Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 65 dokumen yang sesuai dengan query
cover
Raymond Tanujaya
Perhitungan agregat kerugian menggunakan generalized linear models dengan frekuensi dan severitas yang dependen = Loss calculation using generalized linear models for dependent frequency and severity claims
"ABSTRACT
Pada 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.
ABSTRACT
Loss 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
cover
Imitatio Kristo Konstantino
Desain asuransi optimal untuk kendaraan bermotor dengan sistem no-claim bonus = Optiamal insurance design for motor-insurance with a no-claim bonus system
"ABSTRACT
Perusahaan asuransi berperan penting memberikan proteksi terhadap segala kemungkinan kerugian bagi para nasabah pemilik kendaraan bermotor. Dalam asuransi kendaraan bermotor, terdapat sebuah sistem yang bernama no-claim bonus yang memberikan bonus pada kontrak berikutnya jika nasabah tidak melakukan claim selama kontrak berlangsung. Akibatnya, timbul masalah dimana nasabah akan dihadapkan pada pilihan untuk melaporkan atau tidak melaporkan lossnya, bergantung pada indemnitas yang didapat dan besar bonus yang ditetapkan. Untuk menghadapi masalah tersebut, diperlukan desain asuransi yang tepat agar nasabah dan perusahaan merasa tidak dirugikan. Tugas akhir ini membuat formula matematis yang dapat memaksimalkan ekspektasi kepuasaan nasabah terhadap konsumsi kekayaan pada kontrak asuransi tetapi tetap memberikan keuntungan pada perusahaan. Selanjutnya, menggunakan formula yang dibentuk, diuraikan beberapa kontrak asuransi yang dapat dibuat, bergantung pada besar premi dan bonus. Pada bagian akhir, dilakukan dua simulasi numerik, yaitu simulasi untuk menggambarkan perhitungan matematis yang dilakukan dan simulasi dalam menentukan produk nasabah.
ABSTRACT
Insurance companies have an important role in providing protection against all possible losses for customers who own motorized vehicle is very necessary. In motor vehicle insurance, there is a system called no-claim bonus that give bonus for the next contract if no claim has been made by the insured during his whole lifetime of the contract. As a result, the insured faces two choices, reporting or not reporting his loss, depends on his compensation and bonus. Thus, the optimal insurance design is needed so that insured and insurer do not experience losses. This thesis make a mathematical formula that maximize insured satisfication for his wealth consumption in insurance contract but still give benefit for the insurer. Next, several insurance contracts will be formed depend on the amount of premium and bonus. Then, two numerical simulations will be done in the end of this thesis. First is simulation to describe mathematical calculations and second is simulations in determining insured products."
2019
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Alfina Wijaya
Penentuan Tarif Premi Asuransi Kendaraan Bermotor menggunakan Generalized Additive Model Berdasarkan Jarak Tempuh dan Durasi Kontrak Asuransi = Calculation of Vehicle Insurance Premium Rates using Generalized Additive Model Based on Mileage and Insurance Policy Duration
"Premi adalah sejumlah uang yang ditetapkan oleh perusahaan asuransi atau perusahaan reasuransi dan disetujui oleh pemegang polis untuk dibayarkan. Hal tersebut sesuai dengan perjanjian asuransi atau perjanjian reasuransi. Dalam penetapan tarif premi asuransi kendaraan bermotor, perusahaan asuransi memperhitungkan eksposur risiko yang diterima kendaraan bermotor untuk mengestimasi jumlah klaim. Pada umumnya, perusahaan asuransi kendaraan bermotor hanya memperhitungkan faktor durasi kontrak asuransi dalam memperhitungkan eksposur risiko. Namun, pada kenyataannya terdapat faktor lain yang memengaruhi risiko terjadinya kecelakaan, salah satunya adalah jarak tempuh kendaraan. Faktor risiko jarak tempuh telah dipertimbangkan pada asuransi Pay-As-You-Drive (PAYD). Pada penelitian ini, dilakukan penghitungan eksposur risiko pada kendaraan bermotor dengan memperhitungkan jarak tempuh kendaraan dan durasi kontrak asuransi. Tujuannya adalah untuk melihat efek simultan yang dihasilkan oleh jarak tempuh dan durasi kontrak asuransi sebagai kovariat terhadap variabel respons jumlah klaim menggunakan Generalized Additive Model (GAM). GAM digunakan untuk menangkap kemungkinan adanya hubungan non-linear antara kovariat dengan variabel respons. Dalam penelitian ini, GAM dikonstruksi dengan cubic splines dan untuk mengestimasi koefisien model, digunakan metode Penalized Iteratively Reweighted Least Squares (PIRLS). Setelah koefisien model diestimasi, GAM dapat digunakan untuk memprediksi nilai frekuensi klaim. Nilai frekuensi tersebut dapat dimanfaatkan untuk menentukan relativitas harga premi terhadap reference premium. Reference premium adalah nilai premi yang diterapkan ketika diasumsikan tidak ada pengaruh dari kovariat. Selanjutnya, GAM diimplementasikan pada data klaim asuransi kendaraan bermotor untuk menentukan tarif premi.
