Perbandingan Metode K-Means dan Gaussian Mixture Model pada Pengelompokan Perusahaan Asuransi Jiwa di Indonesia

Siregar, Anolfina Olanda (2024) Perbandingan Metode K-Means dan Gaussian Mixture Model pada Pengelompokan Perusahaan Asuransi Jiwa di Indonesia. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 5006201101-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (3MB) | Request a copy

Abstract

Penelitian ini membahas perbandingan antara metode K-Means dan Gaussian Mixture Model (GMM) dalam pengelompokan perusahaan asuransi jiwa di Indonesia berdasarkan rasio keuangan mereka. Perusahaan asuransi jiwa memainkan peran penting dalam menyediakan perlindungan finansial, dan industri ini di Indonesia telah mengalami pertumbuhan yang signifikan. Data yang digunakan dalam penelitian ini terdiri dari rasio keuangan dari 39 laporan keuangan perusahaan asuransi jiwa di Indonesia tahun 2022 yang diawasi oleh Otoritas Jasa Keuangan (OJK). Analisis dimulai dengan identifikasi karakteristik keuangan masing-masing perusahaan, diikuti oleh uji multikolinearitas untuk mengeliminasi data yang tidak relevan. Clustering dilakukan menggunakan metode K-Means dan GMM, dan hasilnya dievaluasi menggunakan ICD Rate dan Davies Bouldin Index (DBI) untuk menentukan metode yang lebih efektif. Hasil analisis menunjukkan bahwa metode K-Means menghasilkan ICD Rate sebesar 1,1631, lebih unggul dibandingkan GMM yang hanya memperoleh 1,8372 dan nilai DBI sebesar 0,91013, lebih unggul dibandingkan GMM yang hanya memperoleh 1,37059. Hal ini menjelaskan dan menunjukkan bahwa hasil pengelompokan K-Means lebih efektif dalam mengelompokkan perusahaan berdasarkan kinerja finansial mereka. Kesimpulan dari penelitian ini menunjukkan bahwa metode K-Means lebih cocok digunakan dalam data ini, serta memberikan rekomendasi bagi industri asuransi untuk menggunakan metode ini dalam analisis keuangan mereka. Penelitian ini memberikan wawasan berharga bagi industri asuransi dan membantu perusahaan dalam pengambilan keputusan yang lebih terinformasi berdasarkan analisis keuangan yang lebih baik.

==============================================================

This research discusses the comparison between the K-Means and Gaussian Mixture Model (GMM) methods in grouping life insurance companies in Indonesia based on their financial ratios. Life insurance companies play an important role in providing financial protection, and this industry in Indonesia has experienced significant growth. The data used in this research consists of financial ratios from 39 financial reports of life insurance companies in Indonesia in 2022 which are supervised by the Financial Services Authority (OJK). The analysis begins with identifying the financial characteristics of each company, followed by a multicollinearity test to eliminate irrelevant data. Clustering was carried out using the K-Means and GMM methods, and the results were evaluated using the ICD Rate and Davies Bouldin Index (DBI) to determine a more effective method. The analysis results show that the K-Means method produces an ICD rate of 1.1631, superior to GMM which only obtained 1.8372 and a DBI value of 0.91013, superior to GMM which only obtained 1.37059. This explains and shows that the results of K-Means grouping are more effective in grouping companies based on their financial performance. The conclusion of this research shows that the K-Means method is more suitable for use in this data, as well as providing recommendations for the insurance industry to use this method in their financial analysis. This research provides valuable insights for the insurance industry and helps companies make more informed decisions based on better financial analysis.

Item Type:	Thesis (Masters)
Additional Information:	RSAk 519.53 ANO p 2024
Uncontrolled Keywords:	Clustering, Gaussian Mixture Model, K-Means, ICD Rate, Rasio Keuangan.
Subjects:	H Social Sciences > HA Statistics Q Science > QA Mathematics > QA278.55 Cluster analysis
Divisions:	Faculty of Mathematics, Computation, and Data Science > Actuaria > 94203-(S1) Undergraduate Thesis
Depositing User:	Anolfina Olanda Siregar
Date Deposited:	01 Aug 2024 02:15
Last Modified:	05 Dec 2024 04:48
URI:	http://repository.its.ac.id/id/eprint/109988

Actions (login required)

View Item