Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tugas akhir ini membahas estimasi dalam penetapan cadangan klaim pada asuransi kerugian termasuk kerugian kerugian yang telah terjadi tetapi belum dilaporkan (Incurred But Not Reported disingkat IBNR) dengan menggunakan metode Chain-Ladder."

"Pada perusahaan asuransi bisnis long-tail (penyelesaian klaim ≥ 1 tahun), perusahaan harus memiliki cadangan klaim untuk membayar klaim pada masa yang akan datang. Metode yang sering digunakan untuk perhitungan prediksi cadangan klaim adalah Chain Ladder (CL) yang dihitung berdasarkan pola dari klaim yang sudah dibayarkan. Namun, CL tidak dapat memberikan hasil prediksi cadangan klaim yang akurat, karena dari pendefinisiannya CL sangat bergantung dengan data. Padahal, data tersebut dapat mengandung outlier, atau tidak memadai. Ketika hal ini terjadi, maka aktuaris seringkali menggunakan penilaian subyektif mereka dengan menyesuaikan perhitungan dan dapat memberikan hasil yang berbeda-beda. Hasil yang berbeda-beda menyebabkan adanya ketidakpastian akan hasil yang didapat. Pada skripsi ini, dikenalkan metode Fuzzy Chain Ladder (FCL) yang menggabungkan metode CL dengan triangular fuzzy number (TFN) agar dapat mempertimbangkan ketidakpastian terhadap perhitungan. Berbeda dengan CL yang menghasilkan satu nilai cadangan klaim, FCL menerapkan TFN pada perhitungannya sehingga menghasilkan besar cadangan klaim dalam bentuk kisaran atau range. Dalam range tersebut, aktuaris dapat memilih nilai cadangan klaim berdasarkan penilaian subyektif mereka sehingga diharapkan metode FCL dapat mempertimbangkan adanya ketidakpastian tersebut. Selanjutnya, dilakukan analisis perhitungan prediksi cadangan klaim dari data klaim asuransi umum kelautan menggunakan FCL dibandingkan dengan metode CL.

---

In long-tail business insurance (settlement period ≥ 1 year), companies must have claim reserve to pay claims in the future. The method often used for calculating claims reserve is Chain Ladder (CL) that is calculated based on the pattern of paid claims. However, CL cannot provide accurate claims reserve predictions, because the definition of CL is dependent on data. In fact, these data can contain outliers, inadequate. When this happens, actuaries often use their subjective judgment by adjusting calculations and can produce different results. Different results cause uncertainty about the obtained results. In this thesis, a method called Fuzzy Chain Ladder (FCL) is introduced which combines CL with triangular fuzzy number (TFN) to consider uncertainty regarding calculations. In contrast to CL which produces a single value of claim reserves, FCL applies TFN to its calculation to produce many claims reserves in the form of ranges. Within that range, actuaries can choose the value of claims reserves based on their subjective judgement so that the FCL method can be expected to consider the existence of these uncertainties. Furthermore, an analysis of the prediction of claim reserves from the general marine insurance claim data is analyzed using FCL compared to the CL method."

"Seiring meningkatnya tren kecelakaan kerja selama periode 2007-2017 serta berjalannya kembali kegiatan usaha secara normal pascapandemi COVID-19, lini usaha asuransi kompensasi pekerja menjadi sangat potensial untuk dikembangkan. Sebagai komponen penting dalam model bisnis asuransi, severitas klaim perlu diprediksi seakurat mungkin karena berpengaruh terhadap penetapan tarif premi bagi tertanggung serta bermanfaat dalam mekanisme pengamatan klaim selama proses penyelesaian klaim. Proses prediksi ini dikategorikan sebagai masalah regresi yang biasanya ditangani oleh model-model pembelajaran mesin untuk data tabular. Namun dalam perkembangan studi pembelajaran mesin, terdapat upaya untuk memanfaatkan model Convolutional Neural Network (CNN) untuk melakukan prediksi terhadap data tabular dengan cara mentransformasikan data tersebut ke dalam representasi gambarnya, salah satunya melalui algoritma Image Generator for Tabular Data (IGTD). Penelitian ini bertujuan untuk menguji akurasi model CNN berbasis algoritma IGTD dalam memprediksi klaim asuransi kompensasi pekerja serta membandingkan performa model tersebut dengan model Multi-Layer Perceptron, Random Forest, serta eXtreme Gradient Boosting. Hasil simulasi dengan metode repeated holdout sebanyak lima iterasi menunjukkan bahwa model CNN dapat memprediksi klaim dengan baik meskipun secara umum belum mampu menyaingi model-model non-CNN secara signifikan.

