Hasil Pencarian  ::  Simpan CSV :: Kembali

"Metode Bornhuetter-Ferguson merupakan salah satu metode yang paling sering digunakan dalam menentukan estimasi cadangan klaim. Metode ini tidak hanya memanfaatkan data historis perusahaan, melainkan juga data eksternal, seperti besar premi, yang disebut sebagai prior information. Dalam tugas akhir ini, prior information yang dimaksud adalah rata-rata klaim. Pada metode Bornhuetter-Ferguson klasik, estimasi prior dari rata-rata klaim diperoleh berdasarkan pengamatan aktuaris terhadap data historis perusahaan. Akan tetapi, apabila terjadi kekeliruan dalam pemilihan estimasi prior, maka akan dihasilkan error yang besar antara prediksi cadangan klaim dengan besar klaim sebenarnya. Maka dari itu, perlu dibangun model Bayesian dalam menentukan estimasi prior untuk rata-rata klaim. Namun pada praktiknya, cukup sulit untuk menentukan distribusi prior dari rata-rata klaim yang tepat. Berdasarkan hal tersebut, akan digunakan model kredibilitas Buhlmann-Straub untuk mengestimasi rata-rata klaim. Selain itu, dilakukan pula estimasi untuk parameter-parameter yang akan digunakan dalam membangun model kredibilitas Buhlmann-Straub. Setelah estimasi rata-rata klaim didapatkan, maka estimasi dari cadangan klaim pada metode Bornhuetter-Feguson dapat diperoleh. Hasil estimasi tersebut akan dibandingkan dengan hasil estimasi metode Chain Ladder klasik dan metode Bornhuetter-Ferguson klasik. Hasil pada simulasi numerik menunjukkan bahwa, metode Bornhuetter-Ferguson dengan rata-rata klaim yang kredibel memberikan persentase error yang lebih kecil dibandingkan dengan kedua metode lainnya.

---

Bornhuetter-Ferguson is one of the most widely used method in predicting claim reserve. This method considers not only historical data but also external data, for example, premium data, which is called as prior information. In this thesis, the claim means are used as the prior information. In traditional Bornhuetter-Ferguson method, prior estimate of claim means are obtained by actuary based on his personal experience or observation of the historical data. However, if these prior estimates are wrongly chosen, then greater error is brought to the claim reserve prediction. Therefore, it is necessary to construct Bayesian model in determining the prior estimate of claim means. Nevertheless in practice, it is still very difficult how to choose the appropriate prior distribution for claim means. Therefore, the Buhlmann-Straub credibility model will be introduced and a research is conducted to estimate the claim means along with estimation of parameters in the model. The estimate of claim means are then used to calculate the claim reserve in Bornhuetter-Ferguson method. The result of the estimation will be compared to the estimate from the traditional Chain Ladder method and traditional Bornhuetter-Ferguson method. In numerical simulation, it is found that Bornhuetter-Ferguson method with credible claim means obtained less error percentage than that of the other two methods."

"Sistem bonus malus yang biasanya digunakan pada perusahaan asuransi adalah sistem bonus malus klasik, yang perhitungannya hanya didasarkan pada riwayat banyaknya klaim pemegang polis. Namun, hal ini akan menimbulkan ketidakadilan karena besar kerugian pemegang polis bervariasi, sehingga pada penelitian ini dibangunlah modifikasi sistem bonus malus yang juga mempertimbangkan severitas klaim pemegang polis di masa lalu dengan kredibilitas bivariat yang menggunakan metode Bayesian. Dikarenakan klaim yang diajukan masing-masing pemegang polis dapat bernilai sangat besar ataupun sangat kecil, maka ditentukanlah suatu nilai batas untuk memisahkan kedua jenis klaim tersebut. Distribusi yang digunakan untuk banyaknya klaim adalah distribusi Poisson Gamma. Sedangkan, total banyaknya klaim yang berukuran lebih besar dari nilai batas mengikuti distribusi Binomial Beta. Premi bonus malus akan didapatkan dengan menghitung rasio antara premi Bayes dan premi prior, yang masing-masing didapatkan dari hasil ekspektasi distribusi posterior dan distribusi prior secara berurutan. Aplikasi pada data asuransi kendaraan bermotor asal Swedia menunjukkan bahwa besar premi yang dibayarkan pemegang polis berbanding lurus dengan severitas klaim dan banyaknya klaim atau dengan kata lain model yang dihasilkan memberikan biaya premi yang lebih rendah untuk pemegang polis yang memiliki riwayat klaim bernilai lebih kecil dari nilai batas, begitupun sebaliknya.

