Ditemukan 6 dokumen yang sesuai dengan query
Asmaaul Khusna Ayil Jamiil
"Tujuan mendasar produk asuransi adalah memberikan proteksi atas kerugian yang tidak pasti kapan terjadi dengan membayar premi sebagai pembayaran transfer risiko tersebut. Mengingat semua risiko tidaksama, perusahaan asuransi tidak dapat memberikan premi murni yang sama untuk setiap risiko pemegang polis dalam portofolio asuransi. Metode umum untuk menghitung premi murni adalah dengan hasil perkalian antara ekspektasi dari frekuensi klaim dengan severitas klaim. Metode
Generalized Linear Models dapat digunakan dalam melakukan estimasi dua komponen tersebut dengan mempertimbangkan karakteristik dari pemegang polis. Metode lain yang dapat digunakan dalam penaksiran premi murni adalah
Tweedie Generalized Linear Models. Dimana model
Tweedie dapat mengakomodasi kekurangan pada
Generalized Linear Models, yakni dapat digunakan pada data klaim yang banyak terdapat nilai klaim sebesar nol rupiah. Dengan menggunakan
Tweedie generalized linear models, penaksiran premi murni menjadi lebih efisien karena dapat dilakukan langsung tanpa melakukan estimasi terpisah pada frekuensi dan severitas. Dalam penelitian ini akan ditampilkan komparasi pemodelan dengan menggunakan dua metode tersebut.
The fundamental objective product insurance is to provide financial protection from uncertain risk with premium as transferring the risk. Considering that not all risks are equal, the insurance company should not apply the same premium for all insured risks in portfolio. A commonly method to calculate the pure premium is to multiply the expectation of the claim frequency with the expected cost of claims. Separated- Generalized Linear Models are employed to estimate the two component of pure premium given the characteristic of the policyholders. Another method to estimate the pure premium is Tweedie Generalized Linear Models. Tweedie models can used in the data claims if there are many claims of zero value. Using Tweedie to estimate pure premium more efficient, Tweedie models can estimate pure premium directly without calculate the expectation frequency and severity separated. In this paper, will be practice implementation using these two models."
Depok: Fakultas Ekonomi dan Bisnis Universitas Indonesia, 2016
T-pdf
UI - Tesis Membership Universitas Indonesia Library
Raymond Tanujaya
"
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."
2019
S-Pdf
UI - Skripsi Membership Universitas Indonesia Library
Jason Wijaya
"Dalam upaya untuk mengendalikan besarnya kerugian, memodelkan severitas klaim merupakan salah satu cara yang sering dilakukan oleh perusahaan asuransi. Terdapat beberapa cara untuk memodelkan severitas klaim, salah satunya dengan generalized linear model. Akan tetapi fakta sederhana bahwa setiap pemegang polis itu tidak sama sering diabaikan karena hasil yang diperoleh hanya disajikan untuk ârata-rataâ pemegang polis. Potensi variabilitas ini yang tercermin pada data asuransi dapat diidentifikasi dengan mengelompokkan pemegang polis ke dalam kelompok yang berbeda. Sehingga dari perilaku yang berbeda pada masing-masing kelompok memungkinkan perusahaan asuransi mengembangkan strategi untuk mengendalikan besarnya kerugian. Pada praktiknya, model yang sering digunakan untuk pengelompokan adalah model finite mixture, dengan setiap kelompok dimodelkan dengan fungsi kepadatan probabilitasnya (pdf) sendiri. Salah satu keluarga model finite mixture yang fleksibel untuk vektor acak yang terdiri dari variabel respon dan satu set kovariat yang disesuaikan dengan distribusi bersamanya adalah cluster-weighted model (CWM). CWM merupakan kombinasi linear antara distribusi marjinal kovariat dan distribusi bersyarat dari respons yang diberikan kovariat. Distribusi bersyarat pada CWM diasumsikan milik keluarga eksponensial dan kovariatnya diperbolehkan tipe campuran yaitu diskrit dan kontinu (diasumsikan gaussian). Selanjutnya, model dicocokkan ke dalam data (fitting the model) menggunakan Maximum likelihood estimation (MLE) untuk menaksir parameter model dengan algoritma ekspektasi-maksimalisasi (EM). Pemilihan model terbaik dievaluasi dari skor akaike information criterion (AIC) dan bayesian information criterion (BIC). Permasalahan penentuan jumlah cluster diselesaikan secara bersamaan dengan memilih model terbaik. Pada akhirnya, CWM dapat digunakan untuk meningkatkan pemahaman tentang perilaku pemegang polis dan karakteristik risikonya yang dihasilkan di setiap cluster. Penerapan metode ini diilustrasikan pada data asuransi mobil di Prancis.
