| dc.description.abstract | Reasuransi adalah perusahaan yang menerima pertanggungan ulang dari
perusahaan asuransi atas sebagian atau keseluruhan resiko yang telah atau tidak
dapat ditanggung lagi oleh perusahaan asuransi. Undang – Undang Republik
Indonesia No. 2 tahun 1992 tentang usaha asuransi menyatakan bahwa perusahaan
reasuransi adalah perusahaan yang memberikan jasa dalam pertanggungan ulang
terhadap resiko yang dihadapi oleh perusahaan asuransi kerugian dan atau
perusahaan asuransi jiwa. Perusahaan reasuransi bekerja dengan resiko yang lebih
besar dari perusahaan asuransi. Selain menjamin nasabah dengan pertanggungan
yang besar, perusahaan reasuransi juga menerima banyak produk – produk
asuransi yang disediakan oleh perusahaan asuransi. Banyaknya produk yang ada
di pasar asuransi membuat perusahaan reasuransi memiliki kecenderungan untuk
mengalami kerugian. Hal ini disebabkan karna perusahaan reasuransi tidak terlalu
memahami jenis produk yang ada. Untuk itulah perlu pertimbangan oleh
perusahaan reasuransi dalam memutuskan menerima nasabah dengan produk yang
dipilih. Tujuan penelitian ini adalah untuk membuat model penentuan tingkat
resiko produk asuransi berdasarkan profil customer dari nasabah asuransi jiwa
menggunakan pohon keputusan fuzzy. Data dibagi menjadi training set dan test
set yang diambil dari dataset produk asuransi jiwa yang mana terdapat 3 atribut
yaitu usia, tenor dan uang pertanggungan dan atribut kelas yang terdiri atas 3
kelas yaitu rendah, sedang dan tinggi. Data latih yang digunakan sebanyak 63 218
data latih diantaranya 32 346 data dari kelas rendah, 21 875 data dari kelas sedang
dan 8 996 data dari kelas tinggi. Data tersebut kemudian diproses dengan
menggunakan Fuzzy ID3 untuk mendapatkan aturan yang akan digunakan untuk
klasifikasi resiko produk asuransi jiwa. Untuk data uji yang digunakan sebanyak
27 093 data.
Penelitian ini menunjukkan bahwa algoritme fuzzy ID3 dapat digunakan
untuk membangun model klasifikasi produk asuransi jiwa untuk menentukan
tingkat resiko nasabah terhadap produk yang diambil. Aturan yang terbentuk
dengan masing-masing nilai Fuzzines Control Threshold (FCT) berbeda. Semakin
besar nilai FCT yang digunakan maka semakin banyak aturan yang terbentuk
karena semakin banyak sub node yang diekspansi. Untuk data dari produk
SMARTLIFE pada penelitian menghasilkan model klasifikasi terbaik dengan FCT
70% dengan aturan yang terbentuk sebanyak 4 aturan dengan akurasi sebesar
87%. Atribut yang penting dalam menentukan tingkat resiko produk nasabah
untuk produk SMARTLIFE adalah usia dengan information gain tertinggi
sehingga usia dijadikan root node pada pohon keputusan yang terbentuk.
Seterusnya pohon keputusan diekspansi dengan atribut tenor dan uang
pertanggungan | id |
