Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tren kenaikan frekuensi dan severitas klaim untuk klaim asuransi kendaraan bermotor menyebabkan dibutuhkannya metode otomatisasi baru untuk memprediksi probabilitas seorang pemegang asuransi kendaraan akan mengajukan klaim jika diberikan data historis mengenai pemegang asuransi tersebut, agar perusahaan asuransi dapat memilah dan memproses lebih lanjut para pemegang polis yang kemungkinan mengajukan klaimnya tinggi. Masalah ini dapat diselesaikan dengan berbagai metode, salah satunya dengan machine learning, yang mengkategorisasikan masalah tersebut sebagai masalah supervised learning. Volume data yang besar dan banyaknya kemungkinan adanya missing values pada data pemegang asuransi menjadi dua aspek yang mempengaruhi pemilihan model machine learning yang tepat. XGBoost merupakan model gradient boosting machine learning baru yang dapat mengatasi missing value dan volume data besar sehingga XGBoost diklaim merupakan metode yang tepat untuk digunakan pada masalah tersebut. Dalam skripsi ini akan diaplikasikan metode XGBoost kepada masalah ini, dan akan dibandingkan hasilnya dengan berbagai metode machine learning lainnya, seperti AdaBoost, Stochastic Gradient Boosting, Random Forest, Neural Network, dan Logistic Regression.

---

The increasing trend of claim frequency and claim severity for auto-insurance result in a need of new methods to predict whether a policyholder will file an auto-insurance claim or not, given historical data about said policyholder, so that insurance industries can further process policyholders with high claim probability. This problem can be solved with many methods, one of which is machine learning, which categorizes this problem as a supervised learning problem. The high data volume and the existence of missing values on a policyholders historical data are aspects that the chosen machine learning model must be able to handle. XGBoost is a novel gradient boosting machine learning problem that is able to inherently handle missing values and high volume of data, which should make the model suitable for this problem. In this thesis, XGBoost will be applied to this problem, and its performance will be compared by other machine learning models, such as AdaBoost, Stochastic Gradient Boosting, Random Forest, Neural Network, and Logistic Regression."

"Pada asuransi, tingkat risiko menjadi hal utama dalam menentukan ketentuan-ketentuan yang diterapkan oleh perusahaan asuransi seperti ketentuan besarnya premi yang harus dibayarkan pemegang asuransi. Pada asuransi kendaraan bermotor, salah satu cara untuk melihat tingkat risiko pemegang asuransi adalah dengan memprediksi apakah pemegang asuransi tersebut akan mengajukan klaim asuransi kendaraannya selama satu tahun ke depan. Banyaknya pemegang asuransi kendaraan menghasilkan data yang besar. Metode machine learning mampu mengolah data yang besar dan menghasilkan akurasi yang cukup tinggi. Sudah banyak metode-metode machine learning yang digunakan untuk prediksi klaim asuransi salah satunya neural network yang terinspirasi dari pengolahan informasi pada jaringan syaraf biologis. Terdapat metode deep neural network yang merupakan pengembangan neural network dengan struktur yang lebih kompleks dan menghasilkan akurasi yang lebih tinggi. Penelitian ini menerapkan metode deep neural network untuk memprediksi pengajuan klaim asuransi kendaraan bermotor dan menganalisa akurasi hasil simulasi. Pada penelitian ini juga dibandingan hasil akurasi antara metode deep neural network dengan metode neural network tandar. Hasil simulasi pada penelitian ini menunjukkan bahwa akurasi metode deep neural network lebih tinggi dibandingkan dengan metode neural network standar.

---

In insurance, the level of risk is the main thing in determining the conditions applied by insurance companies. In automobile insurance, one way to see the risk level of insurance holders is to predict whether the insurance holder will submit an insurance claim for the vehicle for the next year. The number of automobile insurance holders produces large data. Machine learning method can process large data and produce high accuracy to predict claims. There have been many machine learning methods used for insurance claim prediction, for example is neural network. Neural network in machine learning inspired by information processing on biological neural network. Deep neural network which is the development of neural network with structures that are more complex and produce higher accuracy. This research uses deep neural network to predict claim automobile insurance and analyze the accuracy of the simulation result. We also compare the accuration of deep neural network with standart neural network. Our simulation show that the accuration of deep neural network is better than standart neural network."

