Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tingkat mortalitas merupakan komponen penting dalam analisis kesehatan masyarakat yang diperlukan oleh banyak institusi seperti pemerintah, organisasi kesehatan, hingga perusahaan asuransi. Akan tetapi, data tingkat mortalitas merupakan data yang terus berubah seiring berjalannya waktu sehingga dibutuhkan peramalan tingkat mortalitas. Untuk melakukan peramalan tingkat mortalitas, diperlukan kesesuaian dari berbagai metode dan model untuk dapat memaksimalkan tingkat akurasi dari nilai hasil ramalan. Untuk mencapai hal tersebut, skripsi ini melakukan simulasi peramalan dengan model Cairns-Blake-Dowd (CBD) yang diaplikasikan terhadap data Tingkat Mortalitas Indonesia untuk jenis kelamin laki-laki yang bersifat tahunan. Model CBD sendiri memiliki dua parameter yang diestimasi menggunakan metode Least Square. Lalu, dikarenakan sifat parameter yang merupakan deret waktu multivariat, akan digunakan metode peramalan berupa Vector Autoregressive Integrated Moving Average (VARIMA). Hasil ramalan tersebut kemudian disubstitusikan kembali ke dalam model CBD untuk mendapatkan nilai tingkat mortalitas pada tahun-tahun berikutnya. Dalam menentukan akurasi hasil peramalan dari metode VARIMA dan estimasi parameter dari metode Least Square tersebut, digunakan metode Mean Squared Error (MSE).

---

Mortality rate is a crucial component in the analysis of public health which is required by various institutions such as the government, health organizations, and insurance companies. However, mortality rate data is constantly changing over time, necessitating the forecasting of mortality rates. Therefore, to forecast mortality rates, the alignment of various methods and models is necessary to maximize the accuracy of the forecasted values. To achieve this, this thesis will conduct a forecasting simulation using the Cairns-Blake-Dowd (CBD) model applied to Indonesian Mortality Rate data for males on an annual basis. The CBD model itself has two parameters to be estimated using the Least Square method. Then, due to the nature of the parameters as a multivariate time series, the Vector Autoregressive Integrated Moving Average (VARIMA) forecasting method will be employed. The forecasted results will be substituted back into the CBD model to obtain mortality rate values for the upcoming years. In determining the accuracy of the forecasting results from VARIMA and estimation from Least Square, the Mean Squared Error (MSE) method will be utilized."

"ABSTRAK

Peramalan tingkat mortalitas sangat dibutuhkan oleh perusahaan asuransi pada perencanaan kebijakan dalam penentuan premi untuk mengurangi risiko kerugian di masa mendatang. Dalam tesis ini, model Cairns-Blake-Dowd (CBD) digunakan untuk meramalkan tingkat mortalitas di Indonesia. Model CBD memuat dua parameter runtun waktu. Parameter-parameter dari model CBD diestimasi dengan menggunakan metode Least Square. Kemudian, peramalan parameter model CBD untuk beberapa periode ke depan dilakukan dengan menggunakan metode Bivariate Random Walk with Drift. Hasil dari peramalan parameter ini disubstitusi ke model CBD untuk mendapatkan tingkat mortalitas di Indonesia dalam beberapa periode ke depan. Keakuratan dari hasil estimasi dan peramalan diukur dengan menggunakan Mean Squared Error (MSE).

---

ABSTRACT

---

Forecasting mortality rates is needed by insurance companies in policy planning to determine premiums to reduce the risk of losses in the future. In this thesis, the Cairns-Blake-Dowd (CBD) model is used to forecast Indonesian mortality rates.  The CBD model contains two-time series parameters. The CBD model`s parameters are estimated by using the Least Square method. Then, parameters prediction for the next few periods used the Bivariate Random Walk with Drift method. The results of parameters prediction will be substituted to the CBD model to obtain Indonesian mortality rates for the next few periods. The accuracy of the estimation and forecasting results are measured by using Mean Squared Error (MSE).

