Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKSuatu proses {Z_t,t=0,1,2,...} memiliki model TAR(1), yaitu adalah koefisien parameter dan α_t merupakan variabel acak yang iid dengan mean 0. Petrucelli dan Woolford (1984) memberikan kondisi ergodik pada model TAR(1)dan estimasi parameter yang dapat diperoleh melalui metode least square.Simulasi dilakukan dengan membangkitkan α_t dan Z_t secara acak, serta dilakukan pada nilai-nilai parameter tertentu.

---

ABSTRACT

A process {Z_t,t=0,1,2,...} has TAR(1) model that is parameter coefficients and α_t are a sequence of iid random variables with mean 0. Petrucell and Woolford (1984) gave an ergodic condition on TAR(1) model and parameter estimation using least square method. Simulation are done using generated κ_t and Z_t with some different values of parameter."

"Ibu Kota memiliki peran penting dalam menggambarkan seberapa besar kekuatan politik, kultural, dan ekonomi suatu negara. Apabila Ibu Kota suatu negara memiliki banyak masalah yang tidak terselesaikan, permasalahan tersebut dapat menjadi faktor–faktor yang memengaruhi suatu negara memindahkan Ibu Kotanya. Setelah ditelusuri, terdapat banyak negara yang pernah memindahkan Ibu Kotanya termasuk Indonesia. Tujuan dari penelitian ini adalah untuk membentuk model dan menganalisis faktor–faktor yang memengaruhi negara–negara di dunia memindahkan Ibu Kota dengan data yang mengandung masalah: 1. Outlier, 2. Missing values, 3. Data tak seimbang, 4. Multikolinearitas. Jika data mengandung masalah, maka model yang terbentuk menjadi tidak representatif dan sulit untuk diinterpretasikan. Sehingga diperlukan metode yang dapat digunakan untuk menangani 4 (empat) masalah tersebut, yaitu berturut-turut: 1. Quantile–Based Flooring Capping, 2. K–Nearest Neighbor, 3. Adaptive Synthetic (ADASYN), dan 4. Menerapkan model Least Absolute Shrinkage and Selection Operator (LASSO) pada regresi logistik. Hasilnya menunjukkan bahwa faktor yang memengaruhi suatu negara memindahkan Ibu Kotanya adalah ukuran populasi di Ibu Kota, populasi negara, luas area (km2), Usia Negara, sistem pemerintahan, Income Category, dan Sedangkan faktor yang tidak masuk ke dalam model yaitu Gross Domestic Product (GDP), Logistic Performance Index (LPI) Score, Regulatory Quality Index, dan E–Government Development Index adalah prediktor yang mengalami multikolinearitas, sehingga model LASSO pada regresi logistik berhasil menyusutkan prediktor tersebut menjadi 0. Adapun model akhir dari Least Absolute Shrinkage and Selection Operator (LASSO) pada regresi logistik yang diperoleh adalah g(x) = 0,3399 – 0,8019 POP_CITY + 3,5925 POP_COUNTRY + 0,3406 AREA – 0,0156 AIRPOL + 0,0679 GEI + 0,8351 PS_AVT – 0,5682 GOV_EFFECT – 1,8643 AGE – 0,7043 SYSTEM_A – 1,4408 SYSTEM_B – 0,7036 INCOME_A – 0,5272 INCOME_B – 3,7404 INCOME_C – 0,9489 ARCHIPELAGO.

---

The capital city plays an important role in portraying how much political, cultural and economic power a country has. If the capital city has many unresolved problems, these problems can become factors that influence the country to move its capital city. After being traced, there are many countries that have moved their capital cities, including Indonesia. The purpose of this study is to model and analyze the factors that influence countries in the world to move its capital city with data containing problems: 1. Outliers, 2. Missing values, 3. Imbalanced data, 4. Multicollinearity. If the data contains these problems, the model formed becomes unrepresentative and difficult to interpret. Therefore, the methods that can be used to handle these 4 (four) problems, respectively: 1. Quantile-Based Flooring Capping, 2. K-Nearest Neighbor, 3. Adaptive Synthetic (ADASYN), and 4. Applying the Least Absolute Shrinkage and Selection Operator (LASSO) model in logistic regression. The results showed that the factors that influence a country to move its capital city are population size in the capital city, country population, area (km2), air pollution level (mg/m3), Global Entrepreneurship Index (GEI), Political Stability and No Violence/Terrorism Index, Government Effectiveness Index, Country Age, government system, Income Category, and whether a country is an archipelago or not. While the factors that did not enter the model, namely the Gross Domestic Product (GDP), Logistic Performance Index (LPI) Score, Regulatory Quality Index, and E-Government Development Index were predictors that experienced multicollinearity, so the LASSO model in logistic regression successfully shrinks these predictors to 0. The final Least Absolute Shrinkage and Selection Operator (LASSO) model in logistic regression obtained is g(x) = 0,3399 – 0,8019 POP_CITY + 3,5925 POP_COUNTRY + 0,3406 AREA – 0,0156 AIRPOL + 0,0679 GEI + 0,8351 PS_AVT – 0,5682 GOV_EFFECT – 1,8643 AGE – 0,7043 SYSTEM_A – 1,4408 SYSTEM_B – 0,7036 INCOME_A – 0,5272 INCOME_B – 3,740"

