Hasil Pencarian  ::  Simpan CSV :: Kembali

"Salah satu hal penting dalam bisnis asuransi adalah bagaimana perusahaan asuransi dapat menetapkan premi yang sesuai dengan ekspektasi kerugian dari pelanggan dan dapat bersaing di pasar. Untuk menetapkan premi tersebut, salah satu hal penting untuk dilakukan adalah memperkirakan besar klaim agregat. Masalah perkiraan besarnya klaim agregat merupakan masalah regresi. Salah satu metode yang sudah cukup berkembang untuk permasalahan regresi adalah Gradient Tree Boosting. Salah satu kekurangan dari metode Gradient Tree Boosting adalah metode ini tidak mengimplementasikan asumsi bahwa data memiliki distribusi. Sementara untuk data klaim agregat, dapat digunakan asumsi bahwa frekuensi klaim berdistribusi Poisson, severitas klaim berdistribusi Gamma, dan keduanya saling independen sehingga klaim agregat diasumsikan berdistribusi Tweedie. Gradient Tree Boosted Tweedie Model merupakan salah satu metode untuk menyelesaikan masalah regresi untuk klaim dengan asumsi-asumsi tersebut. Metode ini menggunakan algoritma Gradient Tree Boosting dengan menjadikan negatif fungsi log-likelihood dari distribusi Tweedie sebagai fungsi loss-nya. Didapatkan hasil bahwa asumsi klaim agregat berdistribusi Tweedie meningkatkan akurasi dari metode Gradient Tree Boosting.

---

One of the important things in insurance business is how will insurance company set a premium that could correspond insured’s expected loss while also being competitive in market. To set a proper premium for insurance customer, one of the important tasks is to estimate total loss or aggregate claim of the insured. Estimating the aggregate claim is a regression problem. One of many methods for regression problem is Gradient Tree Boosting. One of the weaknesses of Gradient Tree Boosting is, this method does not implement the assumption that the data might be distributed. While for aggregate claim, one can assume that the claim frequency is Poisson distributed, claim severity is Gamma distributed, and both are independent so that the aggregate claim could be assumed to be Tweedie distributed. Gradient Tree Boosted Tweedie Model is one of many methods for solving a regression problem for a claim with the assumption mentioned. This method uses Gradient Tree Boosting algorithm with the log-likelihood function of Tweedie distribution as it’s loss function. It was found that the assumption that the aggregate claim is Tweedie distributed improves the accuracy of Gradient Tree Boosting method."

"Permasalahan umum dalam industri asuransi adalah menetapkan besaran premi yang wajar terhadap risiko yang dihadapi oleh pemegang polis. Untuk menetapkan besaran premi yang wajar, maka perlu diprediksi besaran klaim masa depan dengan menggunakan data klaim agregat masa lampau. Data yang dikumpulkan perusahaan asuransi mengandung banyak variabel yang merupakan faktor-faktor untuk menghitung severitas klaim. Permasalahan tersebut merupakan permasalahan regresi. Salah satu metode yang digunakan untuk menganalisis model regresi adalah metode Gradient Tree Boosting. Dengan asumsi bahwa frekuensi klaim berdistribusi Poisson dan severitas klaim berdistribusi Gamma, maka klaim agregat dapat diasumsikan berdistribusi Tweedie. Maka dari itu, dapat digunakan metode Gradient Tree Boosting Tweedie Model untuk memodelkan besar klaim agregat. Salah satu metode deep learning untuk merekonstruksi variabel dari data perusahaan asuransi yang relevansinya terhadap besaran klaim belum diketahui adalah metode Deep Autoencoder. Deep Autoencoder merupakan algoritma unsupervised learning yang mereduksi dimensi data secara lapisan per lapisan, sehingga mendapatkan variabel data dalam pemodelan klaim agregat. Selain itu, Deep Autoencoder mempunyai kelebihan yaitu meringankan beban komputasi tanpa mengurangi performa dari model yang dihasilkan. Penelitian ini akan memodelkan besaran klaim agregat dan mengetahui efek penggunaan metode Deep Autoencoder untuk merekonstruksi data dan metode Gradient Tree Boosted Tweedie Model pada asuransi kendaraan bermotor.