"

"ABSTRAKHarga premi asuransi jiwa di Indonesia dipengaruhi oleh tabel kematian Indonesia digunakan oleh masing-masing perusahaan asuransi, seperti tabel kematian Indonesia berdasarkan jenis kelamin. Jika informasi tahun mendatang tabel kematian Indonesia berdasarkan jenis kelamin dapat diketahui, informasi tersebut dapat bermanfaat bagi perusahaan asuransi untuk mengatur premistrategi perhitungan sehingga lebih cocok untuk menghadapi risiko di masa depan. Makalah ini memprediksi tabel angka kematian Indonesia berdasarkan jenis kelamin selama lima periode ke depan dengan menggunakan Lee- Model Carter. Parameter model Lee-Carter diperkirakan dengan menggunakan Least Square metode dan metode Newton Raphson, sedangkan prediksi parameter yang tergantung pada waktu menggunakan metode Double Moving Average. Keakuratan hasil estimasi dan perkiraandiukur dengan menggunakan Mean Absolute Perscentage Error (MAPE). Dari penelitian ini, Tabel kematian Indonesia berdasarkan jenis kelamin diperoleh untuk periode 2015-2020 sampai2035-2040.

---

ABSTRACTThe price of life insurance premiums in Indonesia is influenced by Indonesia's death tables used by each insurance company, such as Indonesia's death tables by sex. If the next year's information on Indonesia's death table based on sex can be known, this information can be useful for insurance companies to manage premiums calculation strategies so that it is more suitable for dealing with risks in the future. This paper predicts Indonesia's mortality table by sex over the next five periods using the Lee-Carter Model. The Lee-Carter model parameters are estimated using the Least Square method and Newton Raphson method, while the parameter predictions that depend on time use the Double Moving Average method. Accuracy of estimation and estimation results measured using Mean Absolute Perscentage Error (MAPE). From this study, Indonesian death tables by sex were obtained for the period 2015-20202035-2040."

"Tingkat Mortalitas merupakan salah satu indikator penting dalam pengambilan keputusan pada beberapa bidang, seperti pemerintahan, ekonomi, dan aktuaria. Oleh karena itu, penelitian ini bertujuan untuk menerapkan model Lee-Carter pada data tingkat mortalitas Indonesia kemudian meramalkan tingkat mortalitas Indonesia pada masa mendatang dengan bantuan metode ANFIS. Proses peramalan tersebut akan diimplemantasikan dalam perangkat lunak R, dan hasil akhir dari penelitian ini adalah tabel yang berisi peramalan tingkat mortalitas di Indonesia.

---

Mortality rate is one of the important indicators in decision making in several areas, such as government, economy, and actuary. Therefore, this study aims to apply the Lee Carter model to Indonesia 39 s mortality rate data and then forecast future mortality rates in Indonesia with the help of ANFIS method. The forecasting process will be implemented in R software, and the final result of this study will be formed into a table that contains forecasting mortality rates in Indonesia."

"Setiap individu memiliki risiko kematian yang berbeda. Risiko Kematian untuk setiap individu dipengaruhi oleh beberapa faktor. Faktor risiko yang dapat diamati adalah faktor underwriting. Perbedaan tingkat kematian untuk setiap individu akan memengaruhi premi asuransi jiwa. Untuk membebankan premi secara adil bagi setiap pemegang polis, perusahaan asuransi memerlukan model yang dapat mengukur mortalitas dari faktor underwriting. Dalam penelitian ini, tingkat mortalitas yang dipengaruhi oleh faktor underwriting, dimodelkan dengan menggunakan Generalized Linear Model (GLM) dan menaksir probabilitas kematian. Probabilitas kematian yang didapatkan, digunakan untuk menghitung premi asuransi jiwa. Pemegang polis asuransi jiwa berjangka satu tahun dengan gender yang sama mempunyai premi asuransi yang sama besar. Sedangkan untuk pemegang polis asuransi jiwa dwiguna satu tahun dengan gender yang berbeda mempunyai premi asuransi yang sama besar.

---

Each individual has a different risk of death. The risk of death for each individual is influenced by several factors. The risk factors that can be observed are underwriting factors. The difference in mortality rates for each individual will affect life insurance premiums. To charge premiums fairly for each policyholder, insurance companies need a model that can measure mortality from underwriting factors. In this study, the mortality rate influenced by underwriting factors was modeled using the Generalized Linear Model (GLM) and estimated the probability of death. The probability of death obtained is used to calculate life insurance premiums. One-year life insurance policyholders with the same gender have the same insurance premium. Whereas for one-year dual-purpose life insurance policyholders with different genders have the same insurance premium."

"Jika informasi mengenai tingkat mortalitas untuk beberapa periode ke depan bisa didapatkan di masa sekarang maka perencanaan keuangan dan kebijakan yang akan diambil diharapkan dapat lebih baik dan terarah. Dalam penelitian ini, model yang digunakan untuk menghitung tingkat mortalitas adalah model Lee-Carter. Kemudian tingkat mortalitas pada masa mendatang akan diramalkan menggunakan bantuan metode ARIMA Auto Regressive Integrated Moving Average . Proses peramalan akan diimplementasikan menggunakan perangkat lunak R. Hasil akhir peramalan akan disajikan dalam bentuk tabel dan grafik.

