Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tesis ini bertujuan untuk mengestimasi premi murni terhadap data zero inflated klaim asuransi kecelakaan melalui Generalized Linear Model (GLM). Penelitian ini berfokus pada pemodelan data frekuensi klaim dengan zero inflated melalui regresi Zero Inflated Poisson (ZIP) untuk menjembatani kesenjangan yang ada. Berdasarkan peneltian-penelitian terdahulu, frekuensi klaim kerap diasumsikan berdistribusi Poisson dalam perhitungan premi murni dengan GLM tanpa memperhatikan kehadiran excess zeros. Sedangkan estimasi parameter severity (besar klaim) ditentukan melalui regresi Gamma. Selajutnya premi murni diestimasi dengan melakukan perkalian antara frekuensi dan severity atas asumsi independensi. Data yang digunakan dalam penelitian merupakan data sekunder yang diperoleh dari PT ABC sebagai asuransi kecelakaan kerja. 1000 sample data terdiri dari tahun 2017, meliputi frekuensi klaim dan severity yang merupakan variabel dependen, serta data tertanggung yang diataranya adalah usia, jenis kelamin, kelompok lingkungkan kerja, dan masa aktif polis asuransi (exposure) sebagai variabel independen. Hasil penelitian menunjukkan bahwa model regresi ZIP sesuai untuk mengestimasi frekuensi klaim pada data zero inflated PT ABC. Model regresi Gamma juga menunjukkan kesesuaian dalam mengestimasi severity data PT ABC. Estimasi premi murni yang dihasilkan menunjukkan bahwa jenis kelamin tidak berpengaruh signifikan terhadap besar premi murni. Usia dan kelompok risiko lingkungan kerja merupakan variabel yang paling signifikan terhadap besar premi murni. Frekuensi klaim kecelakaan kerja tertinggi dimiliki tertanggung dengan usia 18 tahun. Frekuensi klaim menurun seiring pertambahan usia baik pada tertanggung wanita maupun pria, namun kembali meningkat di usia akhir 50 tahun hingga 56 tahun pada tertanggung pria. Besar severity tidak selalu sejalan dengan premi murni sehingga dapat disimpulkan bahwa frekuensi klaim merupakan komponen yang lebih berpengaruh terhadap pergerakan premi murni. Premi murni yang dihasilkan lingkungan kerja dengan risiko rendah lebih besar dari pada lingkungan kerja dengan risiko sedang.

---

This thesis aims to estimate pure premium towards zero inflated claim data of accident insurance through the Generalized Linear Model (GLM). This study focuses on modeling the claim frequency data with excess zeros through the Zero Inflated Poisson (ZIP) regression to bridge the gap between previous studies where it is generally assumed to be distributed in Poisson. Gamma regression is used to estimate the parameter of severity. Pure premiums are estimated by multiplying the frequency and severity in assumption of independence. The data is obtained from accident insurance company PT ABC. 1000 data samples consist of 2017, including the claim frequency and severity as dependent variable, as well as age, sex, occupational environment, and the active period of the insurance policy (exposure) as independent variables.

The results indicate that ZIP regression model is suitable for estimating the claim frequency. The Gamma regression model also shows conformity in estimating the severity. The estimation of pure premiums shows that gender does not have a significant effect on its ammount, while age and occupational environment is the most significant variable. The severity is not always in line with pure premium so it can be concluded that the frequency of claims is a component that has more influence on the movement of pure premiums. Pure premiums produced by a work environment with a low risk are greater than those in a medium-risk work environment. The highest amount of pure premium is on 18 years insureds. Pure premium decline on age, both for the insured women and men, and increased on the end of 50 years to 56 years in the insured man."

