Hasil Pencarian  ::  Simpan CSV :: Kembali

"Industri asuransi menghadapi tantangan dalam mendeteksi fraud pada klaim yang dapat menyebabkan kerugian finansial dan penurunan kepercayaan masyarakat terhadap perusahaan asuransi. Metode konvensional dinilai kurang efektif karena membutuhkan proses manual dan sumber daya yang besar. Oleh karena itu, pendekatan machine learning diajukan untuk menyelesaikan masalah ini secara efisien. Dalam beberapa tahun terakhir, pendekatan deep learning yang merupakan cabang dari machine learning semakin populer karena kemampuannya menangani data kompleks secara efisien. Salah satu metode deep learning yang dirancang untuk data tabular adalah TabTransformer, yang memanfaatkan mekanisme column embedding dan self-attention untuk menangkap interaksi kompleks antar fitur kategorik. Penelitian ini bertujuan untuk menganalisis performa dan interpretasi dari model TabTransformer dalam mendeteksi fraud pada klaim asuransi. Model TabTransformer dibandingkan dengan model berbasis pohon keputusan seperti Decision Tree, Random Forest, dan XGBoost. Evaluasi dilakukan terhadap tiga dataset klaim asuransi berbeda menggunakan metrik AUC, sensitivity, dan specificity. Hasil penelitian menunjukkan bahwa TabTransformer memiliki kinerja kompetitif dan stabil pada ketiga dataset. Selain itu, analisis interpretabilitas model menunjukkan bahwa fitur-fitur penting yang diidentifikasi oleh model konsisten dengan interpretasi model lainnya, sehingga memperkuat validitas model TabTransformer dalam aplikasi nyata sebagai sistem pendukung keputusan untuk mendeteksi klaim fraud.

---

The insurance industry faces significant challenges in detecting fraud claims, which can lead to financial losses and decreased public trust in insurance companies. Traditional detection methods are often considered ineffective due to their reliance on manual investigation and resource-intensive processes. To address this issue efficiently, machine learning has been proposed as a viable approach. In recent years, deep learning has gained popularity as a subset of machine learning due to its ability to handle complex data efficiently. One of the deep learning methods specifically designed for structured tabular data is the TabTransformer, which utilizes column embeddings and self-attention mechanisms to capture complex interactions between categorical features. This study aims to analyze the performance and interpretability of the TabTransformer model in detecting insurance claim fraud. The model is compared with commonly used tree-based methods, namely Decision Tree, Random Forest, and XGBoost. The evaluation is conducted on three different insurance claim datasets using evaluation metrics such as AUC-ROC, sensitivity, and specificity. Results show that the TabTransformer delivers competitive and stable performance. Furthermore, model interpretability analysis reveals that the most influential features identified are consistent, thereby reinforcing the model’s validity as a decision support tool for insurance fraud detection."

"Asuransi menjadi konsep yang tidak asing lagi dalam memitigasi risiko yang dapat menimbulkan kerugian finansial yang besar bagi pihak tertanggung. Dalam dunia kerja secara khusus, terlihat adanya peningkatan jumlah kecelakaan kerja di Indonesia dari tahun ke tahun. Kecenderungan tersebut memperlihatkan adanya prospek pengembangan asuransi kompensasi pekerja yang menjanjikan. Tentunya, penentuan tarif premi yang cukup sebagai komponen utama dalam kerangka bisnis asuransi memerlukan prediksi severitas klaim yang akurat. Menurut karakteristik data klaim asuransi pekerja, teramati bahwa dataset tersebut berbentuk tabular dan variabel severitas klaim bersifat kontinu. Oleh sebab itu, prediksi severitas klaim dapat dipandang sebagai masalah regresi data tabular. Penelitian ini akan meninjau performa dari TabTransformer, salah satu metode berbasis tranformer dalam melaksanakan regresi yang mengimplementasikan contextual embeddings terhadap fitur-fitur kategorik. Performa sebagai akibat dari penangkapan konteks oleh model TabTransformer akan diukur dan kemudian dibandingkan dengan metode-metode lain yang mendukung penyelesaian permasalahan regresi, seperti Decision Trees Regressor, Random Forest, XGBoost, dan Multi-Layer Perceptron sebagai model dasar TabTransformer.

---

It is without the need of doubt to believe upon the integrity within the concepts of insurance as a way of mitigating significant financial risks of its own policyholders. As something which existence is prevalent, risks are also found within the workplace environment as seen in the rising numbers of yearly work-related accidents. This tendency suggests promising prospects upon the development and incorporation of worker’s compensation insurance into the business lines of especially reliable insurance companies. As a core part of insurance policies, determining the sufficient rate of premium would require accurate prediction of claim severity. Upon observing the characteristics of claim severity datasets, witnessed are the following two points: that (1) both datasets take a tabular form, and (2) the number of severities is a continuous target variable. Evidently, it shows that the problem to be solved is regression for tabular data. This particular research will focus upon the performance of TabTransformer as a transformer-based machine learning model that incorporates Transformers in providing a degree of interpretability from its capabilities by performing contextual embeddings of the categorical features of our data. The performance will be measured and will further be compared to other models suitable for regression, such as Decision Trees Regressor, Random Forest, XGBoost, and baseline model Multi-Layer Perceptron"