Perbandingan Algoritma C4.5 dan XGBoost untuk Prediksi Status Keberlanjutan Polis Asuransi Jiwa pada PT XYZ

Mustofa, Salsabila Alisha Putri (2025) Perbandingan Algoritma C4.5 dan XGBoost untuk Prediksi Status Keberlanjutan Polis Asuransi Jiwa pada PT XYZ. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5006211052-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Ringkasan kinerja industri asuransi jiwa indonesia periode Januari hingga September 2024 yang telah dipublikasikan Siaran Pers AAJI, menunjukkan penurunan jumlah polis dibandingkan dengan periode yang sama di tahun sebelumnya. Tingginya angka lapse akan merugikan reputasi, kestabilan keuangan perusahaan, dan dapat menurunkan kepercayaan pemegang polis pada perusahaan asuransi. Penting untuk melakukan pendekatan yang strategis untuk menjaga keberlanjutan polis nasabah agar meminimalkan risiko penurunan secara signifikan pada jumlah polis. PT XYZ yang merupakan perusahaan asuransi jiwa perlu mengurangi kemungkinan kehilangan nasabah dengan melakukan prediksi keberlanjutan polis nasabah dengan menggunakan data nasabah yang telah terdaftar dengan hasil prediksi terbaik. Berdasarkan penelitian terdahulu, peneliti ingin melakukan perbandingan algoritma C4.5 dengan optimasi Adaboost dan algoritma XGBoost dalam memprediksi status keberlanjutan polis asuransi jiwa di perusahaan asuransi PT XYZ untuk mendapatkan model dengan tingkat prediksi yang paling tepat. Atribut yang digunakan adalah penghasilan, usia polis, status pernikahan, pekerjaan, jenis kelamin, usia, jumlah calon penerima manfaat, jenis kelamin, dan rencana pembayaran dari data kepesertaan asuransi jiwa pada PT XYZ periode 2022 hingga 2024. Pembagian data training dan testing dilakukan dengan proporsi 80:20. Model klasifikasi ditingkatkan performanya dengan dilakukan hyperparameter tuning dengan menggunakan GridSearch CV. Hasil pengujian menunjukkan menunjukkan bahwa kombinasi algoritma C4.5 dan Adaboost menghasilkan nilai accuracy sebesar 88,9%, sensitivity sebesar 89,8%, dan specificity sebesar 86,5% pada data testing. Sementara itu, model klasifikasi XGBoost menghasilkan nilai accuracy sebesar 90,6%, sensitivity sebesar 90%, dan specificity sebesar 92,3%. Secara keseluruhan, model klasifiksi XGBoost menunjukkan performa terbaik dibandingkan algoritma C4.5 dan Adaboost dalam memprediksi status keberlanjutan polis asuransi jiwa pada PT XYZ periode 2022 hingga 2024.
==================================================================================================================================
The performance summary of the Indonesian life insurance industry for the period of January to September 2024, as published in the AAJI Press Release, shows a decline in the number of policies compared to the same period in the previous year. A high lapse rate can harm a company's reputation, disrupt financial stability, and reduce policyholders' trust in insurance companies. Therefore, it is crucial to implement strategic approaches to maintain policy sustainability and minimize the risk of a significant decline in the number of active policies. PT XYZ, a life insurance company, needs to reduce the likelihood of losing customers by predicting the sustainability of policyholders using registered customer data to achieve the best prediction results. Based on previous research, this study aims to compare the C4.5 algorithm with Adaboost optimization and the XGBoost algorithm in predicting the sustainability status of life insurance policies at PT XYZ in order to identify the most accurate prediction model. The attributes used in the study include income, policy age, marital status, occupation, gender, age, number of beneficiaries, and payment plan, derived from PT XYZ’s life insurance participation data from 2022 to 2024. The dataset is split into training and testing sets with an 80:20 ratio. The classification models are further enhanced through hyperparameter tuning using GridSearchCV. The testing results show that the combination of the C4.5 algorithm with Adaboost yields an accuracy of 88,9%, sensitivity of 89,8%, and specificity of 86,5%. Meanwhile, the XGBoost classification model achieves an accuracy of 90,6%, sensitivity of 90%, and specificity of 92,3%. Overall, the XGBoost model demonstrates the best performance compared to the C4.5 and Adaboost algorithms in predicting the sustainability status of life insurance policies at PT XYZ for the 2022–2024 period.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Adaboost, C4.5, Klasifikasi, Status Keberlanjutan Polis ; XGBoost, Classification, Policy Sustainability Status
Subjects:	Q Science > QA Mathematics
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Actuaria > 94203-(S1) Undergraduate Thesis
Depositing User:	Salsabila Alisha Putri Mustofa
Date Deposited:	18 Jul 2025 03:44
Last Modified:	18 Jul 2025 03:44
URI:	http://repository.its.ac.id/id/eprint/120031

Actions (login required)

View Item