Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPenelitian mengenai perhitungan jumlah klaim sudah banyak dilakukan orang dengan menggunakan beberapa model pendekatan, diantaranya adalah penelitian yang dilakukan oleh David dan Jemma 2015 serta Valeck 2016 . Salah satu model yang sering digunakan dan telah menjadi standart practice untuk perhitungan jumlah klaim adalah model GLM Poisson dan juga Negative Binomial. Penelitian ini mereplikasi penelitian Fadzli 2015 yang menggunakan model Bayesian Quantile regression untuk perhitungan count data asuransi kendaraan bermotor di Malaysia.Dengan menggunakan model Bayesian Quantile regression, penelitian ini memodelkan banyaknya jumlah klaim kendaraan bermotor berdasarkan umur, kapasitas, jenis dan wilayah klaim. Sampel data yang digunakan pada penelitian ini adalah data frekuensi klaim perusahaan asuransi kendaraan bermotor PT. ABC selama periode 2015 - 2016. Hasil penelitian menunjukan kuantil ke-75 merupakan model terbaik untuk Bayesian Quantile regression. Model ini juga lebih baik dibandingkan dengan Mean Regression, Poisson Regression dan juga Negative Binomial Regression. Umur kendaraan satu tahun, kendaraan dengan kapasitas lebih dari 2500cc , jenis kendaraan Sedan serta wilayah klaim Depok menjadi rating classes dengan risiko tertinggi untuk setiap rating factor.

---

ABSTRACTThe research on the calculation of the claim frequency has been done by many researchers using several models of approaches, including research conducted by David and Jemma 2015 and Valeck 2016 . One model that is often used and has become a standard practice for the calculation of claim frequency is a GLM model Poisson and Negative Binomial. This study replicates the Fadzli 2015 study using the Bayesian Quantile Regression model for count data of vehicle insurance in Malaysia.Using the Bayesian Quantile Regression model, this study modeled claim frequency of vehicle insurance claims based on age, capacity, type and claim area. Sample data used in this research is claim frequency data of vehicle insurance company PT. ABC during the period 2015 2016. The results show the 75th quantile is the best model for Bayesian Quantile Regression. This model is also better than the Mean Regression, Poisson Regression and also Negative Binomial Regression. One year vehicle lifespan, vehicles with capacity greater than 2500cc, Sedan and claims area Depok become rating classes with highest risk for each rating factor."

"Permasalahan mengenai pencadangan klaim pada perusahaan asuransi merupakan salah satu isu yang harus dihadapi oleh para pelaku bisnis asuransi. Ketersediaan dana klaim oleh perusahaan merupakan hal yang mendasar pada perusahaan asuransi untuk dapat mempertahankan bisnis mereka dan menjaga kelangsungan dari usahanya. Pencadangan klaim ini juga diperlukan perhitungan secara detil mengenai pengalokasian dana yang dimiliki perusahaan berdasarkan penerimaan penjualan produk yang dikeluarkan, untuk menghasilkan profit di dalam bisnis mereka. Berangkat dari keterbatasan model-model terdahulu, tulisan ini ingin memperkenalkan model penghitungan alternatif, yakni model quantile regression. Menurut Chan 2015 model quantile regression ini dianggap memiliki kemampuan untuk melakukan penghitungan pencadangan klaim terhadap data yang memiliki variansi heterogen dan tidak memiliki distribusi yang jelas sebagaimana kebanyakan data asuransi. Penelitian ini akan melakukan penghitungan estimasi cadangan klaim dengan mengadopsi model Quantile Regression. Tujuan utama dari penelitian ini adalah ingin mencoba bagaimana proses penghitungan estimasi dengan model Quantile Regression serta melihat apakah model ini bisa diterapkan pada konteks perusahaan asuransi XYZ di Indonesia. Data yang digunakan dalam penelitian ini adalah data klaim produk asuransi kendaraan bermotor perusahaan XYZ tahun 2013 sampai dengan 2015.