---

The bonus-malus system that is commonly used by insurance companies is the traditional bonus-malus system, which is based solely on the policyholder's claims frequency history. However, this approach can lead to unfairness due to variations in the severity of the policyholder's losses. Therefore, this thesis will focus on modifying the bonus-malus premium determination system to consider both the frequency and severity of the policyholder's past claims using bivariate credibility with Bayesian methods. Since claims made by policyholders can have significantly different values, can be very large or very small, a threshold is established to distinguish between these two types of claims. The claim frequency will follow a Poisson Gamma distribution. On the other hand, total claims exceeding the threshold value will follow a Binomial Beta distribution. The bonus-malus premium will be obtained by calculation the ratio between the Bayesian premium and the prior premium, which respectively will be derived from the expected value of the posterior distribution and the prior distribution. By applying this model to the automobile insurance data from Swedia, it demonstrates that the premium amount paid by the policyholder is directly proportional to the severity and frequency of claims. In other words, the resulting model offers lower premium costs for policyholders with a claims history below the threshold value and higher costs for those above it."

"ABSTRAKPrediksi dari besar klaim yang belum terselesaikan (outstanding claims) memegang peranan penting, mengingat perusahaan asuransi selalu dituntut untuk dapat menyediakan cadangan yang cukup guna menutupi pembayaran klaim di masa yang akan datang. Salah satu metode prediksi yang sering digunakan adalah metode Bornhuetter-Ferguson. Metode Bornhuetter-Ferguson termasuk ke dalam metode yang bersifat tradisional. Saat ini, metode prediksi yang bersifat tradisional telah banyak dikembangkan. Dalam hal ini, perhitungan cadangan klaim tidak dilakukan untuk menunjukkan kegagalan perhitungan cadangan klaim secara tradisional, melainkan lebih memberikan penekanan pada ketersediaan ukuran kesalahan prediksi dan distribusi prediksi dari cadangan klaim. Oleh karena itu, prediksi cadangan klaim dilakukan dengan menerapkan bootstrap pada metode Bornhuetter-Ferguson agar diperoleh informasi dari kesalahan prediksi dan distribusi prediksi dari cadangan klaim.

---

ABSTRACTPrediction of outstanding claims has an important roles considering insurance companies are required to allocate sufficient reserves for future payment of claims. One of the prediction methods that can be used is Bornhuetter Ferguson method. Bornhuetter Ferguson method is a traditional method to predict the outstanding claims. Nowadays, the traditional method has many been developed. In this case, the calculation of claim reserves are not done to show the failure of calculation in traditional way, but more to give an emphasis on the error availability and predictive distribution from the claim reserves. Therefore, claim reserves prediction is performed by applying bootstrap on the Bornhuetter Ferguson method to obtain the information about error and predictive distribution from the claim reserves."

"Besarnya angka statistik pernikahan dini (pengantin di bawah usia 16 tahun) di beberapa daerah di Indonesia secara keseluruhan cukup tinggi. Dalam rangka menanggulangi hal tersebut perlu dilakukan upaya untuk mempersiapkan remaja agar memiliki pengetahuan berkaitan dengan program KB. Untuk itu, peneliti ingin menganalisis keinginan remaja untuk menggunakan alat/cara KB setelah menikah dengan menggunakan metode CART dan QUEST berdasarkan data Survei Kesehatan Reproduksi Remaja Indonesia (SKRRI) 2002-2003. Berdasarkan hasil analisis antara metode CART dan QUEST diperoleh faktor-faktor yang mempengaruhi keinginan remaja untuk menggunakan alat/cara KB setelah menikah, serta karakteristik dari remaja berkaitan dengan hal tersebut. Selain itu diperoleh keakuratan tingkat klasifikasi dari kedua metode, dimana keakuratan tingkat klasifikasi metode CART sedikit lebih tinggi dibandingkan dengan metode QUEST. "