"ABSTRACTSkripsi ini membahas model regresi untuk mengestimasi net premium sebuah polis asuransi umum yang dijual dengan deductible. Pada asuransi umum, taksiran untuk net premium harus mempertimbangkan frekuensi dan severitas klaim yang kemungkinan akan diajukan di masa depan. Model untuk net premium dapat dituliskan ke dalam dua komponen, yaitu komponen frekuensi dan severitas. Frekuensi dan severitas klaim antar pembeli polis dapat berbeda karena tidak semua pembeli polis memiliki karakteristik yang sama. Untuk menetapkan harga premi yang adil, karakteristik tersebut harus dipertimbangkan. Maka akan digunakan pendekatan analisis regresi. Model regresi dengan karakteristik pembeli polis sebagai kovariat diterapkan pada model frekuensi dan severitas secara terpisah, dan diasumsikan efek kovariat tersebut multiplikatif. Akan tetapi, dapat ditunjukkan bahwa efek dari deductible pada frekuensi maupun severitas tidak multiplikatif. Oleh karena itu, data akan dipartisi berdasarkan besarnya deductible dan untuk tiap partisi data ini dilakukan analisis Generalized Linear Model (GLM). Dari hasil GLM tersebut, dilakukan regresi sekali lagi untuk mencari hubungan antara frekuensi dengan deductible. Demikian juga untuk severitas dengan deductible. Hasil regresi yang diperoleh digunakan untuk mengestimasi frekuensi dan severitas klaim berdasarkan nilai deductible tertentu untuk setiap kombinasi karakteristik pembeli polis. Pada akhirnya, estimasi net premium didapat dari perkalian estimasi frekuensi dan severitas klaim.

---

ABSTRACTThis thesis discusses regression models to estimate the net premium of a general  insurance policy sold with a deductible. In general insurance, when estimating the net premium, the possible frequency and severities of claims made in the future must be considered. The model for net premium can be written into two components: the frequency and the severity component. Since every policyholder can have different characteristics, the claim frequency and severity can be different. To determine fair policy prices, these characteristics must be considered. Hence, the regression model will be used. The regression model with the policyholders characteristics as covariates is used to model the frequency and severity separately, and it is assumed that the effect of each covariate is multiplicative. However, it can be shown that the effect of deductible is not multiplicative. Therefore, the data will be partitioned based on deductibles and Generalized Linear Model (GLM) analysis will be used on each data partition. From this result, another regression will be used to model the relationship between frequency and deductible, and the relationship between severity and deductible. The estimate for net premium is obtained as a multiplication of the claim frequency and severity."

"Premi murni merupakan salah satu elemen penting untuk perusahaan asuransi. Penetapan premi murni yang sesuai dengan risiko kerugian dari calon pemegang polis menjadi salah satu faktor utama agar perusahaan tetap berjalan dan mampu berkompetisi dalam industri. Premi murni dapat ditentukan dengan menghitung ekspetasi dari besar klaim agregat yang dibagi dengan durasi kontrak asuransi. Namun, perlu diketahui bahwa premi murni juga dapat dipengaruhi oleh berbagai faktor risiko seperti umur, jenis kelamin, dan jenis pekerjaan dari nasabah. Salah satu metode untuk mengatasi masalah ini yaitu dengan membuat model regresi menggunakan generalized linear model Distribusi yang cocok untuk memodelkan premi murni adalah distribusi Compound Poisson-Gamma yang merupakan bagian dari distribusi Tweedie. Distribusi Tweedie merupakan distribusi yang mengeneralisasi distribusi lain yang termasuk ke dalam exponential dispersion family. Tujuan dari penelitian ini adalah untuk memodelkan premi murni menggunakan generalized linear model dengan asumsi respons berdistribusi Tweedie atau disebut regresi Tweedie. Dengan mengaplikasikan model ini pada data asuransi kecelakaan kendaraan didapat bahwa regresi Tweedie mampu menjelaskan premi murni dengan baik.