---

It is a common problem in the insurance industry to set a reasonable premium for the risks faced by policyholders. It is important to predict the amount of future claims in order to determine a reasonable premium by using past aggregate claim data. The aggregate claim data collected by insurance companies contains many variables which are key factors to calculate claim severity, which is a regression problem. One of the methods used to analyze the regression model is the Gradient Tree Boosting. Assuming that the claim frequency has a Poisson distribution and the claim severity has a Gamma distribution, the aggregate claims can be assumed to have a Tweedie distribution. Therefore, the Gradient Tree Boosting Tweedie Model can be used to model the aggregate claims. One of the deep learning methods to reconstruct variables from insurance company data is Deep Autoencoder. Deep Autoencoder is an unsupervised learning algorithm that reduces the dimensions of the data layer by layer, thereby obtaining data variables in the aggregate claims modeling. In addition, Deep Autoencoder has the advantage of lightening the computational load without compromising the performance of the resulting model. This study will use the Gradient Tree Boosted Tweedie Model to model aggregate claims and determine the effect of using the Deep Autoencoder method to reconstruct data on motor vehicle insurance."

"Asuransi mobil adalah produk asuransi yang banyak digunakan di Indonesia. Namun, asuransi mobil memiliki potensi untuk kecurangan klaim yang menyebabkan kerugian bagi perusahaan dan pemegang polis. Penelitian ini bertujuan untuk merancang model prediksi deteksi kecurangan asuransi mobil di Indonesia menggunakan pendekatan machine learning. Supervised classifiers adalah salah satu teknik machine learning yang memiliki kemampuan untuk memprediksi kasus-kasus anomali. Supervised classifiers yang digunakan pada penelitian ini adalah Multilayer Perceptron (MLP), Decision Tree C4.5, dan Random Forest (RF). Penelitian ini menggunakan data real-world pada perusahaan asuransi mobil di Indonesia. Dataset memiliki distribusi tidak seimbang yang sangat tinggi antara data pemegang polis yang melakukan kecurangan dan pemegang polis yang sah. Penelitian ini menangani masalah dataset yang tidak seimbang dengan menggunakan Synthetic Minority Oversampling Technique (SMOTE) dan metode undersampling. Kinerja model dievaluasi melalui confusion matrix, Kurva ROC, dan parameter seperti sensitivitas. Penelitian ini menemukan bahwa Random Forest memberikan hasil terbaik dibandingkan dengan MLP dan Decision Tree C4.5.

---

Automobile insurance is widely used insurance product in Indonesia. However, automobile insurance has the potential for  fraudulent claim that leads to several consequences for the company and policyholder. This research aims to design a prediction model of automobile insurance fraud detection in Indonesia using a machine learning approach. Supervised classifiers is one of machine learning techniques that has the ability to predict anomaly cases. The proposed supervised classifiers are Multilayer Perceptron (MLP), Decision Tree C4.5, and Random Forest(RF). This research used real-world data on an automobile insurance company in Indonesia. The dataset has a high imbalanced distribution between the data of policyholders who commit fraud and legitimate. This study handles the imbalanced dataset problem by using the Synthetic Minority Oversampling Technique (SMOTE) and undersampling methods. The performance of models is evaluated through the confusion matrix, ROC Curve, and parameters such as sensitivity. This research found that Random Forest outperformed the results comparing to other classifiers."

