Analisis dan Pengembangan Sistem Pendukung Keputusan Underwriting Asuransi Lini Bisnis Marine Cargo berbasis Case Based Reasoning
View/ Open
Date
2018Author
Rahma, Anissa Siti
Herdiyeni, Yeni
Hermadi, Irman
Metadata
Show full item recordAbstract
Asuransi umum berfungsi menanggung risiko kerugian dari sebuah objek
pertanggungan yang diserahkan tertanggung dengan memperoleh imbalan berupa
premi. Objek pertanggungan akan diklasifikasikan ke dalam satu dari sejumlah
kategori risiko atau rate classes yang akan mempengaruhi jumlah premi.
Penentuan kategori risiko atau nilai rate dari asuransi marine cargo di Indonesia
belum memiliki aturan tertentu, sehingga proses penentuan nilai rate didasarkan
pada kasus sebelumnya. Salah satu teknik dalam Kecerdasan Buatan yang
memberikan solusi dengan memanfaatkan data historis adalah Case Based
Reasoning (CBR). Penelitian ini menggunakan pendekatan CBR untuk membantu
underwriter dalam menentukan nilai rate asuransi marine cargo. Belum ada
peraturan atau pengetahuan mengenai kontribusi masing-masing fitur dalam
penentuan nilai rate asuransi marine cargo. Oleh karena itu, penelitian ini
menggunakan Neural Network (NN) guna mempelajari data historis untuk
memprediksi nilai rate dan menghasilkan bobot masing-masing fitur. Bobot fitur
ini menunjukkan kontribusi fitur dan akan diimplementasikan dalam fase retrieval
CBR, teknik ini akan disebut NN + CBR. Tujuan utama dari penelitian ini adalah
untuk menganalisis kinerja ketiga teknik, yaitu CBR, NN dan NN + CBR, dalam
memprediksi nilai rate asuransi marine cargo dan untuk menemukan kontribusi
masing-masing fitur. Setiap tipe komoditas memiliki karakteristik yang berbeda
dan mendapatkan perlakuan yang berbeda dari proses awal pengangkutan barang
hingga proses akhir. Oleh karena itu, tahap analisis ini dilakukan untuk masingmasing
tipe komoditas, terdapat 7 tipe komoditas yang dianalisis pada penelitian
ini. Evaluasi kinerja diukur menggunakan Mean Squared Error (MSE) dan
persentase akurasi.
Hasil penelitian menunjukkan bahwa CBR memberikan kinerja yang lebih
baik dalam memprediksi nilai rate untuk 3 tipe komoditas yaitu Food Stuff & Live
Animals, Plastic Materials, dan Billet Steel Roll Cable. Sedangkan, NN + CBR
memberikan kinerja yang lebih baik untuk 2 tipe komoditas yaitu Raw Material –
Stone Mining dan Transport Equipment. Untuk 2 tipe komoditas lainnya, yaitu
Machinery & Spareparts dan Mineral Fuel Lubricants, CBR dan NN + CBR
memberikan kinerja yang sama besar. Dalam penelitian ini juga ditemukan bahwa
kontribusi tiap fitur antar tipe komoditas berbeda-beda. Hal ini disebabkan
masing-masing tipe komoditas memiliki sifat yang berbeda sehingga urutan fitur
yang perlu diperhatikan untuk penentuan nilai rate juga berbeda. Teknik dalam
penelitian ini dapat digunakan untuk menemukan kontribusi tiap fitur untuk tipe
komoditas lain dan membantu underwriter dalam penentuan nilai rate asuransi
marine cargo.