUC tertinggi sebesar 0,063194, sedangkan GLM cenderung memiliki performa lebih rendah pada pola data non-linear. Temuanini menunjukkan bahwa machine learning dapat menjadipendekatan alternatif yang efektif dalam mendukung proses pengambilan keputusan aktuaria dan pengembangan sistem pendukung keputusan di industriasuransi.. |\n| e-ISSN 2961-9009 p-ISSN 2963-1289 |  |  |\n| DOI:\u003Cbr>[https://doi.org/10.58290/jukomte](https://doi.org/10.58290/jukomte)[k.v4i1.325](k.v4i1.325) |  | Kata Kunci:\u003Cbr>Machine Learning, Generalized Linear Model, Prediksi Klaim, Asuransi. |\n|  | ©2022 . Diterbitkan oleh Jurnal Komputer dan Teknologi (JUKOMTEK) . Artikel inimemiliki akses terbuka di bawah lisensi CC BY |  |\n| ([https://creativecommons.org/licenses/by/4.0/](https://creativecommons.org/licenses/by/4.0/)) |  |  |\n\nPENDAHULUAN  \nPrediksi klaim asuransi merupakan salah satu proses penting dalam industri  \nasuransi karena berpengaruh langsung terhadapkeputusan underwriting, penentuan premi, dan manajemen risiko portofolio. Ketepatan model prediksi dapat membantu perusahaan  \nJurnal Komputer dan Teknologi (JUKOMTEK) Vol. 03, No. 01, Januari 2024: 43–47  \ne-ISSN 2961-9009 p-ISSN 2963-1289  \nmengidentifikasi calon tertanggung yang memiliki risiko tinggi, mengurangi potensikerugian, serta meningkatkan stabilitas finansial perusahaan. Selama beberapa dekade, Generalized Linear Model (GLM) menjadi pendekatan utama dalampemodelan risiko pada praktik aktuaria karena memiliki struktur yang sederhana, interpretatif, serta sejalan dengan prinsipprinsip teori probabilitas dan statistik klasik. Namun, GLM memiliki keterbatasan, terutama dalam menangani hubungan nonlinear, interaksi antar-variabel yang kompleks, dan karakteristik data klaim yang sering kali tidak seimbang. Perkembangan teknologi informasi mendorong munculnya teknik prediksi berbasis machine learning, seperti Random Forest, Gradient Boosting, dan XGBoost, yang mampu mempelajari pola non-linear dan fitur kompleks secara lebih fleksibel dibandingkan GLM. Berbagai studi menunjukkan bahwa model machine learning mampu menangkap struktur data yang sulit dimodelkan oleh pendekatan statistik tradisional, terutamapada data dengan variabilitas tinggi dan pola distribusi yang tidak standar. Namundemikian, penelitian yang secara eksplisit membandingkan performa model machine learning dengan GLM dalam konteksprediksi klaim asuransi masih relatif terbatas, khususnya pada cakupan dataset dengan karakteristik variabel ","cbCaiqPRxlamrct8","https://ap.wps.com/l/cbCaiqPRxlamrct8","pdf",300800,5,1,"Indonesian","id",113,"# Pendahuluan\n# Landasan Teori","[{\"question\":\"Apa tujuan penelitian dalam prediksi klaim asuransi ini?\",\"answer\":\"Penelitian bertujuan mengevaluasi performa beberapa algoritma machine learning untuk memprediksi probabilitas klaim asuransi dan membandingkannya dengan GLM sebagai model benchmark.\"},{\"question\":\"Mengapa GLM menjadi pembanding pada penelitian ini?\",\"answer\":\"GLM banyak digunakan dalam aktuaria karena interpretatif dan selaras dengan teori statistik, namun memiliki keterbatasan untuk hubungan non-linear, interaksi kompleks, dan masalah ketidakseimbangan data klaim.\"},{\"question\":\"Algoritma apa saja yang dibandingkan dengan GLM dan metrik apa yang digunakan?\",\"answer\":\"Random Forest, Gradient Boosting, dan XGBoost dibandingkan dengan GLM. Evaluasi menggunakan metrik AUC, F1-score, dan akurasi, disertai analisis feature importance.