Skripsi ANALISIS KOMPARASI ALGORITMA KLASIFIKASI DATA MINING PADA AKSEPTASI DATA FAKULTATIF REASURANSI JIWA

Bisnis fakultatif merupakan bisnis yang memiliki tingkat resiko yang cukup tinggi. Resiko ini bisa terjadi dengan meningkatnya jumlah klaim dengan nilai yang cukup besar sehingga akan berdampak pada terganggunya kestabilan finansial perusahaan. Perusahaan berkeinginan untuk dapat menghindari atau mengurangi nilai-nilai klaim yang semestinya tidak perlu terjadi. Untuk itu dibutuhkan suatu metode yang akurat untuk dapat seminimal mungkin menerima polis-polis asuransi yang diprediksi memiliki resiko klaim yang besar. Untuk mewujudkan hal tersebut akan dilakukan evaluasi pada akseptasi data fakultatif reasuransi jiwa. Dalam melakukan evaluasi ini akan menggunakan salah satu teknik dalam Data Mining yaitu teknik klasifikasi. Teknik ini dipilih karena menyesuaikan dengan tujuan dari kasus tersebut yaitu memutuskan apakah menerima atau menolak suatu data polis fakultatif yang ditawarkan perusahaan asuransi. Agar didapatkan algoritma yang paling akurat akan dilakukan komparasi beberapa algoritma yang memiliki perbedaan karakteristik antara lain adalah Logistic Regression, Decision Trees, K-Nearest Neighbors, Naïve Bayes dan Support Vector Machines. Hasil analisis komparasi yang diperoleh dengan menggunakan pengujian Confusion Matrix, ROC Curve dan Paired T-Test dapat disimpulkan bahwa metode atau algoritma yang paling akurat adalah algoritma Decision Trees, kemudian algoritma Support Vector Machines dengan nilai uji T-Test yang dominan dan tingkat accuracy yang cukup tinggi. Sedangkan algoritma Logistic Regression cukup baik dengan nilai AUC yang tinggi, K-Nearest Neighbors dan Naïve Bayes memiliki kinerja yang kurang memuaskan.