Aplikasi K-Means Clustering dan Regresi Linear Berganda pada Data Medical Check Up

Abstract

Everyone’s need for insurance is different due to different health conditions. Insurance companies use medical check-up results to evaluate participants health conditions and customize more appropriate product offerings. This study aims to categorize insurance participants based on the medical check-up results and to analyze the relation between health conditions and the sum insured. The medical check-up data is processed using the k-means clustering method to divide insurance participants into groups based on their health profile and multiple linear regression to evaluate the effect of health variables on the sum insured. The analysis results show that participants can be grouped into two optimal clusters, where cluster 1 consists of older and higher insured individuals with declining health conditions, while cluster 2 includes younger individuals with metabolic problems. Multiple linear regression analysis revealed that there were different variables affecting the sum insured in the two clusters and showed that the regression model for cluster 2 had a better ability to explain the variation in the sum insured compared to cluster 1.

Kebutuhan setiap individu akan asuransi berbeda disebabkan oleh kondisi kesehatan yang berbeda juga. Perusahaan asuransi menggunakan hasil medical check-up untuk mengevaluasi kondisi kesehatan peserta dan menyesuaikan penawaran produk yang lebih tepat. Penelitian ini bertujuan untuk mengelompokkan peserta asuransi berdasarkan hasil medical check-up dan menganalisis hubungan antara kondisi kesehatan dengan uang pertanggungan. Data medical check-up diolah menggunakan metode k-means clustering untuk membagi peserta asuransi ke dalam kelompoknya berdasarkan profil kesehatan dan regresi linear berganda untuk mengevaluasi pengaruh peubah-peubah kesehatan pada uang pertanggungan. Hasil analisis menunjukkan bahwa peserta dapat dikelompokkan ke dalam dua cluster optimal, di mana cluster 1 terdiri dari individu yang lebih tua dan uang pertanggungan yang lebih tinggi dengan kondisi kesehatan yang menurun, sementara cluster 2 mencakup individu yang lebih muda dengan masalah pada metabolik. Analisis regresi linear berganda mengungkapkan bahwa terdapat perbedaan peubah yang memengaruhi uang pertanggungan pada kedua cluster serta menunjukkan bahwa model regresi untuk cluster 2 memiliki kemampuan yang lebih baik dalam menjelaskan variasi uang pertanggungan dibandingkan dengan cluster 1.