Premium is an amount of money set by an insurance company or reinsurance company and agreed upon by the policyholder to be paid based on an insurance or reinsurance policy. In establishing premium rates for motor vehicle insurance, insurance companies consider the risk exposure associated with motor vehicles to calculate the estimated number of claims. Generally, motor vehicle insurance companies only consider the duration of the insurance contract when calculating risk exposure. However, there are other factors that influence the risk of accidents, one of which is the distance traveled by the vehicle. The mileage risk factor has been considered in Pay-As-You-Drive (PAYD) insurance. In this study, risk exposure in motorized vehicles was calculated by considering the distance traveled by the vehicle and the duration of the insurance contract. The objective is to examine the simultaneous effects of mileage and insurance contract duration as covariates on the response variable of claim amount using the Generalized Additive Model (GAM). GAM is used to capture the possibility of a non-linear relationship between the covariates and the response variable. In this study, GAM is constructed with cubic splines and to estimate the model coefficients, the Penalized Iteratively Reweighted Least Squares (PIRLS) method is used. Once the model coefficients are estimated, the GAM can be used to predict claim frequency values. The frequency value can be used to determine the relativity of the premium price to the reference premium. The reference premium is the premium value that is applied when it is assumed that there is no influence from covariates. Furthermore, GAM is implemented on motor vehicle insurance claim data to determine premium rates."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Jeffry Nuari
Perhitungan premi menggunakan cumulative residual entropy premium principle = Premium calculation using cumulative residual entropy premium principle / Jeffry Nuari
"

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.

"
2019
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Afida Nurul Hilma
Distribusi Zero-truncated Poisson-Lindley = Zero-truncated Poisson-Lindley Distribution
"ABSTRAK
Count data tidak selalu bersifat ekuidispersi. Sehingga, distribusi Poisson tidak dapat digunakan untuk memodelkan count data tersebut. Beberapa distribusi alternatif dari distribusi Poisson telah dikenalkan untuk memodelkan data overdispersi. Namun, distribusi tersebut memiliki kompleksitas yang lebih tinggi dalam jumlah parameter distribusi. Perlu dilakukan modifikasi pada distribusi Poisson agar distribusi yang terbentuk bisa merepresentasikan data overdispersi. Salah satu caranya yaitu dengan melakukan pencampuran distribusi antara distribusi Poisson dengan distribusi Lindley. Distribusi yang terbentuk yaitu distribusi Poisson-Lindley. Namun, distribusi Poisson-Lindley belum dapat mengatasi data underdispersi. Selain itu terdapat data asli yang tidak memiliki observasi bernilai nol. Dengan demikian, untuk mendapatkan distribusi yang lebih fleksibel agar lebih cocok dengan count data tersebut, perlu dilakukan modifikasi pada distribusi Poisson-Lindley dengan menerapkan metode zero-truncated. Distribusi baru yang terbentuk yaitu distribusi Zero-truncated Poisson-Lindley. Distribusi baru tersebut dapat mengatasi data yang tidak memiliki observasi bernilai nol dalam kondisi overdispersi maupun underdispersi. Dalam skripsi ini, didapat karakteristik dari distribusi Zero truncated Poisson-Lindley dan penaksiran parameter distribusi menggunakan metode maximum likelihood.