---

Along with the increasing trend of work accidents during 2007-2017 period as well as the resumption of business activities normally after the COVID-19 pandemic, the workers’ compensation insurance business line has great potential to be developed. As an important component in the insurance business model, the claim severity needs to be predicted as accurate as possible because it affects the determination of premium rates for the insured and is useful in the claim watching mechanism during the claim settlement process. This prediction process is categorized as a regression problem which is usually handled by machine learning models for tabular data. However, in the development of machine learning studies, there are emerging efforts to utilize the Convolutional Neural Network (CNN) model to predict tabular data by transforming the data into its image representation, one of which is through Image Generator for Tabular Data (IGTD) algorithm. This study aims to test the accuracy of the CNN model based on the IGTD algorithm in predicting workers’ compensation insurance claims and to compare the model performance with the Multi-Layer Perceptron, Random Forest, and eXtreme Gradient Boosting models. The simulation result using the repeated holdout method for five iterations shows that the CNN model can well predict the claims, although in general, it has not been able to significantly compete with non-CNN models."

"Regulasi dalam penetapan premi menjadi hal yang berperan penting dalam industri asuransi. Pihak regulator perlu mengestimasi ekspektasi klaim agregat untuk menilai tarif premi yang diajukan oleh perusahaan asuransi. Pemodelan distribusi besar klaim adalah salah satu hal yang penting dalam mengestimasi ekspektasi klaim agregat yang akan dijadikan pertimbangan dalam penilaian tarif premi tersebut. Dalam praktiknya, data besar klaim yang digunakan oleh pihak regulator berbentuk data berkelompok yang diperoleh dari industri (perusahaan) asuransi untuk melindungi privasi data nasabah. Akan tetapi, data berkelompok tidak mencakup informasi yang detail terkait data individual sehingga kurang dapat menggambarkan karakteristik yang sebenarnya dari distribusi besar klaim. Oleh karena itu, pada penelitian ini digunakan metode de-grouping untuk memastikan bahwa prediksi dari model distribusi besar klaim yang diperoleh lebih dapat dipercaya. Langkah awal yang dilakukan pada penelitian ini adalah memodelkan data berkelompok yang dimiliki oleh regulator menggunakan beberapa distribusi parametrik. Parameter dari setiap model diestimasi menggunakan metode maximum likelihood. Selanjutnya model terbaik dipilih dengan melakukan uji Kolmogorov-Smirnov dan perbandingan nilai Akaike Information Criterion (AIC). Kemudian prosedur yang sama akan diulang untuk setiap dataset individu yang dibangkitkan dari data grup melalui tiga metode de-grouping yaitu pendekatan Equal Spacing, Uniform Random Sampling, dan Sampling Loss Amount. Adapun kandidat distibusi parametrik yang digunakan adalah distribusi Exponentiated Weibull, Weibull, Exponential, dan Lognormal. Distribusi distribusi ini dipilih karena pada umumnya, data besar klaim memiliki ekor tebal dan skewness positif. Adapun model distribusi terbaik untuk data grup yang digunakan pada penelitian ini adalah distribusi Lognormal.

