Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini bertujuan untuk menghitung cadangan kerugian dengan menerapkan regresi Gaussian Process untuk memperkirakan klaim di masa mendatang. Pemodelan dilakukan pada data asuransi kendaraan bermotor. Hasil estimasi memperlihatkan bahwa metode Regresi Proses Gaussian sangat fleksibel dan dapat diterapkan tanpa banyak penyesuaian. Hasil ini juga dibandingkan dengan metode Chain Ladder.

---

This study aims to calculate the allowance for losses by applying Gaussian Process regression to estimate future claims. Modeling performed on motor vehicle insurance data. The estimation results show that the Gaussian Process Regression method is very flexible and can be applied without much adjustment. These results were also compared with the Chain Ladder method."

"Permasalahan mengenai pencadangan klaim pada perusahaan asuransi merupakan salah satu isu yang harus dihadapi oleh para pelaku bisnis asuransi. Ketersediaan dana klaim oleh perusahaan merupakan hal yang mendasar pada perusahaan asuransi untuk dapat mempertahankan bisnis mereka dan menjaga kelangsungan dari usahanya. Pencadangan klaim ini juga diperlukan perhitungan secara detil mengenai pengalokasian dana yang dimiliki perusahaan berdasarkan penerimaan penjualan produk yang dikeluarkan, untuk menghasilkan profit di dalam bisnis mereka. Berangkat dari keterbatasan model-model terdahulu, tulisan ini ingin memperkenalkan model penghitungan alternatif, yakni model quantile regression. Menurut Chan 2015 model quantile regression ini dianggap memiliki kemampuan untuk melakukan penghitungan pencadangan klaim terhadap data yang memiliki variansi heterogen dan tidak memiliki distribusi yang jelas sebagaimana kebanyakan data asuransi. Penelitian ini akan melakukan penghitungan estimasi cadangan klaim dengan mengadopsi model Quantile Regression. Tujuan utama dari penelitian ini adalah ingin mencoba bagaimana proses penghitungan estimasi dengan model Quantile Regression serta melihat apakah model ini bisa diterapkan pada konteks perusahaan asuransi XYZ di Indonesia. Data yang digunakan dalam penelitian ini adalah data klaim produk asuransi kendaraan bermotor perusahaan XYZ tahun 2013 sampai dengan 2015.

---

The issue of claim reserves on insurance companies is one of the issues that insurance businesses have to cope with. The availability of claims within the company is fundamental to insurance companies to maintain their business and keep the business going. This claim reserves is also required in precise calculations regarding the allocation of funds owned by the company based on the sale of products issued, to generate profit in their business. Based on the limitations of the traditional models, this paper wants to introduce an alternative model of estimating claim reserve, it is called quantile regression model. According to Chan 2015 this quantile regression model is considered to have the ability to calculate the reserve of claims against data with heterogeneous variance and have no clear distribution, which is mostly insurance data known for. This research will try to calculate estimation for claim reserve by adopting Quantile Regression model. The main purpose of this research is to try how to calculate the estimation with Quantile Regression model and see if this model can be applied to the context of XYZ insurance company in Indonesia. The data used in this research are the claims data of XYZ company s for motor vehicle insurance products from 2013 to 2015."

"Asuransi kendaraaan bermotor diharuskan membuat cadangan untuk memastikan bahwa perusahaan tersebut dapat memenuhi kewajibannya. Metode chain ladder adalah salah satu metode pencadangan klaim yang paling banyak digunakan. Akan tetapi, metode chain ladder ini rentan terhadap outlier. Karya akhir ini fokus pada pencadangan klaim yang resisten terhadap data outlier dengan menggunakan metode robust chain ladder. Ada dua tahapan dalam merobust metode chain ladder, tahap pertama yaitu mendeteksi data outlier dengan menggunakan median sebagai development faktor dan kemudian memodifikasi nilai dari outlier tersebut. Langkah kedua adalah mengaplikasikan metode chain ladder klasik pada data yang telah dilakukan modifikasi tersebut. Studi ini menunjukan bahwa metode robust chain ladder memberikan hasil yang lebih baik dibandingkan dengan chain ladder klasik.

---

in a motor vehicle insurance business an insurer needs to build up a reserve to ensure the company can fulfill its obligation. Chain ladder is one of the most widely used method in claim reserving. However, chain ladder method is very vulnerable to outlier. This study focused on claim reserving that resistant to outlier data by using robust chain ladder. There are two step to robustify chain ladder method. The first step is to detect outlier by using median as development factor to compute the residual, and adjust the outlying values. The second step is apply a classic chain ladder method to the adjusted data. This study show that robust chain ladder has a better result than a standard chain ladder method."

"ABSTRACTPerusahaan 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.