"Dalam melakukan klasifikasi, tidak jarang terdapat data dengan jumlah anggota kategori yang tidak seimbang. Khususnya dalam dunia kesehatan dimana kategori yang diamati umumnya lebih jarang terjadi. Jika ketidakseimbangan ini tidak ditangani terlebih dahulu maka dapat memberikan hasil klasifikasi yang bias dan kurang akurat. Terdapat beberapa metode rebalancing konvensional untuk menanganinya seperti random oversampling dan random undersampling, namun keduanya diklaim memiliki beberapa kelemahan sehingga beberapa metode yang lebih kompleks dikembangkan. Namun jumlah metode yang dapat digunakan untuk menangani data kategorik selain metode konvensional tersebut masih minim. Salah satu metode yang dapat menangani data kategorik adalah synthetic minority over sampling-technique nominal continuous atau SMOTE-NC yang merupakan ekstensi dari SMOTE yang dikembangkan untuk menangani dataset dengan variabel campuran. Skripsi ini membahas perbandingan dari metode random oversampling dan SMOTE-NC juga metode gabungannya dengan undersampling yaitu random oversampling + undersampling dan SMOTE-NC + undersampling untuk menangani ketidakseimbangan data. Masing-masing metode tersebut akan diterapkan untuk klasifikasi tingkat keparahan COVID-19 berdasarkan urgensi perawatan rumah sakit dengan menggunakan metode random forest dimana selanjutnya dapat dilihat kombinasi metode yang menghasilkan performa terbaik. Penelitian ini juga bertujuan untuk melihat faktor-faktor manakah yang paling penting dalam memprediksi tingkat keparahan COVID-19 berdasarkan urgensi rumah sakit. Digunakan metode Leave-One-Out Cross-Validation untuk mengukur konsistensi model. Diperoleh hasil bahwa metode SMOTE-NC dengan undersampling memberikan performa terbaik dengan komorbid paru-paru, kadar c-reactive protein dan prokalsitonin merupakan variabel terpenting dalam model. Selain itu diperoleh kesimpulan bahwa pemilihan metode rebalancing yang tepat bergantung pada karakteristik data yang dimiliki.

---

In conducting classification, it is not uncommon for data with an unbalanced number of category members. Especially in the world of health where the categories we observe are generally less common. If this imbalance is not handled first, it can give biased and less accurate classification results. There are several conventional rebalancing methods to handle it, such as random oversampling and random undersampling, but both are claimed to have several weaknesses so that several more complex methods were developed. However, the number of methods that can be used to handle categorical data other than the conventional methods is still minimal. One method that can handle categorical data is synthetic minority over sampling-technique nominal continuous or SMOTE-NC which is an extension of SMOTE which was developed to handle datasets with mixed variables. This thesis discusses the comparison of random oversampling and SMOTE-NC methods as well as their combined methods with undersampling, namely random oversampling + undersampling and SMOTE-NC + undersampling to handle data imbalances. These methods will be applied to the classification of the severity of COVID-19 based on the urgency of hospital care using the random forest method, wherein the combination of methods that produces the best performance will be seen. This study also aims to see which factors are the most important in predicting the severity of COVID-19 based on hospital urgency. The Leave-One-Out Cross-Validation method is used to measure the consistency of the model. It was found that the SMOTE-NC method with undersampling gave the best performance with lung comorbidities, c-reactive protein and procalcitonin levels were the most important variables in the model. In addition, it can be concluded that the selection of the right rebalancing method depends on the characteristics of the data held."

