Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pada penelitian ini akan dijelaskan sebuah distribusi yang bernama distribusi Beta Pareto. Distribusi tersebut merupakan distribusi yang dibangun oleh distribusi Beta-Generated dengan mengkombinasikan distribusi Beta dan distribusi Pareto. Selain proses pembentukan distribusi Beta Pareto, karakteristik distribusi Beta Pareto yang meliputi fungsi kepadatan peluang, fungsi ditribusi, momen ke-r, momen sentral ke-r, mean, variansi, perilaku limit, serta karakteristik lainnya dari distribusi Beta Pareto juga akan dibahas pada penelitian ini. Distribusi Beta Pareto sendiri memiliki kelebihan pada fungsi kepadatan probabilitas nya yang berbentuk monoton turun dan unimodal. Selain itu, distribusi ini juga dapat memodelkan data yang heavy-tailed. Untuk penaksiran parameter dari distribusi Beta Pareto akan digunakan metode Maximum Likelihood Estimation dan hasil akhirnya akan diperoleh dengan metode numerik. Sebagai ilustrasi, akan digunakan data severitas klaim dari asuransi kendaraan bermotor yang akan dimodelkan dengan distribusi Beta Pareto. Akan ditunjukkan dengan perbandingan nilai AIC dan BIC bahwa distribusi Beta Pareto mampu memodelkan data severitas klaim dari asuransi kendaraan bermotor lebih baik dari distribusi Pareto.

---

In this study, a distribution called the Beta Pareto distribution will be introduced. This distribution is a distribution builtby the Beta-Generated distribution by combining the Beta distribution and the Pareto distribution. In addition, beside the process of forming the Beta Pareto distribution, the characteristics of the Beta Pareto distribution which include theprobability density function, distribution function, rth moment, rth central moment, mean, variance, behavior limit, and other characteristics of the Beta Pareto distribution will also be explained in this research. The Beta Pareto distribution itself has the advantage of its probability density function which not only have decreasing shape but also unimodal. In addition, this distribution can also model heavy-tailed data. The Maximum Likelihood Estimation method will be used to estimate the parameters of the Beta Pareto distribution and the final result will be obtained by a numerical method. As an illustration, the severity of motor vehicle insurance claims data will be used and will be modeled by the Beta Pareto distribution. It will be shown by a comparison of AIC and BIC values that the Beta Pareto distribution is able to model the the severity of motor vehicle insurance claims data better than the Pareto distribution."

"Distribusi Beta-Pareto merupakan distribusi kontinu yang dapat memodelkan data yang unimodal dan heavy-tailed. Distribusi Beta-Pareto merupakan hasil pengkombinasian antara distribusi Pareto dan distribusi Beta menggunakan distribusi Beta-Generated. Pada tugas akhir ini akan dibahas mengenai pembentukan distribusi Beta-Pareto, fungsi kepadatan probabilitas, dan karakteristik-karakteristik distribusi Beta-Pareto lainnya. Penaksiran parameter dari distribusi Beta-Pareto menggunakan metode maksimum likelihood. Sebagai ilustrasi, akan digunakan data debit aliran air sungai Sunter selama setahun pada tahun 1995 yang akan dimodelkan dengan distribusi Beta-Pareto.

---

Beta-Pareto distribution is a continuous distribution which can model unimodal and heavy-tailed data. Beta-Pareto distribution is derived from Pareto distribution and Beta distribution using the Beta-Generated distribution. It will be explained how to construct the Beta-Pareto distribution, probability density function, and other characteristics of Beta-Pareto distribution. Maximum likelihood method is used for estimating Beta-Pareto?s parameters. Discharge rates of the Sunter River in 1995 are used to illustrate the applicability of Beta-Pareto distribution."

