Medical Insurance Probability Analysis 🏥

Repository ini berisi notebook analisis statistika dan probabilitas menggunakan data tagihan asuransi kesehatan. Proyek ini bertujuan untuk mengidentifikasi karakteristik pengguna dan memvalidasi hipotesis mengenai faktor-faktor yang menyebabkan kenaikan biaya tagihan.

📋 Gambaran Proyek

Dalam industri asuransi, penentuan premi sangat bergantung pada profil risiko nasabah. Proyek ini mengeksplorasi hubungan antara atribut personal pengguna (seperti usia, BMI, status perokok) dengan tagihan (charges) yang mereka terima.

Objektif Analisis:

1. Statistik Deskriptif: Memahami distribusi data (rata-rata umur, BMI, tagihan).
2. Analisis Peluang Variabel Diskrit: Menghitung proporsi berdasarkan gender, region, dan status perokok.
3. Analisis Peluang Variabel Kontinu: Menganalisis kemungkinan tagihan tinggi berdasarkan kondisi BMI dan status perokok.
4. Analisis Korelasi: Melihat hubungan antar variabel numerik.
5. Uji Hipotesis: Membuktikan secara statistik apakah tagihan perokok lebih tinggi dibandingkan non-perokok.

📂 Deskripsi Data

Dataset terdiri dari 7 kolom utama:

• age: Usia pengguna.
• sex: Gender (male/female).
• bmi: Body Mass Index, indikator berat badan ideal.
• children: Jumlah anak/tanggungan.
• smoker: Status perokok (yes/no).
• region: Wilayah tempat tinggal (northeast, northwest, southeast, southwest).
• charges: Biaya tagihan asuransi individu.

🛠️ Teknologi yang Digunakan

Analisis dilakukan menggunakan Python dengan library berikut:

• pandas & numpy: Manipulasi dan operasi data.
• matplotlib & seaborn: Visualisasi data (Distplot, Scatterplot, Heatmap).
• scipy.stats: Perhitungan statistik dan uji hipotesis (T-test).

📊 Temuan Utama (Key Findings)

Berdasarkan analisis yang dilakukan dalam notebook:

1. Distribusi Tagihan:

   • Rata-rata tagihan perokok (32,050.23) jauh lebih tinggi dibandingkan non-perokok (8,434.27).
   • Variansi tagihan pada kelompok perokok juga jauh lebih besar dibandingkan non-perokok.

2. Analisis Peluang:

   • Seseorang dengan BMI > 25 memiliki peluang lebih besar (Proporsi: ~0.21) untuk mendapatkan tagihan tinggi (>16.7k) dibandingkan mereka dengan BMI rendah.
   • Kombinasi Perokok + BMI tinggi secara signifikan meningkatkan probabilitas terkena tagihan tinggi dibandingkan Non-perokok dengan BMI tinggi.

3. Uji Hipotesis:

   • H0: Tagihan perokok = Tagihan non-perokok.
   • H1: Tagihan perokok > Tagihan non-perokok.
   • Hasil: Dengan P-value yang sangat kecil (< 0.05), kita menolak H0. Terbukti secara statistik bahwa perokok membayar tagihan kesehatan yang lebih tinggi.

🚀 Cara Menjalankan

1. Pastikan Python dan Jupyter Notebook telah terinstal.
2. Install library yang dibutuhkan:

   pip install pandas numpy matplotlib seaborn scipy

3. Letakkan file insurance.csv di direktori yang sama dengan notebook.
4. Jalankan file main.ipynb.