---

Rate regulation plays an important role in the insurance industry. Regulators need to estimate the expectation of aggregate claims to assess the premium rates proposed by insurance companies. Modeling the distribution of large claims is crucial in estimating the expectation of aggregate claims, which are considered in the premium rate assessment. In practice, the size of loss data used by regulators is in form of grouped data provided by industry of insurance companies to protect privacy of customer’s data. However, grouped data do not include detailed information about individual data and hence cannot describe the actual characteristic of the size of loss distribution as well as individual data. Therefore, this study uses the de-grouping method to ensure that the prediction obtained from the model distribution of size of loss is more reliable. The first step in this study is to model the grouped data held by regulators using several parametric distributions. The parameters of each model are estimated using the maximum likelihood method. The best model is then selected by conducting the Kolmogorov Smirnov test and comparing the Akaike Information Criterion (AIC) values. The same procedure is repeated for each individual dataset generated from the grouped data through three de-grouping methods: Equal Spacing, Uniform Random Sampling, and Sampling Loss Amount. The candidate parametric distributions used are the Exponentiated Weibull, Weibull, Exponential, and Lognormal distributions. These distributions are chosen because size of loss data generally have heavy tails and positive skewness. The best distribution model for the grouped data used in this study is the Lognormal distribution."

"Jenis kontrak asuransi yang akan dibahas pada penelitian ini adalah kontrak lifelong health insurance, yaitu kontrak asuransi kesehatan dengan manfaat pertanggungan seumur hidup dimana premi dibayarkan dengan jumlah yang sama besar di setiap periodenya. Seiring berjalannya waktu, terdapat pemegang polis yang memberhentikan kontrak polisnya yang disebut dengan surrender atau lapse. Apabila pemegang polis melakukan surrender, perusahaan asuransi diperbolehkan untuk membayarkan nilai tertentu yaitu surrender value kepada pemegang polis. Jenis surrender value yang digunakan adalah reserve dependent surrender value dimana perhitungan surrender value didasarkan pada ageing provision atau cadangan yang dibangun oleh pemegang polis sampai akhir masa pertanggungan/surrender. Cadangan yang dibangun pemegang polis merupakan asset yang terbentuk dari surplus premi pada pembayaran premi di tahun awal. Pada kontrak asuransi kesehatan, inflasi kesehatan memengaruhi nilai dari manfaat yang menyebabkan besar cadangan dan surrender value juga berubah. Inflasi kesehatan menyebabkan jumlah pengeluaran meningkat tetapi besar pendapatan premi tetap sama di setiap periodenya (karakteristik lifelong health insurance). Dikarenakan inflasi kesehatan, keseimbangan dari perhitungan manfaat, cadangan, dan surrender value tidak tercapai pada setiap periode. Oleh karena itu, penelitian ini bertujuan untuk memperbarui perumusan menjadi ekuivalen/seimbang dalam menghitung manfaat, cadangan, dan surrender value yang melibatkan inflasi kesehatan. Bentuk pembaruan dilakukan pada manfaat sehingga menyebabkan besar cadangan, surrender value, atau keduanya juga diperbarui selama masa kontrak polis aktif. Mekanisme pembaruan tersebut perlu dilakukan sehingga keseimbangan/ekuivalensi aktuaria tercapai antara manfaat kesehatan di masa depan dan surrender value dengan nilai polis yang sudah ada serta premi yang akan datang. Setelah itu, akan dilakukan simulasi perhitungan menggunakan perumusan yang telah diperbarui menggunakan data aktual. Diperoleh bahwa nilai manfaat kesehatan, cadangan, dan surrender value setiap tahunnya akan meningkat akibat pengaruh dari inflasi kesehatan.

