Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRACTModel kredibilitas Buhlmann umumnya digunakan untuk memprediksi besar tarif premi untuk setiap pemegang polis pada periode ke-(n+1) berdasarkan riwayat klaim sebanyak periode atau model one period. Pada skripsi ini dilakukan generalisasi terhadap model kredibilitas Buhlmann one period yang disebut sebagai model kredibilitas Buhlmann multiple period. Model multiple period memungkinkan insurer memprediksi besarnya tarif net premium tidak hanya satu periode ke depan tetapi juga beberapa periode ke depan berdasarkan riwayat klaim sebanyak periode. Model yang dibangun memberikan bobot kepada future claim dan anticipating premium. Untuk meminimalkan selisih besarnya premi multiple period terhadap future claim maupun anticipating premium digunakan masalah pemrograman kuadratik. Masalah pemrograman kuadratik diselesaikan dengan menggunakan kondisi Karush-Kuhn-Tucker. Dengan mengaplikasikan konsep model multiple period terhadap data real terlihat bahwa model kredibilitas Buhlmann multiple period memberikan besar tarif premi yang lebih adil untuk setiap pemegang polis dibandingkan menggunakan model kredibilitas one period. Diharapkan dengan menggunakan model multiple period, insurer dapat melakukan perencanaan jangka panjang lebih baik serta meningkatkan keefektifitasan kinerja.

---

ABSTRACTBuhlmann credibility model generally used to predict premium tariff for each policyholder at  period based on period history claim or also called one period model. In this thesis, Buhlmann credibility model is generalized or also called multiple period model. Multiple period model allows insurer to predict amount of premium not only one period ahead but also few period ahead based on period history claim. The model is considering two important component, which are future claim and anticipating premium and gives weight for each component. To minimize the difference between premium multiple period and future claim also between premium multiple period and anticipating premium, quadratik programming problem is used on this thesis. Quadratic programming problem is solved by Karush-Kuhn-Tucker conditions. By applying the concept of multiple period models to real data, it can be seen that the Buhlmann multiple period credibility model gives premiums more fair for each policyholder than using the one-period credibility model. By using this model, hopefully insurer enable to conduct long-term financial planning and increase effectiveness of work."

"Kestabilan perekonomian suatu negara ditentukan oleh sektor-sektor ekonomi di dalamnya. Salah satu sektor yang sedang berkontribusi secara signifikan di Indonesia adalah asuransi. Industri Asuransi sedang mengalami perluasan pada beberapa tahun terakhir. Seiring dengan perluasan tersebut, terdapat kompetisi antar perusahaan asuransi di Indonesia. Kompetisi ini menuntut perusahaan asuransi untuk lebih cerdik dalam mengungguli pasar. Tetapi, perlu diperhatikan bahwa perusahaan asuransi harus selalu sadar akan tingkat risiko yang harus ditanggungnya. Sehingga perlunya dilakukan penelitian tentang kemungkinan klaim di masa depan dari perusahaan asuransi.Dalam penelitian ini, akan difokuskan pada sektor asuransi kendaraan bermotor di Indonesia. Model yang diajukan pada penelitian ini adalah suatu machine learning yang biasa digunakan untuk masalah klasifikasi dan prediksi. Metode klasifikasi yang digunakan adalah Support Vector Machines dan Fuzzy Support Vector Machines. Penelitian ini menggunakan data historis polis dari suatu perusahaan asuransi umum di Indonesia. Data historis polis ini terdiri dari 7.373 data dengan periode waktu berlaku polis adalah setahun terhitung dari Januari 2015 sampai dengan Desember 2016. Setelah itu, dibandingkan hasil dari kedua metode tersebut untuk mendapatkan hasil yang terbaik. Penggunaan data historis polis dari suatu asuransi umum di Indonesia ini menunjukkan bahwa Support Vector Machines menghasilkan tingkat akurasi rata rata 100 dalam klasifikasi dua kelas yaitu klaim dan tidak klaim. Memang waktu yang dibutuhkan relatif lama dalam mengklasifikasi data yaitu 4673,33 detik. Kemudian dibandingkan hasil olahan dengan klasifikasi Fuzzy Support Vector Machines dengan komposisi 80 training data dan akurasi yang dihasilkan adalah 99,23 .

---

Economics stability of a country is depending on each economics sector of the country. One of the most sector that give a significant contribution is Insurance. Insurance Industry is rapidly grow in recent years. As it grows bigger, there is exist one simple core that indeed affected Insurance Industry in Indonesia which is a competition. The competition is to force one Insurance company to be sharper to win the market. On the other hand, one should realize that Insurance company must be well aware of the immerging risk rate. Insurance company indeed should be prepared for the probability of high indemnities. It leads to the point that a study about future claim should be done for this matter.

In this study, one will focus on Automobile Insurance in Indonesia. The proposed model for this matter is using the mighty machine learning that is well known for classification and prediction problems. The classification methods that one will use are Support Vector Machines and Fuzzy Support Vector Machines. The aims of this study are to compare those two classification methods. This study also use a comprehensive historical policy data from a General Insurance company in Indonesia. This data consists of 7373 data with a one year policy starting from January 2015 until December 2016. One will has to compare those two methods to gain the best result. The used of this historical policy data will show that a classification using Support Vector Machines will result in 100 accuracy for binary classification, in this case will be yes or no claim within one year period. It is indeed takes longer to classify using this method. It takes about 4673,33 seconds. Then, one will compare the result with the other method which is Fuzzy Support Vector Machines with the used of 80 training data. It shows that the accuracy is 99,23 ."

"Penelitian ini menganalisis corporate governance yang diukur dengan jumlah dewan komisaris, presentase komisaris independen, komite audit, dan kepemilikan institusional, dengan variabel kontrol ukuran perusahaan dan leverage, dan pengaruhnya terhadap industri asuransi di Indonesia yang terdaftar di Bursa Efek Indonesia dalam periode 2008-2016. Penelitian ini adalah penelitian kuantitatif dengan 8 sampel perusahaan asuransi yang ditentukan berdasarkan metode purposive sampling. Metode yang digunakan adalah regresi linear berganda. Hasil penelitian ini menunjukkan bahwa corporate governance belum memberikan pengaruh terhadap kinerja perusahaan asuransi di Indonesia.Hasil regresi pada ROA, jumlah dewan komisaris dan leverage berpengaruh negatif terhadap ROA, sedangkan presentase komisaris independen, komite audit, kepemilikan institusional, dan ukuran perusahaan tidak memberi pengaruh. Regresi pada Tobin'sQ, komite audit dan ukuran perusahaan yang berpengaruh negatif, sedangkan jumlah dewan komisaris, presentase komisaris independen, kepemilikan institusional, dan leverage tidak memberikan pengaruh.

---

This study analyzes the effect of corporate governance as measured by the number of boards of commissioners, the percentage of independent commissioners, audit committees, and institutional ownership, with firm size and leverage as control variables, on the performance of the insurance industry in Indonesia listed on the Indonesia Stock Exchange in the period 2008 2016. This research is quantitative research with 8 sample of the insurance company which determined by purposive sampling method. The method used is multiple linear regression.The results of this study indicate that corporate governance has not affected the performance of insurance companies in Indonesia. Regression results on ROA, the number of boards of commissioners and leverage have a negative effect on ROA, while the percentage of independent commissioners, audit committee, institutional ownership, and firm size have no effect. Regressions on Tobin 39 sQ, audit committees, and firm size are negatively affected, while the number of boards of commissioners, the percentage of independent commissioners, institutional ownership, and leverage have no effect."