Email this article 
PERBANDINGAN ALGORITMA K-MEANS DAN K-MEDOIDS DALAM KLASTERISASI PRODUK ASURANSI PERUSAHAAN NASIONAL
Abstract
Asuransi mempunyai peran penting dalam rangka mengalihkan resiko, baik resiko bisnis maupun non bisnis. Asuransi merupakan suatu lembaga ekonomi yang bertujuan mengurangi resiko, dengan menggabungkan sejumlah unit-unit yang mempunyai resiko sama atau hampir sama dalam jumlah memadai, agar probabilitas dapat disalurkan kepada unit yang mengalami resiko. Dalam asuransi terdapat istilah premi, dimana premi tersebut berada pada hak dari pemilik asuransi dalam pembayaran premi tersebut. Perusahaan asuransi nasional yang menjadi obyek penelitian ini menyediakan berbagai produk asuransi yang memiliki beberapa variabel seperti nilai premi, jumlah nasabah dan tahun rilis dari produk. Diperlukan suatu teknik yang dapat mengelompokan produk-produk asuransi dengan tujuan mempermudah perusahaan dalam melihat produk-produk unggulan dan memilih produk yang sesuai dengan kebutuhan nasabah. Tujuan penelitian ini yaitu melakukan analisis dan pengolahan data dengan membandingkan metode K-Means dan K-Medoids dalam klasterisasi produk asuransi perusahaan nasional. Berdasarkan penelitian yang telah dilakukan, jika dibandingkan metode K-Means dengan K-Medoids maka metode K-Means lebih optimal dilihat dari nilai Davies Boldin Index (DBI) terendah 0,018 dengan k=5, tahun rilis 2004, premi Rp. 7.500.000 dan jumlah nasabah sebanyak 392 nasabah.
Keywords
Full Text:
PDFReferences
A. Khairani and I. Irwansyah, “Pemanfaatan Big Data Untuk Percepatan Proses Underwriting Sebagai Strategi Komunikasi Marketing Terpadu Perusahaan Asuransi Jiwa,” J. Nomosleca, vol. 4, no. 2, pp. 785–793, 2018, doi: 10.26905/nomosleca.v4i2.2546.
A. Bastian et al., “Penerapan Algoritma K-Means Clustering Analysis Pada Penyakit Menular Manusia (Studi Kasus Kabupaten Majalengka),” Jsi.Cs.Ui.Ac.Id, vol. 14, no. 1, pp. 26–32, 2018.
L. M. Pratiwi, Diana, and E. P. Agustin, “Penerapan K-Means Clustering Untuk Memprediksi Minat Nasabah Pada Pt . Asuransi Jiwa Bersama 1912 Bumiputera Prabumulih,” Univ. Bina Darma, pp. 1–16, 2016.
R. L. Novianto, and Goeirmanto, “Penerapan Data Mining menggunakan Algoritma K-Means Clustering untuk Menganalisa Bisnis Perusahaan Asuransi,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 6, no. 1, pp. 85–95, 2019, doi: 10.35957/jatisi.v6i1.150.
T. Taslim and F. Fajrizal, “Penerapan algorithma k-mean untuk clustering data obat pada puskesmas rumbai,” Digit. Zo. J. Teknol. Inf. dan Komun., vol. 7, no. 2, pp. 108–114, 2016, doi: 10.31849/digitalzone.v7i2.602.
D. F. Pramesti, M. T. Furqon, and C. Dewi, “Implementasi Metode K-Medoids Clustering Untuk Pengelompokan Data Potensi Kebakaran Hutan / Lahan Berdasarkan Persebaran Titik Panas ( Hotspot ),” J-ptiik, vol. 1, no. 9, pp. 723–732, 2017.
N. L. Anggraeni, “Teknik Clustering Dengan Algoritma K-Medoids Untuk Menangani Strategi Promosi Di Politeknik TEDC Bandung,” Jurnal Teknologi Informasi dan Pendidikan, vol. 12 no. 2 pp. 1-7, 2019.
G. Abdurrahman, “Clustering Data Ujian Tengah Semester ( UTS ) Data Mining Menggunakan Algoritma K-Means,” J. Sist. dan Teknol. Inf. Indones., vol. 1, no. 2, pp. 71–79, 2016, doi: 10.32528/justindo.v1i2.566.
Y. Lase and E. Panggabean, “Implementasi Metode K-Means Clustering Dalam Sistem Pemilihan Jurusan Di SMK Swasta Harapan Baru,” J. Penelit. Tek. Inform., vol. 2, no. 2, pp. 43–47, 2019.
M. Nurul, Rohmawati Defiyanti, Sofi Jajuli, “Implementasi Algoritma K-Means Dalam Pengklasteran Mahasiswa Pelamar Beasiswa,” Jitter 2015, vol. I, no. 2, pp. 62–68, 2015.
H. Zayuka, S. M. Nasution, and Y. Purwanto, “Perancangan Dan Analisis Clustering Data Menggunakan Metode K-Medoids Untuk Berita Berbahasa Inggris Design and Analysis of Data Clustering Using K-Medoids Method For English News,” e-Proceeding Eng. , vol. 4, no. 2, pp. 2182–2190, 2017.
R. D. Ramadhani and D. J. Ak, “Evaluasi K-Means dan K-Medoids pada Dataset Kecil,” Semin. Nas. Inform. dan Apl., no. September, pp. 20–24, 2017.
S. Nawrin, M. Rahatur, and S. Akhter, “Exploreing K-Means with Internal Validity Indexes for Data Clustering in Traffic Management System,” Int. J. Adv. Comput. Sci. Appl., vol. 8, no. 3, pp. 264–272, 2017, doi: 10.14569/ijacsa.2017.080337.
M. Arif Wani and R. Riyaz, “A novel point density based validity index for clustering gene expression datasets,” Int. J. Data Min. Bioinform., vol. 17, no. 1, pp. 66–84, 2017, doi: 10.1504/IJDMB.2017.084027.
DOI: http://dx.doi.org/10.22441/fifo.2019.v11i2.010
Refbacks
- There are currently no refbacks.
Jurnal Ilmiah FIFO
 | Print ISSN: 2085-4315 |
|---|---|
| Online ISSN: 2502-8332 |
Sekretariat
Fakultas Ilmu Komputer
Universitas Mercu Buana
Jl. Raya Meruya Selatan, Kembangan, Jakarta 11650
Tlp./Fax: +62215871335
http://publikasi.mercubuana.ac.id/index.php/fifo
e-mail:[email protected]
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
.png)