ABSTRACT
Not every count data has equal-dispersion. As a result, Poisson distribution is no longer appropriate to be used for count data modelling. Several distributions have been introduced to be used as an alternative to Poisson distribution on handling the over-dispersion in data. In general, the alternative distributions have higher complexity in the number of parameters. Modification needs to be done in Poisson distribution so that the distribution can represent the condition of the over-dispersion in data. By doing mixing Poisson and Lindley distribution, a new distribution called Poisson-Lindley is developed. However, Poisson-Lindley distribution cannot handle data that exhibits under-dispersion. On the other hand, there is real data that has no zero-count. Therefore, in order to obtain a more flexible distribution to fit count data that has no zero count, a modification needs to be done in Poisson Lindley distribution by applying a zero truncated method in Poisson-Lindley distribution. The newly formed distribution is named Zero-truncated Poisson Lindley distribution. It can handle the condition when the data has no zero-count both in over-dispersion and under-dispersion. In this paper, characteristics of Zero truncated Poisson Lindley distribution are obtained and estimate distribution parameters using the maximum likelihood method."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2019
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Derick Hendri
Peramalan harga saham dengan model hybrid ARIMA-GARCH dan metode walk forward = Forecasting stock price using hybrid ARIMA-GARCH model dan walk forward process.
"Pemodelan dan peramalan harga saham merupakan hal yang sangat penting bagi seorang investor. Harga saham selalu mengalami perubahan seiring berjalannya waktu. Perubahan ini tidak konstan dan sangat berdampak jika diabaikan karena hal tersebut dapat menimbulkan risiko kerugian. Banyak model yang sudah dibuat dengan tujuan untuk meminimalkan risiko kerugian tersebut. Pada penelitian ini, akan digunakan model ARIMA-GARCH untuk meramalkan volatilitas dalam harga saham. Alasan dari penggunaan gabungan kedua model tersebut adalah karena Model ARIMA saja tidak dapat menangani data dengan volatilitas besar dan yang non-linear. Maka, diharapkan bahwa penggunaan dari model gabungan ini dapat menangani masalah tersebut. Data harga saham yang digunakan pada penelitian ini adalah data harga penutupan dalam dua saham yang termasuk dari indeks LQ45. Pada penelitian ini, data tersebut akan dimasukkan kedalam model gabungan tersebut untuk mendapat peramalan di hari selanjutnya. Setelah itu, akan digunakan metode Walk Forward untuk mendapat semua hasil peramalannya. Dari hasil tersebut, didapat bahwa pengabungan dari ARIMA (1,1,1)-GARCH (1,1) memberikan perdiksi harga saham yang terbaik untuk kedua saham yang dipilih. Lalu, menggunakan hasil MAE dan RMSE dari saham, dapat disimpulkan bahwa model ARIMA-GARCH merupakan model yang dapat memprediksi harga saham dengan baik.