"Pandemi COVID-19 telah memberikan dampak negatif pada aspek-aspek kehidupan masyarakat, salah satunya kesehatan mental. Dampak negatif pada kesehatan mental secara global ditandai dengan meningkatnya tingkat stres masyarakat selama masa pandemi. Berdasarkan hal tersebut, penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang dapat menjelaskan tingkat stres masyarakat pada masa pandemi COVID-19. Pada penelitian ini, data yang digunakan berasal dari hasil survei global COVIDiSTRESS yang dilakukan untuk menganalisis keadaan individu dan tanggapan psikologis terhadap pandemi beserta kebijakan yang berlaku selama masa pandemi. Tingkat stres pada survei ditinjau dengan pengukuran perceived stress scale (PSS-10). Metode yang digunakan adalah analisis regresi multilevel yang merupakan salah satu bentuk spesifikasi dari linear mixed model. Analisis ini dinilai lebih baik daripada regresi biasa karena dapat mengatasi masalah dependensi pada data hierarki. Besarnya dependensi pada regresi multilevel dapat dinyatakan sebagai intraclass correlation coefficient. Model regresi multilevel terbaik yang didapatkan dari hasil penelitian ini adalah model koefisien acak. Hasil penelitian ini menunjukkan bahwa terdapat beragam faktor yang dapat menjelaskan tingkat stres pada masa pandemi COVID-19. Tingkat kesendirian (loneliness) dan intoleransi terhadap ketidakpastiaan (uncertainty) memiliki dampak yang berbeda dalam menjelaskan tingkat stres di berbagai negara. Selain itu, dukungan sosial juga dapat menjelaskan tingkat stres masyarakat pada tingkat negara selama masa pandemi COVID-19.

---

The COVID-19 pandemic has had a negative impact on aspects of people's lives, one of which is mental health problem. The negative impact on mental health globally is marked by the increasing level of stress in society during the pandemic. Based on this, this study aims to identify factors that can explain the level of community stress during the COVID- 19 pandemic. This study used the result data of the COVIDiSTRESS global survey which was conducted to analyze individual circumstances and psychological responses to the pandemic and the policies that were in effect during the pandemic. The stress level in the survey was reviewed by measuring the perceived stress scale (PSS-10). The method used is multilevel regression analysis which is a specification form of the linear mixed model. This analysis is considered better than ordinary regression because it can overcome the problem of dependency on hierarchical data. The dependency on multilevel regression can be expressed as the intraclass correlation coefficient. The best multilevel regression model obtained from the results of this study is the random coefficient model. The results of this study indicate that there are various factors that can explain stress levels during the COVID-19 pandemic. The level of loneliness and intolerance to uncertainty have different effects on explaining stress levels in different countries. In addition, social support can also explain the stress level at the country level during the COVID-19 pandemic."

"Fraud atau kecurangan merupakan salah satu permasalahan yang masih dihadapi oleh industri asuransi dan masih memberikan kerugian yang sangat besar bagi industri ini. Biaya yang dikeluarkan pun untuk mengatasi permasalahan ini masih cukup besar, untuk itu dikembangkanlah sebuah model machine learning untuk membantu pencegahan terjadinya fraud pada asuransi. Salah satu model yang sedang sangat berkembang adalah model Imbalance-XGBoost, penelitian ini dilakukan untuk meninjau kemampuan model Imbalance-XGBoost dalam mendeteksi fraud sebagai langkah pencegahan fraud pada asuransi. Penelitian ini berhasil mendapati bahwa Imbalance-XGBoost memiliki performa yang lebih baik jika dibandingkan dengan model dasarnya yaitu XGBoost tanpa penanganan kelas tidak seimbang.

---

Fraud or dishonesty is one of the persistent challenges faced by the insurance industry and continues to result in significant losses for the industry. The costs incurred to address this issue are also quite substantial. Therefore, a machine learning model has been developed to assist in preventing insurance fraud. One of the models that is currently gaining traction is the Imbalance-XGBoost model. This research was conducted to assess the ability of the Imbalance-XGBoost model in detecting fraud as a preventive measure in insurance. The study found that Imbalance-XGBoost performs better compared to its base model, XGBoost, which does not handle imbalanced classes."