"Premi murni merupakan salah satu elemen penting untuk perusahaan asuransi. Penetapan premi murni yang sesuai dengan risiko kerugian dari calon pemegang polis menjadi salah satu faktor utama agar perusahaan tetap berjalan dan mampu berkompetisi dalam industri. Premi murni dapat ditentukan dengan menghitung ekspetasi dari besar klaim agregat yang dibagi dengan durasi kontrak asuransi. Namun, perlu diketahui bahwa premi murni juga dapat dipengaruhi oleh berbagai faktor risiko seperti umur, jenis kelamin, dan jenis pekerjaan dari nasabah. Salah satu metode untuk mengatasi masalah ini yaitu dengan membuat model regresi menggunakan generalized linear model Distribusi yang cocok untuk memodelkan premi murni adalah distribusi Compound Poisson-Gamma yang merupakan bagian dari distribusi Tweedie. Distribusi Tweedie merupakan distribusi yang mengeneralisasi distribusi lain yang termasuk ke dalam exponential dispersion family. Tujuan dari penelitian ini adalah untuk memodelkan premi murni menggunakan generalized linear model dengan asumsi respons berdistribusi Tweedie atau disebut regresi Tweedie. Dengan mengaplikasikan model ini pada data asuransi kecelakaan kendaraan didapat bahwa regresi Tweedie mampu menjelaskan premi murni dengan baik.

---

Pure premium is one of the essential elements for insurance companies. Calculate the appropriate pure premium based on the potential policyholder's risk of loss is crucial to ensure the company's operations and competitiveness in the industry. Pure premiums can be determined by calculating the expectations of large aggregate claims divided by the duration of the insurance contract. However, it should be noted that pure premiums can also be influenced by various risk factors such as age, gender, and the type of employment of the client. One method to address this issue is by creating a regression model using a generalized linear model. The suitable distribution to model of pure premium is the Compound Poisson-Gamma distribution, which is a part of the Tweedie distribution. Tweedie distribution generalizes other distributions that fall under the exponential dispersion models. The objective of this research is to model pure premium using a generalized linear model with assumption that the response follows a Tweedie distribution, known as Tweedie regression. The application of Tweedie regression model to automobile accident insurance data yielded promising results in explaining the pure premium."

"ABSTRAKPada tahun 2014, Indonesia memulai visi baru dalam pengembangan infrastruktur secara adil di seluruh negara. Dengan visi ini, terjadi peningkatan proyek-proyek konstruksi yang juga menghasilkan peningkatan premi dan risiko terkait konstruksi. Asuransi yang bertanggung jawab untuk kelas ini adalah Construction All Risk CAR yang merupakan bagian dari asuransi rekayasa. Pemerintah belum menetapkan batasan cakupan yang merupakan ruang lingkup asuransi ini dan juga prosedur penentuan premi serta risiko kerugian asuransi konstruksi. Dengan menggunakan data historis PT. Asuransi ABC maka tesis ini akan melihat penetapan harga yang sesuai menurut model aggregate loss. Model yang kadang-kadang disebut sebagai model loss cost ini adalah salah satu metode yang umum digunakan dalam menentukan kerugian yang diharapkan untuk sebagian besar jenis risiko asuransi. Metode ini menggunakan data historis untuk menentukan premi murni yang benar yang perlu diterapkan atas sekelompok risiko. Hasil penelitian ini menunjukkan premi yang seharusnya diberikan oleh PT. ABC jika menggunakan metode aggregate loss berbeda dengan kondisi pasar dimana premi yang digunakan jauh lebih rendah. Hal ini diharapkan dapat menjadi masukan dalam keputusan penutupan premi yang akan datang.

---

ABSTRACTIn 2014, Indonesia has been embarking a new vision of equitable infrastructure development across the country. With this vision, there is an increase in infrastructure related construction projects which also result in increased premiums and risks related to construction. The insurance responsible for this class is Construction All Risk CAR which is part of engineering insurance. The government has not set limits on coverage that is the scope of this insurance as well as procedures for determining the premiums and risks of construction insurance losses. This thesis will see the appropriate pricing according to aggregate loss model by using historical data of PT. ABC Insurance. The aggregate loss model or sometimes referred to as loss cost is one of the commonly used methods of determining the expected losses for most types of insurance risk. This method uses historical data to determine the true premium that needs to be applied to a group of risks. The results of this study indicate the premium that should be given by PT. ABC if using aggregate loss method is different from market conditions where the premiums used are much lower. This is expected to be an input in the decision to determine the given premium "

