Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Penentuan premi bersih untuk asuransi non-jiwa dapat dilakukan dengan memperkirakan kerugian agregat dari suatu kelompok polis. Kerugian agregat dihitung berdasarkan frekuensi dan klaim tingkat keparahan rata-rata yang biasanya dianggap independen. Namun, dalam beberapa kasus, ada ketergantungan antara frekuensi dan klaim tingkat keparahan rata-rata. Untuk mengatasi masalah ketergantungan, tesis ini menggunakan model regresi berbasis copula untuk membangun distribusi kerugian agregat. Hal ini dilakukan dengan menggabungkan model linear umum marginal dari frekuensi dan klaim tingkat keparahan rata-rata menggunakan kopula. Selanjutnya, parameter distribusi kerugian agregat diperkirakan menggunakan metode kemungkinan maksimum. Tes Vuong digunakan untuk memilih kopula terbaik yang akan digunakan dalam membangun distribusi kehilangan agregat. Akhirnya, premi bersih dari suatu kelompok kebijakan diperoleh berdasarkan estimasi nilai rata-rata dari distribusi kerugian agregat. Simulasi numerik dilakukan dengan menggunakan langkah-langkah ketergantungan tertentu dalam menerapkan model regresi berbasis kopula untuk menentukan premi bersih dari suatu kelompok kebijakan. Berdasarkan simulasi numerik, dapat disimpulkan bahwa jika klaim frekuensi dan keparahan rata-rata memiliki ukuran ketergantungan negatif, maka estimasi rata-rata kerugian agregat dengan asumsi bahwa klaim frekuensi dan keparahan rata-rata adalah independen akan melebih-lebihkan. Sebaliknya, untuk ukuran ketergantungan yang positif, estimasi rata-rata kerugian agregat dengan asumsi bahwa frekuensi dan klaim tingkat keparahan rata-rata independen akan meremehkan.

---

Determination of net premiums for non-life insurance can be done by estimating aggregate losses from a group of policies. Aggregate losses are calculated based on frequency and claim average severity which is usually considered independent. However, in some cases, there is a dependency between frequency and claims of average severity. To overcome the problem of dependency, this thesis uses a copula-based regression model to build an aggregate loss distribution. This is done by combining the general marginal linear model of frequency and claiming the average severity using copula. Next, the aggregate loss distribution parameters are estimated using the maximum likelihood method. The Vuong test is used to select the best copula to be used in building the aggregate loss distribution. Finally, the net premium of a policy group is obtained based on the estimated average value of the aggregate loss distribution. Numerical simulations are performed using certain dependency steps in applying a copula-based regression model to determine the net premium of a policy group. Based on numerical simulations, it can be concluded that if the average frequency and severity claims have negative dependency measures, the estimated average aggregate losses assuming that the average frequency and severity claims are independent will be exaggerating. Conversely, for a positive measure of dependency, the estimated average aggregate loss assuming that the frequency and claim severity of the independent average would be underestimated."

"Setiap hari masyarakat dihadapkan pada risiko kehilangan, kegagalan, bahkan kematian akibat kecelakaan lalu lintas. Cara mengatasi ketidakpastian dan mengendalikan risiko kecelakaan lalu lintas jalan adalah dengan mengalihkan risiko tersebut kepada pihak atau perusahaan lain yang disebut asuransi. Memperkirakan kerugian agregat penting bagi perusahaan asuransi untuk memprediksi kewajiban dan mengukur tingkat kecukupan dana perusahaan. Kerugian agregat pada asuransi kecelakaan lalu lintas dapat dihitung berdasarkan dua variabel, severity klaim dan frekuensi klaim. Severity klaim dan frekuensi klaim memiliki jenis distribusi yang berbeda dan terkadang memiliki hubungan yang saling mempengaruhi, sehingga tidak mudah untuk memodelkannya. Salah satu metode analisis statistik yang digunakan untuk menggabungkan dua distribusi data berbeda yang saling berkaitan adalah metode copula. Melalui studi kasus pada perusahaan asuransi PT XYZ, kerugian agregat akan dihitung dengan menggunakan model berbasis copula. Penentuan model terbaik dan akurasi model ditentukan berdasarkan Akaike Information Criterion (AIC), Root Mean Square Error (RMSE) terkecil, dan uji Vuong. Berdasarkan hasil analisis yang diperoleh bahwa model copula Clayton merupakan model terbaik untuk memperkirakan kerugian agregat pada perusahaan asuransi PT XYZ dimasa yang akan datang.

---

Every day people are faced with the risk of loss, failure, and even death due to traffic accidents. The way to overcome uncertainty and control the risk of road traffic accident is by transferring the risk to another party or company called insurance. Estimating aggregate losses is important for insurance companies to predict liabilities and measure the level of adequacy of company funds. Aggregate losses on traffic accident insurance can be calculated based on two variables, claim severity and claim frequency. Claim severity and claim frequency have different types of distribution and sometimes have relationships that affect each other, so it's not easy to model it. One of the statistical analysis methods used to combine two different data distributions that are related is the copula method. Through a case study on the insurance company PT XYZ, aggregate losses will be calculated using a copula based model. The best model is determined based on the smallest value of Akaike Information Criterion (AIC) and Root Mean Square Error (RMSE) and also by Vuong test. Based on the analysis, explain that Clayton copula is the best model to estimate aggregate losses at the insurance company PT XYZ in the future."