"Permasalahan utama yang sering dihadapi oleh perusahaan asuransi adalah mengestimasi cadangan klaim. Perhitungan estimasi cadangan klaim yang dilakukan secara kurang tepat akan memengaruhi kelangsungan usaha dari perusahaan asuransi. Metode estimasi cadangan klaim yang paling sering digunakan di dunia asuransi adalah metode Chain-Ladder dan variasinya. Selain metode tersebut, Peters, Targino dan Wuthrich (2017) mengembangkan metode yaitu gamma-gamma Bayesian Chain-Ladder. Metode ini merupakan metode Bayesian Chain-Ladder yang menggunakan distribusi gamma yang memiliki rentang prediksi cadangan klaim yang relatif kecil.

Pada penelitian ini penghitungan terhadap rentang prediksi cadangan klaim dilakukan menggunakan model gamma-gamma Bayesian Chain-Ladder. Tujuan utama pada penelitian ini yaitu menerapkan proses penghitungan rentang prediksi dengan model gamma-gamma Bayesian Chain-Ladder pada konteks perusahaan asuransi XYZ di Indonesia, serta membandingkannya dengan metode Chain-Ladder. Data yang digunakan dalam penelitian ini adalah data klaim produk asuransi kendaraan bermotor perusahaan asuransi XYZ tahun 2014 sampai dengan 2016. Hasil rentang prediksi berdasarkan nilai MSEP model gamma-gamma Bayesian chain-ladder tahun 2014 sampai dengan 2016 relatif lebih kecil dibandingkan dengan MSEP chain-ladder model Mack.

---

The Main problem often faced by insurance companies is estimating claim reserve. The calculation of claim reserve that is undertaken inaccurately will affect the business operations of the insurance company. The claim reserve estimation method that is commonly undertaken called Chain-Ladder method and its variations. Besides, Peters, Targino and Wuthrich (2017) develop a method namely gamma-gamma Bayesian Chain-Ladder. This is a Bayesian Chain-Ladder method that uses a gamma distribution and has the prediction range of claim reserve that relatively small.

This research performs the calculation of the prediction range claim reserve that uses the gamma-gamma Bayesian Chain-Ladder model. The main purpose of this research is implementing the process of calculation prediction range with the gamma-gamma Bayesian Chain-Ladder model in the context of XYZ insurance companies in Indonesia, and compare it with the Chain-Ladder classic method. The data used in this study is the claim data for motor vehicle insurance products for XYZ insurance companies from 2014 to 2016. The results of the prediction range based on the MSEP value of the gamma-gamma Bayesian Chain-Ladder model from 2014 to 2016 relatively smaller compared to the Macks MSEP chain-ladder model."

"Salah satu sifat dari web yang tak mengenal batas wilayah dapat dimanfaatkan untuk pengiriman data dan informasi. Hal ini banyak bermanfaat untuk pengiriman data dari berbagai tempat tanpa harus membuat jaringan internal. Salah satu implementasi aplikasi berbasis web adalah pelayanan klaim kerugian asuransi kendaraan bermotor. Sesuai dengan sifat mobile kendaraan bermotor, maka klaim tersebut dapat mengambil tempat kejadian dimana saja. Hal ini menimbulkan kesulitan pada proses pengajuan klaim tersebut. Sementara pemegang polis harus memberikan laporan kepada perusahaan asuransi dalam jangka waktu tertentu. Jika jangka waktu tersebut terlewati maka polis tidak dapat diklaim. Hal ini diatasi dengan memberi alternatif cara pelaporan dan pengecekan klaim dengan memanfaatkan web. Untuk itu dilakukan perancangan dan pembuatan aplikasi pelayanan klaim kerugian asuransi kendaraan bermotor berbasis web, sebagai satu alternatif cara pelaporan agar tercapai efisiensi waktu untuk menghindari terjadinya kadarluwarsa waktu lapor."

"ABSTRAKTesis ini membahas mengenai perlindungan hukum terhadap konsumen perusahaan pembiayaan konsumen dalam penerapan prinsip insurable interest pada saat terjadi klaim asuransi kendaraan bermotor yang diperoleh konsumen melalui perusahaan pembiayaan konsumen. Penelitian ini adalah penelitian hukum normatif. Hasil penelitian menyarankan bahwa perusahaan pembiayaan konsumen seharusnya memposisikan konsumen sebagai mitra dalam usaha pembiayaan. Konsumen harus diberikan informasi tentang hak dan kewajibannya sebagai konsumen perusahaan pembiayaan konsumen maupun hak dan kewajibannya sebagai konsumen Perusahaan Asuransi; Perusahaan Pembiayaan Konsumen harus memberikan informasi tentang adanya pengalihan risiko atas obyek yang dibiayai kepada Perusahaan Asuransi sekaligus hak dan kewajiban konsumen sebagai pihak yang menguasai obyek yang dibiayai. Dengan keterbukaan informasi tentang adanya perlindungan dari perusahaan asuransi, diharapkan konsumen dapat segera melakukan tindakan yang tepat pada saat terjadi risiko atas obyek yang dibiayai untuk menghindari hilangnya hak konsumen atas ganti rugi dari Perusahaan Asuransi.