"Skripsi ini membahas mengenai perbandingan gambaran klaim asuransi kesehatan kumpulan karyawan dan pensiunan karyawan PT Asuransi Jiwasraya (Persero) periode Januari 2011 – November 2012. Ditemukan adanya peningkatan Loss Ratio pada peserta asuransi kumpulan karyawan sebesar 16.15% pada tahun 2012, yang melebihi Loss Ratio peserta asuransi kumpulan pensiunan karyawan pada tahun 2012 dengan Loss Ratio mencapai 67.88%. Penelitian ini adalah penelitian kualitatif yang bersifat deskriptif dan ditunjang dengan penelitian kuantitatif. Hasil penelitian ini menggambarkan pada peserta pensiunan karyawan dan karyawan secara umum dan menemukan fakta yang menjelaskan bahwa peningkatan Loss Ratio peserta asuransi kesehatan kumpulan karyawan pada tahun 2012, adalah disebabkan oleh peningkatan frekuensi klaim pada usia 26-40 tahun dengan penggunaan paket maternitas yang meningkat dari tahun 2011 sebanyak 43 kasus dan pada tahun 2012 sebanyak 65 kasus. Dan dengan tingkat kenaikan biaya yang digunakan pada tahun 2011 sebesar Rp 372,091,564,- menjadi Rp 1,108,171,303,- pada tahun 2012. Dimana peserta memakai hak kelas rawat inap sesuai dengan hak yang diproleh tetapi dengan memilih Rumah Sakit yang bagus dan berbiaya mahal.

---

This study discusses the comparative picture of health insurance claims collection of employees and retired employees of PT Jiwasraya Insurance (Limited) in the period January 2011 - November 2012. Found an increase in participants Loss Ratio for employee group insurance 16.15% in 2012, which exceeds the Loss Ratio retired employees group insurance participants in 2012 to reach 67.88% Loss Ratio. This study is a descriptive qualitative research and supported by quantitative research.

The results of this study illustrate the participants retired employees and employees in general and find facts Loss Ratio explained that the increased collection of employee health insurance in 2012, is caused by an increase in the frequency of claims at the age of 26-40 years with the increased use of maternity package of the year 2011 as many as 43 cases and in 2012 as many as 65 cases. And with the rate of increase in the costs used in year 2011 amounted to Rp 372,091,564, to Rp 1,108,171,303,- in year 2012 . Where the participants were taking the right classes inpatient accordance with the rights but by choosing a good hospital and also more expensive."

"Dengan ketatnya persaingan pada Industri asuransi kendaraan bermotor dan besarnya kemungkinan hilangnya pelanggan (customer churn), perusahaan dituntut untuk semakin memperhatikan pengelolaan hubungan pelanggan. Faktanya mempertahankan pelanggan dinilai lebih efisien secara sumber daya dibanding jika harus mencari pelanggan baru. Dengan perkembangan teknik pengelolaan (CRM) dan besarnya pertumbuhan data yang ada, kemungkinan untuk menganalisa perilaku pelanggan dan mengurangi terjadinya churn dapat dilakukan dengan analisa big data dan machine learning. Dalam penelitian ini, algoritma machine learning dalam membuat model terbaik yang dapat memprediksi churn pada pelanggan. Data yang digunakan merupakan 27.013 data transaksi pembelian dari PT. Asuransi XYZ yang merupakan salah satu perusahaan asuransi otomotif terbesar di Indonesia. Setelah melakukan eksplorasi dan descriptive analytics, peneliti membandingkan akurasi antara logistic regression, decision tree, dan random forest dalam memprediksi churn pada pelanggan. Ditemukan bahwa random forest memiliki skor akurasi total terbaik yaitu 87.74% diikuti dengan decision tree dan logistic regression. Lebih lanjut lagi, tenure, presentase komisi, dan jumlah premi adalah feature yang paling penting dari model. Hasil dari penelitian diharapkan dapat membantu perusahaan dalam mengurangi churn pada pelangan dengan memprediksi lebih awal dan membuat kampanye retensi pelanggan yang tepat