"Pendeteksian topik adalah suatu proses untuk mendapatkan pokok bahasan atau topik pada suatu dokumen teks. Pada data yang besar, pendeteksian topik dapat dilakukan dengan lebih efisien menggunakan metode machine learning. Clustering merupakan salah satu metode machine learning yang bertujuan untuk mengelompokkan data yang memiliki karakteristik serupa ke dalam suatu kelompok/cluster. Beberapa contoh metode clustering adalah K-Means, Fuzzy C-Means (FCM), dan Eigenspace-Based Fuzzy C-Means (EFCM). Metode clustering hanya memproses data numerik, oleh sebab itu diperlukan metode representasi teks. Metode representasi teks yang umum digunakan sebelumnya adalah Bag of Words (BoW) dan Term-Frequency Inversed Document Frequency (TFIDF). Namun, metode BoW dan TFIDF kurang baik dalam merepresentasikan teks secara kontekstual. Pada tahun 2018 metode representasi teks yang baru ditemukan yaitu metode Bidirectional Encoder Representation from Transformers (BERT). Model BERT dapat merepresentasikan teks secara kontekstual dan menghasilkan representasi teks berdimensi tinggi. EFCM merupakan teknik clustering yang menggunakan kombinasi teknik reduksi dimensi Truncated Singular Value Decomposition (TSVD) dengan teknik clustering FCM. Pada tahun 2022 terdapat penelitian yang mengombinasikan BERT dan EFCM untuk pendeteksian topik. Pada model kombinasi BERT dan EFCM terdapat beberapa nilai parameter yang dapat diatur, antara lain adalah pemilihan lapisan encoder BERT, dimensi EFCM, dan derajat fuzziness. Penelitian ini berfokus pada analisis sensitivitas parameter untuk melihat pengaruh dari nilai parameter terhadap kinerja model EFCM berbasis BERT untuk pendeteksian topik. Analisis sensitivitas parameter menggunakan metode Sobol untuk menentukan parameter yang tidak sensitif dan yang paling sensitif. Kinerja model dievaluasi menggunakan metrik evaluasi topic coherence, topic diversity, dan topic quality. Hasil penelitian menunjukkan bahwa parameter lapisan encoder, dimensi EFCM, dan derajat fuzziness sensitif terhadap kinerja model. Selain itu, diperoleh model optimal pada tiga dataset menggunakan parameter tuning metode grid search. Penerapan parameter tuning dapat meningkatkan performa model pada ketiga dataset berdasarkan nilai topic quality.

---

Topic detection is a process to get the subject matter or topic in a text document. In large data, topic detection can be done more efficiently using machine learning methods. Clustering is a machine learning method aiming to group data with similar characteristics into a group/cluster. Some examples of clustering methods are K-Means, Fuzzy C-Means (FCM), and Eigenspace-Based Fuzzy C-Means (EFCM). The clustering method only processes numeric data; therefore, a text representation method is needed. Previously used text representation methods were Bag of Words (BoW) and Term-Frequency Inverse Document Frequency (TFIDF). However, the BoW and TFIDF methods are not good at representing text contextually. In 2018 a new text representation method was discovered, namely the Bidirectional Encoder Representation from Transformers (BERT) method. The BERT model can contextually represent text and produce high-dimensional text representations. EFCM is a clustering technique that combines the Truncated Singular Value Decomposition (TSVD) dimension reduction technique with the FCM clustering technique. In 2022 there will be research that combines BERT and EFCM for topic detection. In the BERT and EFCM combination model, there are several parameter values that can be set, including the selection of the BERT encoder layer, EFCM dimensions, and the degree of fuzziness. This study focuses on parameter sensitivity analysis to see the effect of parameter values on the performance of the BERT-based EFCM model for topic detection. Parameter sensitivity analysis uses the Sobol method to determine which parameters are insensitive and the most sensitive. Model performance was evaluated using evaluation metrics of topic coherence, topic diversity, and topic quality. The results showed that the parameters of the encoder layer, EFCM dimensions, and degree of fuzziness were sensitive to model performance. In addition, the optimal model was obtained for three datasets using the grid search method parameter tuning. Parameter tuning can improve the model performance on the three datasets based on topic quality values."

"Statistical game dapat digambarkan sebagai suatu permainan antara dua pemain, dimana pemain I adalah nature dan pemain II adalah pembuat keputusan atau agen. Strategi dari nature adalah state of nature dan strategi dari agen adalah tindakan yang dipilih oleh agen. Dalam statistical game, untuk menduga state of nature, agen dapat mencari informasi sampel yang berhubungan dengan state of nature. Untuk memilih tindakan berdasarkan pada informasi sampel, diperlukan suatu aturan keputusan (decision rule) sedemikian sehingga untuk setiap hasil yang mungkin, aturan tersebut menentukan tindakan yang harus dipilih. Terdapat dua aturan keputusan, yaitu nonrandomized decision rule dan randomized decision rule. Dalam skripsi ini, aturan keputusan yang akan digunakan adalah randomized decison rule. Tugas agen adalah menentukan aturan keputusan yang optimal, yang sedapat mungkin akan memiliki resiko yang sangat kecil. Untuk menentukan aturan keputusan yang optimal, digunakan prinsip minimax. Dengan prinsip minimax, akan dicari resiko maksimum dari semua aturan keputusan untuk setiap state of nature, dan kemudian dipilih aturan keputusan yang meminimumkan resiko maksimum ini. Metode yang digunakan pada skripsi ini untuk menentukan aturan keputusan berdasarkan prinsip minimax adalah testing simple hypothesis. "