"COVID-19 adalah penyakit yang disebabkan oleh virus SARS-CoV-2 dan menyerang sistem pernapasan manusia. Selain menganggu kesehatan fisik, pandemi COVID-19 juga memberikan dampak psikologis, salah satunya adalah tingkat stres yang meningkat pada masyarakat. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang berasosiasi dengan tingkat stres pada pandemi COVID-19. Dalam mencapai tujuan tersebut, penelitian ini menggunakan metode classification tree dan regresi logistik multinomial. Sebelum melakukan proses identifikasi faktor menggunakan classification tree, dilakukan penanganan masalah imbalance data menggunakan metode SMOTE. Selanjutnya, dilakukan kuantifikasi risiko faktor-faktor yang teridentifikasi pada classification tree menggunakan analisis regresi logistik multinomial. Kinerja model diukur menggunakan nilai precision, recall, F1-Score, dan AUC. Hasil yang diperoleh adalah model classification tree dengan penanganan imbalance data menggunakan SMOTE dapat meningkatkan kinerja model dengan nilai precision 0,5980, nilai recall 0,8653, nilai F1-Score 0,7072, dan AUC 0,702. Dengan model tersebut, didapatkan faktor-faktor yang teridentifikasi berasosiasi dengan tingkat stres pada pandemi COVID-19 adalah Total_OECDInsititutions, Total_CoronaConcerns, dan Age. Peningkatan nilai Corona Concerns cenderung memberikan risiko peningkatan tingkat stres, sedangkan peningkatan nilai OECDInsititutions dan Age cenderung memberikan risiko penurunan tingkat stres.

---

COVID-19 is a disease caused by the SARS-CoV-2 virus that attacks the human respiratory system. In addition to disrupting physical health, the COVID-19 pandemic also has psychological impacts, one of which is an increased level of stress. This study aims to identify factors associated with the level of stress during the COVID-19 pandemic. The study employs the classification tree method and multinomial logistic regression. Prior to the factor identification process using the classification tree, the issue of imbalanced data is addressed using the SMOTE method. Subsequently, the quantification of risk factors identified in the classification tree is conducted using multinomial logistic regression analysis. The model's performance is measured using precision, recall, F1-score, and AUC values. The results obtained indicate that the classification tree model with the handling of imbalanced data using SMOTE can improve model performance, with a precision value of 0,5980, recall value of 0,8653, F1-score value of 0,7072, and AUC value of 0,702. With this model, the identified factors associated with the level of stress during the COVID-19 pandemic are Total_OECDInstitutions, Total_CoronaConcerns, and Age. An increase in Corona Concerns tends to pose a risk of increased stress levels, while an increase in OECD Institutions and Age tends to pose a risk of decreased stress levels."