In an effort to control the amount of loss, modeling the severity of claims is one way that is often done by insurance companies. There are several ways to model claim severity, one of which is a generalized linear model. However, the simple fact that every policyholder is not the same is often overlooked because the results obtained are only presented for the "average" policyholder. This potential for variability reflected in insurance data can be identified by classifying policyholders into different groups. So that the different behavior of each group allows insurance companies to develop strategies to control the amount of losses. In practice, the model often used for grouping is the finite mixture model, with each group being modeled with its own probability density function (pdf). One of the flexible finite mixture model families for random vectors consisting of a response variable and a set of covariates adjusted for their common distribution is the cluster-weighted model (CWM). CWM is a linear combination between the marginal distribution of the covariates and the conditional distribution of the responses given by the covariates. The conditional distribution on CWM is assumed to belong to the exponential family and the covariates are allowed mixed types, namely discrete and continuous (assumed to be gaussian). Next, the model is fitted to the data (fitting the model) using Maximum likelihood estimation (MLE) to estimate the model parameters with the expectation-maximization (EM) algorithm. Selection of the best model was evaluated from the Akaike information criterion (AIC) and Bayesian information criterion (BIC) scores. The problem of determining the number of clusters is solved simultaneously by selecting the best model. In the end, CWM can be used to increase understanding of policyholder behavior and the resulting risk characteristics in each cluster. The application of this method is illustrated in data on auto insurance in France."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2022
S-pdf
UI - Skripsi Membership Universitas Indonesia Library
Nadhya Fadlillah
"
ABSTRAK Di Indonesia, Jaminan Kesehatan Nasional merupakan salah satu program jaminan sosial berupa perlindungan kesehatan, yang diselenggarakan oleh Badan Penyelenggara Jaminan Sosial BPJS Kesehatan dan wajib diikuti oleh seluruh rakyat Indonesia. Salah satu sistem pembayaran yang digunakan untuk klaim-klaim yang berasal dari fasilitas kesehatan seperti rumah sakit adalah Indonesia-Case Based Groups INA-CBGs , yaitu sistem pembayaran prospektif yang ditetapkan berdasarkan pengelompokkan diagnosis dan prosedur, tanpa memperhitungkan jenis dan jumlah pelayanan kesehatan yang diberikan. Penelitian ini bertujuan untuk memodelkan aggregate klaim pada pelayanan kesehatab rawat inap kelas III di rumah sakit dengan menggunakan model Compound, yang terdiri dari model besar klaim yang diperoleh dari besar biaya yang dikeluarkan oleh rumah sakit selama proses pemberian pelayanan kesehatan dengan menggunakan distribusi gamma sebagai kasus khusus dari Generalized Linear Models GLM . Sedangkan model frekuensi klaim diperoleh dari banyaknya kejadian yang terjadi pada setiap kelompok kasus dengan menggunakan regresi Poisson sebagai kasus khusus dari Generalized Linear Models GLM . Data yang digunakan dalam penelitian ini adalah data klaim pelayanan rawat inap kelas III selama tahun 2014 pada salah satu rumah sakit tipe D di Regional V. Dalam model frekuensi klaim, faktor-faktor yang secara signifikan mempengaruhi antara lain adalah kode INA-CBGs, kategori umur pasien dan kategori cara pulang pasien. Sedangkan faktor faktor yang secara signifikan mempengaruhi model besaran klaim adalah kode INA-CBGs, jenis kelamin, kategori umur pasien dan kategori cara pulang pasien.
