Komparasi Algoritma Machine Learning menggunakan Teknik Sampling untuk Klasifikasi Klaim Asuransi Mobil

Penelitian ini bertujuan untuk membandingkan performa algoritma machine learning dalam klasifikasi klaim asuransi mobil dengan menggunakan teknik sampling. Ketidakseimbangan kelas pada data klaim asuransi dapat mengakibatkan kesalahan dalam mengklasifikasikan klaim fraud. Oleh karena itu, penelitian ini membandingkan teknik sampling Oversampling dan Sample (Undersampling) pada algoritma Decision Tree, Random Forest, Naïve Bayes, K- Nearest Neighbors, dan Logistic Regression. Metode penelitian yang digunakan adalah Knowledge Discovery in Database, dengan tahapan data selection, preprocessing data, transformation data, data mining dan evaluation. Membangun model klasifikasi menggunakan data klaim asuransi dan tools RapidMiner dengan versi 10.1. Performa algoritma- algoritma tersebut kemudian dibandingkan dan dievaluasi. Hasil penelitian ini dapat memberikan panduan dalam memilih algoritma yang sesuai untuk mendeteksi penipuan dalam klaim asuransi mobil. Berdasarkan hasil evaluasi, algoritma K-Nearest Neighbor (K-NN) dengan teknik Oversapmling menunjukkan performa terbaik dalam memprediksi klaim asuransi dengan accuracy sebesar 90.46%, recall Yes sebesar 99.03%, recall No sebesar 81.88%, precision Yes sebesar 84.53%, precision No sebesar 98.83%, dan AUC sebesar 0.984. Selain itu, melalui evaluasi dan visualisasi perbandingan performa, ditemukan bahwa algoritma Random Forest (RF) dengan teknik Oversampling dan dengan teknik Oversampling K-Nearest Neighbors (K-NN) memberikan hasil yang paling baik dalam memprediksi klaim asuransi kendaraan