// <![CDATA[MULTIVARIATE GRU UNTUK MEMPREDIKSI PROFITABILITAS PADA PERUSAHAAN ASURANSI]]> 0422106801 - Dewi Rosmala , S.Si, M.IT. Dosen Pembimbing 1 120240101 - Diash Firdaus, S.T., M.T. Dosen Pembimbing 2 HADA AZKA RAHARDITO / 15-2020-094 Penulis
Profitabilitas merupakan indikator utama kinerja perusahaan asuransi dalam menjaga stabilitas keuangan, keberlanjutan usaha, serta kemampuan memenuhi kewajiban kepada nasabah. Profit dipengaruhi oleh berbagai faktor, seperti premi dasar, jumlah klaim, retensi polis, biaya operasional, dan hasil investasi, yang saling berkaitan dan membentuk pola kompleks berbasis data deret waktu. Penelitian ini bertujuan untuk membangun model prediksi profitabilitas perusahaan asuransi menggunakan pendekatan multivariatee Gated Recurrent Unit (GRU) dan Long Short-Term Memory (LSTM).Data penelitian mencakup 1.827 catatan harian periode 2019–2024 yang terdiri atas variabel keuangan dan operasional perusahaan asuransi. Tahapan penelitian meliputi feature selection menggunakan Pearson Correlation untuk memilih variabel yang relevan, normalisasi data dengan Min-Max Scaling, pembagian data menjadi set pelatihan, validasi, dan pengujian, serta pemodelan dengan arsitektur GRU dan LSTM multivariatee. Evaluasi performa dilakukan dengan metrik Mean Absolute Error (MAE), Mean Squared Error (MSE), dan Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa model GRU secara konsisten memberikan performa yang lebih baik dibandingkan dengan LSTM, baik dari segi akurasi prediksi maupun efisiensi waktu pelatihan. Pada model dengan variabel terpilih berdasarkan hasil filter correlation, GRU menghasilkan MAE sebesar 0,0110, MSE sebesar 0,0002, dan RMSE sebesar 0,0142 setelah normalisasi, yang lebih rendah dibandingkan dengan LSTM yang menghasilkan MAE sebesar 0,0101, MSE sebesar 0,0002, dan RMSE sebesar 0,0129. Selain itu, meskipun model GRU dengan seluruh variabel input menunjukkan hasil yang sedikit lebih buruk dengan MAE sebesar 0,0142, MSE sebesar 0,0003, dan RMSE sebesar 0,0176, hasil ini tetap lebih baik dibandingkan dengan LSTM yang mencatat MAE sebesar 0,0130, MSE sebesar 0,0002, dan RMSE sebesar 0,0173. Profitability is a key indicator of an insurance company’s performance in maintaining financial stability, business sustainability, and the ability to meet obligations to policyholders. Profit is influenced by various factors, such as base premiums, claim amounts, policy retention, operational costs, and investment returns, which are interrelated and form complex time-series patterns. This study aims to develop a profitability prediction model for insurance companies using a multivariate Gated Recurrent Unit (GRU) and Long Short-Term Memory (LSTM) approach. The dataset consists of 1,827 daily records from the 2019–2024 period, including financial and operational variables of the insurance company. The research stages include feature selection using Pearson Correlation to identify relevant variables, data normalization with Min-Max Scaling, data splitting into training, validation, and testing sets, and modeling with multivariate GRU and LSTM architectures. Model performance was evaluated using Mean Absolute Error (MAE), Mean Squared Error (MSE), and Root Mean Squared Error (RMSE). The results show that the GRU model consistently outperformed LSTM in both prediction accuracy and training efficiency. For models with variables selected through correlation filtering, GRU achieved an MAE of 0.0110, MSE of 0.0002, and RMSE of 0.0142 after normalization, which is lower compared to LSTM with an MAE of 0.0101, MSE of 0.0002, and RMSE of 0.0129. Moreover, although the GRU model with all input variables yielded slightly poorer results (MAE 0.0142, MSE 0.0003, RMSE 0.0176), it still performed better than LSTM, which recorded an MAE of 0.0130, MSE of 0.0002, and RMSE of 0.0173.