---

The type of insurance contract that will be discussed in this study is the lifelong health insurance contract which is the health insurance contract with whole life coverage where the premium is paid constantly in every period of time. As time goes by, there are policyholders who terminate their policy contracts which are called surrender or lapse. If the policy holder surrendered, the insurance company is allowed to pay a certain value, namely surrender value to the policyholder. The type of surrender value that been used is reserve dependent surrender value, where the surrender value calculation is based on the ageing provision or reserves built by the policy holder until the end of the insurance / surrender period. Reserves that are built by the policy holder are assets formed from premium surplus on premium payments in the initial year. In the health insurance contract, medical inflation affects the value of the benefits which causes the amount of the reserve and surrender value to change. Medical inflation causes total expenditure to increase but the amount of premium income remains the same in each period (characteristic of lifelong health insurance). Due to medical inflation, the balance of the health benefit, reserve, and surrender value calculation is not reached in every period. Therefore, this study aims to update the formulation to be equivalent / balanced in calculating benefits, reserves and surrender value involving medical inflation. The form of renewal is carried out on benefits, causing the amount of reserves, surrender value or both to be renewed while the policy contract period still active. This updating mechanism needs to be implemented so that an actuarial balance / equivalence is achieved between future health benefits and surrender value with the existing policy value and future premiums. After that, a calculation simulation will be performed by an updated formulation using actual data. It is found that the amount of health benefits, reserves and surrender value will increase each year due to the medical inflation."

"Penentuan premi bersih untuk asuransi non-jiwa dapat dilakukan dengan memperkirakan kerugian agregat dari suatu kelompok polis. Kerugian agregat dihitung berdasarkan frekuensi dan klaim tingkat keparahan rata-rata yang biasanya dianggap independen. Namun, dalam beberapa kasus, ada ketergantungan antara frekuensi dan klaim tingkat keparahan rata-rata. Untuk mengatasi masalah ketergantungan, tesis ini menggunakan model regresi berbasis copula untuk membangun distribusi kerugian agregat. Hal ini dilakukan dengan menggabungkan model linear umum marginal dari frekuensi dan klaim tingkat keparahan rata-rata menggunakan kopula. Selanjutnya, parameter distribusi kerugian agregat diperkirakan menggunakan metode kemungkinan maksimum. Tes Vuong digunakan untuk memilih kopula terbaik yang akan digunakan dalam membangun distribusi kehilangan agregat. Akhirnya, premi bersih dari suatu kelompok kebijakan diperoleh berdasarkan estimasi nilai rata-rata dari distribusi kerugian agregat. Simulasi numerik dilakukan dengan menggunakan langkah-langkah ketergantungan tertentu dalam menerapkan model regresi berbasis kopula untuk menentukan premi bersih dari suatu kelompok kebijakan. Berdasarkan simulasi numerik, dapat disimpulkan bahwa jika klaim frekuensi dan keparahan rata-rata memiliki ukuran ketergantungan negatif, maka estimasi rata-rata kerugian agregat dengan asumsi bahwa klaim frekuensi dan keparahan rata-rata adalah independen akan melebih-lebihkan. Sebaliknya, untuk ukuran ketergantungan yang positif, estimasi rata-rata kerugian agregat dengan asumsi bahwa frekuensi dan klaim tingkat keparahan rata-rata independen akan meremehkan.

---

Determination of net premiums for non-life insurance can be done by estimating aggregate losses from a group of policies. Aggregate losses are calculated based on frequency and claim average severity which is usually considered independent. However, in some cases, there is a dependency between frequency and claims of average severity. To overcome the problem of dependency, this thesis uses a copula-based regression model to build an aggregate loss distribution. This is done by combining the general marginal linear model of frequency and claiming the average severity using copula. Next, the aggregate loss distribution parameters are estimated using the maximum likelihood method. The Vuong test is used to select the best copula to be used in building the aggregate loss distribution. Finally, the net premium of a policy group is obtained based on the estimated average value of the aggregate loss distribution. Numerical simulations are performed using certain dependency steps in applying a copula-based regression model to determine the net premium of a policy group. Based on numerical simulations, it can be concluded that if the average frequency and severity claims have negative dependency measures, the estimated average aggregate losses assuming that the average frequency and severity claims are independent will be exaggerating. Conversely, for a positive measure of dependency, the estimated average aggregate loss assuming that the frequency and claim severity of the independent average would be underestimated."