"ABSTRAKCount data biasanya merupakan hasil dari suatu count process pada waktu yang kontinu. Salah satu distribusi yang sering digunakan untuk memodelkan count data adalah Poisson count model yang interarival times-nya berdistribusi eksponensial. Namun demikian, Poisson hanya valid untuk data yang memilliki sifat equidispersion. Menerapkan Poisson count model terhadap data yang tidak memenuhi asumsi equidispersion data yang overdispersed maupun underdispersed dapat mengakibatkan kesalahan spesifikasi distribusi dari data. Sebuah count model dikembangkan pada penelitian ini dengan memperluas interarrival times yang digunakan, yaitu Weibull sebagai generalisasi dari eksponensial. Weibull interarrival times dapat mengatasi overdispersion dengan parameter shape 0.

---

ABSTRACTCount data are usually the outcomes of an underlying count process in continuous time. One of the distributions often used to fit count data is Poisson count model. However, Poisson count model is only valid if the data satisfy equidispersion assumption. Applying Poisson count model to the significantly non equidispersed data overdispersed or underdispersed could lead to misspesification of the distribution of the data. A count model would be derived in this thesis by expanding the interarrival times used, that is Weibull interarrival times as the generalization of exponential. Weibull interarrival times could handle overdispersed data with shape parameter 0."

"Tugas akhir ini membahas tentang distribusi Weibull-Pareto yang merupakan distribusi probabilitas kontinu yang dibangun dengan menggunakan metode Transformed-Transformer. Distribusi Weibull-Pareto dapat menggambarkan data yang menceng kanan, menceng kiri, atau simetris serta dapat menggambarkan data yang mempunyai light-tailed maupun heavy-tailed. Pembahasan meliputi fungsi kepadatan probabilitas, fungsi distribusi, fungsi survival, dan fungsi hazard. Kemudian dicari karakteristik-karakteristik dari distribusi Weibull-Pareto yang meliputi modus, persentil, dan fungsi pembangkit momen. Terakhir dicari taksiran parameter dari distribusi ini dengan menggunakan metode Alternative Maximum Likelihood (AML). Simulasi data juga dilakukan sebagai ilustrasi.

---

This paper discusses about Weibull-Pareto distribution, the continuous probability distribution which arised by Transformed-Transformer method. The Weibull-Pareto distribution gives a good fit to right skew, left skew, or symmetric. In particular, Weibull-Pareto distribution can solve light tailed or heavy tailed problem. At first, we study about probability density function, cumulative distribution function, survival function, and hazard function. Then, we find the characteristic of Weibull-Pareto distribution, that is mode, percentile, and moment generating function. Finally, we estimate the parameters of Weibull-Pareto distribution using Alternative Maximum Likelihood (AML) method. Simulation data is used as illustration."

"Risiko klaim merupakan salah satu risiko operasional yang harus dikelola oleh perusahaan asuransi. Pada penelitian ini akan dihitung besar perkiraan risiko klaim yang akan terjadi dengan menggunakan pendekatan Loss Distribution Approach-Aggregation Method dan Extreme Value Theory-Generalized Pareto Distribution. Selanjutnya akan dibandingkan metode mana yang lebih cocok dalam pengukuran risiko operasional untuk klaim kecelakaan kerja. Berdasarkan hasil perhitungan dan back testing didapat bahwa kedua metode valid digunakan untuk menghitung perkiraan risiko klaim operasional pada klaim kecelakaan kerja. Akan tetapi metode Loss Distribution Approach-Aggregation Method lebih cocok untuk mengukur risiko klaim kecelakaan kerja berdasarkan data yang ada.

---

The risk of claims is one of the operational risks that must be managed by the insurance company. This research will calculate the estimates of the risk of claims that will occur using Loss Distribution Approach Aggregation Method and Extreme Value Theory Generalized Pareto Distribution. Furthermore, these two methods will be compared and chosen which is more suitable for the measurement of operational risk for work accident claims.

Based on the calculations and back testing, both of the methods are valid to calculate the estimates operational risk of claim for work accident claims but the Loss Distribution Approach Aggregation Method is more suitable to measure the risk of work accident claims based on existing data."

