Pemodelan Prediksi Status Keberlanjutan Polis Asuransi Kendaraan dengan Teknik Pemilihan Mayoritas Menggunakan Algoritma-Algoritma Klasifikasi Data Mining
Kata Kunci:
data mining 1, prediksi keberlanjutan polis asuransi kendaraan 2, majority voting 3, algoritma klasifikasi 4Abstrak
Asuransi kendaraan bermotor merupakan jenis usaha pertanggungan terhadap kerugian
atau risiko kerusakan yang dapat timbul dari berbagai macam potensi kejadian yang menimpa
kendaraan. Persaingan dalam bisnis asuransi khususnya untuk kendaraan bermotor menuntut inovasi
dan strategi agar keberlangsungan bisnis tetap terjamin. Salah satu upaya yang dapat dilakukan
perusahaan adalah memprediksi status keberlanjutan polis asuransi kendaraan dengan menganalisis
data-data profil dan transaksi nasabah. Prediksi terhadap keputusan pemegang polis menjadi sangat
penting bagi perusahaan, karena dapat menentukan strategi pemasaran yang mempengaruhi keputusan
pelanggan untuk pembaharuan polis asuransi. Penelitian ini telah mengusulkan suatu model prediksi
status keberlanjutan polis asuransi kendaraan dengan teknik pemilihan mayoritas dari hasil klasifikasi
menggunakan algoritma- algoritma data mining seperti Naive Bayes, Support Vector Machine dan
Decision Tree. Hasil pengujian menggunakan confusion matrix menunjukkan nilai akurasi terbaik
diperoleh sebesar 93,57%, apapun untuk nilai precision mencapai 97,20%, dan nilai recall sebesar
95,20% serta nilai F-Measure sebesar 95,30%. Nilai evaluasi model terbaik dihasilkan menggunakan
pendekatan pemilihan mayoritas (majority voting), mengungguli kinerja model prediksi berbasis
pengklasifikasi tunggal.
Unduhan
Referensi
Bustami, “Penerapan Algoritma Naive Bayes Untuk Mengklasifikasi Data Nasabah Asuransi,” Jurnal Informatika, vol. 8, no. 1, hal.
–898, 2014.
Betrisandi, “Klasifikasi Nasabah Asuransi Jiwa Menggunakan Algoritma Naive Bayes Berbasis Backward Elimination,” ILKOM Jurnal Ilmiah, vol. 9, no. 1, hal. 96–101, 2017.
R. Sutitis, S. Suparti, dan D. Ispriyanti, “Klasifikasi Tingkat Kelancaran Nasabah Dalam Membayar Premi Dengan Menggunakan Metode Regresi Logistik Ordinal Dan Naãve Bayes,” Jurnal Gaussian, vol. 4, no. 3, hal. 651–659, 2015.
W. F. Pattipeilohy, A. Wibowo, dan D. R. Utari, “Fakultas Teknik – Universitas Muria Kudus,” in Prosiding SNATIF ke-4 Tahun 2017, 2017, hal. 96–101.
A. Alhamad, A. I. S. Azis, B. Santoso, dan S. Taliki, “Prediksi Penyakit Jantung Menggunakan Metode-Metode Machine
Learning Berbasis Ensemble – Weighted Vote,”Jurnal Edukasi dan Penelitian Informatika (JEPIN), vol. 5, no. 3, hal. 352, 2019.
Kusrini, Algoritma Data Mining. Jakarta, 2009.
R. T. Wulandari, Data Mining Teori dan Aplikasi Rapidminer. 2017.
A. S. Nugroho, “Pengantar Support Vector Machine,” 2007, hal. 1–6.
M. Windarti dan A. Suradi, “Perbandingan Kinerja 6 Algoritme Klasifikasi Data Mining untuk Prediksi Masa Studi Mahasiswa,” Telematika, vol. 12, no. 1, hal. 14, 2019.
I. G. A. Suwartane, M. Syafrullah, dan K. Adiyarta, “Prediction models of diabetes diseases based on Heterogeneous Multiple Classifiers,” International Journal of Advances in Soft Computing and its Applications, vol. 10, no. 2, hal. 33–49, 2018.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2022 Prosiding Seminar Nasional Teknoka
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.