Model Random Forest Data Historis Multivariat Untuk Prediksi Pendapatan Asuransi

Wilsen Grivin Mokodaser; Hartiny Koapaha; Stenly Ibrahim Adam

doi:10.36080/idealis.v8i2.3512

Authors

Wilsen Grivin Mokodaser Informatika, Fakultas Ilmu Komputer, Universitas Klabat, Minahasa Utara, Indonesia
Hartiny Koapaha Akuntansi, Fakultas Ekonomi dan Bisnis, Universitas Klabat, Minahasa Utara, Indonesia
Stenly Ibrahim Adam Informatika, Fakultas Ilmu Komputer, Universitas Klabat, Minahasa Utara, Indonesia

DOI:

https://doi.org/10.36080/idealis.v8i2.3512

Keywords:

Asuransi, Random Forest, Multivariat, Prediksi, Variabilitas

Abstract

Perusahaan asuransi adalah perusahaan keuangan non-bank yang melindungi nasabah dari risiko dan mengumpulkan uang dari premi nasabah selama periode tertentu, sesuai dengan ketentuan polis. Karena perusahaan asuransi telah lama terlibat dalam perekonomian negara, masyarakat tidak begitu ragu akan layanan yang mereka tawarkan. Disebabkan oleh ketidakpastian yang terkait dengan hal-hal seperti kesehatan, pendidikan, harta-benda, dan kematian, kesadaran masyarakat tentang pentingnya asuransi terus meningkat. Asuransi menjadi alat penting bagi masyarakat untuk mengantisipasi risiko atau kerugian di masa depan. model Random Forest diterapkan untuk memprediksi pendapatan asuransi bulan berikutnya berdasarkan data historis multivariat dari bulan Januari hingga Juli/Agustus. Hasil evaluasi menunjukkan bahwa model memiliki performa yang cukup baik dalam menangkap pola pendapatan, dengan skor evaluasi Mean Absolute Error (MAE) sebesar ±25.139.426 menunjukkan bahwa rata-rata kesalahan prediksi hanya sekitar 25 juta rupiah, angka yang masih tergolong wajar jika dibandingkan dengan skala pendapatan keseluruhan. Mean Squared Error (MSE) sebesar 2.9815 × 10¹⁵ mencerminkan adanya beberapa error besar, meskipun hal ini wajar mengingat skala data dan keberadaan outlier yang sulit dihindari. R² Score sebesar 0.85 menandakan bahwa 85% variabilitas pendapatan dapat dijelaskan oleh model dari data historis, yang menunjukkan performa prediksi yang sangat baik. Kontribusi ilmiah dari penelitian ini adalah penerapan pendekatan regresi non-linear berbasis Random Forest untuk melakukan peramalan pendapatan asuransi menggunakan data multivariat historis bulanan, yang jarang dibahas secara mendalam dalam konteks industri asuransi. Pendekatan ini tidak hanya menyoroti efektivitas Random Forest dalam menangkap pola musiman dan hubungan non-linier antar variabel waktu, tetapi memberikan landasan eksplorasi metode machine learning lanjutan dalam analisis data asuransi.

Downloads

Download data is not yet available.

References

[1] A. R. S. Ardi, M. Batubara, and M. I. Harahap, “Pengaruh Pendapatan Premi, Hasil Investasi dan Klaim Terhadap Laba Pada PT Asuransi Multi Artha Guna Tbk (AMAG),” J. Ekon. Syariah dan Bisnis, vol. 5, no. 2, pp. 179–192, 2022.

[2] F. O. Denovis, S. Arsita, and N. Nurhayati, “Pengaruh Pendapatan Premi, Hasil Underwriting, Hasil Investasi Dan Risk Based Capital Terhadap Laba Perusahaan Asuransi,” JRAK J. Ris. Akunt. dan Komputerisasi Akunt., vol. 13, no. 1, pp. 27–35, 2022, doi: 10.33558/jrak.v12i2.3211.