"Perusahaan asuransi kendaraan di banyak negara menggunakan Sistem Bonus-Malus untuk menentukan net premi yang dikenakan kepada pemegang polis. Penentuan net premi pada Sistem Bonus-Malus hanya didasarkan pada frekuensi klaim dan mengabaikan severity klaim. Hal ini tidak adil bagi pemegang polis yang memiliki klaim kecil. Untuk mengatasi masalah tersebut, dikembangkan metode penentuan net premi pada Sistem Bonus-Malus yang mempertimbangkan frekuensi dan severity klaim. Frekuensi dan severity dapat diasumsikan independen atau dependen. Dalam menentukan net premi, dibutuhkan distribusi posterior dari parameter distribusi frekuensi dan severity. Pada kasus frekuensi dan severity independen, penentuan distribusi posterior untuk frekuensi dan severity dilakukan secara terpisah sedangkan pada kasus frekuensi dan severity dependen, penentuan distribusi posterior untuk frekuensi dan severity dilakukan dengan menggunakan distribusi bersama dari frekuensi dan severity. Skripsi ini membahas penentuan net premi yang didasarkan pada distribusi frekuensi dan distribusi severity baik untuk frekuensi dan severity independen maupun dependen.

---

Vehicle insurance companies in many countries use the Bonus Malus System to determine the policyholder 39 s net premium. The determination of net premiums on the Bonus Malus System is based solely on the frequency of claims and ignores the severity of claims. This is unfair to policyholders who have small claims. To overcome this problem, the net premium determination method in Bonus Malus System was developed taking into account the frequency and severity of claims. Frequency and severity can be assumed to be independent or dependent. In determining the net premium, a posterior distribution of parameters of the frequency and severity distribution is required. In the case of frequency and severity independent, the determination of the posterior distribution for frequency and severity is performed separately whereas in the case of frequency and severity dependent, the determination of posterior distribution for frequency and severity is done by using the joint distribution of frequency and severity. This thesis discuss the determination of net premium based on frequency distribution and severity distribution for both frequency and severity independent and dependent. "

"ABSTRACTPada umumnya, kerugian pada sektor asuransi dihitung dengan asumsi bahwa komponen severitas kerugian dan frekuensi kerugian bersifat saling bebas. Akan tetapi, pada beberapa kasus, severitas kerugian bergantung pada tingkat frekuensi kerugian. Penelitian ini akan menunjukkan perhitungan agregat kerugian dengan memodelkan severitas kerugian dan frekuensi yang dependen. Untuk menandakan adanya pengaruh frekuensi kerugian pada severitas kerugian, penulis memodelkan rata-rata severitas kerugian dengan menggunakan frekuensi kerugian sebagai kovariat. Oleh karena itu, untuk memodelkannya, akan digunakan Generalized Linear Model. Selanjutnya, untuk menghitung taksiran parameter model, akan dilakukan estimasi parameter menggunakan metode maksimum likelihood.

---

ABSTRACTLoss in non-life insurance was calculated based on claim severity and frequency along with an assumption of independency. However, in some cases, claim severity is depend upon the claim frequency. This paper presents the derivation of aggregate loss calculation by modelling claim severity and frequency as the assumption of independence is eliminated. To induce the dependence among them, the authors model average claim severity by use claim frequency as the covariate. For that purpose, we use the Generalized Linear Model and maximum likelihood to estimate the parameters. Finally, we will obtain the calculated loss."