---

Pure premium is one of the essential elements for insurance companies. Calculate the appropriate pure premium based on the potential policyholder's risk of loss is crucial to ensure the company's operations and competitiveness in the industry. Pure premiums can be determined by calculating the expectations of large aggregate claims divided by the duration of the insurance contract. However, it should be noted that pure premiums can also be influenced by various risk factors such as age, gender, and the type of employment of the client. One method to address this issue is by creating a regression model using a generalized linear model. The suitable distribution to model of pure premium is the Compound Poisson-Gamma distribution, which is a part of the Tweedie distribution. Tweedie distribution generalizes other distributions that fall under the exponential dispersion models. The objective of this research is to model pure premium using a generalized linear model with assumption that the response follows a Tweedie distribution, known as Tweedie regression. The application of Tweedie regression model to automobile accident insurance data yielded promising results in explaining the pure premium."

"Data klaim asuransi kesehatan pada prakteknya memiliki karakter nominal klaim yang tidak selalu sama dengan manfaat yang tertera di polis, sehingga membuat nilai klaimnya menjadi fluktuatif dan mengakibatkan tidak mudah untuk memprediksi nilai klaim. Klaim untuk kejadian yang belum dilaporkan, termasuk klaim yang harus diprediksi nilainya dan dicadangkan. Klaim yang sudah terjadi namun belum dilaporkan ke perusahaan atau dikenal dengan nama Incured But Not Reported (IBNR) dilakukan agar mencukupi untuk kewajiban pembayaran klaim dimasa depan. Besar atau kecilnya pembayaran klaim akan mempengaruhi hasil pendapatan yang dibukukan pada laporan pendapatan pada periode berjalan, sehingga pada akhirnya mempengaruhi laba rugi suatu perusahaan asuransi. Metode pencadangan Chain Ladder Klasik (CL) merupakan metode yang saat ini digunakan untuk mengestimasi cadangan klaim IBNR di PT. XYZ. Dalam karya akhir ini, akan digunakan metode Generalized Linear Model Smoothing Effect (GLMSE) sebagai pembanding metode CL untuk mengestimasi cadangan klaim. Hasil penelitian menunjukan model GLMSE mendapatkan hasil cadangan klaim dengan rata-rata yang lebih stabil dengan rata-rata lebih rendah 3.5% dari data akhir dibandingkan dengan metode Chain Ladder Klasik.

---

Health insurance claim data in practice has a nominal character of a claim that is not always paid same as the benefits listed on the policy, it's depend the fee from medical provider under the benefit limits, thus making the value of claim amount to be fluctuating and the result is not easy to predict the real value of claim. Claims for unreported events, are claims to be predicted and to reserved. Claims that have been incurred but not yet reported to the company or otherwise known as Incured But Not Reported (IBNR) are made in order to be sufficient for the obligation to pay claims in the future. The large or small payment of claims will affect the revenue results which posted on the income statement in the current period, thus ultimately affect the profit and loss of an insurance company. The Classic Chain Ladder reserving method (CL) is current method to estimate IBNR claim reserving at PT. XYZ. In this final paper, we will use the Generalized Linear Model Smoothing Effect (GLMSE) method as a comparison of the CL method to estimate the claim reserve. The results show the GLMSE model obtains a claimed yield with a more stable average with 3.5% lower than the data compared to the Classic Chain Ladder method."

"ABSTRAKPenelitian ini membahas simulasi dampak sekuritisasi syariah aset produktif terhadap market share dan kinerja dengan objek penelitian unit usaha syariah Bank BTN. Penelitian ini menggunakan quasi-experiment dengan menggabungkan metode analisa skenario, Generalized Linear Model Multivariate dan Propensity Score Matching. Hasil peneltian ini menunjukkan bahwa sekuritisasi syariah aset produktif memiliki dampak positif dan signifikan terhadap market share dan kinerja UUS Bank BTN. Dampak tersebut berpengaruh melalui variabel-variabel transmisi dan jumlah aset yang disekuritisasi.