---

The issue of claim reserves on insurance companies is one of the issues that insurance businesses have to cope with. The availability of claims within the company is fundamental to insurance companies to maintain their business and keep the business going. This claim reserves is also required in precise calculations regarding the allocation of funds owned by the company based on the sale of products issued, to generate profit in their business. Based on the limitations of the traditional models, this paper wants to introduce an alternative model of estimating claim reserve, it is called quantile regression model. According to Chan 2015 this quantile regression model is considered to have the ability to calculate the reserve of claims against data with heterogeneous variance and have no clear distribution, which is mostly insurance data known for. This research will try to calculate estimation for claim reserve by adopting Quantile Regression model. The main purpose of this research is to try how to calculate the estimation with Quantile Regression model and see if this model can be applied to the context of XYZ insurance company in Indonesia. The data used in this research are the claims data of XYZ company s for motor vehicle insurance products from 2013 to 2015."

"Regresi kuantil adalah metode regresi yang menghubungkan kuantil dari variabel respon dengan satu atau beberapa variabel prediktor. Regresi kuantil memiliki kelebihan yang tidak dimiliki oleh regresi linier yaitu robust terhadap outlier dan dapat memodelkan data yang heteroskedastisitas. Regresi kuantil dapat diestimasi parameternya dengan metode Bayesian.Metode Bayesian adalah alat analisis data yang diturunkan berdasarkan prinsip inferensi Bayesian. Inferensi Bayesian adalah proses mempelajari analisis data secara induktif dengan teorema Bayes. Untuk menaksir parameter regresi dengan inferensi Bayesian, perlu dicari distribusi posterior dari parameter regresi dimana distribusi posterior proporsional terhadap perkalian distribusi prior dan fungsi likelihoodnya. Karena perhitungan distribusi posterior secara analitik sulit untuk dilakukan jika semakin banyak parameter yang ditaksir, maka diajukan metode Markov Chain Monte Carlo (MCMC). Penggunaan metode Bayesian dalam regresi kuantil memiliki kelebihan yaitu penggunaan MCMC memiliki kelebihan yaitu mendapatkan sampel nilai parameter dari distribusi posterior yang tidak diketahui, penggunaanyang efisien secara komputasi, dan mudah diimplementasikannya. Yu dan Moyeed (2001) memperkenalkan regresi kuantil Bayesian dengan menggunakan fungsi likelihood dari error yang berdistribusi Asymmetric Laplace Distribution (ALD) dan menemukan bahwameminimumkan taksiran parameter pada regresi kuantil sama dengan memaksimalkan fungsi likelihood dari error yang berdistribusi Asymmetric Laplace Distribution (ALD). Metode yang digunakan untuk menaksir parameter regresi kuantil adalah Gibbs sampling dari distribusi ALD yang merupakan kombinasi dari distribusi eksponensial dan Normal. Penaksiran parameter model regresi dilakukan dengan cara pengambilan sampel pada distribusi posteriordari parameter regresi yang ditemukan dalam skripsi ini. Pengambilan sampel pada distribusi posterior dapat menggunakan metode Gibbs sampling. Hasil yang diperoleh dari Gibbs sampling berupa barisan sampel parameter yang diestimasikan. Setelah mendapatkan barisan sampel, barisan sampel dirata-ratakan untuk mendapatkan taksiran parameter regresinya. Studi kasus dalam skripsi ini adalah membahas pengaruh faktor risiko dari nasabah asuransi kendaraan bermotor terhadap besar klaim yang diajukan oleh nasabah.

---

Quantile regression is a regression method that links the quantiles of the response variable with one or more predictor variables. Quantile regression has advantages that linear regression does not have; it is robust against outliers and can model heteroscedasticity data.

The parameters of quantile regression can be estimated using the Bayesian method. The Bayesian method is a data analysis tool derived based on the Bayesian inference principle.

