Analisis Kode Kelas Bisnis Berdasarkan Jumlah Total Pertanggungan Menggunakan Metode K-Means Clustering - PT Asuransi Umum Bumiputera Muda 1967

Pribadi, Setya Indra and Dermawana, Muhammad Lungguh (2024) Analisis Kode Kelas Bisnis Berdasarkan Jumlah Total Pertanggungan Menggunakan Metode K-Means Clustering - PT Asuransi Umum Bumiputera Muda 1967. Project Report. [s.n.], [s.l.]. (Unpublished)

Text 5006211081_5006211084-Project_Report.pdf - Accepted Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Laporan kerja praktik ini disusun berdasarkan kegiatan yang dilaksanakan di PT Asuransi Umum Bumiputera Muda 1967 Cabang Malang. Tujuan utama dari kegiatan ini adalah menganalisis pengelompokan kode kelas bisnis berdasarkan total pertanggungan menggunakan metode K-Means Clustering. Data yang digunakan merupakan data klaim sepanjang tahun 2023, dengan variabel utama berupa kode kelas bisnis dan total pertanggungan. Proses analisis diawali dengan preprocessing data, analisis deskriptif, exploratory data analysis, dan dilanjutkan dengan penerapan algoritma K-Means untuk membentuk kelompok (cluster) berdasarkan karakteristik data. Hasil analisis menunjukkan bahwa jumlah cluster optimal adalah tiga, yang masing-masing mewakili tingkat risiko rendah, sedang, dan tinggi berdasarkan total pertanggungan. Uji Kruskal-Wallis dilakukan untuk menguji signifikansi perbedaan antar cluster, dan ditemukan bahwa terdapat perbedaan signifikan antara cluster risiko rendah dengan dua cluster lainnya. Hasil ini diharapkan dapat membantu perusahaan dalam mengembangkan strategi penentuan premi yang lebih tepat serta merancang produk asuransi yang sesuai dengan profil risiko nasabah.
=====================================================================================================================================
This internship report is based on the practical work conducted at PT Asuransi Umum Bumiputera Muda 1967, Malang Branch. The main objective of this project is to analyze the grouping of business class codes based on the total sum insured using the K-Means Clustering method. The dataset consists of claim records from the year 2023, focusing on two key variables: business class codes and total sum insured. The analysis process involved several steps, including data preprocessing, descriptive statistics, exploratory data analysis, and clustering using the K-Means algorithm. The elbow method determined the optimal number of clusters to be three, each representing a different level of risk: low, medium, and high, based on the average sum insured. A Kruskal-Wallis test was then conducted to assess the statistical significance of differences between clusters, revealing that Cluster 1 (low risk) is significantly different from the other two. The results of this analysis are expected to support the company in improving its risk-based pricing strategies and in designing insurance products tailored to different risk profiles.

Item Type:	Monograph (Project Report)
Uncontrolled Keywords:	K-Means Clustering, total sum insured, business class code, risk analysis, Kruskal-Wallis test, K-Means Clustering, total pertanggungan, kode kelas bisnis, analisis risiko, uji Kruskal-Wallis.
Subjects:	Q Science > QA Mathematics > QA278.55 Cluster analysis
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Actuaria > 94203-(S1) Undergraduate Thesis
Depositing User:	Setya Indra Pribadi
Date Deposited:	29 Jul 2025 08:44
Last Modified:	29 Jul 2025 08:44
URI:	http://repository.its.ac.id/id/eprint/122912

Actions (login required)

View Item