"Sistem bonus malus adalah salah satu sistem yang ditawarkan oleh perusahaan asuransi kendaraan bermotor dalam penentuan premi berdasarkan sejarah klaim. Sistem bonus malus pada awalnya hanya didasari oleh frekuensi klaim. Namun ini akan tidak adil karena setiap pemegang polis mengalami kerugian yang berbeda-beda. Maka untuk mengatasi hal tersebut penentuan premi sistem bonus malus sebaiknya tidak hanya mempertimbangkan frekuensi klaim tetapi juga severitas klaim. Pada penelitian ini akan dibahas penentuan net premi sistem bonus malus berdasarkan frekuensi klaim dan severitas klaim. Frekuensi klaim menggunakan campuran distribusi Poisson Lindley sedangkan severitas klaim menggunakan campuran distribusi lognormal gamma. Pada penelitian ini juga diasumsikan bahwa frekuensi klaim dan severitas klaim independen. Parameter dari distribusi frekuensi klaim dan severitas klaim diestimasi dengan menggunakan metode maximum likelihood estimator (MLE). Selanjutnya metode Bayesian digunakan untuk penentuan net premi yang dibayarkan pemegang polis yaitu berdasarkan perkalian ekspektasi posterior severitas klaim dan frekuensi klaim. Hasil aplikasi pada data menunjukkan bahwa besar premi yang dibayarkan pemegang polis berbanding lurus dengan severitas klaim dan frekuensi klaim yang artinya semakin besar frekuensi klaim dan semakin besar klaim yang diajukan maka semakin besar pula premi yang dibayarkan.

---

The bonus malus system is one of the systems offered by motor vehicle insurance companies in determining premiums based on claim history. The malus bonus system was initially only based on the claim frequency. However, this would be unfair because each policyholder experiences different losses. So to overcome this, the determination of the bonus of the malus bonus system should not only consider the claim frequency but also the claim severity. In this study, we will discuss the determination of the net premium for the bonus malus system based on the claim frequency and the claim severity . The claim frequency use a mixed Poisson Lindley distribution and the claim severity use a mixture of lognormal gamma distribution. In this study, it is also assumed claim frequency and claim severity are independent. The parameters of claim frequency and claim severity are estimated using the maximum likelihood estimator (MLE). Furthermore, the amount of net premium to be paid by policyholders is determined based on he product of the posterior expectation of claim frequency and claim severity. The data application results show that the premium that must be paid by policyholders is directly proportional to the claim frequency and claim severity, which means that the greater the claim frequency and the greater the claim severity submitted, the greater the premium paid."

"Distribusi probabilitas berperan penting dalam proses analisa data. Terdapat banyak jenis distribusi yang telah ditemukan, salah satunya adalah distribusi Weibull. Distribusi Weibull diperkenalkan oleh fisikawan Swedia Waloddi Weibull pada tahun 1939. Seiring berjalannya waktu, banyak generalisasi distribusi Weibull telah dicoba oleh para peneliti. Distribusi Alpha Logarithmic Transformed Weibull (ALTW) adalah salah satu generalisasi dari distribusi Weibull dengan tiga parameter. Distribusi ALTW mengandung beberapa distribusi lifetime, yaitu distribusi Weibull, Eksponensial, dan Logaritmik. Metode Maximum Likelihood Estimator adalah salah satu metode yang sering digunakan untuk mengestimasi parameter distribusi. Namun, karena distribusi ALTW memiliki banyak parameter, diperlukan bantuan metode numerik untuk mendapatkan estimasi parameternya. Metode numerik yang akan digunakan dalam penelitian ini adalah metode Newton-Raphson dan metode Gradien Konjugat. Hasil estimasi parameter dari kedua metode numerik akan dibandingkan untuk mencari estimasi terbaik. Terakhir, distribusi ALTW akan diaplikasikan pada data survival.

---

The probability distribution plays a crucial role in analyzing data. There are many types of distributions that have been discovered, one of which is the Weibull distribution. The Weibull distribution was introduced by the Swedish physicist Waloddi Weibull in 1939. Over time, many generalizations of the Weibull distribution have been attempted by researchers. The Alpha Logarithmic Transformed Weibull (ALTW) distribution is one such generalization of the Weibull distribution with three parameters. The ALTW distribution encompasses several lifetime distributions, namely the Weibull, Exponential, and Logarithmic distributions. The Maximum Likelihood Estimator method is one commonly used technique for estimating distribution parameters. However, due to the multiple parameters of the ALTW distribution, numerical methods are required to obtain parameter estimates. The numerical methods to be used in this study are the Newton-Raphson method and the Conjugate Gradient method. The parameter estimates obtained from both numerical methods will be compared to find the best estimation. Finally, the ALTW distribution will be applied to a survival data."