---

ABSTRACTThe thesis is discuss about the legal protection of consumer from financing company and the immplementation of principle of Insurable Interest in the event of insurance motor vehicle claim. This research is a normative law. The results suggest that the consumer financing company should positioning consumer as a partner in the financing business. Consumer must get information about their rights and duties as a consumer of financing company and as a consumer of insurance company; the consumer financing company should give the information about risk transfer of the object financing to the insurance company, including rights and duties of consumer, those who controlled the object financing. With the disclosure of information about the protection of the insurance company, the consumer is expected to immediately take appropriate action at the time of risk to avoid loss of consumer rights"

"ABSTRACTPerusahaan asuransi berperan penting memberikan proteksi terhadap segala kemungkinan kerugian bagi para nasabah pemilik kendaraan bermotor. Dalam asuransi kendaraan bermotor, terdapat sebuah sistem yang bernama no-claim bonus yang memberikan bonus pada kontrak berikutnya jika nasabah tidak melakukan claim selama kontrak berlangsung. Akibatnya, timbul masalah dimana nasabah akan dihadapkan pada pilihan untuk melaporkan atau tidak melaporkan lossnya, bergantung pada indemnitas yang didapat dan besar bonus yang ditetapkan. Untuk menghadapi masalah tersebut, diperlukan desain asuransi yang tepat agar nasabah dan perusahaan merasa tidak dirugikan. Tugas akhir ini membuat formula matematis yang dapat memaksimalkan ekspektasi kepuasaan nasabah terhadap konsumsi kekayaan pada kontrak asuransi tetapi tetap memberikan keuntungan pada perusahaan. Selanjutnya, menggunakan formula yang dibentuk, diuraikan beberapa kontrak asuransi yang dapat dibuat, bergantung pada besar premi dan bonus. Pada bagian akhir, dilakukan dua simulasi numerik, yaitu simulasi untuk menggambarkan perhitungan matematis yang dilakukan dan simulasi dalam menentukan produk nasabah.

---

ABSTRACTInsurance companies have an important role in providing protection against all possible losses for customers who own motorized vehicle is very necessary. In motor vehicle insurance, there is a system called no-claim bonus that give bonus for the next contract if no claim has been made by the insured during his whole lifetime of the contract. As a result, the insured faces two choices, reporting or not reporting his loss, depends on his compensation and bonus. Thus, the optimal insurance design is needed so that insured and insurer do not experience losses. This thesis make a mathematical formula that maximize insured satisfication for his wealth consumption in insurance contract but still give benefit for the insurer. Next, several insurance contracts will be formed depend on the amount of premium and bonus. Then, two numerical simulations will be done in the end of this thesis. First is simulation to describe mathematical calculations and second is simulations in determining insured products."

"Coronavirus disease 19 (COVID-19) adalah penyakit pernapasan menular yang pertama kali terdeteksi di Kota Wuhan, Provinsi Hubei, China. Penyakit ini memiliki gejala umum yang mirip dengan gejala penyakit pernapasan lain seperti alergi, flu, dan pilek. Tetapi setiap penyakit membutuhkan obat dan perawatan yang berbeda-beda. Sehingga, penting bagi penderita untuk mendapatkan diagnosis yang tepat atas penyakit yang diderita. Diagnosis biasanya dilakukan dengan pertemuan langsung antara dokter dan pasien. Akan tetapi, cara ini memiliki banyak hambatan, seperti: membutuhkan banyak waktu dan biaya. Selain itu, cara ini juga berpotensi menularkan penyakit kepada orang lain. Oleh karena itu, diajukan implementasi chatbot untuk mengatasi hambatan dalam melakukan diagnosis COVID-19. Chatbot menerima input data berupa gejala yang dialami pasien. Data tersebut terlebih dahulu diubah menjadi data tabular untuk kemudian dilakukan klasifikasi jenis penyakit dengan bantuan algoritma machine learning. Pada Penelitian ini, akan dilakXGBoost pada data gejala yang dipublikasikan oleh Walter Conway di situs Kaggle. Hasil penelitian menunjukkan bahwa model Random Forest memiliki kinerja terbaik pada data testing dengan skor rata-rata accuracy sebesar 93.38%, precision sebesar 96.58%, recall sebesar 93.38%,F1-Score sebesar 94.32%, specificity sebesar 99.73%, Geometric Mean sebesar 95.94%, dan waktu training selama 0.33 detik.