"ABSTRAKPerusahaan asuransi adalah perusahaan yang menerima pelimpahan risiko atas diri tertanggung, sehingga perusahaan asuransi perlu memperhatikan kerugian yang ditimbulkan sebagai akibat terjadinya klaim. Mengestimasi kerugian klaimmerupakan tugas penting bagi perusahaan asuransi untuk memprediksi kewajibanmereka. Total kerugian dalam portofolio perusahaan didefinisikan sebagaisejumlah kerugian polis. Kerugian polis pada asuransi kesehatan dapat dihitungberdasarkan dua variabel, yaitu frekuensi dan severity klaim. Dalam literaturStatistika, joint distribution adalah metode analisis statistika yang dapatmenggabungkan dua distribusi data yang berbeda, salah satunya adalah Copula.Tesis ini memberikan penjelasan tentang Copula dalam mengestimasi kerugianpolis pada asuransi kesehatan dimana studi kasus yang diambil adalah perusahaanasuransi XYZ. Selanjutnya, penulis melakukan regresi antara kedua GeneralizedLinear Model (GLM) dari frekuensi klaim dan severity klaim dengan menggunakanmodel regresi berbasis copula yang diestimasi dengan Maximum LikelihoodEstimation (MLE). Model terbaik dan keakuratan model ditentukan berdasarkannilai Akaike Information Criterion (AIC) dan Root Mean Square Error (RMSE)terkecil. Pada akhirnya, model regresi berbasis copula Frank lebih baikdibandingkan model regresi berbasis copula lainnya yang dapat digunakan untukmemprediksi kerugian polis asuransi kesehatan pada periode berikutnya

---

ABSTRACTThe insurance company is a company that received delegation of the risks it hasinsured, so that this company needs to pay attention to losses incurred as a result ofa claim. Estimating losses of claim is an important task for insurance companies topredict their obligations. Total losses in the company's portfolio is defined as theamount of loss policy. Losses in the health insurance policy can be calculated basedon two variables: the frequency and severity of claims. In the literature of Statistics,joint distribution is a method of statistical analysis that can combine two differentdata distribution, it is Copula. This thesis aims to provide a study of Copula for theestimation of loss claims in health insurance, case study is taken from an insurancecompany XYZ. Further, the authors conducted a regression between theGeneralized Linear Model (GLM) of claim frequency and claim severity usingCopula-based Regression Model is estimated by Maximum Likelihood Estimation(MLE). The best model and model accuracy is determined based on the smallest ofAkaike Information Criterion (AIC) and Root Mean Square Error (RMSE). In theend of analysis, Frank Copula-based Regression Model is better than other CopulabasedRegression Model that can be used to predict the loss of health insurancepolicy in the next period."

"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."

"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 “rata-rata” 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."

"Frekuensi klaim umumnya dimodelkan dengan Generalized Linear Model dan model-model lainnya yang serupa seperti regresi Poisson dan regresi Logistik. Akan tetapi, model-model tersebut tidak memperhitungkan adanya autokorelasi spasial, atau terjadinya hubungan yang erat antara daerah-daerah yang berdekatan, sedangkan frekuensi klaim dibuktikan bahwa ia dipengaruhi oleh lokasi yang diamati. Model spasial Besag-York-Mollié (BYM) dapat diimplementasikan ke dalam data klaim pada beberapa daerah yang berdekatan dan memiliki potensi untuk menghasilkan prediksi yang lebih akurat dibanding dengan model-model non-spasial. Akan dilakukan penelitian terhadap model BYM untuk menjelaskan kegunaan model tersebut dan memberikan alternatif bagi model-model yang biasa digunakan untuk pemodelan frekuensi klaim. Untuk mengevaluasi performa dari model BYM, maka model tersebut akan diimplementasikan kepada data simulasi, kemudian efektivitas dari model juga akan dibandingkan terhadap model-model lainnya menggunakan ukuran Deviance Information Criterion atau DIC. Hasil analisis menunjukkan bahwa model BYM memiliki potensi untuk menjadi model yang paling akurat dalam memprediksikan frekuensi klaim pada daerah-daerah dengan autokorelasi spasial yang kuat.

---

Claims frequency modelling is usually done using Generalized Linear Models or other similar models such as Poisson regression and Logistik Regression. However these models do not take in account spatial autocorrelation, or the event in which neighboring areas would have a close relationship, even though claims frequency has been proven to be influenced by the observed locations. The spatial Besag-York-Mollié model can be implemented in claims data for several neighboring areas and has potential to be more accurate than non-spatial models in predicting claims frequency. Research towards the BYM model will be done to explain the usage of the model and provide an alternative to other models usually used for claims frequency. To evaluate the effectiveness of the model, the BYM model is then implemented into simulation data, and its effectiveness is compared to other models using the Deviance Information Criterion or DIC. The result of the analysis shows that the BYM model has potential to be the best model for cases that have a strong spatial relationship."