Bayesian inference is the process of studying data analysis inductively with the Bayes theorem. To estimate regression parameters with Bayesian inference, it is necessary to find the posterior distribution of the regression parameters where the posterior distribution is

proportional to the product of the prior distribution and its likelihood function. Since the calculation of the posterior distribution analytically is difficult to do if the more parameters are estimated, the Markov Chain Monte Carlo (MCMC) method is proposed. The use of the Bayesian method in quantile regression has advantages, namely the use of MCMC has the advantages of obtaining sample parameter values from an unknown posterior distribution,

using computationally efficient, and easy to implement. Yu and Moyeed (2001) introduced Bayesian quantile regression using the likelihood function of errors with an Asymmetric Laplace Distribution (ALD) distribution and found that minimizing parameter estimates in quantile regression is the same as maximizing the likelihood function of errors with an Asymmetric Laplace Distribution (ALD) distribution. The method used to estimate quantile regression parameters is Gibbs sampling from the ALD distribution, which is a combination

of the exponential and normal distributions. The estimation of the regression model parameters is done by sampling the posterior distribution of the regression parameters which is found in this thesis. Gibbs sampling method is used to sampling the posterior distribution.

The results obtained from Gibbs sampling are a sample sequence of estimated parameters.

After obtaining the sample sequences, the sample lines are averaged to obtain an estimated regression parameter. The case study in this thesis discusses the effect of risk factors from motor vehicle insurance customers on the size of claims submitted by customers."

"ABSTRAKTesis ini menganalisis frekuensi dan severitas klaim yang merupakan dua risiko utama dalam asuransi umum. Penentuan harga kontrak asuransi dari pemegang polis dengan mengalikan ekspektasi frekuensi klaim dan severitas klaim. Net Premium tersebut merupakan estimasi dari kerugian agregat dari suatu grup polis yang memodelkannya mengasumsikan frekuensi dan severitas klaim saling bebas. Namun, dalam beberapa kasus, terdapat dependensi antara dua variabel tersebut. Untuk mengatasi masalah dependensi tersebut, pada tesis ini digunakan model copula berbasis regresi untuk membangun distribusi bersama. Hal ini dengan menggabungkan marginal generalized linear model dari frekuensi dan rata-rata severitas klaim menggunakan copula. Parameter dari distribusi ditaksir menggunakan metode maksimum likelihood. Kemudian pemilihan copula terbaik yang akan digunakan dalam membangun distribusi bersama dilakukan dengan melihat nilai log-likelihood paling besar dan Root Mean Square Error (RMSE) yang paling kecil. Hasil didapat bahwa model copula Clayton berbasis regresi yang dipilih. Terakhir, estimasi frekuensi dan rata-rata severitas klaim dihitung dan dihasilkan kerugian polis berdasarkan nilai estimasi mean dari distribusi bersamanya.

---

ABSTRACTThis thesis analyzes the frequency and severity of claim which are the two main risks in general insurance. Determination of insurance contract prices from policyholders by multiplying expected frequency of claims and severity of claims. The Net Premium is an estimate of the aggregate loss of a policy group that models it assuming the frequency and severity of the claims are independent. However, in some cases, there are dependencies between the two variables. To overcome this dependency problem, this thesis uses copula-based regression model to build a joint distribution. This is by combining the marginal generalized linear model of frequency and the average severity of claims using copula. The parameters of the distribution are estimated using the maximum likelihood method. Further, the selection of the best copula that will be used in building a joint distribution is done by looking at the greatest log-likelihood value and smallest value of Root Mean Square Error (RMSE). The result is clayton copula based regression model is chosen. Finally, estimatie of the frequency and average severity of claims is calculated and policy losses are generated based on the estimated mean value of the joint distribution."

"Permasalahan utama yang sering dihadapi oleh perusahaan asuransi adalah mengestimasi cadangan klaim. Perhitungan estimasi cadangan klaim yang dilakukan secara kurang tepat akan memengaruhi kelangsungan usaha dari perusahaan asuransi. Metode estimasi cadangan klaim yang paling sering digunakan di dunia asuransi adalah metode Chain-Ladder dan variasinya. Selain metode tersebut, Peters, Targino dan Wuthrich (2017) mengembangkan metode yaitu gamma-gamma Bayesian Chain-Ladder. Metode ini merupakan metode Bayesian Chain-Ladder yang menggunakan distribusi gamma yang memiliki rentang prediksi cadangan klaim yang relatif kecil.

