Penerapan Algoritma Apriori untuk Rekomendasi Asuransi pada Nasabah
Notice bibliographique
Résumé
Jasindo Insurance Company is one of the insurance companies that receives insurance coverage both directly and indirectly, with ownership of 1 share of dwiwarna series A owned by the Republic of Indonesia and 424,999 shares of Series B owned by PT Bahana Pembinaan Usaha Indonesia (Persero). PT Asuransi Jasa Indonesia has several products and choices in choosing which insurance is needed by customers in agriculture, health, education and many more. Due to the large amount of competition in the business world, it requires management to find the right strategy in increasing the use of Jasindo insurance by knowing the relationship between age, gender, marital status, occupation and the type of Jasindo insurance that is widely chosen by customers. In order to find out the use of insurance that is widely used by the community, it is necessary to analyze the data on the use of insurance using the apriori algorithm method to determine the combination between item-sets of transaction data on Jasindo insurance data. Based on the research conducted after experimenting with the above case with a minimum support = 25%, confidence = 100% so that the results of the rule that meets the support and confidence values are obtained, namely if the gender is male, the marital status is Unmarried, then the type of insurance is jasimdo health and jasindo rainbow then giving value is successful with 25% support, 100% confidence.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».