---

ABSTRACTThis research concern to create simulation effect of Islamic asset Securitizationon productive asset to market share and bank's performance, study case in Bank BTN's Shariah Business Unit. This research is a quasi experiment which combine scenario analysis, Generalized Linear Model Multivariate and Propensity Score Matching. The result indicate Islamic Securitization have positive and significant effect toward market share and performance. The effects influence them through the transmission variables and the amount asset that securitized. "

"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."

"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."

"Penelitian ini memanfaatkan data Customer Relationship Management berupa data polis dan data nasabah untuk membuat model estimasi probabilitas lapse polis dan membentuk estimasi annualized lapserate. Dari penelitian yang dilakukan, dihasilkan kesimpulan bahwa terdapat faktor-faktor karakteristik nasabah dan karakteristik polis yang secara signifikan mempengaruhi kecenderungan suatu polis untuk lapse. Model probabilitas lapse yang berhasil dibentuk dengan metode yang digunakan dalam penelitian dapat memberikan pandangan yang lebih komprehensif, karena lapse dapat dipandang sebagai fungsi atas karakter polis dan nasabah yang dimiliki suatu perusahaan asuransi. Dengan memanfaatkan hal ini, perusahaan asuransi dapat memahami karakter polis atau nasabah seperti apa yang memilki risiko lebih besar untuk lapse sehingga perusahaan dapat lebih baik menghadapi risiko lapse dengan mengelola portofolio nasabah dan polis yang dimilikinya.

---

This research aims to utilize Customer Relationship Management data, in the form of policy characteristics and customer characteristics, to estimate policy lapse probability and the annualized lapse rate. This research concludes that there are some customer and policy characteristics that significantly correlate to the lapse tendency of a policy. The lapse probabilistic model that is built under the approach and method as described in the research can now provide the company with a more comprehensive insight on lapse behavior. The research shows that lapse is a function of the characteristics of each policy and each customer. Utilizing this, insurance company can get a better understanding about which customer or which policy that possesses bigger risk to lapse so the company can handle their customer and policy portfolio accordingly in order to manage their lapse risk."

"

Permasalahan statistik di dunia nyata umum diselesaikan dengan menggunakan generalized linear model. Fleksibilitas model regresi tersebut menjadi nilai tambah yang meningkatkan utilitasnya. Akan tetapi, di tengah penerapan generalized linear model, ditemukan isu terkait estimasi parameter, yakni multikolinearitas. Kondisi multikolinearitas mengindikasikan adanya korelasi antarvariabel penjelas yang berpengaruh terhadap keakuratan koefisien parameter. Keadaan ini menyebabkan maximum likelihood estimator, metode yang sangat umum digunakan pada generalized linear model untuk mencari parameter, memiliki eror dan variansi yang tinggi. Berbagai alternatif estimator telah dibuat untuk mengatasi masalah ini, salah satunya adalah Liu estimator. Metode ini merupakan bentuk modifikasi dari metode yang sudah diciptakan sebelumnya, yakni maximum likelihood estimator. Penelitian ini menelusuri konsep dan metode Liu estimator dalam menentukan suatu parameter dan dibandingkan dengan metode maximum likelihood estimator. Konstruksi gamma regression model, yakni generalized linear model dengan variabel respons yang berdistribusi gamma, digunakan sebagai aplikasi dalam penerapan Liu estimator. Simulasi dalam penelitian ini menggunakan dataset hydrocarbon yang mengukur keefektifan pemulihan polusi yang bersumber dari tangki gas. Dengan menggunakan model regresi gamma dan estimator Liu untuk mengestimasi parameter didapatkan prediksi terhadap jumlah gas hydrocarbon yang keluar.