Pada penelitian ini penghitungan terhadap rentang prediksi cadangan klaim dilakukan menggunakan model gamma-gamma Bayesian Chain-Ladder. Tujuan utama pada penelitian ini yaitu menerapkan proses penghitungan rentang prediksi dengan model gamma-gamma Bayesian Chain-Ladder pada konteks perusahaan asuransi XYZ di Indonesia, serta membandingkannya dengan metode Chain-Ladder. Data yang digunakan dalam penelitian ini adalah data klaim produk asuransi kendaraan bermotor perusahaan asuransi XYZ tahun 2014 sampai dengan 2016. Hasil rentang prediksi berdasarkan nilai MSEP model gamma-gamma Bayesian chain-ladder tahun 2014 sampai dengan 2016 relatif lebih kecil dibandingkan dengan MSEP chain-ladder model Mack.

---

The Main problem often faced by insurance companies is estimating claim reserve. The calculation of claim reserve that is undertaken inaccurately will affect the business operations of the insurance company. The claim reserve estimation method that is commonly undertaken called Chain-Ladder method and its variations. Besides, Peters, Targino and Wuthrich (2017) develop a method namely gamma-gamma Bayesian Chain-Ladder. This is a Bayesian Chain-Ladder method that uses a gamma distribution and has the prediction range of claim reserve that relatively small.

This research performs the calculation of the prediction range claim reserve that uses the gamma-gamma Bayesian Chain-Ladder model. The main purpose of this research is implementing the process of calculation prediction range with the gamma-gamma Bayesian Chain-Ladder model in the context of XYZ insurance companies in Indonesia, and compare it with the Chain-Ladder classic method. The data used in this study is the claim data for motor vehicle insurance products for XYZ insurance companies from 2014 to 2016. The results of the prediction range based on the MSEP value of the gamma-gamma Bayesian Chain-Ladder model from 2014 to 2016 relatively smaller compared to the Macks MSEP chain-ladder model."

"Incurred But Not Reported (IBNR) adalah salah satu bagian dari cadangan klaimyang harus disiapkan oleh perusahaan asuransi. Perusahaan asuransi di Indonesiaumumnya menggunakan metode Chain Ladder dalam membentuk cadangan IBNR.Hal ini juga berlaku di perusahaan asuransi jiwa ABC. Namun dikarenakan metodeChain Ladder hanya bergantung pada nilai klaim, maka nilai yang ekstrim akansangat memengaruhi ketepatan dari estimasi. Maka dari itu, metode Cape Coddirancang untuk mengatasi kekurangan dari metode Chain Ladder denganmenambahkan pertimbangan ekspektasi klaim melalui pendapatan premi. MetodeCape Cod juga dinilai sebagai best practice dalam melakukan estimasi cadanganIBNR. Penelitian dilakukan dengan tujuan untuk melihat penerapan metode CapeCod di perusahaan asuransi jiwa ABC dan apakah metode tersebut dapatmenghasilkan nilai yang lebih mendekati nilai sebenarnya. Dengan menggunakandata dari perusahaan asuransi jiwa ABC dengan tahun pengamatan 2016-2018,didapatkan nilai deviasi dan eror yang lebih rendah pada metode Cape Coddibandingkan dengan metode Chain Ladder untuk masing-masing tahun pengujian.Hasil penelitian ini sesuai dengan penelitian yang mengungkapkan bahwa metodeCape Cod akan menghasilkan nilai yang lebih mendekati nilai sebenarnyadibandingkan dengan metode Chain Ladder. Penelitian ini juga menyimpulkanbahwa metode Cape Cod dapat diterapkan pada perusahaan asuransi jiwa ABCuntuk mendapatkan nilai cadangan IBNR yang lebih mendekati nilai sebenarnya

---

Incurred But Not Reported (IBNR) is a part of the claim reserve that must be

prepared by insurance companies. In general, insurance companies in Indonesia

adopt Chain Ladder method to determine the IBNR reserves. This also applies to

the ABC life insurance company. However, because the Chain Ladder method only

depends on the value of the claim, the extreme value will greatly affect the accuracy

of the estimate. Therefore, the Cape Cod method is designed to overcome the

shortcomings of the Chain Ladder method by adding consideration of expected

claims through premium income. Cape Cod methos is considered as the best

practice for estimating IBNR reserves. This research was conducted at ABC life

insurance company with the aim of seeing the application of the Cape Cod method

and if the method can obtain a value closer to the true value. The results obtained

were lower error values in the Cape Cod method compared to the Chain Ladder

method for each testing year. The results of this study are consistent with previous

research which revealed that the accuracy of the Cape Cod method is better than

the Chain Ladder method. This study also concludes that the Cape Cod method can

be applied to ABC life insurance companies to obtain an IBNR reserve value that

is closer to its true value."