[3] H. Prasetyo, J. E. Tulung, and I. D. Palandeng, “Analisis Pengaruh Pendapatan Premi, Investasi, Dan Hasil Underwriting Terhadap Laba Perusahaan Asuransi Umum Di Otoritas Jasa Keuangan Periode 2017-2021,” J. EMBA J. Ris. Ekon. Manajemen, Bisnis dan Akunt., vol. 11, no. 2, pp. 11–22, 2023, doi: 10.35794/emba.v11i02.47200.

[4] N. D. Fatmawati and H. S. Devy, “Pengaruh Pendapatan Premi, Klaim, Invetasi dan Biaya Operasional Terhadap Pertumbuhan Aset Perusahaan Asuransi Jiwa Syariah Di Indonesia,” Veloc. J. Sharia Financ. Bank., vol. 1, no. 1, pp. 35–43, 2021, doi: 10.28918/velocity.v1i1.3589.

[5] N. G. Purnomo, Wargijono Utomo, Rachmat Farich, Ratna Fajarwati, Analisis Data Multivariat, 1st ed. Jawa Tengah: Omera Pustaka, 2022.

[6] S. Zahara and Sugianto, “Peramalan Data Indeks Harga Konsumen Berbasis Time Series Multivariate Menggunakan Deep Learning,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 1, pp. 24–30, 2021, doi: 10.29207/resti.v5i1.2562.

[7] A. Marjuni, “Peramalan Harga Saham Serentak Menggunakan Model Multivariate Singular Spectrum Analysis,” J. Sist. Inf. Bisnis, vol. 12, no. 1, pp. 17–25, 2022, doi: 10.21456/vol12iss1pp17-25.

[8] S. Saadah and H. Salsabila, “Prediksi Harga Bitcoin Menggunakan Metode Random Forest,” J. Komput. Terap., vol. 7, no. 1, pp. 24–32, 2021, doi: 10.35143/jkt.v7i1.4618.

[9] et al., “Klasifikasi Penyakit Daun Padi menggunakan Random Forest dan Color Histogram,” J. Komputasi, vol. 10, no. 1, 2022, doi: 10.23960/komputasi.v10i1.2961.

[10] B. Prasojo and E. Haryatmi, “Analisa Prediksi Kelayakan Pemberian Kredit Pinjaman dengan Metode Random Forest,” J. Nas. Teknol. dan Sist. Inf., vol. 7, no. 2, pp. 79–89, 2021, doi: 10.25077/teknosi.v7i2.2021.79-89.

[11] H. Tantyoko, D. K. Sari, and A. R. Wijaya, “Prediksi Potensial Gempa Bumi Indonesia Menggunakan Metode Random Forest Dan Feature Selection,” IDEALIS Indones. J. Inf. Syst., vol. 6, no. 2, pp. 83–89, 2023, doi: 10.36080/idealis.v6i2.3036.

[12] S. P. Tamba and E. -, “Prediksi Penyakit Gagal Jantung Dengan Menggunakan Random Forest,” J. Sist. Inf. dan Ilmu Komput. Prima(JUSIKOM PRIMA), vol. 5, no. 2, pp. 176–181, 2022, doi: 10.34012/jurnalsisteminformasidanilmukomputer.v5i2.2445.

[13] Suci Amaliah, M. Nusrang, and A. Aswi, “Penerapan Metode Random Forest Untuk Klasifikasi Varian Minuman Kopi di Kedai Kopi Konijiwa Bantaeng,” VARIANSI J. Stat. Its Appl. Teach. Res., vol. 4, no. 3, pp. 121–127, 2022, doi: 10.35580/variansiunm31.

[14] E. Fitri, “Analisis Perbandingan Metode Regresi Linier, Random Forest Regression dan Gradient Boosted Trees Regression Method untuk Prediksi Harga Rumah,” J. Appl. Comput. Sci. Technol., vol. 4, no. 1, pp. 58–64, 2023, doi: 10.52158/jacost.v4i1.491.

[15] M. Fadli and R. A. Saputra, “Klasifikasi Dan Evaluasi Performa Model Random Forest Untuk Prediksi Stroke,” JT J. Tek., vol. 12, no. 02, pp. 72–80, 2023, [Online]. Available: http://jurnal.umt.ac.id/index.php/jt/index