---

With the tightness of the competition in auto insurance market and the possibilities of company loss because of customer churning, insurer company should put more concern in customer relationship management. Moreover, there is fact of acquiring new costumers is more expensive than retaining one. Fortunately, due to current advancement in CRM and vast growth of data provided, the possibilities to learn customer behavior from the data is becoming feasible to retain the customer. This research purpose is to used machine learning algorithm to build model provide best accuracy to predict customer churn. We use 27.013 transaction data from XYZ Insurance Ltd, one of major auto-insurer in Indonesia. After exploring the data with the descriptive analysis, we conduct predictive analysis model with logistic regression, decision tree, and random forest to determine which algorithm give the best accuracy. This research found that random forest model has highest accuracy score (87,74%) followed by decision tree and logistic regression. Furthermore, tenure, percentage of commision, and amount of premium are the most feature that impacting customer churn. This result could help insurer company to reducing customer churn by creating right marketing campaign to retain customers."

"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."

"ABSTRAKPenelitian ini dilakukan untuk menganalisis pengaruh kepada profitabilitas dari Industri Asuransi Umum di Indonesia dengan memerhatikan tiga pendekatan yaitu Return on Asset (ROA), Hasil Underwriting bersih, dan Hasil Investasi. Data regresi yang digunakan adalah data panel terhadap 25 perusahaan asuransi yang memiliki premi bruto di atas Rp500.000.000.000,-. Metode analisis yang digunakan adalah analisis linear berganda, uji asumsi klasik, dan uji hipotesis dengan menggunakan bantuan program EViews. Hasil dari penelitian ini menjelaskan bahwa Premi Bruto tidak memiliki pengaruh terhadap ROA, namun memiliki pengaruh positif terhadap Hasil Underwriting dan Hasil Investasi. Klaim Bruto memiliki pengaruh negatif terhadap ROA, dan tidak memiliki pengaruh terhadap Hasil Underwriting dan Hasil Investasi. Biaya Operasional tidak berpengaruh terhadap ROA, namun memiliki pengaruh positif terhadap Hasil Underwriting dan Hasil Investasi.

---

ABSTRACT

This study was conducted to analyze the effect on profitability of the General Insurance Industry in Indonesia by taking into account three approaches, namely Return on Assets (ROA), net Underwriting Results, and Investment Results. Regression data used are panel data on 25 insurance companies that have gross premiums above Rp. 500,000,000,000. The analytical method used is multiple linear analysis, classic assumption test, and hypothesis testing using the help of the EViews program. The results of this study explain that Gross Premium has no effect on ROA, but has a positive effect on Underwriting Results and Investment Results. Gross claims have a negative effect on ROA, and have no influence on Underwriting Results and Investment Results. Operating Costs do not affect ROA, but have a positive effect on Underwriting Results and Investment Results."

"ABSTRAK

Sesuai peraturan BAPEPAMLK Nomor: PER-09/BL/2012 Pasal 11 bahwa nilai estimasi klaim yang terjadi tetapi belum dilaporkan IBNR dihitung berdasarkan estimasi sentral atau estimasi terbaik best estimate dengan menggunakan metode rasio klaim atau salah satu dari metode segitiga run-off triangle method . Metode Chain-Ladder dan Bornhuetter-Ferguson adalah metode berbasis triangle yang banyak dijadikan standar oleh auditor dan perusahaan asuransi dalam mengestimasi cadangan IBNR.Tujuan dari studi ini adalah untuk menganalisis daya estimasi metode cadangan klaim IBNR yang berbasis metode triangle. Dengan ukuran statistik MAD dan RMSE diketahui eror pada Metode Bornhuetter-Ferguson lebih kecil dalam mengestimasi cadangan klaim IBNR dibandingkan dengan Metode Chain-Ladder

---

ABSTRACT

According to regulations BAPEPAMLK Number PER 09 BL 2012 Article 11, the estimated value of claims incurred but not reported IBNR is calculated based on the estimated central or best estimate best estimate using the ratio of claims or one of the triangle method run off triangle method . Chain Ladder method and Bornhuetter Ferguson is a triangle based method that is used as a standard by the auditor and insurance companies. The aim of this study is to compare the predictive power of triangle methods in IBNR claims reserves estimation. Base on statistical measure MAD and RMSE, error on Bornhuetter Ferguson method is smaller in estimating the IBNR claims reserve compared with the Chain Ladder method."