\"}]","Prediksi Klaim Asuransi Menggunakan Algoritma Machine Learning dengan Pembanding Generalized Linear Model (GLM) | PDF",1785684690,8,{"code":4,"msg":31,"data":32},"ok",{"site_id":24,"language":23,"slug":33,"title":13,"keywords":34,"description":14,"schema_data":35,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":28},"insurance-claim-prediction-using-machine-learning-algorithms-with-generalized-linear-model-glm-comparison","",{"@graph":36,"@context":86},[37,54,69],{"@type":38,"itemListElement":39},"BreadcrumbList",[40,44,48,51],{"item":41,"name":42,"@type":43,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":45,"name":46,"@type":43,"position":47},"https://docshare.wps.com/id/document/","Document",2,{"item":49,"name":12,"@type":43,"position":50},"https://docshare.wps.com/id/document/penelitian-laporan/",3,{"item":52,"name":13,"@type":43,"position":53},"https://docshare.wps.com/id/document/insurance-claim-prediction-using-machine-learning-algorithms-with-generalized-linear-model-glm-comparison/118647/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":23,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":41,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-18","2026-08-02",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Apa tujuan penelitian dalam prediksi klaim asuransi ini?","Question",{"text":76,"@type":77},"Penelitian bertujuan mengevaluasi performa beberapa algoritma machine learning untuk memprediksi probabilitas klaim asuransi dan membandingkannya dengan GLM sebagai model benchmark.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Mengapa GLM menjadi pembanding pada penelitian ini?",{"text":81,"@type":77},"GLM banyak digunakan dalam aktuaria karena interpretatif dan selaras dengan teori statistik, namun memiliki keterbatasan untuk hubungan non-linear, interaksi kompleks, dan masalah ketidakseimbangan data klaim.",{"name":83,"@type":74,"acceptedAnswer":84},"Algoritma apa saja yang dibandingkan dengan GLM dan metrik apa yang digunakan?",{"text":85,"@type":77},"Random Forest, Gradient Boosting, dan XGBoost dibandingkan dengan GLM. Evaluasi menggunakan metrik AUC, F1-score, dan akurasi, disertai analisis feature importance.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":24},{"code":4,"msg":5,"data":93},[94,99,103,107,111,115,117,121,125,129,133],{"id":95,"doc_module":4,"doc_module_name":46,"category_name":96,"show_sort_weight":97,"slug":98},55,"Agama & Spiritualitas",60,"religion-spirituality",{"id":100,"doc_module":4,"doc_module_name":46,"category_name":101,"show_sort_weight":97,"slug":102},48,"Cerita & Novel","story-novel",{"id":104,"doc_module":4,"doc_module_name":46,"category_name":105,"show_sort_weight":97,"slug":106},56,"Gaya Hidup","lifestyle",{"id":108,"doc_module":4,"doc_module_name":46,"category_name":109,"show_sort_weight":97,"slug":110},51,"Komik","comic",{"id":112,"doc_module":4,"doc_module_name":46,"category_name":113,"show_sort_weight":97,"slug":114},53,"Layanan Kesehatan","healthcare",{"id":11,"doc_module":4,"doc_module_name":46,"category_name":12,"show_sort_weight":97,"slug":116},"research-report",{"id":118,"doc_module":4,"doc_module_name":46,"category_name":119,"show_sort_weight":97,"slug":120},49,"Sastra","literature",{"id":122,"doc_module":4,"doc_module_name":46,"category_name":123,"show_sort_weight":97,"slug":124},52,"Teknologi","technology",{"id":126,"doc_module":4,"doc_module_name":46,"category_name":127,"show_sort_weight":97,"slug":128},50,"Ujian","exam",{"id":130,"doc_module":4,"doc_module_name":46,"category_name":131,"show_sort_weight":97,"slug":132},57,"Umum","general",{"id":134,"doc_module":4,"doc_module_name":46,"category_name":135,"show_sort_weight":4,"slug":136},181,"Formulir","formulir"]