"ABSTRAKSaat ini nilai klaim IBNR (Incurred But Not Reported) dihitung berdasarkan estimasi sentral atau estimasi terbaik (best estimates) atas klaim yang sudah terjadi tetapi belum dilaporkan dengan menggunakan metode rasio klaim atau salah satu dari metode segitiga (triangle method). Metode segitiga yang digunakan dalam industri asuransi adalah metode Chain Ladder (MCL). MCL adalah metode yang umum digunakan di industri asuransi untuk memperkirakan jumlah cadangan klaim. Namun, MCL tidak didasarkan atas teori matematika maupun statistik sehingga sulit dijelaskan secara teori, selain itu jumlah cadangan klaim yang dihasilkan tidak dapat dipisahkan ke dalam RBNS (Reported but Not Settled) dan IBNR. Melalui jurnal yang ditulis oleh Miranda et al. (2012) diperkenalkan metode baru yang disebut Double Chain Ladder (DCL), dimana MCL diaplikasikan dua kali terhadap incurred count dan paid claims data. DCL memberikan teori statistika terhadap MCL, dengan menggunakan parameter-paremeter tertentu untuk mengestimasi RBNS dan IBNR dengan menambahkan parameter delay time dari klaim dilaporkan sampai dengan klaim dibayarkan. Hasil perhitungan cadangan berdasarkan DCL untuk RBNS adalah sebesar Rp. 37.169.681.816,00 dan IBNR sebesar Rp. 58.280.429.263,60, sehingga total cadangan klaim sebesar Rp. 95.450.110.000,00. Sedangkan cadangan klaim dengan MCL adalah sebesar Rp. 85.750.734.043,00.

---

ABSTRACTCurrently the calculation of the amount of IBNR value in accordance with the technical provisions can be calculated based on central estimates or best estimates on claim incurred but not reported using the expected loss ratio method or one of the methods of the triangle (triangle method). The One triangle method used in the insurance industry is the Chain Ladder Method (CLM). CLM is an actuarial method which is quite well known in the insurance industry and applied to estimate the amount of loss reserves. CLM was not based on mathematical statistics so it is difficult to justify theoretically, and CLM is incapable of dividing predicted outstanding liabilities into RBNS and IBNR claims.. However, according to Maria Dolores Martinez Miranda, Jens Perch Nielsen and Richard Verrall through journals published in Astin Bulletin, the CLM unable to separate claim estimates into into RBNS part and IBNR part as a component in the claim reserve. Through the journal introduced a new method called the Double Chain Ladder (DCL). DCL replicated CLM and applied twice, one on the incurred count data and then on the paid claims to perform the calculation of estimated outstanding claims can separate RBNS and IBNR as component of claim reserves as and thus to the total combined future payment estimate. The DCL model give statistic theory to CLM by using a particular estimation parameter method and adding delay time parameter from claim is reported until it is paid. DCL provide further result that CLM is unable to provide, such as the prediction of outstanding liabilities separately for RBNS and IBNR Claims. Calculation result for RBNS is Rp. 37.169.681.816,00 and IBNR is Rp. 58.280.429.263,60, so total claim reserve is Rp. 95.450.110.000,00. Claim reserve using MCL is Rp. 85.750.734.043,00."