"Asuransi kendaraaan bermotor diharuskan membuat cadangan untuk memastikan bahwa perusahaan tersebut dapat memenuhi kewajibannya. Metode chain ladder adalah salah satu metode pencadangan klaim yang paling banyak digunakan. Akan tetapi, metode chain ladder ini rentan terhadap outlier. Karya akhir ini fokus pada pencadangan klaim yang resisten terhadap data outlier dengan menggunakan metode robust chain ladder. Ada dua tahapan dalam merobust metode chain ladder, tahap pertama yaitu mendeteksi data outlier dengan menggunakan median sebagai development faktor dan kemudian memodifikasi nilai dari outlier tersebut. Langkah kedua adalah mengaplikasikan metode chain ladder klasik pada data yang telah dilakukan modifikasi tersebut. Studi ini menunjukan bahwa metode robust chain ladder memberikan hasil yang lebih baik dibandingkan dengan chain ladder klasik.

---

in a motor vehicle insurance business an insurer needs to build up a reserve to ensure the company can fulfill its obligation. Chain ladder is one of the most widely used method in claim reserving. However, chain ladder method is very vulnerable to outlier. This study focused on claim reserving that resistant to outlier data by using robust chain ladder. There are two step to robustify chain ladder method. The first step is to detect outlier by using median as development factor to compute the residual, and adjust the outlying values. The second step is apply a classic chain ladder method to the adjusted data. This study show that robust chain ladder has a better result than a standard chain ladder method."

"Salah satu model yang digunakan untuk menghitung tarif premi adalah dengan menggunakan model kredibilitas, di mana tarif premi ditentukan menggunakan pengalaman masa lalu. Salah satu model kredibilitas yang telah dikembangkan adalah model kredibilitas Bühlmann. Pada model ini, diasumsikan bahwa setiap pemegang polis memiliki karakter dan tingkat risiko yang berbeda-beda. Model kredibilitas Bühlmann mengestimasi tarif premi menggunakan mean dari besar klaim suatu kontrak. Pada skripsi ini, akan dibahas sebuah modifikasi dari model kredibilitas Bühlmann yang disebut dengan model kredibilitas kuantil, dimana tarif premi diestimasi menggunakan kuantil dari besar klaim kontrak asuransi tersebut. Pembahasan model kredibilitas kuantil dimulai dari penentuan bentuk umum persamaan, lalu dilakukan penentuan faktor kredibilitas dengan meminimumkan mean squared error antara parameter yang digunakan untuk memprediksi tarif premi dengan estimatornya, kemudian dilanjutkan dengan penaksiran parameter pada model menggunakan metode non-parametrik. Kemudian, dilakukan studi kasus untuk membandingkan hasil perhitungan menggunakan model kredibilitas Bühlmann dengan model kredibilitas kuantil. Selain itu, pada studi kasus juga dibandingkan sensitivitas dari hasil estimasi masing-masing model jika terdapat outlier pada data. Secara umum, model kredibilitas kuantil memiliki performa yang baik jika terdapat outlier karena model tersebut kurang sensitif terhadap outlier pada sebagian besar kuantil.

---

One of the models used to calculate the premium rate is by using the credibility model, where the premium rate is determined using past experiences. One of the credibility models that has been developed is the Bühlmann credibility model. This model assumes that each policyholder has a different character and level of risk. The Bühlmann credibility model estimates the premium rate using the mean of the claim severity of a contract. This thesis discusses a modification of the Bühlmann credibility model which is called the quantile credibility model, where the premium rate is estimated using the quantile of the claim severity of an insurance contract. The discussion of the quantile credibility model starts from determining the general form of the equation, then determining the credibility factor by minimizing the mean squared error between the parameter used to predict the premium rate and the estimator, then continues with estimating the parameters using non-parametric methods. Then, a case study is conducted to compare the calculation results using the Bühlmann credibility model and the quantile credibility model. In addition, the case study also compares the sensitivity of the estimation results of each model if there are outliers in the data. In general, the quantile credibility model has a good performance if there are outliers because the model is less sensitive to outliers in most of the quantiles."