"Kepuasan hidup merupakan hal penting dalam kehidupan yang mencakup banyak aspek antara kualitas hidup individu secara keseluruhan, kebahagiaan, kesejahteraan dan berkaitan dengan berbagai aspek kehidupan seperti pekerjaan, hubungan, dan kesehatan. Penelitian ini membahas tentang analisis faktor-faktor yang menjelaskan kepuasan hidup pada mahasiswa di Pulau Jawa dan Pulau Sumatera. Dua pulau dengan pesebaran mahasiswa Indonesia terbanyak, yakni Pulau Jawa dan Pulau Sumatera dengan total mahasiswa sebanyak 5.951.663 mahasiswa. Penelitiian ini bertujuan untuk meneliti faktor-faktor yang signifkan menjelaskan kepuasan hidup mahasiswa di Pulau Jawa dan Pulau Sumatera. Adapun faktor yang diduga menjelaskan kepuasan hidup mahasiswa di Pulau Jawa dan Pulau Sumatera adalah dukungna sosial, harga diri, rasa syukur, kecanduan ponsel pintar, IPK, pendapatan, jenis kelamin, usia, domisili, dan rumpun studi. Metode statistik yang digunakan dalam penelitian ini adalah metode Partial Least Square (PLS) untuk meneliti faktor-faktor yang signifikan menjelaskan kepuasan hidup mahasiswa di Pulau Jawa dan Pulau Sumatera, serta metode Analisis Korespondensi berganda untuk meneliti karakteristik mahasiswa berdasarkan tingkat kepuasan hidupnya. Hasil akhir dari penelitian ini diperoleh bahwa faktor-faktor yang menjelaskan kepuasan hidup mahasiswa di Pulau Jawa dan Pulau Sumatera, yakni dukungan sosial, harga diri, IPK, kecanduan ponsel pintar, dan pendapatan. Hasil penelitian ini diharapkan dapat digunakan untuk diimplentasikan guna meningkatkan kepuasan hidup, baik untuk diri sendiri, keluarga, ataupun mahasiswa didik.

---

Life satisfaction is an important thing in life that includes many aspects between an individual's overall quality of life, happiness, well-being and is related to various aspects of life such as work, relationships, and health. This study discusses the analysis of factors that explain life satisfaction in college students on Java Island and Sumatra Island. Two islands with the largest distribution of Indonesian students, namely Java Island and Sumatra Island with a total of 5,951,663 students. This research aims to examine the factors that significantly explain the life satisfaction of college students on Java Island and Sumatra Island. The factors that are thought to explain college student life satisfaction on Java Island and Sumatra Island are social support, self-esteem, gratitude, smartphone addiction, GPA, income, gender, age, domicile, and study group. The statistical method used in this study is the Partial Least Square (PLS) method which is used to examine the factors that significantly explain the life satisfaction of college students on Java Island and Sumatra Island combined with Multiple Correspondence Analysis method will be used to examine the characteristics of students based on their level of life satisfaction. The result of this study shows that social support, self-esteem, GPA, smartphone addiction, and income explain the life satisfaction of students in Java and Sumatera Islands.The result of this study is expected to be used to be implemented to increase life satisfaction, both for oneself, family, or students."

"Seiring meningkatnya tren kecelakaan kerja selama periode 2007-2017 serta berjalannya kembali kegiatan usaha secara normal pascapandemi COVID-19, lini usaha asuransi kompensasi pekerja menjadi sangat potensial untuk dikembangkan. Sebagai komponen penting dalam model bisnis asuransi, severitas klaim perlu diprediksi seakurat mungkin karena berpengaruh terhadap penetapan tarif premi bagi tertanggung serta bermanfaat dalam mekanisme pengamatan klaim selama proses penyelesaian klaim. Proses prediksi ini dikategorikan sebagai masalah regresi yang biasanya ditangani oleh model-model pembelajaran mesin untuk data tabular. Namun dalam perkembangan studi pembelajaran mesin, terdapat upaya untuk memanfaatkan model Convolutional Neural Network (CNN) untuk melakukan prediksi terhadap data tabular dengan cara mentransformasikan data tersebut ke dalam representasi gambarnya, salah satunya melalui algoritma Image Generator for Tabular Data (IGTD). Penelitian ini bertujuan untuk menguji akurasi model CNN berbasis algoritma IGTD dalam memprediksi klaim asuransi kompensasi pekerja serta membandingkan performa model tersebut dengan model Multi-Layer Perceptron, Random Forest, serta eXtreme Gradient Boosting. Hasil simulasi dengan metode repeated holdout sebanyak lima iterasi menunjukkan bahwa model CNN dapat memprediksi klaim dengan baik meskipun secara umum belum mampu menyaingi model-model non-CNN secara signifikan.