---

ABSTRACTInsurance 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."

"Tren kenaikan frekuensi dan severitas klaim untuk klaim asuransi kendaraan bermotor menyebabkan dibutuhkannya metode otomatisasi baru untuk memprediksi probabilitas seorang pemegang asuransi kendaraan akan mengajukan klaim jika diberikan data historis mengenai pemegang asuransi tersebut, agar perusahaan asuransi dapat memilah dan memproses lebih lanjut para pemegang polis yang kemungkinan mengajukan klaimnya tinggi. Masalah ini dapat diselesaikan dengan berbagai metode, salah satunya dengan machine learning, yang mengkategorisasikan masalah tersebut sebagai masalah supervised learning. Volume data yang besar dan banyaknya kemungkinan adanya missing values pada data pemegang asuransi menjadi dua aspek yang mempengaruhi pemilihan model machine learning yang tepat. XGBoost merupakan model gradient boosting machine learning baru yang dapat mengatasi missing value dan volume data besar sehingga XGBoost diklaim merupakan metode yang tepat untuk digunakan pada masalah tersebut. Dalam skripsi ini akan diaplikasikan metode XGBoost kepada masalah ini, dan akan dibandingkan hasilnya dengan berbagai metode machine learning lainnya, seperti AdaBoost, Stochastic Gradient Boosting, Random Forest, Neural Network, dan Logistic Regression.

---

The increasing trend of claim frequency and claim severity for auto-insurance result in a need of new methods to predict whether a policyholder will file an auto-insurance claim or not, given historical data about said policyholder, so that insurance industries can further process policyholders with high claim probability. This problem can be solved with many methods, one of which is machine learning, which categorizes this problem as a supervised learning problem. The high data volume and the existence of missing values on a policyholders historical data are aspects that the chosen machine learning model must be able to handle. XGBoost is a novel gradient boosting machine learning problem that is able to inherently handle missing values and high volume of data, which should make the model suitable for this problem. In this thesis, XGBoost will be applied to this problem, and its performance will be compared by other machine learning models, such as AdaBoost, Stochastic Gradient Boosting, Random Forest, Neural Network, and Logistic Regression."

"Dalam studi statistik, mengukur ketergantungan antar variabel sering kali diperlukan untuk memahami perilaku dari variabel-variabel tersebut. Pada skripsi ini, untuk merepresentasikan ketergantungan antar variabel akan digunakan model copula. Copula diterapkan dalam memodelkan ketergantungan pada studi keuangan dan statistik, bahkan diperkenalkan dalam studi aktuaria untuk menghitung total kerugian pada industri asuransi kendaraan bermotor. Perusahaan asuransi, sebagai pihak yang menyediakan asuransi kendaraan bermotor, harus bisa memprediksi kemungkinan kerugian yang akan terjadi guna memprediksi kewajiban dan menyusun strategi perusahaan di masa depan. Total kerugian pada asuransi kendaraan bermotor dapat dihitung berdasarkan dua variabel, yaitu frekuensi klaim dan severitas klaim. Kedua variabel tersebut memiliki distribusi yang berbeda dan terkadang ditemukan ketergantungan di antara keduanya sehingga diperlukan model yang dapat menghubungkannya. Dalam beberapa kasus, kerugian juga dipengaruhi oleh faktor-faktor risiko lainnya yang disebut sebagai kovariat. Salah satu metode analisis statistik untuk menggabungkan dua distribusi data berbeda yang saling berhubungan beserta kovariat adalah dengan model copula berbasis regresi. Hal ini dilakukan dengan menggabungkan marginal Generalized Linear Model dari frekuensi dan severitas klaim. Dengan karakteristik yang berbeda dari kedua data maka model dibentuk dengan pendekatan mixed copula. Copula yang digunakan adalah copula Gaussian dan estimasi parameter dilakukan dengan Maximization by Parts (MBP). Berdasarkan parameter yang diperoleh, dapat disimpulkan bahwa terdapat ketergantungan positif antara frekuensi dan rata-rata severitas klaim. Dengan mempertimbangkan unsur dependensi pada frekuensi dan rata-rata severitas klaim, diperoleh nilai ekspektasi total kerugian yang lebih besar dibandingkan tanpa mempetimbangkan unsur dependensi.