For an Investor, modelling and forecasting the stock prices are very important. Stock price fluctuate as time goes and these changes vary from one point of time to another. These changes can be really dangerous if ignored because the risk of loss it might create. Many models have been created with the purpose of minimizing the risk of loss. In this study, the ARIMA-GARCH model will be used to predict closing price in the stock prices which contain volatility. The reason for using the combination of the two models is due to ARIMA model unable to handle large volatility along with non-linear data. Thus, it is hoped the use of this combined model can solve this problem. The data that is used on this study is the closing price of 2 stocks that is part of the LQ45 index. In this research, the data will be used on the combined model to get the forecast price of the next day. Then, the rest of the forecast price will be found using a process called Walk Forward. After acquiring all the forecasted price, it is found that the combination of ARIMA (1,1,1)-GARCH (1,1) yield the best result in forecasting the stock prices. Then, by using MAE and RMSE to check the error of the results, it can be concluded that the ARIMA-GARCH model is a model that is able to predict stock prices well."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2021
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Ramzy Mohammad
Distribusi Generalized Exponential Marshall Olkin = Generalized Expoenential Marshall Olkin Distribution
"

Distribusi Generalized Exponential diperkenalkan oleh Rameshwar D. Gupta dan Debasis Kundu pada tahun 2007. Distribusi  Generalized Exponential tersebut merupakan hasil generalized distribusi Exponential. Skripsi ini menjelaskan distribusi  Generalized Exponential Marshall Olkin yang merupakan hasil dari perluasan distribusi Generalized Exponential menggunakan metode Marshall Olkin. Distribusi Generalized Exponential Marshall Olkin lebih fleksibel dari distribusi sebelumnya terutama pada fungsi hazardnya yang memiliki berbagai bentuk baik monoton (naik atau turun) maupun non monoton (bathub atau upside down bathup) sehingga dapat memodelkan data survival dengan lebih baik. Sifat fleksibelitas ini disebabkan karena penambahan parameter baru ke dalam distribusi Generalized Exponential. Selanjutnya dijelaskan beberapa karakteristik dari distribusi Generalized Exponential Marshall Olkin antara lain fungsi kepadatan peluang (fkp), fungsi distribusi kumulatif, fungsi hazard, momen ke-n, mean, dan variansi. Penaksiran parameter dilakukan dengan metode maximum likehood. Pada bagian aplikasi ditunjukkan data survival yang berasal dari data Aarset (1987) berdistribusi Generalized Exponential Marshall Olkin. Selanjutnya distribusi Generalized Exponential Marshall Olkin dibandingkan dengan distribusi Alpha Power Weibull untuk mencari distribusi mana yang lebih cocok dalam memodelkan data Aarset (1987). Dengan menggunakan AIC dan BIC distribusi Generalized Exponential Marshall Olkin lebih cocok dalam memodelkan data Aarset (1987).

 

Generalized Exponential distribution was introduced by Rameshwar D. Gupta and Debasis Kundu in 2007. Generalized Exponential distribution was generated by generalized transformation of the Exponential distribution. This thesis explained the Generalized Exponential Marshall-Olkin distribution which is the result of the expansion of the Generalized Exponential distribution using the Marshall-Olkin method. The Generalized Exponential Marshall-Olkin distribution has a more flexible form than the previous distribution, especially in its hazard function which has various forms that it can represent survival data better. The flexibility characteristic is due to the addition of new parameters to the Generalized Exponential distribution. Futhermore, some characteristics of the Generalized Exponential Marshall-Olkin distribution was explained such as, the probability density function(PDF), cumulative distribution function, survival function, hazard function, moment, mean, and variance. Parameter estimation was conducted by using the maximum likelihood method. In the application section was shown survival data from Aarset data (1987) which distributed Generalized Exponential Marshall-Olkin distribution. Futhermore, Generalized Exponential Marshall-Olkin distribution was compared with Alpha Power Weibull disstribution to decided theprominent distribution in modeling Aarset data (1987). Using AIC and BIC, Generalized Exponential Marshall-Olkin distribution more suitable in modeling Aarset data (1987).