---

Along with the increasing trend of work accidents during 2007-2017 period as well as the resumption of business activities normally after the COVID-19 pandemic, the workers’ compensation insurance business line has great potential to be developed. As an important component in the insurance business model, the claim severity needs to be predicted as accurate as possible because it affects the determination of premium rates for the insured and is useful in the claim watching mechanism during the claim settlement process. This prediction process is categorized as a regression problem which is usually handled by machine learning models for tabular data. However, in the development of machine learning studies, there are emerging efforts to utilize the Convolutional Neural Network (CNN) model to predict tabular data by transforming the data into its image representation, one of which is through Image Generator for Tabular Data (IGTD) algorithm. This study aims to test the accuracy of the CNN model based on the IGTD algorithm in predicting workers’ compensation insurance claims and to compare the model performance with the Multi-Layer Perceptron, Random Forest, and eXtreme Gradient Boosting models. The simulation result using the repeated holdout method for five iterations shows that the CNN model can well predict the claims, although in general, it has not been able to significantly compete with non-CNN models."

"Dunia sedang mengalami pandemi Covid-19 karena CoronaVirus yang pertama kali muncul di Wuhan, China. Pandemi ini sudah berlangsung sejak 2020 awal dan berlanjut hingga skripsi ini dibentuk (Juni 2022). Banyak kehidupan yang berubah semenjak pandemi ini berlangsung diantaranya adalah berubahnya pola pembelajaran. Dari yang sebelum pandemi pembelajaran dilaksanakan di dalam ruang kelas, dan saat pandemi pembelajaran dilaksanakan secara daring/online. Penelitian ini akan membahas apakah terdapat pengaruh pandemi Covid-19 ini terhadap biaya untuk menjalani studi S2 di luar negeri. Kemudian, akan dilakukan pemetaan untuk tiap negara berdasarkan kelompok yang terbentuk dari teknik clustering. Adapun komponen harga yang digunakan adalah biaya spp atau tuition fee per tahun, biaya pembuatan visa pelajar, biaya transportasi satu arah, biaya sewa tempat tinggal per tahun, biaya hidup per tahun, dan total biaya studi S2 yang merupakan penjumlahan ke 5 komponen sebelumnya dengan memperhatikan waktu 2 tahun. Teknik yang akan digunakan dalam penelitian ini adalah uji perbedaan dua populasi dan Clustering K-Means. Sebelumnya, dilakukan terlebih dahulu uji normalitas untuk menentukan uji yang akan dipakai. Didapatkan hasil uji normalitas Kolmogorov Smirnov bahwa data tidak berdistribusi normal, sehingga penelitian akan dilanjutkan menggunakan teknik Wilcoxon signed rank test atau Sign Test. Didapatkan dari hasil uji tiap variabel bahwa keenam komponen harga yang diteliti mengalami perubahan harga yang signifikan dari periode sebelum pandemi ke saat pandemi. Kemudian, dilakukanpen gelompokkan dengan teknik K-Means Clustering dan dibentuklah peta dunia dari hasil pengelompokkan sebelumnya.

---

The world is on Covid-19 pandemic that are caused is CoronaVirus that first appeared in Wuhan, China. This pandemic has been going since early 2020 and continuing till now (June 2022). There are so many lifestyle changes since this pandemic happened, like study environment alteration. From attending classes before pandemic, to attending online classes when pandemic. This research will examine if Covid-19 pandemic affects master degree study costs outside of Indonesia. Then, a map will be made from K-Means Clustering method results. The price components that are used in this research are tuition fee per year, cost of making student visa, one way transportation cost, living cost per year, rent fee per year, and total cost for master study which is the sum of the 5 components before for 2 years duration. The technique that will be used on this research are population difference test. Before doing it, we need to do a normality test first to determine what test will be used. Obtained from Kolmogorov Smirnov test that the data are not normally distributed, hence this research will be continued using Wilcoxon Signed rank test or Sign Test. Acquired from the test that all six cost components change significantly from before pandemic period to in pandemic period. After that, K-Means clustering method will be done and the result will be used for making the map."