---

If information about the mortality rate for some future periods can be obtained in the present then the financial planning and policy to be taken are expected to be better and directed. The model used to calculate the mortality rate in this paper is the Lee Carter model. Then future mortality rates will be forecast with the use of the ARIMA Auto Regressive Integrated Moving Average method. Meanwhile, the forecasting process will be implemented using software R. The final result of forecasting will be presented in tabular and graphical form."

"Tingkat mortalitas merupakan salah satu indikator dalam kemajuan bidang kesehatan dan untuk membantu mengidentifikasi kelompok masyarakat yang diutamakan menerima program kesehatan serta pembangunan khusus. Tingkat mortalitas juga dapat digunakan untuk menunjukkan tingkat kesejahteraan dan kualitas hidup suatu negara. Selain itu tingkat mortalitas juga berperan dalam penetapan harga premi (pricing) dan perhitungan cadangan manfaat (valuation) untuk polis asuransi, produk anuitas, serta berperan dalam manajemen risiko aktuaria dan program pensiun. Mengingat tingkat mortalitas merupakan variabel acak yang berubah dari waktu ke waktu dan nilainya berada pada interval (0,1), maka diperlukan suatu model untuk dapat meramalkan tingkat mortalitas di masa depan. Salah satu model yang memiliki potensi untuk dapat memodelkan dan meramalkan tingkat mortalitas adalah model Beta Autoregressive Moving Average (βARMA). Model βARMA merupakan pengembangan dari regresi beta di mana error modelnya mengikuti proses Autoregressive Moving Average (ARMA). Pada penelitian ini akan dibahas mengenai implementasi model βARMA dalam memodelkan dan juga meramalkan tingkat mortalitas. Data yang digunakan adalah data tingkat mortalitas tahunan Indonesia dari tahun 1960 hingga 2020 dengan trend menurun dan data tingkat mortalitas bulanan akibat kecelakaan kerja di Rio Grande do Sul dari Januari 2000 hingga Desember 2017 yang bersifat stasioner. Model βARMA terbaik untuk kedua data dipilih berdasarkan nilai Akaike’s Information Criterion (AIC) terkecil kemudian dilakukan peramalan untuk enam periode selanjutnya. Keakuratan peramalan diukur berdasarkan Root Mean Square Error (RMSE). Pada data tingkat mortalitas tahunan Indonesia, diperoleh nilai RMSE sebesar 0.0001, sementara pada data tingkat mortalitas bulanan akibat kecelakaan kerja di Rio Grande do Sul, diperoleh nilai RMSE sebesar 0.0226.

---

The mortality rate is one of the indicators of progress in the health sector and to help identify groups of people who are prioritized to receive special health and development programs. The mortality rate can also be used to indicate the level of welfare and quality of life of a country. In addition, the mortality rate also plays a role in pricing premiums and calculating the benefit reserve (valuation) for insurance policies and annuity products, as well as playing a role in actuarial risk management and pension programs. Considering that the mortality rate is a random variable that changes from time to time and the value is in the interval (0,1), a model is needed to be able to forecast the mortality rate in the future. One model that has the potential to be able to model and forecast mortality rates is the Beta Autoregressive Moving Average (βARMA) model. The βARMA model is a development of beta regression where the error model follows the Autoregressive Moving Average (ARMA) process. In this study, we will discuss the implementation of the βARMA model in modeling and forecasting mortality rates. The data used are Indonesia's annual mortality rate data from 1960 to 2020 with a decreasing trend and the monthly mortality rate data due to work accidents in Rio Grande do Sul from January 2000 to December 2017 which is stationary. The best βARMA model for both data is selected based on the smallest Akaike's Information Criterion (AIC) value then a forecast is made for the next six periods. Forecasting accuracy is measured based on Root Mean Square Error (RMSE). In Indonesia's annual mortality rate data, the RMSE value is 0.0001, while in the monthly mortality rate data due to work accidents in Rio Grande do Sul, the RMSE value is 0.0226."