"
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2020
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Fenny Hermawan
Distribusi Weighted Negative Binomial Poisson-Lindley = Weighted Negative Binomial Poisson-Lindley Distribution
"Overdispersion adalah masalah yang sering ditemukan saat memodelkan data cacah. Overdispersion ditandai dengan nilai variansi lebih besar dari mean. Penyebab overdispersion yang sering terjadi adalah banyaknya pengamatan bernilai nol pada suatu data. Akibatnya, distribusi Poisson yang memiliki nilai mean dan variansi yang sama (equidispersion) tidak cocok lagi untuk memodelkan data cacah tersebut. Salah satu alternatif distribusi untuk mengatasi kondisi overdispersion adalah distribusi Poisson-Lindley. Namun, distribusi Poisson-Lindley hanya memiliki fungsi massa peluang monoton turun. Untuk menambah fleksibilitas distribusi Poisson-Lindley, distribusi tersebut diberikan bobot berupa fungsi bobot binomial negatif. Pemberian fungsi bobot binomial negatif ini tetap menghasilkan distribusi dengan nilai variansi lebih besar dari mean sehingga tetap dapat digunakan untuk mengatasi kondisi overdispersion. Distribusi baru yang diperoleh disebut distribusi weighted negative binomial Poisson-Lindley (WNBPL). Pada tugas akhir ini dibahas mengenai proses pembentukan distribusi weighted negative binomial Poisson-Lindley, beberapa karakteristiknya, dan pengestimasian parameternya dengan metode maksimum likelihood. Sebagai ilustrasi, digunakan data frekuensi klaim pemegang polis untuk dimodelkan dengan distribusi WNBPL.
Overdispersion is a common problem when modeling count data. Overdispersion is characterized by the variance greater than the mean. The cause of overdispersion that often occurs is the large number of zero-value observations in a data. As a result, the Poisson distribution which has the same mean and variance (equidispersion) is no longer suitable for modeling the count data. An alternative distribution to overcome the overdispersion condition is the Poisson-Lindley distribution. However, probability mass function of Poisson-Lindley is monotonic decreasing. To increase the flexibility of the Poisson-Lindley distribution, the distribution is given a weight function in the form of a negative binomial weight function. Giving this negative binomial weight function still creates a distribution with the variance greater than the mean to overcome overdispersion data. The new distribution obtained by giving that weight function is called the weighted negative binomial Poisson-Lindley (WNBPL) distribution. This thesis discusses the formation of the weighted negative binomial Poisson-Lindley distribution, some of its characteristics, and estimate its parameters using the maximum likelihood method. As an illustration, WNBPL distribution is used to model the data of frequency claims by policyholders."
Depok: Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Indonesia, 2022
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Stefanus Ng
Penentuan net premium berdasarkan deductible menggunakan analisis regresi = Determining net premium based on deductible using regression analysis
"Skripsi 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.
This 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."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2019
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
I Gusti Agung Kartika Shanti
Metode entry age normal untuk pendanaan program pensiun manfaat pasti = Entry age normal method for defined benefit pension funding
"Ketika seorang karyawan telah mencapai usia pensiun normal, maka karyawan tersebut tidak lagi bekerja sehingga mereka tidak dibayar. Dengan mengikuti program asuransi dana pensiun, karyawan akan mendapatkan dua jenis manfaat, yaitu manfaat normal dan keuntungan tambahan. Besarnya manfaat yang akan diperoleh peserta dana asuransi Pensiun dapat dihitung dengan menggunakan perhitungan aktuaria untuk program asuransi dana pensiun manfaat pasti. Dalam tugas akhir ini akan dibahas tentang perhitungan aktuaria dengan sistem proyeksi, yaitu metode usia masuk normal. Pertama-tama, itu ditentukan pertama manfaat yang akan diterima oleh peserta asuransi, selanjutnya akan ditentukan premi. Setelah manfaat dan premi dihitung, maka kewajiban selanjutnya akan dihitung aktuaris. Data untuk ilustrasi tugas akhir ini menggunakan gaji PNS sipil.
When an employee has reached the normal retirement age, the employee is no longer working so they are not paid. By joining the pension fund insurance program, employees will get two types of benefits, namely normal benefits and additional benefits. The amount of benefits to be received by Pension insurance fund participants can be calculated using actuarial calculations for the defined benefit pension fund insurance program. In this final project will discuss about actuarial calculations with a projection system, namely the normal entry age method. First of all, it is determined first the benefits that will be received by the insurance participant, then the premium will be determined. After the benefits and premiums are calculated, the next obligation will be calculated by the actuary. The data for this final project illustration uses civil servant salaries."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2019
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
<<   1 2 3 4 5 6 7   >>