"Angka kematian bayi (AKB) didefinisikan sebagai jumlah kematian bayi di bawah usia satu tahun per 1000 kelahiran hidup pada satu tahun tertentu. Angka kematian bayi merupakan salah satu indikator penting yang dapat mencerminkan derajat kesehatan suatu masyarakat. Target angka kematian bayi pada Sustainable Development Goals (SDGs) yang berlaku sejak tahun 2015 sampai tahun 2030 adalah 12 kematian per 1000 kelahiran hidup. Berdasarkan hasil long form sensus penduduk BPS, AKB di Indonesia tahun 2022 adalah 17 kematian per 1000 kelahiran hidup, angka tersebut masih tergolong tinggi apabila dibandingkan dengan beberapa negara di ASEAN. Angka kematian bayi dipengaruhi oleh beberapa variabel. Analisis mengenai variabel-variabel yang memengaruhi AKB dapat dilakukan dengan analisis regresi linier klasik. Namun, nilai pengamatan seperti AKB dan variabel-variabel yang memengaruhinya memuat informasi lokasi (spasial), sehingga seringkali terjadi ketergantungan spasial antar pengamatan yang mengakibatkan asumsi saling bebas pada model regresi linier tidak terpenuhi. Oleh karena itu, pemodelan dapat dilakukan dengan menggunakan model regresi spasial yang memperhatikan keterkaitan antar lokasi. Tujuan dari penelitian ini adalah menganalisis ketergantungan spasial pada data AKB di  Pulau Jawa dan memodelkan AKB di Pulau Jawa tahun 2022 menggunakan General Nesting Spatial Model (GNSM) untuk menganalisis variabel-variabel yang memengaruhinya. Hasil uji autokorelasi spasial menggunakan uji Moran’s I menyimpulkan bahwa terdapat autokorelasi spasial pada variabel terikat (AKB), variabel bebas, dan pada residual model regresi linier. Berdasarkan nilai AIC dan, diperoleh kesimpulan General Nesting Spatial Model (GNSM) lebih baik dalam memodelkan Angka Kematian Bayi (AKB) di Pulau Jawa tahun 2022 dibandingkan Spatial Durbin Model (SDM) dan General Spatial Model(GSM).

---

Infant mortality rate (IMR) is defined as the number of deaths of infants under one year of age per 1000 live births in a given year. Infant mortality rate is one of the important indicators that can reflect the health level of a community. The infant mortality target in the Sustainable Development Goals (SDGs) that apply since 2015 to 2030 is 12 deaths per 1000 live births. Based on the results of the BPS long form population census, the IMR in Indonesia in 2022 is 17 deaths per 1000 live births, which is still relatively high compared to several countries in ASEAN. Infant mortality rates are influenced by several variables. Analysis of the variables that influence IMR can be done with classical linear regression analysis. However, observation values such as IMR and the variables that affect it contain location (spatial) information, so there is often spatial dependence between observations which results in the assumption of mutual independence in linear regression models not being met. Therefore, modeling can be done using spatial regression model that considers the interrelationships between locations. The purpose of this study is to analyze the spatial dependence of IMR data in Java Island and model IMR in Java Island in 2022 using the General Nesting Spatial Model (GNSM) to analyze the variables that affect it. The results of the spatial autocorrelation test using Moran's I test concluded that there is spatial autocorrelation in the dependent variable (IMR), independent variables, and in the residuals of the linear regression model. Based on the AIC and  values, it is concluded that General Nesting Spatial Model (GNSM) is better in modeling the Infant Mortality Rate (IMR) in Java Island in 2022 than Spatial Durbin Model (SDM) and General Spatial Model (GSM)."

"Skripsi ini menggunakan model market Black-Scholes yang dimodifikasi dengan volatilitas stokastik yang dipengaruhi oleh proses Ornstein-Uhlenbeck untuk menentukan harga European option, baik call option maupun put option. Model dikonstruksi dari kasus umum sampai kasus khusus, yaitu harga aset dan volatilitas adalah proses yang tidak saling berkorelasi. Solusi analitik dari harga European option diturunkan untuk kasus khusus dari model market yang dilengkapi minimal martingale measure dengan menggunakan inverse transformasi bilateral Laplace. Eksistensi dan uniqueness dari inverse transformasi bilateral Laplace dari fungsi probabilitas dianalisis terlebih dahulu sebelum menggunakan transformasi integral tersebut untuk menurunkan solusi analitik. Skripsi ini juga membahas bentuk alternatif dari solusi analitik harga European option dengan menggunakan inverse alternatif Post-Widder.

---

This undergraduate thesis consider the modified Black-Scholes model of financial market with stochastic volatility driven by Ornstein-Uhlenbeck process to price a European option, both call option and put option. The model is constructed from general case to special case, in which asset price and volatility are uncorrelated process. The analytic solution of European option price formula is derived for the special case of the market with respect to the minimal martingale measure using inverse bilateral Laplace transform. Existence and uniqueness of inverse bilateral Laplace transform with respect to probability function will be analyzed before using the integral transform to derive the analytic solution. This undergraduate thesis also provides an alternative form of analytic solusion of the European option price formula using Post-Widder inversion formula."

