Perbandingan Metode Extreme Gradient Boosting (XGBoost) dan Light Gradient Boosting Machine (LightGBM) untuk Mendeteksi Fraud pada Data Klaim Asuransi Kendaraan Bermotor

Aliefia, Aqilla Yumna (2024) Perbandingan Metode Extreme Gradient Boosting (XGBoost) dan Light Gradient Boosting Machine (LightGBM) untuk Mendeteksi Fraud pada Data Klaim Asuransi Kendaraan Bermotor. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5002201086-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (4MB) | Request a copy

Abstract

Penggunaan asuransi semakin diminati di era perkembangan ekonomi modern saat ini karena meningkatnya kesadaran masyarakat akan risiko, sehingga penting diperlukan sebuah perlindungan atas risiko yang tidak terduga. Asuransi merupakan perjanjian antara dua pihak, dimana pihak penanggung berkomitmen kepada tertanggung dengan menerima premi asuransi untuk memberikan ganti rugi kepada tertanggung. Salah satu asuransi yang banyak ditawarkan yaitu asuransi kendaraan bermotor yang memberikan manfaat atas kerugian atau kerusakan yang terjadi pada kendaraan. Namun, pada praktiknya, asuransi kendaraan bermotor rentan terhadap masalah fraud, yang merupakan tindakan yang dilakukan secara sengaja dengan tujuan memperoleh keuntungan dari pihak lain. Oleh karena itu, pada penelitian ini membahas mengenai deteksi fraud pada klaim asuransi kendaran bermotor dengan menggunakan metode Extreme Gradient Boosting (XGBoost) dan Light Gradient Boosting Machine (LightGBM). Hasil klasifikasi dari kedua metode tersebut akan dibandingkan untuk mendapatkan model yang terbaik. Penelitian ini dilakukan tahap pengambilan data sebanyak 15.420 data, kemudian dilakukan preprocessing data yang meliputi data cleaning, label encoding data, handling imbalance class, dan splitting data. Kemudian dilakukan klasifikasi dengan mengimplementasikan metode XGBoost dan metode LightGBM serta hyperparameter tuning pada masing-masing metode. Kinerja model XGBoost dari metrik evaluasi mendapatkan hasil accuracy 97.89%, precision 97.8%, recall 98.1%, F1-Score 98.0%, dengan waktu komputasi training yaitu 756.2738 seconds atau sekitar 12 menit. Sementara itu, model LightGBM mendapatkan accuracy 98.3%, precision 98.0%, recall 98.5%, F1-Score 98.3% dengan waktu komputasi training yaitu 444.5474 seconds atau sekitar 7 menit. Kedua model menunjukkan kinerja yang baik dalam mendeteksi fraud. Namun, model LightGBM memiliki keunggulan dalam semua metrik evaluasi dan efisiensi waktu komputasi. Dengan demikian, LightGBM lebih efektif dan efisien dibandingkan XGBoost dalam mendeteksi fraud pada klaim asuransi kendaraan bermotor.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Fraud Detection, LightGBM, Motor Vehicle Insurance, XGBoost, Asuransi Kendaraan Bermotor, Deteksi Fraud, LightGBM, XGBoost
Subjects:	Q Science > QA Mathematics Q Science > QA Mathematics > QA76.6 Computer programming. Q Science > QA Mathematics > QA76.9.D343 Data mining. Querying (Computer science)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	Aqilla Yumna Aliefia
Date Deposited:	06 Aug 2024 18:27
Last Modified:	06 Aug 2024 18:27
URI:	http://repository.its.ac.id/id/eprint/113712

Actions (login required)

View Item