ABSTRACT In Indonesia, national health insurance is a social security program for health protection, held by Social Security Institution of Health and all Indonesian people must be participated in it. The payment system that used to pay claim for health facilities such as hospital is Indonesia Case Based Groups INA CBGs , i.e. prospective payment system which set from diagnose, procedure, and severity level grouping, without counting the kinds and amount of health services provided. Case Based Groups CBGs is the way patient care is paid, based on diagnosis and procedure, which will be relatively the same amount. This research aims to construct the total loss model for inpatients who have services in hospital using compound model, where its claim cost model for every cases constructed from the amount of the tariff issued by hospital during the treatment period using Gamma regression as a special case of Generalized Linear Models GLM and give the result that the influence factor are category of inpatient disease INA CBGs code , sex, category of age, and last status of inpatient category. While, frequency claim model constructed from frequency case groups happened in hospital using GLM Poisson and the factor that influence are category of inpatient disease INA CBGs code , sex, category of age, and last status of inpatient category. The data used in this research is inpatient claim data during 2014 in a D type hospital on Regional V."
Depok: Universitas Indonesia, 2017
S66201
UI - Skripsi Membership Universitas Indonesia Library
Hanif Azzayra Daniswara
"Dalam rangka menghindarkan perusahaan asuransi dari adverse selection, aktuaris perlu memprediksi tingkat risiko pada individu tertanggung. Adapun tingkat risiko individu dapat dipandang sebagai variabel ordinal. Pada penelitian ini, tingkat risiko pada skala ordinal diprediksi melalui pendekatan model linear terampat/generalized linear model (GLM), yaitu ordered stereotype model (OSM) yang merupakan salah satu jenis regresi logistik ordinal. OSM memungkinkan estimasi jarak (spacing) yang berbeda-beda antartingkat risiko ordinal dengan adanya penambahan parameter skor, di mana fitur unik ini tidak ditemukan pada model regresi ordinal lainnya. Pengetahuan akan spacing yang berbeda-beda antartingkat risiko membuka jalan untuk melakukan evaluasi terkait struktur pengelompokan tingkat risiko pada data asuransi yang seharusnya bersesuaian dengan pola faktor-faktor risikonya. Mengingat implementasi OSM yang masih jarang khususnya di bidang asuransi umum, penelitian ini mengaplikasikan model tersebut pada data klaim asuransi kendaraan bermotor di Prancis yang diakses dari CASdatasets pada perangkat lunak RStudio. Adapun tingkat risiko sebagai variabel respon disusun berdasarkan severitas klaim yang dipartisi menjadi beberapa kelompok secara ordinal. Penelitian ini pertama-tama menjelaskan terlebih dahulu bagaimana OSM dikonstruksi dari model dasarnya yaitu baseline-category logit model. Parameter model diestimasi dengan metode maximum likelihood, yang kemudian dibantu dengan metode iteratif dua langkah dan metode Newton-Raphson. Selanjutnya, hasil pengujian asumsi ordinal model menggunakan statistik uji rasio likelihood menunjukkan bahwa pengadaan tren ordinal pada OSM yang merupakan modifikasi dari baseline-category logit model adalah suatu langkah yang signifikan. Terakhir, dengan membandingkan hasil perhitungan Akaike’s information criterion (AIC) dan Bayesian information criterion (BIC) antara OSM dengan model regresi logistik ordinal lain (pada penelitian ini dipilih proportional odds model), diperoleh kesimpulan bahwa OSM adalah model terbaik.