---

Generalized Linear Model, as the name says, is the general version for linear model, one of the method used to solve statistical and actuarial real-life problem, such as regression. In the midst of well-known generalized linear model utilization, researcher found issue related to parameter estimation. Multicolinearity, a condition which occur when there are two or more independent variabel with high correlation, has huge impact to the accuracy of parameter coeficient. This issue makes the maximum likelihood estimator, one of the most common method to estimate the parameter, produces high error and variance. To combat this issue, many other estimator has been proposed by various researcher all around the world, including Liu estimator. Liu estimator is a method that comes from the modification of maximum likelihood estimator. This research will explore the concept and method of Liu estimator for estimating model’s parameter and the difference when we compare it with maximum likelihood estimator. The model built in the research is gamma regression model, which is a generalized linear model with gamma distributed response variable. The application of the research is utilizing the data called hydrocarbon. The end product is the gamma regression model to predict the mass of hydrocarbon which escape to the air with the parameter estimated by Liu estimator method.

"

"Dalam studi statistik, mengukur ketergantungan antar variabel sering kali diperlukan untuk memahami perilaku dari variabel-variabel tersebut. Pada skripsi ini, untuk merepresentasikan ketergantungan antar variabel akan digunakan model copula. Copula diterapkan dalam memodelkan ketergantungan pada studi keuangan dan statistik, bahkan diperkenalkan dalam studi aktuaria untuk menghitung total kerugian pada industri asuransi kendaraan bermotor. Perusahaan asuransi, sebagai pihak yang menyediakan asuransi kendaraan bermotor, harus bisa memprediksi kemungkinan kerugian yang akan terjadi guna memprediksi kewajiban dan menyusun strategi perusahaan di masa depan. Total kerugian pada asuransi kendaraan bermotor dapat dihitung berdasarkan dua variabel, yaitu frekuensi klaim dan severitas klaim. Kedua variabel tersebut memiliki distribusi yang berbeda dan terkadang ditemukan ketergantungan di antara keduanya sehingga diperlukan model yang dapat menghubungkannya. Dalam beberapa kasus, kerugian juga dipengaruhi oleh faktor-faktor risiko lainnya yang disebut sebagai kovariat. Salah satu metode analisis statistik untuk menggabungkan dua distribusi data berbeda yang saling berhubungan beserta kovariat adalah dengan model copula berbasis regresi. Hal ini dilakukan dengan menggabungkan marginal Generalized Linear Model dari frekuensi dan severitas klaim. Dengan karakteristik yang berbeda dari kedua data maka model dibentuk dengan pendekatan mixed copula. Copula yang digunakan adalah copula Gaussian dan estimasi parameter dilakukan dengan Maximization by Parts (MBP). Berdasarkan parameter yang diperoleh, dapat disimpulkan bahwa terdapat ketergantungan positif antara frekuensi dan rata-rata severitas klaim. Dengan mempertimbangkan unsur dependensi pada frekuensi dan rata-rata severitas klaim, diperoleh nilai ekspektasi total kerugian yang lebih besar dibandingkan tanpa mempetimbangkan unsur dependensi.

---

In statistical studies, measuring dependencies between variables is often necessary to understand the behavior of those variables. In this thesis, to represent the dependency between variables, the copula model will be used. Copula is applied to modeling dependencies in financial and statistical studies and has even been introduced in actuarial studies to calculate total losses in the motor vehicle insurance industry. Insurance companies, as parties that provide motor vehicle insurance, must be able to predict possible losses that will occur in order to predict liabilities and develop company strategies in the future. Total losses in motor vehicle insurance can be calculated based on two variables, namely claim frequency and claim severity. These two variables have different distributions, and sometimes dependencies are found between them, so a model is needed that can relate them. In some cases, losses are also influenced by other risk factors known as covariates. One statistical analysis method for combining two different, interconnected data distributions and covariates is a regression-based copula model. This is done by combining marginal generalized linear models of claim frequency and severity. With the different characteristics of the two data sets, the model was formed using a mixed copula approach. The copula used is a Gaussian copula, and parameter estimation is done using Maximization by Parts (MBP). Based on the parameters obtained, it can be concluded that there is a positive dependence between the frequency and average claim severity. By considering the dependency element on the frequency and average severity of claims, the expected total loss value is greater than without considering the dependency element."