"Subscription Video on Demand (SVoD) merupakan layanan video streaming dengan metode subscription yang dibayarkan pengguna pada periode tertentu untuk dapat mengakses seluruh konten yang disediakan SVoD. Banyaknya judul program baik film, series, tv show, dan konten video lainnya yang ada pada SVoD memberikan penggunanya semakin banyak pilihan untuk menentukan program mana yang ingin ditonton. Untuk menghindari kebingungan dan kesulitan yang dirasakan pengguna dari banyaknya pilihan program, SVoD menyediakan rekomendasi yang disesuaikan dengan personalisasi pengguna dengan harapan dapat mempermudah pengguna dalam menentukan tontonan program yang mungkin disukai. Dalam rangka mengidentifikasi faktor-faktor yang dapat memengaruhi niat keberlanjutan penggunaan SVoD, penelitian ini menyertakan kualitas rekomendasi untuk menganalisis pengaruhnya terhadap kepuasan, manfaat yang dirasakan, dan experience pengguna dalam menggunakan SVoD. Flow theory digunakan dalam penelitian ini untuk mengukur pengalaman holistik pengguna ketika dalam keterlibatan dan merasakan kenikmatan dari menggunakan SVoD. Metode analisis yang digunakan pada penelitian ini yaitu mixed-method dengan melakukan analisis kuantitatif terlebih dahulu, lalu dilanjutkan dengan analisis kualitatif. Analisis data kuantitatif dilakukan dengan metode PLS-SEM dengan data yang berhasil terkumpul melalui penyebaran kuesioner online sebanyak 394 pengguna SVoD. Hasil dari pengolahan analisis data didapatkan bahwa recommendation accuracy, recommendation novelty, dan recommendation diversity memengaruhi perceived usefulness dan flow. Selain itu, kualitas rekomendasi yang memengaruhi satisfaction hanya recommendation novelty dan satisfaction juga dipengaruhi oleh perceived usefulness dan flow. Selanjutnya, satisfaction, perceived usefulness, dan flow terbukti memengaruhi continuance intention. Hasil yang didapatkan dari penelitian ini diharapkan dapat memberikan saran praktis bagi penyedia layanan SVoD untuk meningkatkan pengembangan kualitas rekomendasi yang dapat memengaruhi niat keberlanjutan penggunaan SVoD.

---

Subscription Video on Demand (SVoD) is one of the video streaming service kind with a subscription method that the user pays within a certain period of time to get full access to watch all content provided by SVoD. The increasing number of program titles, including movies, series, tv shows, and other video content provided by SVoD gives users more choices to determine which programs they want to watch. SVoD provides recommendations that are customized to the user’s personalization in the hope that it can make it easier for users to determine which programs they might like to watch. In order to identify factors that may affect the continuance intention of using SVoD, this research included the quality of recommendation to analyze its influence on user’s satisfaction, perceived usefulness, and experience in using SVoD. Flow theory is used in this research to measure the user’s holistic experience when engaging and feel the enjoyment of using SVoD. Mixed-method is used in this research as an analysis method by conducting the quantitative method first, then continued with the qualitative method. Quantitative data analysis was carried out using the PLS-SEM method with data collected through the distribution of online questionnaires with a total of 394 SVoD users as respondents in this research. The result of processing data analysisi found that recommendation accuracy, recommendation novelty, and recommendation diversity affects perceived usefulness and flow. In addition, the quality of recommendations that affect satisfaction is only recommendation novelty, and satisfaction is also influenced by perceived usefulness and flow. Lastly, satisfaction, perceived usefulness, and flow are proven to affect continuance intention. The results obtained from this research are expected to provide practical advice for SVoD service providers to improve the development of the recommendation quality that can affect the continuance intention on using SVoD."