Publisher

UBMUBM

Journal Jurnal Algoritma, Logika dan KomputasiJurnal Algoritma, Logika dan Komputasi Abstract

Gradient Boosting (GB) adalah sebuah algoritma machine learning yang menggabungkan beberapa fungsi parameter sederhana yang bertujuan untuk memprediksi sebuah informasi yang cukup akurat dari data-data yang ada. Berbeda dengan metode statistika pada umumnya, Gradient boosting ini memberikan informasi yang dapat diinterpretasi, sementara membutuhkan sedikit data preprocessing dan tuning dari parameter. Gradient Boosting dapat diterapkan untuk melakukan klasifikasi maupun regresi pada data-data, Interaksi kompleks dimodelkan secara sederhana dan meminimalisir kehilangan informasi saat dalam pengelolaan prediktor, sehingga algoritma ini cukup baik digunakan untuk pemodelan biaya asuransi kerugian. Penelitian ini menyajikan teori GB dan aplikasinya untuk masalah memprediksi kecelakaan “at-fault pada biaya kerugian mobil menggunakan data dari perusahaan asuransi Kanada. Akurasi prediksi model GB dibandingkan terhadap pendekatan Generalized Linear Model (GLM) konvensional.

Conclusion

Berdasarkan hasil penelitian yang dilakukan dapat disimpulkan bahwa pengguna Gradient Boosting pada biaya kerugian dibanding dengan GLM menunjukan bahwa pengunaan Gradient Boosting bisa dijadikan alternatif dalam melakukan prediksi biaya kerugian karena lebih cepat dan akurasi/ketepatannya pun tidak kalah dengan mengunakan metode konvensional GLM.

Future Research

Penelitian selanjutnya dapat difokuskan pada pengembangan model Gradient Boosting dengan mempertimbangkan faktor-faktor eksternal seperti kondisi ekonomi dan perilaku pengemudi untuk meningkatkan akurasi prediksi biaya kerugian. Selain itu, eksplorasi penggunaan teknik deep learning, seperti neural networks, dapat dilakukan untuk membandingkan performanya dengan Gradient Boosting dalam memprediksi biaya kerugian asuransi mobil. Terakhir, penelitian dapat diperluas dengan menguji model pada dataset dari berbagai negara dengan karakteristik yang berbeda untuk menguji generalisasi dan robustitas model Gradient Boosting dalam konteks asuransi yang lebih luas. Penelitian-penelitian ini diharapkan dapat memberikan wawasan yang lebih mendalam tentang pemodelan biaya kerugian asuransi dan membantu perusahaan asuransi dalam membuat keputusan yang lebih tepat dan efisien.

References

1. Studi Kasus Feature Engineering Untuk Data Teks: Perbandingan Label Encoding dan One-Hot Encoding Pada... doi.org/10.31602/tji.v15i1.13457Studi Kasus Feature Engineering Untuk Data Teks Perbandingan Label Encoding dan One Hot Encoding Pada doi 10 31602 tji v15i1 13457
2. DATA MINING UNTUK ANALISA PENGAJUAN KREDIT DENGAN MENGGUNAKAN METODE LOGISTIK REGRESI | Ginting | Jurnal... journal.ubm.ac.id/index.php/alu/article/view/1845DATA MINING UNTUK ANALISA PENGAJUAN KREDIT DENGAN MENGGUNAKAN METODE LOGISTIK REGRESI Ginting Jurnal journal ubm ac index php alu article view 1845
3. Analisa Sentimen Data Text Preprocessing Pada Data Mining Dengan Menggunakan Machine Learning | Hakim... doi.org/10.30813/jbase.v4i2.3000Analisa Sentimen Data Text Preprocessing Pada Data Mining Dengan Menggunakan Machine Learning Hakim doi 10 30813 jbase v4i2 3000

Metadata

File size	371.2 KB
Pages	9
DMCA	Report