"Perusahaan asuransi adalah perusahaan yang menyediakan jasa agar nasabahnya dapat mentransfer risiko sehingga terdapat banyak risiko yang harus ditanggung oleh perusahaan. Oleh karena itu, perusahaan asuransi perlu menghitung klaim agregat agar perusahaan dapat memperkirakan berapa banyak klaim yang harus ditanggung sekaligus menentukan premi yang sesuai untuk nasabah. Klaim agregat dapat dihitung dengan menggunakan dua komponen, yaitu frekuensi dan severitas klaim. Pada umumnya, frekuensi dan severitas klaim diasumsikan independen atau saling bebas. Hal tersebut bertujuan agar perhitungan total klaim dapat dilakukan dengan mudah. Namun, frekuensi dan severitas klaim umumnya saling bergantung di kehidupan nyata, sehingga apabila asumsi independen antara frekuensi dan severitas klaim terus digunakan, maka perhitungan klaim agregat menjadi kurang tepat. Oleh karena itu, penelitian ini akan menggunakan asumsi bahwa terdapat dependensi antara frekuensi dan rata-rata severitas klaim untuk memodelkan klaim agregat dengan menggunakan distribusi bivariat Sarmanov. Distribusi bivariat Sarmanov dapat digunakan untuk mengukur dependensi positif maupun negatif antara frekuensi dan rata-rata severitas klaim dengan menghitung nilai dependensi Sarmanov. Pada skripsi ini, akan dijabarkan kasus khusus distribusi bivariat Sarmanov, di mana frekuensi klaim diasumsikan mengikuti distribusi Poisson dan Zero-Inflated Poisson, sedangkan rata-rata severitasnya diasumsikan berdistribusi Gamma. Berdasarkan data ilustrasi yang digunakan, didapatkan bahwa distribusi Zero-Inflated Poisson lebih cocok untuk memodelkan frekuensi klaim. Oleh karena itu, distribusi bivariat Sarmanov-nya dibangun berdasarkan distribusi Zero-Inflated Poisson dan distribusi Gamma. Kemudian, parameter distribusi bivariat Sarmanov diestimasi menggunakan MLE. Model yang diperoleh selanjutnya digunakan untuk mengestimasi premi murni dengan cara menghitung ekspektasi klaim agregat dan didapatkan nilai premi murni sebesar $180,8335.

---

An insurance company is a company that provides services so that its customers can transfer risks so that there are many risks that must be borne by the company. Therefore, insurance companies need to calculate aggregate claims so that the company can estimate how many claims must be covered while determining the appropriate premium for customers. Aggregate claims can be calculated using two components, namely frequency and severity of claims. In general, the frequency and severity of claims are assumed to be independent of each other. It is intended that the calculation of total claims can be done easily. However, the frequency and severity of claims generally depend on each other in real life, so that if the independent assumption between the frequency and severity of claims continues to be used, then the calculation of aggregate claims becomes less precise. Therefore, this study will use the assumption that there is a dependency between the frequency and the average severity of claims to model aggregate claims using the bivariate Sarmanov distribution. The bivariate Sarmanov distribution can be used to measure the positive and negative dependencies between the frequency and the average severity of claims by calculating the Sarmanov dependency value. In this thesis, a special case of the bivariate Sarmanov distribution will be described, where the frequency of claims is assumed to follow the Poisson distribution and Zero-Inflated Poisson distribution, while the average severity is assumed to be Gamma distribution. Based on the illustrative data used, it is found that the Zero-Inflated Poisson distribution is more suitable for modeling claim frequency. Therefore, the bivariate Sarmanov distribution is built on the basis of the Zero-Inflated Poisson distribution and the Gamma distribution. Then, the parameters of the bivariate Sarmanov distribution were estimated using MLE. The model obtained is then used to estimate pure premiums by calculating aggregate claims expectations and obtains a pure premium value of $180,8335."