"Memperkirakan cadangan kewajiban terhutang adalah penting dalam menjaga keseimbangan solvabilitas keuangan pada perusahaan asuransi umum. Porsi terbesar dan terpenting dari cadangan kewajiban terhutang adalah cadangan klaim terhutang. Penelitian ini mencoba melakukan estimasi perhitungan cadangan klaim dengan menggunakan pendekatan model Munich Chain Ladder. Model Munich Chain Ladder dalam hal ini menggunakan pendekatan metode Chain Ladder klasik, serta korelasi antara nilai pembayaran klaim (paid) dengan nilai pelaporan klaim (incurred). Dengan menggunakan data masa lalu, sebuah estimasi cadangan klaim IBNR akan dihitung dengan menggunakan model Munich Chain Ladder.

---

Estimating outstanding liability is very important in maintaining financial solvency of a general insurance company. The largest and most important outstanding liability is outstanding claim reserves portion. This study is tried to estimate claim reserve by using Munich Chain Ladder. The Munich Chain Ladder is using a classical Chain Ladder method approach as the basic framework, and then utilizes the correlation between the paid and incurred claim data to calibrate the proposed model prediction. By using past data, a claim reserve will be calculated."

"Penelitian ini bertujuan untuk melakukan estimasi cadangan klaim terhadap Program Asuransi Usaha Tani Padi (AUTP) untuk memberikan perlindungan dan pemberdayaan kepada petani usaha tani padi yang berpotensi mengalami gagal panen. Jangka waktu polis Program AUTP terhitung singkat karena periode polis berlaku 4 bulan (musim tanam) dan memperoleh subsidi premi 80% dari pemerintah. Pada penelitian cadangan klaim AUTP periode 2017 – 2021, analisa menggunakan konsep bulanan dan triwulanan pada Run-Off Triangle (ROT) (Bulanan 60x60 dan Triwulanan 20x20) karena memiliki variasi periode Accident Year dan Development Year. Selanjutnya, metode Chain Ladder (CL) merupakan metode yang paling dasar, umum dan sederhana pada asuransai umum mempertimbangkan Age-to-Age Factor (LDF), serta metode Bonrhuetter-Ferguson (BF) menambah pertimbangan Estimated Ultimate Losses (EUL) dari CL dan earned premium. Penelitian memperoleh hasil bahwa tidak terdapat perbedaan signifikan antara nilai Estimated Loss Reserve dan EUL pada kedua metode berdasarkan nilai MAD dan RMSE, tidak terdapatnya pembayaran klaim di beberapa periode kejadian dan periode penundaan, serta terdapatnya pembayaran klaim yang baru diselesaikan lebih dari 1 tahun sehingga terdapat perbedaan signifikan pada analisa. Selain itu, program asuransi AUTP merupakan program baru dari pemerintah bagi petani padi, sehingga manfaat program asuransi ini masih dipelajari oleh calon pemegang polis atas manfaat yang akan diterima.

---

This research aims to estimate the claim reserves the Rice Farmer Business Insurance Program (RFBI) for rice farmers who have the potential to experience crop failure. Therefore, the policy RFBI program period is valid for 4 months (growing season) and with an 80% premium subsidy from the government. The analysis of RFBI claim reserve (2017-2021) used the concept of monthly (60x60) and quarterly (20x20) in the Run-Off Triangle (ROT) because it has variations in period analysis, Chain Ladder (CL) method is the most basic, common, and simple method used in general insurance, as well Bonrhuetter-Ferguson (BF) method adds to the consideration of Estimated Ultimate Losses (EUL) of CL and earned premium. There was no significant difference between the value of estimated loss reserve and EUL in both methods based on MAD and RMSE values, no payment of claims in some periods of events and delay periods, and the existence of new claim payments completed more than 1 year so that there are significant differences in the analysis. In addition, the RFBI is a new program from the government for rice farmers, so the benefits of this insurance program are still studied by prospective policyholders for the benefits to be received."