Pemodelan Prediksi Status Keberlanjutan Polis Asuransi Kendaraan dengan Teknik Pemilihan Mayoritas Menggunakan Algoritma-Algoritma Klasifikasi Data Mining

Authors

  • Dyah Retno Utari Universitas Budi Luhur
  • Arief Wibowo Universitas Budi Luhur

DOI:

https://doi.org/10.22236/teknoka.v5i.391

Keywords:

data mining, prediksi keberlanjutan polis asuransi kendaraan, majority voting, algoritma klasifikasi

Abstract

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.

Author Biographies

Dyah Retno Utari, Universitas Budi Luhur

Program Studi Manajemen Informatika

Fakultas Teknologi Informasi

Arief Wibowo, Universitas Budi Luhur

Program Studi Sistem Informasi

Fakultas Teknologi Informasi

References

Bustami, “Penerapan Algoritma Naive Bayes Untuk Mengklasifikasi Data Nasabah Asuransi,” Jurnal Informatika, vol. 8, no. 1, hal. 884–898, 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.

Downloads

Published

2021-01-04