"

Penelitian ini membahas konstruksi distribusi Marshall-Olkin-Kumaraswamy-Eksponensial (MOKw-E), yang merupakan kombinasi distribusi Marshall-Olkin (MO) dan Kumarawasmy-Eksponensial (Kw-E). Distribusi ini dikenal sebagai model fleksibel yang dapat diaplikasikan untuk data dengan berbagai bentuk distribusi. Estimasi parameter dilakukan menggunakan Maximum Likelihood Estimation (MLE) dengan bantuan dua metode numerik, yaitu metode Nelder-Mead dan metode Gradien Konjugat Fletcher Reeves. Kedua metode ini banyak digunakan dalam penyelesaian permasalahan optimasi karena memiliki tingkat efisiensi yang tinggi dengan komputasi yang sederhana tetapi memberikan hasil yang akurat. Kedua metode ini akan dibandingkan dengan melihat nilai Mean Squared Error (MSE) yang merupakan suatu metrik untuk melihat seberapa cocok model dengan data yang digunakan. Terakhir, model yang dikembangkan diaplikasikan pada data severitas klaim asuransi pengangguran untuk menunjukkan kemampuan model dalam memodelkan data severitas klaim. Model tersebut akan dibandingkan dengan model yang dibangun dari distribusi Kw-E dengan melihat nilai Akaike Information Criteria (AIC) dan Bayessian information criteria (BIC) untuk menunjukan bahwa model yang dikembangkan lebih baik dibandingkan model asalnya.

---

This research discusses the construction of the Marshall-Olkin-Kumaraswamy-Exponential (MOKw-E) distribution, which is a combination of the Marshall-Olkin (MO) and Kumaraswamy-Exponential (Kw-E) distributions. This distribution is known as a flexible model applicable to data with various distribution shapes. Parameter estimation is performed using Maximum Likelihood Estimation (MLE) with the assistance of two numerical methods the Nelder-Mead method and the Conjugate Gradient Fletcher Reeves method. Both methods are widely used in solving optimization problems due to their high efficiency with simple computations yet accurate results. These methods will be compared by examining the Mean Squared Error (MSE) values, which is a metric to assess how well the model fits the data. Finally, the developed model is applied to unemployment insurance claim severity data to demonstrate the model's capability in representing severity claim data. The model will be compared with a model built from the Kw-E distribution by evaluating the Akaike Information Criteria (AIC) and Bayesian Information Criteria (BIC) values to show that the developed model is superior to the original model.

"

"

Premi adalah komponen yang penting dalam asuransi. Dikarenakan premi digunakan untuk menanggung kerugian pemegang polis, perusahaan asuransi memerlukan premi yang mengandung risk loading untuk memastikan perusahaan asuransi dapat menanggung kerugian pemegang polis secara keseluruhan. Salah satu penetapan premi yang mengandung risk loading akan diperkenalkan pada tugas akhir ini yang dinamakan Cumulative Residual Entropy (CRE) Premium Principle. CRE Premium Principle lebih baik dari TVaR karena dapat digunakan untuk setiap tingkat keamanan. Dapat ditunjukkan bahwa CRE Premium Principle juga memenuhi properti-properti yang diinginkan sebagai premi yang memadai bagi pemegang polis dan perusahaan asuransi seperti nonnegative risk loading, memiliki batas atas, koheren, dan adaptif terhadap ekor distribusi. Pada akhir penelitian ini, dilakukan simulasi numerik menggunakan CRE Premium Principle.

 

---

Premium is an important component in insurance. Since it is used to cover insured’s losses, insurer needs premium that consist risk loading for making sure that the premium can cover insured’s loss totally. One of the premium principles that consider risk loading will be introduced in this paper and it is called Cumulative Residual Entropy (CRE) Premium Principle. CRE Premium Principle is obtained by expecting the Tail-Value-at-Risk (TVaR). In other words, CRE Premium Principle is better than TVaR because it can be used for every security level. It can be shown that CRE Premium Principle is also satisfying desirable properties as an adequate premium for insured and insurer such as nonnegative risk loading, having an upper bound, coherent, and adaptive for heavy tailed distribution. In the end of this study, we build data to show how does CRE Premium Principle work.

"