Permodelan Frekuensi dan Severitas Klaim Asuransi dengan Neural Network

Abstract

Penetapan premi yang akurat sangat bergantung pada kemampuan model dalam memprediksi frekuensi dan severitas klaim. Model aktuaria konvensional seperti Generalized Linear Model (GLM) masih luas digunakan karena sifatnya yang interpretatif, namun memiliki keterbatasan dalam menangkap hubungan nonlinier dan heterogenitas risiko pada data klaim. Artikel ini bertujuan mengembangkan model Neural Network (NN) untuk memodelkan frekuensi dan severitas klaim asuransi serta mengintegrasikan keduanya dalam estimasi premi murni. Model NN frekuensi dibangun menggunakan arsitektur multilayer perceptron dengan fungsi aktivasi ReLU dan Poisson loss yang sesuai untuk data hitung. Sementara itu, model NN severitas menggunakan tiga hidden layer dengan regularisasi dropout untuk meningkatkan stabilitas prediksi terhadap outlier. Evaluasi model dilakukan menggunakan Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE). Hasil menunjukkan bahwa NN memberikan kinerja yang lebih baik dibandingkan GLM, dengan penurunan MAE frekuensi sebesar 12,6% dan MAE severitas sebesar 13,2%. Integrasi prediksi frekuensi dan severitas menghasilkan estimasi premi murni berbasis NN dengan penurunan error rata-rata sebesar 11,8% dibandingkan premi berbasis GLM. Temuan ini menunjukkan bahwa NN berpotensi menjadi alternatif yang lebih adaptif dalam penetapan premi asuransi.