---

In statistical studies, measuring dependencies between variables is often necessary to understand the behavior of those variables. In this thesis, to represent the dependency between variables, the copula model will be used. Copula is applied to modeling dependencies in financial and statistical studies and has even been introduced in actuarial studies to calculate total losses in the motor vehicle insurance industry. Insurance companies, as parties that provide motor vehicle insurance, must be able to predict possible losses that will occur in order to predict liabilities and develop company strategies in the future. Total losses in motor vehicle insurance can be calculated based on two variables, namely claim frequency and claim severity. These two variables have different distributions, and sometimes dependencies are found between them, so a model is needed that can relate them. In some cases, losses are also influenced by other risk factors known as covariates. One statistical analysis method for combining two different, interconnected data distributions and covariates is a regression-based copula model. This is done by combining marginal generalized linear models of claim frequency and severity. With the different characteristics of the two data sets, the model was formed using a mixed copula approach. The copula used is a Gaussian copula, and parameter estimation is done using Maximization by Parts (MBP). Based on the parameters obtained, it can be concluded that there is a positive dependence between the frequency and average claim severity. By considering the dependency element on the frequency and average severity of claims, the expected total loss value is greater than without considering the dependency element."

"ABSTRAKSesuai 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

---

ABSTRACTAccording 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."

"Memperkirakan cadangan kewajiban terhutang adalah penting dalam menjaga keseimbangan solvabilitas keuangan pada perusahaan asuransi umum. Porsi terbesar dan terpenting dari cadangan kewajiban terhutang adalah cadangan klaim terhutang. Penelitian ini mencoba melakukan estimasi perhitungan cadangan klaim dengan menggunakan pendekatan model Munich Chain Ladder. Model Munich Chain Ladder dalam hal ini menggunakan pendekatan metode Chain Ladder klasik, serta korelasi antara nilai pembayaran klaim (paid) dengan nilai pelaporan klaim (incurred). Dengan menggunakan data masa lalu, sebuah estimasi cadangan klaim IBNR akan dihitung dengan menggunakan model Munich Chain Ladder.

---

Estimating outstanding liability is very important in maintaining financial solvency of a general insurance company. The largest and most important outstanding liability is outstanding claim reserves portion. This study is tried to estimate claim reserve by using Munich Chain Ladder. The Munich Chain Ladder is using a classical Chain Ladder method approach as the basic framework, and then utilizes the correlation between the paid and incurred claim data to calibrate the proposed model prediction. By using past data, a claim reserve will be calculated."

"Permasalahan utama yang sering dihadapi oleh perusahaan asuransi adalah mengestimasi cadangan klaim. Perhitungan estimasi cadangan klaim yang dilakukan secara kurang tepat akan memengaruhi kelangsungan usaha dari perusahaan asuransi. Metode estimasi cadangan klaim yang paling sering digunakan di dunia asuransi adalah metode Chain-Ladder dan variasinya. Selain metode tersebut, Peters, Targino dan Wuthrich (2017) mengembangkan metode yaitu gamma-gamma Bayesian Chain-Ladder. Metode ini merupakan metode Bayesian Chain-Ladder yang menggunakan distribusi gamma yang memiliki rentang prediksi cadangan klaim yang relatif kecil.

Pada penelitian ini penghitungan terhadap rentang prediksi cadangan klaim dilakukan menggunakan model gamma-gamma Bayesian Chain-Ladder. Tujuan utama pada penelitian ini yaitu menerapkan proses penghitungan rentang prediksi dengan model gamma-gamma Bayesian Chain-Ladder pada konteks perusahaan asuransi XYZ di Indonesia, serta membandingkannya dengan metode Chain-Ladder. Data yang digunakan dalam penelitian ini adalah data klaim produk asuransi kendaraan bermotor perusahaan asuransi XYZ tahun 2014 sampai dengan 2016. Hasil rentang prediksi berdasarkan nilai MSEP model gamma-gamma Bayesian chain-ladder tahun 2014 sampai dengan 2016 relatif lebih kecil dibandingkan dengan MSEP chain-ladder model Mack.

---

The Main problem often faced by insurance companies is estimating claim reserve. The calculation of claim reserve that is undertaken inaccurately will affect the business operations of the insurance company. The claim reserve estimation method that is commonly undertaken called Chain-Ladder method and its variations. Besides, Peters, Targino and Wuthrich (2017) develop a method namely gamma-gamma Bayesian Chain-Ladder. This is a Bayesian Chain-Ladder method that uses a gamma distribution and has the prediction range of claim reserve that relatively small.

This research performs the calculation of the prediction range claim reserve that uses the gamma-gamma Bayesian Chain-Ladder model. The main purpose of this research is implementing the process of calculation prediction range with the gamma-gamma Bayesian Chain-Ladder model in the context of XYZ insurance companies in Indonesia, and compare it with the Chain-Ladder classic method. The data used in this study is the claim data for motor vehicle insurance products for XYZ insurance companies from 2014 to 2016. The results of the prediction range based on the MSEP value of the gamma-gamma Bayesian Chain-Ladder model from 2014 to 2016 relatively smaller compared to the Macks MSEP chain-ladder model."