Computer File

Memprediksi tingkat pemulihan asuransi grup cacat jangka panjang menggunakan neural network

Terdapat berbagai kejadian yang terjadi pada manusia yang dapat menyebabkan kecacatan yaitu sakit, cidera, atau yang lainnya. Kecacatan tersebut dapat menimbulkan kerugian finansial. Untuk mengantisipasi kerugian finansial manusia membutuhkan asuransi sebagai bentuk perlindungan dari kerugian finansial. Oleh karena itu, perusahaan asuransi perlu memprediksi tingkat pemulihan kecacatan untuk membuat produk asuransi yang sesuai. Neural Network adalah suatu model pembelajaran yang bentuknya menyerupai jaringan sel otak yang dapat digunakan untuk memprediksi Suatu nilai dengan cara mempelajari data-data yang sudah Diketahui terlebih dahulu. Pada skripsi ini, akan dibuat suatu model yang dapat memprediksi tingkat pemulihan dengan menggunakan metode Neural Network, dimana Mean Squared Error (MSEI) dari metode Neural akan dibandingkan dengan nilai MSE dari metode lain, yaitu Pohon Keputusan dan Gradient Boosting Machine (GBM) untuk menentukan metode yang lebih baik dalam memprediksi tingkat pemulihan. Data yang digunakan adalah data yang diterbitkan oleh Society of Actuaries (SOA). Diperoleh bahwa model Neural Network yang terbaik adalah Neural Network dengan 3 hidden neuron dan threshold = 0,05. Tetapi jika dibandingkan dengan kedua metode lain, Neural Network memberikan nilai MSE yang lebih besar dari MSE pada metode GBM dan lebih kecil dari MSE pada metode Pohon Keputusan. Hal ini Menunjukan bahwa metode GBN lebih baik dari metode Neural Network dalam memprediksi tingkat pemulihan pada data.

Ketersediaan

Informasi Detail

Judul Seri

No. Panggil

MAT THA m/22

Penerbit

Bandung : Program Studi Matematika Fakultas Teknologi Informasi dan Sains - UNPAR., 2022

Deskripsi Fisik

xxi, 31 p. : il. ; 30 cm.

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

NONE

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

NEURAL NETWORK
POHON KEPUTUSAN
GRADIENT BOOSTING MACHINE (GEM)
MEAN SQUARED ERROR (MSE)
TINGKAT PEMULIHAN

Info Detail Spesifik

1798 - FTIS

Pernyataan Tanggungjawab

Felicia Ilona Thamara

Versi lain/terkait

Lampiran Berkas

Komentar