PERBANDINGAN KINERJA PREDIKSI FREKUENSI KLAIM ASURANSI KENDARAAN MENGGUNAKAN ARIMA VS ALGORITMA RANDOM FOREST

Empirical Evaluation Using MAPE on Motor Claim Data with ARIMA(1,1,2) and Random Forest

Abstract

Frekuensi klaim asuransi kendaraan di Indonesia terus meningkat seiring dengan pertumbuhan jumlah kendaraan bermotor dan intensitas aktivitas berkendara, yang menimbulkan tantangan dalam manajemen risiko asuransi. Ketidakakuratan dalam memprediksi frekuensi klaim dapat menyebabkan ketidakseimbangan antara penetapan premi dan risiko aktual yang ditanggung perusahaan asuransi. Penelitian ini bertujuan untuk membandingkan kinerja model Autoregressive Integrated Moving Average (ARIMA) dan algoritma Random Forest dalam memprediksi frekuensi klaim asuransi kendaraan. Data yang digunakan berupa catatan historis klaim kendaraan dari repositori GitHub, yang dianalisis menggunakan pendekatan deret waktu untuk ARIMA dan pendekatan machine learning dengan Random Forest. Kinerja kedua model dievaluasi menggunakan metrik Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model ARIMA(1,1,2) memberikan nilai MAPE sebesar 18,38%, sedangkan model Random Forest menghasilkan MAPE sebesar 19,87%. Hasil ini mengindikasikan bahwa model ARIMA memiliki kemampuan generalisasi yang lebih baik terhadap data pengujian, sementara Random Forest lebih unggul dalam menangani data pelatihan. Penelitian ini diharapkan dapat menjadi referensi bagi perusahaan asuransi dalam memilih pendekatan prediktif yang sesuai dengan karakteristik data klaim untuk mendukung pengambilan keputusan aktuaria secara lebih akurat dan efisien.