"ABSTRAK

Tingkat mortalitas digunakan dalam menghitung besar premi, anuitas pensiun, cadangan asuransi hidup, dan berbagai produk asuransi jiwa lainnya. Untuk itu perlu dilakukan peramalan tingkat mortalitas untuk masa yang akan datang. Kenaikan tingkat mortalitas dipandang sebagai akibat dari proses penuaan manusia yang didasarkan pada suatu indeks kesehatan, yaitu usia fisiologis. Rantai Markov Waktu Kontinu dengan satu absorbing state digunakan untuk memodelkan proses penuaan. Waktu yang dihabiskan sebelum masuk ke dalam absorbing state didefinisikan sebagai waktu bertahan hidup hingga terjadi kematian dan mengikuti Coxian phase type distribution. Fungsi survival dari distribusi yang digunakan dalam peramalan tingkat mortalitas dapat ditentukan. Penaksiran parameter model diperoleh dengan meminimumkan jumlah kuadrat errors dari fungsi survival. Kemudian dilakukan fitting model untuk melihat hasil peramalan tingkat mortalitas untuk data laki-laki dan perempuan. Hasil simulasi menyatakan bahwa model menunjukkan fit yang memuaskan dan dapat digunakan dalam meramalkan tingkat mortalitas usia tua pada data laki-laki dan semua usia pada data perempuan.

---

ABSTRACT

---

Mortality rates are used in calculating premiums, pension annuities, life insurance reserves, and other life insurance products. Therefore, it is necessary to forecast the mortality rate for the future time. Increasing in mortality rates are seen as a result of the aging process based on a health index called physiological age. Continuous Time Markov Chain with one absorbing state is used to model the aging process. The time spent before entering the absorbing state is defined as the survival time until death occurs and under the Coxian phase type distribution. The survival function can be determined from this distribution and used in forecasting mortality rates. The parameters estimation is obtained by minimizing sum squares of errors from the survival function. Then model fitting are performed to see the result of forecasting mortality rates for man and woman data. Simulation results indicate that the model show satisfactory fit and can be used in forecasting old age mortality for man and all age for woman.

"

"Konsumsi energi merupakan indikator kritis pertumbuhan ekonomi dan perkembangan sosial di Indonesia. Dengan urbanisasi yang pesat dan pertumbuhan PDB yang fluktuatif, pemahaman mendalam tentang faktor-faktor yang mempengaruhi konsumsi energi menjadi sangat penting. Penelitian ini bertujuan untuk mengidentifikasi prediktor utama konsumsi energi dan membandingkan keefektifan model prediktif Regresi Linear dan Random Forest dalam konteks perkembangan ekonomi dan urbanisasi Indonesia.Menggunakan data dari Trading Economics, Our World in Data, dan World Bank, studi ini menganalisis data tahunan dari 1965 hingga 2022, dengan fokus pada jumlah penduduk kota, PDB per kapita, dan pertumbuhan PDB sebagai variabel independen, serta konsumsi energi sebagai variabel dependen. Analisis korelasi dan Variance Inflation Factor (VIF) mengungkap multikolinearitas antara jumlah penduduk kota dan PDB per kapita, yang mengarah pada penghapusan PDB per kapita dari model.Model Regresi Linear menunjukkan performa superior dengan Mean Absolute Percentage Error (MAPE) 7,55%, dibandingkan dengan Random Forest yang memiliki MAPE 13,45%. Temuan ini mengindikasikan hubungan yang dominan linear antara prediktor, terutama jumlah penduduk kota, dan konsumsi energi. Diagnostik residual mengkonfirmasi asumsi-asumsi regresi linear: normalitas, homoskedastisitas, dan non-autokorelasi.

---

Energy consumption is a critical indicator of economic growth and social development in Indonesia. With rapid urbanization and fluctuating GDP growth, a deep understanding of the factors influencing energy consumption is essential. This research aims to identify the key predictors of energy consumption and compare the effectiveness of Linear Regression and Random Forest predictive models in the context of Indonesia's economic development and urbanization. Using data from Trading Economics, Our World in Data, and the World Bank, the study analyzes annual data from 1965 to 2022, focusing on urban population, GDP per capita, and GDP growth as independent variables, and energy consumption as the dependent variable. Correlation analysis and Variance Inflation Factor (VIF) revealed multicollinearity between urban population and GDP per capita, leading to the exclusion of GDP per capita from the model. The Linear Regression model demonstrated superior performance with a Mean Absolute Percentage Error (MAPE) of 7.55%, compared to Random Forest, which had a MAPE of 13.45%. These findings indicate a predominantly linear relationship between the predictors, particularly urban population, and energy consumption. Residual diagnostics confirmed the assumptions of linear regression: normality, homoscedasticity, and non-autocorrelation."