In the context of mitigating adverse selection in insurance companies, actuaries are required to predict the risk levels associated with insured individuals. The ordered stereotype model (OSM) facilitates the estimation of distinct spacings between ordinal risk levels by introducing an additional score parameter. This feature distinguishes OSM from other ordinal logistic regression models. Knowledge of non-equal spacings among ordinal risk levels provides a basis for evaluating the structure of risk level groupings in insurance data, which should align with the patterns of its risk factors. In this research, OSM is applied to a French motor claims data sourced from CASdatasets and processed using the RStudio software. OSM is initially constructed through the modification of the baseline-category logit model. Model parameters are then estimated using the maximum likelihood method, supplemented by iterative two-step and Newton-Raphson methods. Likelihood ratio test statistics demonstrate that the incorporation of ordinal trends in OSM, as a modification of the baseline-category logit model, represents a statistically significant advancement. Finally, through a comparative analysis of Akaike's Information Criterion (AIC) and Bayesian Information Criterion (BIC) calculations between OSM, the baseline-category logit model, and the proportional odds model, it is deduced that OSM stands out as the superior model for predicting the risk levels of insured individuals."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership Universitas Indonesia Library
Nurul Haliza Amalia Putri
"Penentuan premi secara tepat merupakan tugas penting bagi perusahaan asuransi. Penentuan premi pada asuransi non-jiwa dihitung dari estimasi kerugian agregat yang didasari pada frekuensi (banyaknya) klaim dan severitas (besarnya) klaim. Kerugian agregat dapat diestimasi dengan model risiko kolektif yang mengasumsikan bahwa frekuensi klaim dan severitas klaim saling bebas. Pada praktiknya, ditemukan kondisi di mana frekuensi klaim dan severitas klaim saling bergantung (dependen). Untuk menghasilkan penentuan premi yang akurat, ketergantungan antara frekuensi klaim dan severitas klaim perlu diperhatikan. Dalam penelitian ini dilakukan pemodelan dependensi frekuensi klaim dan rata-rata severitas klaim menggunakan copula karena fleksibilitasnya dalam membangun distribusi bersama dari dua variabel acak yang dapat berasal dari distribusi berbeda. Pada beberapa kasus ditemukan bahwa besar kerugian juga dipengaruhi oleh beberapa faktor risiko (kovariat). Salah satu metode dalam membangun distribusi bersama dari dua variabel acak yang berasal dari distribusi berbeda dengan memerhatikan kovariat adalah dengan menggunakan model copula berbasis regresi. Hal tersebut dilakukan dengan mengkonstruksi dua Generalized Linear Model (GLM) terlebih dahulu, yaitu dengan variabel respons frekuensi klaim dan rata-rata severitas klaim. Kemudian model copula berbasis regresi berperan dalam menghubungkan kedua GLM dari frekuensi klaim dan rata-rata severitas klaim. Penelitian ini menggunakan pendekatan lain yaitu dengan menggunakan variabel acak kontinu waktu tunggu antar klaim sebagai representasi dari frekuensi klaim, sehingga aspek yang diperhatikan bukan hanya banyaknya klaim yang terjadi namun juga kapan klaim tersebut terjadi. Copula yang digunakan ialah copula Gaussian dan parameter dependensi diestimasi menggunakan metode Inference Function for Margin (IFM). Berdasarkan implementasi pemodelan dependensi antara frekuensi klaim dan rata-rata severitas klaim berdasarkan waktu tunggu antar klaim pada data ausprivauto0405, diperoleh informasi bahwa terdapat ketergantungan positif antara frekuensi klaim dengan rata-rata severitas klaim. Dari implementasi model yang sudah dibentuk pun diperoleh bahwa nilai ekspektasi total kerugian yang dihitung berdasarkan asumsi dependensi antara frekuensi klaim dan rata-rata severitas klaim lebih besar dibandingkan dengan nilai ekspektasi total kerugian berdasarkan asumsi independensi.
Determining the accurate premium is a crucial task for insurance companies. The determination of non-life insurance premium is calculated from the aggregate loss estimation based on claim frequency and claim severity. Aggregate losses can be estimated with a collective risk model that assumes independence between claim frequency and claim severity. In practice, there are found conditions where claim frequency and claim severity are dependent. To achieve an accurate premium determination, the dependence between claim frequency and claim severity needs to be considered. This research applies dependence modelling using copula due to its flexibility in costructiong a joint distribution of two random variables that may originate from different distributions. In some cases, the amount of losses is also influenced by several risk factors (covariates). One method for constructing a joint distribution of two random variables from different distributions while considering covariates is to use a copula-based regression model. This is done by constructing two Generalized Linear Models (GLM), one for claim frequency and another one for average claim severity. Then the copula-based regression model plays a role in connecting the two GLMs of claim frequency and average claim severity. This research introduces an alternative approach by using a continuous random variable, waiting time between claims, as a representation of claim frequency. This approach considers not only the number of claims but also the time when these claims occur. The copula used is a Gaussian copula and the dependen parameter is estimated using the Inference Functions for Margin (IFM) method. Based on the implementation of dependency modeling between claim frequency and average claim severity based on waiting time between claims on ausprivauto0405 data, it is obtained that there is a positive dependency between claim frequency and average claim severity. The implemented model also reveals that the total expected loss calculated based on the assumption of dependence between claim frequency and average claim severity is higher than the total expected loss under the independence assumption."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership Universitas Indonesia Library
