Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perusahaan asuransi adalah perusahaan yang menyediakan jasa agar nasabahnya dapat mentransfer risiko sehingga terdapat banyak risiko yang harus ditanggung oleh perusahaan. Oleh karena itu, perusahaan asuransi perlu menghitung klaim agregat agar perusahaan dapat memperkirakan berapa banyak klaim yang harus ditanggung sekaligus menentukan premi yang sesuai untuk nasabah. Klaim agregat dapat dihitung dengan menggunakan dua komponen, yaitu frekuensi dan severitas klaim. Pada umumnya, frekuensi dan severitas klaim diasumsikan independen atau saling bebas. Hal tersebut bertujuan agar perhitungan total klaim dapat dilakukan dengan mudah. Namun, frekuensi dan severitas klaim umumnya saling bergantung di kehidupan nyata, sehingga apabila asumsi independen antara frekuensi dan severitas klaim terus digunakan, maka perhitungan klaim agregat menjadi kurang tepat. Oleh karena itu, penelitian ini akan menggunakan asumsi bahwa terdapat dependensi antara frekuensi dan rata-rata severitas klaim untuk memodelkan klaim agregat dengan menggunakan distribusi bivariat Sarmanov. Distribusi bivariat Sarmanov dapat digunakan untuk mengukur dependensi positif maupun negatif antara frekuensi dan rata-rata severitas klaim dengan menghitung nilai dependensi Sarmanov. Pada skripsi ini, akan dijabarkan kasus khusus distribusi bivariat Sarmanov, di mana frekuensi klaim diasumsikan mengikuti distribusi Poisson dan Zero-Inflated Poisson, sedangkan rata-rata severitasnya diasumsikan berdistribusi Gamma. Berdasarkan data ilustrasi yang digunakan, didapatkan bahwa distribusi Zero-Inflated Poisson lebih cocok untuk memodelkan frekuensi klaim. Oleh karena itu, distribusi bivariat Sarmanov-nya dibangun berdasarkan distribusi Zero-Inflated Poisson dan distribusi Gamma. Kemudian, parameter distribusi bivariat Sarmanov diestimasi menggunakan MLE. Model yang diperoleh selanjutnya digunakan untuk mengestimasi premi murni dengan cara menghitung ekspektasi klaim agregat dan didapatkan nilai premi murni sebesar $180,8335.

---

An insurance company is a company that provides services so that its customers can transfer risks so that there are many risks that must be borne by the company. Therefore, insurance companies need to calculate aggregate claims so that the company can estimate how many claims must be covered while determining the appropriate premium for customers. Aggregate claims can be calculated using two components, namely frequency and severity of claims. In general, the frequency and severity of claims are assumed to be independent of each other. It is intended that the calculation of total claims can be done easily. However, the frequency and severity of claims generally depend on each other in real life, so that if the independent assumption between the frequency and severity of claims continues to be used, then the calculation of aggregate claims becomes less precise. Therefore, this study will use the assumption that there is a dependency between the frequency and the average severity of claims to model aggregate claims using the bivariate Sarmanov distribution. The bivariate Sarmanov distribution can be used to measure the positive and negative dependencies between the frequency and the average severity of claims by calculating the Sarmanov dependency value. In this thesis, a special case of the bivariate Sarmanov distribution will be described, where the frequency of claims is assumed to follow the Poisson distribution and Zero-Inflated Poisson distribution, while the average severity is assumed to be Gamma distribution. Based on the illustrative data used, it is found that the Zero-Inflated Poisson distribution is more suitable for modeling claim frequency. Therefore, the bivariate Sarmanov distribution is built on the basis of the Zero-Inflated Poisson distribution and the Gamma distribution. Then, the parameters of the bivariate Sarmanov distribution were estimated using MLE. The model obtained is then used to estimate pure premiums by calculating aggregate claims expectations and obtains a pure premium value of $180,8335."

"ABSTRACTMemberikan proteksi terhadap kemungkinan terjadinya kerugian merupakan hal yang sangat penting dalam setiap perusahaan asuransi. Perusahaan asuransi dapat mengestimasi semua risiko yang mungkin dihadapi dengan alat ukur risiko. Value-at-Risk merupakan salah satu alat ukur risiko dalam industri asuransi, yang didefinisikan sebagai kuantil dari distribusi total kerugian. Sebagai kuantil, dapat menjadi kurang representatif apabila terdapat banyak nilai kerugian yang melebihi dikarenakan informasi kerugian pada ekor kanan distribusi tidak tergambarkan dengan baik. Untuk itu, diperkenalkan Tail Value-at-Risk yang merata-ratakan besarnya kerugian yang lebih besar daripada. Penggunaan membantu perusahaan untuk memperoleh gambaran mengenai modal yang harus disiapkan untuk mengatasi risiko yang dapat terjadi. Estimasi risiko yang lebih baik juga dapat dilakukan dengan memanfaatkan teori kredibilitas, yang mengombinasikan risiko individu dan risiko kelompok pemegang polis dengan bobot tertentu. Bobot yang tepat diperoleh melalui peminimuman antara parameter yang memprediksi kerugian di masa depan dan penaksirnya. Secara umum, penelitian ini membahas mengenai model berdasarkan teori kredibilitas Bühlmann beserta penaksir dari parameter-parameter model tersebut. Risiko individu direpresentasikan dengan individu, sementara risiko kelompok direpresentasikan dengan rata-rata individu dalam suatu kelompok. Penerapan model ini dilakukan dengan menggunakan data klaim dari salah satu perusahaan asuransi di Indonesia.

---

ABSTRACTProviding protection against losses is important issue in every insurance company. Insurance company could estimate all risks which must be faced by risk measures. Value-at-Risk as one of risk measures that is used in insurance industry, is defined as quantile of aggregate losses distribution. As a quantile, could be less representative if there are losses which far exceed because losses in the right tail distribution cannot be well-explained. For this reason, which averages losses that are greater than was introduced. Using, insurance company could obtain approximation of capital needed due to certain losses which possibly happen. Better risk estimation could also be obtained by credibility theory, which combines both individual and group risk information with certain weights. The proper weights are obtained by minimizing the expected squared error between parameter used to predict future losses and its estimator. In general, Credible model based on credibility theory and the parameters estimator will be derived in this research. Individual risk is represented by certain policyholders meanwhile, group risk is represented by average of every policyholders. Numerical simulation based on one of the insurance companys claim data in Indonesia will also be demonstrated."