---

Coronavirus disease 19 (COVID-19) is an infectious respiratory disease that was first detected in Wuhan City, Hubei Province, China. This disease has general symptoms that are similar to the symptoms of other respiratory diseases such as allergies, flu, and colds. But each disease requires different medications and treatments. Thus, it is important for patients to get a proper diagnosis of the disease they are suffering from. Diagnosis is usually made by direct meeting between doctor and patient. However, this method has many obstacles, such as: it takes a lot of time and money. In addition, this method also has the potential to transmit the disease to others. Therefore, it is proposed to implement a chatbot to overcome obstacles in diagnosing COVID-19. The chatbot receives input data in the form of symptoms experienced by the patient. The data is first converted into tabular data and then the classification of the type of disease is carried out with the help of machine learning algorithms. In this study, a diagnosis of COVID-19 will be carried out using the Random Forest and XGBoost models on symptom data published by Walter Conway on the Kaggle website. The results showed that the Random Forest model had the best performance on data testing with an average score of 93.38% accuracy, 96.58% precision, 93.38% recall, 94.32% F1-Score, 99.73% specificity, and 95.94% Geometric Mean, and the training time is 0.33 seconds."

"Perusahaan asuransi membutuhkan pengendalian internal dan manajemen risiko yang digunakan sebagai sarana pengendalian. Hal ini bertujuan untuk dapat melakukan kegiatan usahanya secara efektif dan efisein serta mengurangi adanya risiko yang dihadapi perusahaan. Penggunaan kerangka COSO ini akan dibandingkan dengan penerapan pengendalian internal yang dilakukan oleh PT.X pada proses klaim yang dilakukan oleh PT.X kepada tertanggung. Dari hasil perbandingan tersebut dapat diketahui bahwa PT. X telah memiliki manajemen risiko yang baik dan pengendalian internal yang memadai walaupun adanya kelemahan pada beberapa bagian tertentu.

---

Insurance companies require internal control and risk management that are used as a means of control. The purpose is to conduct its business effectively and efficiently and also to reduce risks that might be faced by the company. The use of this COSO framework will be compared with the application of internal controls performed by PT.X on the claim made by the insured costumer of PT.X. As a result of this comparison, it can be seen that, in spite of their few weakness in certain areas, PT. X already has a good risk management and its internal controls were also quite adequate."

"Teknologi blockchain telah merevolusi cara transaksi digital dilakukan dengan menciptakan platform terdesentralisasi yang meningkatkan keamanan dan transparansi setiap transaksi. Ethereum, salah satu cryptocurrency terkemuka memiliki volatilitas harga yang signifikan. Hal ini menjadi tantangan bagi para pedagang untuk dapat mengambil keputusan jual/beli yang tepat. Penelitian ini bertujuan untuk mengembangkan model prediksi keputusan jual dan beli Ethereum menggunakan metode machine learning. Data yang digunakan meliputi harga dan volume perdagangan Ethereum per menit dari 1 Februari 2024 hingga 7 Maret 2024. Hasil penelitian menunjukkan bahwa model XGBoost memiliki performa terbaik dengan akurasi prediksi sebesar 92.1% dan kecepatan komputasi rata-rata 0.29 detik per prediksi. Evaluasi feature importance mengungkapkan bahwa lebih dari 50% fitur dalam model tidak signifikan dan dapat dihapus untuk meningkatkan efisiensi komputasi. Penelitian ini berhasil mencapai tujuannya dengan mengembangkan model prediksi yang akurat dan efisien untuk membantu pedagang dalam mengambil keputusan jual/beli Ethereum.

---

Blockchain technology has revolutionized digital transactions by creating a decentralized platform that enhances security and transparency. Ethereum, a leading cryptocurrency, experiences significant price volatility, presenting challenges for traders in making accurate buy/sell decisions. This study aims to develop a predictive model for Ethereum buy and sell decisions using machine learning. The data utilized includes minute-by-minute price and trading volume of Ethereum from February 1, 2024, to March 7, 2024. The results indicate that the XGBoost model performs best, achieving a prediction accuracy of 92.1% and an average computation speed of 0.29 seconds per prediction. The feature importance evaluation revealed that over 50% of the features were insignificant and were removed to enhance computational efficiency. This research successfully developed an accurate and efficient predictive model, which can assist traders in making informed buy/sell decisions for Ethereum. Future research recommendations include integrating real-time sentiment data and exploring other machine learning methods to further improve model accuracy and performance."