"Kanker merupakan salah satu penyebab kematian yang paling sering terjadi di seluruh dunia. Salah satu jenis kanker yang dapat mengancam terutama pada wanita adalah kanker payudara. Terlambatnya pendeteksian dini pada penderita kanker payudara menyebabkan sulitnya penanganan untuk proses penyembuhan dan besarnya angka kemungkinan kematian. Metode machine learning banyak diaplikasikan dalam kasus pendeteksian dini karena metode machine learning cukup efektif untuk mendiagnosis suatu penyakit. Pada penelitian ini digunakan metode Bayesian Logistic Regression untuk memprediksi kanker payudara. Metode Bayesian digunakan untuk menghitung bobot dari setiap parameter dari data pada regresi logistik. Data yang digunakan pada penelitian ini adalah data Wisconsin Breast Cancer Database (WBCD, 1992) yang dapat diakses melalui UCI Machine Learning Repository. Berdasarkan hasil uji coba, metode Bayesian Logistik Regression memperoleh akurasi sebesar 96,85%, precision, recall dan F-1 score sebsar 95,44%. Hasil simulasi tersebut menunjukkan bahwa Bayesian Logistic Regression cukup baik untuk membantu praktisi medis dalam mendiagnosis kanker payudara.

---

Cancer is one of the most common cause of death in the world. One type of cancer that can be threaten women is breast cancer. The delay in early detection in patient with breast cancer can cause difficulty in recovery process and high mortality rate. Machine learning technique is widely applied in cases of early detection, because machine learning technique is quite effective in diagnose a disease. In this study, the Bayesian Logistic Regression method was used to predict breast cancer. The Bayesian method is used to calculate the weight of each parameter from the data in logistic regression. The data that used in this study is the Wisconsin Breast Cancer Database from UCI Machine Learning Repository. Based on the results of the experiment, Bayesian Logistic Regression method give 96.85% accuracy, and 95,44% precision, recall and F-1 score. These performance results show that the Bayesian Logistic Regression is good enough to help medical experts in diagnosing breast cancer.

"

"Penelitian ini bertujuan untuk menghitung cadangan kerugian dengan menerapkan regresi Gaussian Process untuk memperkirakan klaim di masa mendatang. Pemodelan dilakukan pada data asuransi kendaraan bermotor. Hasil estimasi memperlihatkan bahwa metode Regresi Proses Gaussian sangat fleksibel dan dapat diterapkan tanpa banyak penyesuaian. Hasil ini juga dibandingkan dengan metode Chain Ladder.

---

This study aims to calculate the allowance for losses by applying Gaussian Process regression to estimate future claims. Modeling performed on motor vehicle insurance data. The estimation results show that the Gaussian Process Regression method is very flexible and can be applied without much adjustment. These results were also compared with the Chain Ladder method."

"Tesis ini menganalisis cadangan klaim asuransi kebakaran dengan menggunakan metode Extreme Value Theorem - Generalized Pareto Distribution, sebagai salah satu metode untuk pengukuran kerugian risiko operasional. Permodelan untuk nilai klaim besar dilakukan melalui pendekatan Peaks Over Threshold (POT). Data yang digunakan untuk perhitungan OpVaR adalah data-data ekstrim yang berada di atas threshold. Penentuan threshold dilakukan dengan menggunakan metode sample mean excess function. Uji Kolmogorov-Smirnov dilakukan untuk menguji jenis distribusi data kemudian dilakukan penentuan estimasi parameter (dengan menggunakan Hill Estimator dan Probability Weighted Moments) untuk menghitung OpVaR dan Expected Shortfall. Uji Loglikelihood Ratio (Kupiec’s Test) dilakukan dengan tingkat kepercayaan 95%, 97.5% dan 99% untuk menguji apakah model dapat diterima untuk mengestimasi nilai cadangan klaim asuransi kebakaran. OpVaR yang dihasilkan dapat dijadikan acuan untuk perencanaan program reasuransi yang merupakan salah satu cara dalam proses manajemen risiko.

---

This paper analyzing fire insurance claim reserve by using Extreme Value Theorem method - Generalized Pareto Distribution, as one of the method to measure operational risk. Peaks Over Threshold is used for modelling the big losses (claims). Extreme data above the threshold are taken into the calculation of OpVaR. The threshold is determined by using sample mean excess function method. Type of severity distribution of the data is evaluated by Kolmogorov- Smirnov test and parameters are estimated (by using Hill Estimator and Probability Weighted Moments) to calculate OpVaR and Expected Shortfall. Loglikelihood Ratio test (Kupiec’s test) on the confidence level of 95%, 97.5% and 99% is executed to test the validity of the model whether it is acceptable to estimate the fire insurance claim reserve or not. The OpVaR shall be the referrence for planning the reinsurance program as one of the process in risk management."