"Asuransi menjadi konsep yang tidak asing lagi dalam memitigasi risiko yang dapat menimbulkan kerugian finansial yang besar bagi pihak tertanggung. Dalam dunia kerja secara khusus, terlihat adanya peningkatan jumlah kecelakaan kerja di Indonesia dari tahun ke tahun. Kecenderungan tersebut memperlihatkan adanya prospek pengembangan asuransi kompensasi pekerja yang menjanjikan. Tentunya, penentuan tarif premi yang cukup sebagai komponen utama dalam kerangka bisnis asuransi memerlukan prediksi severitas klaim yang akurat. Menurut karakteristik data klaim asuransi pekerja, teramati bahwa dataset tersebut berbentuk tabular dan variabel severitas klaim bersifat kontinu. Oleh sebab itu, prediksi severitas klaim dapat dipandang sebagai masalah regresi data tabular. Penelitian ini akan meninjau performa dari TabTransformer, salah satu metode berbasis tranformer dalam melaksanakan regresi yang mengimplementasikan contextual embeddings terhadap fitur-fitur kategorik. Performa sebagai akibat dari penangkapan konteks oleh model TabTransformer akan diukur dan kemudian dibandingkan dengan metode-metode lain yang mendukung penyelesaian permasalahan regresi, seperti Decision Trees Regressor, Random Forest, XGBoost, dan Multi-Layer Perceptron sebagai model dasar TabTransformer.

---

It is without the need of doubt to believe upon the integrity within the concepts of insurance as a way of mitigating significant financial risks of its own policyholders. As something which existence is prevalent, risks are also found within the workplace environment as seen in the rising numbers of yearly work-related accidents. This tendency suggests promising prospects upon the development and incorporation of worker’s compensation insurance into the business lines of especially reliable insurance companies. As a core part of insurance policies, determining the sufficient rate of premium would require accurate prediction of claim severity. Upon observing the characteristics of claim severity datasets, witnessed are the following two points: that (1) both datasets take a tabular form, and (2) the number of severities is a continuous target variable. Evidently, it shows that the problem to be solved is regression for tabular data. This particular research will focus upon the performance of TabTransformer as a transformer-based machine learning model that incorporates Transformers in providing a degree of interpretability from its capabilities by performing contextual embeddings of the categorical features of our data. The performance will be measured and will further be compared to other models suitable for regression, such as Decision Trees Regressor, Random Forest, XGBoost, and baseline model Multi-Layer Perceptron"

"ABSTRAKPenelitian mengenai perhitungan jumlah klaim sudah banyak dilakukan orang dengan menggunakan beberapa model pendekatan, diantaranya adalah penelitian yang dilakukan oleh David dan Jemma 2015 serta Valeck 2016 . Salah satu model yang sering digunakan dan telah menjadi standart practice untuk perhitungan jumlah klaim adalah model GLM Poisson dan juga Negative Binomial. Penelitian ini mereplikasi penelitian Fadzli 2015 yang menggunakan model Bayesian Quantile regression untuk perhitungan count data asuransi kendaraan bermotor di Malaysia.Dengan menggunakan model Bayesian Quantile regression, penelitian ini memodelkan banyaknya jumlah klaim kendaraan bermotor berdasarkan umur, kapasitas, jenis dan wilayah klaim. Sampel data yang digunakan pada penelitian ini adalah data frekuensi klaim perusahaan asuransi kendaraan bermotor PT. ABC selama periode 2015 - 2016. Hasil penelitian menunjukan kuantil ke-75 merupakan model terbaik untuk Bayesian Quantile regression. Model ini juga lebih baik dibandingkan dengan Mean Regression, Poisson Regression dan juga Negative Binomial Regression. Umur kendaraan satu tahun, kendaraan dengan kapasitas lebih dari 2500cc , jenis kendaraan Sedan serta wilayah klaim Depok menjadi rating classes dengan risiko tertinggi untuk setiap rating factor.

---

ABSTRACTThe research on the calculation of the claim frequency has been done by many researchers using several models of approaches, including research conducted by David and Jemma 2015 and Valeck 2016 . One model that is often used and has become a standard practice for the calculation of claim frequency is a GLM model Poisson and Negative Binomial. This study replicates the Fadzli 2015 study using the Bayesian Quantile Regression model for count data of vehicle insurance in Malaysia.Using the Bayesian Quantile Regression model, this study modeled claim frequency of vehicle insurance claims based on age, capacity, type and claim area. Sample data used in this research is claim frequency data of vehicle insurance company PT. ABC during the period 2015 2016. The results show the 75th quantile is the best model for Bayesian Quantile Regression. This model is also better than the Mean Regression, Poisson Regression and also Negative Binomial Regression. One year vehicle lifespan, vehicles with capacity greater than 2500cc, Sedan and claims area Depok become rating classes with highest risk for each rating factor."

" 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."