Hasil Pencarian  ::  Simpan CSV :: Kembali

"Cadangan klaim sangat penting untuk keberlanjutan finansial perusahaan asuransi umum. Oleh karena itu, cadangan klaim harus diprediksi dengan akurat. Cadangan klaim umumnya diprediksi menggunakan metode Chain Ladder karena metode ini hanya menggunakan perhitungan yang sederhana, yaitu suatu algoritma tanpa unsur parametrik apapun. Akan tetapi, metode Chain Ladder kurang cocok untuk data klaim asuransi umum yang volatil dan tidak memperhitungkan kemungkinan terjadinya klaim besar, sehingga metode ini kurang mengakomodasi seluruh karakter dari data klaim dan menghasilkan prediksi cadangan klaim yang kurang akurat. Generalized Linear Model (GLM) merupakan model yang dapat melengkapi kekurangan tersebut yaitu mengakomodasi seluruh karakter dari data klaim dengan memperhitungkan kemungkinan terjadinya klaim besar sehingga memiliki akurasi lebih baik daripada Chain Ladder. Pada GLM, klaim dianggap sebagai komponen acak dan mengikuti sebuah distribusi tertentu selain distribusi normal. Selain itu, GLM mempertimbangkan probabilitas dari berbagai hasil yang mungkin terjadi, seperti severitas klaim yang besar walaupun probabilitas terjadinya kecil. Pada penelitian ini, klaim diasumsikan berdistribusi gamma karena memiliki karakteristik kontinu dan right skewed yang sesuai dengan distribusi gamma. Prediksi cadangan klaim dilakukan dengan menggunakan GLM dengan variabel dependen yang berdistribusi gamma atau model regresi gamma. Pertama, data klaim yang berbentuk run-off triangle perlu diubah terlebih dahulu menjadi bentuk vektor untuk memudahkan dalam pemodelan. Kemudian parameter model diestimasi menggunakan Maximum Likelihood Estimation (MLE), yang dilanjutkan dengan bantuan metode numerik (iteratif) Fisher scoring. Metode Fisher scoring diketahui memiliki keunggulan, yaitu dapat digunakan untuk mengestimasi parameter pada dataset besar maupun kecil karena perhitungannya menggunakan nilai ekspektasi dari matriks Hessian, tanpa perlu menghitung nilai aktual dari matriks Hessian. Hal ini juga membuat metode Fisher scoring lebih efisien secara komputasi. Pada penelitian ini, dilakukan implementasi model regresi gamma untuk memprediksi besar cadangan klaim asuransi umum dalam bentuk run-off triangle dan diperoleh nilai mean absolute error (MAE) serta mean absolute persentage error (MAPE) secara berturut-turut sebesar 829 dan 2,45115%.

---

Claim reserves are crucial for the financial sustainability of general insurance companies. Therefore, it is essential to accurately predict claim reserves. In general, claim reserves are predicted using the Chain Ladder method due to its simplicity, as it relies on a straightforward algorithm without any parametric elements. However, the Chain Ladder method is less suitable for volatile general insurance claim data and does not account for the possibility of large claims. Consequently, it inadequately addresses all the characteristics of claim data, resulting in less accurate reserve predictions. The Generalized Linear Model (GLM) can address these shortcomings by accommodating all claim data characteristics and considering the potential for large claims, thus achieving better accuracy compared to the Chain Ladder method. In GLM, claims are treated as random components following a specific distribution other than the normal distribution. Additionally, GLM considers the probability of various outcomes, such as high severity claims, even if the probability is low. In this study, claims are assumed to follow a gamma distribution due to its continuous and right-skewed characteristics, which align with the gamma distribution. Claim reserve predictions are conducted using a GLM with a gamma-distributed dependent variable, also known as gamma regression. First, claim data in the form of a run-off triangle must be transformed into a vector format to facilitate modeling. Then, the model parameters are estimated using Maximum Likelihood Estimation (MLE), followed by numerical (iterative) Fisher scoring methods. Fisher scoring has the advantage of being applicable to both large and small datasets because it uses the expected value of the Hessian matrix without needing to calculate the actual Hessian matrix, making it computationally more efficient. This study implements the gamma regression model to predict the claim reserves of general insurance in the form of a run-off triangle, yielding mean absolute error (MAE) and mean absolute percentage error (MAPE) values of 829 and 2.45115%, respectively."

"Salah satu pendekatan yang dapat digunakan dalam perhitungan cadangan klaim pada perusahaan asuransi adalah teori kredibilitas, yang memungkinkan perhitungan cadangan klaim dilakukan dengan mengombinasikan data pembayaran klaim pada portfolio terkait dengan informasi lainnya, contohnya adalah data pembayaran klaim dari porfolio lain yang similar. Pada tugas akhir ini, digunakan model kredibilitas Bühlmann-Straub untuk perhitungan cadangan klaim. Lebih jauh lagi, pada umumnya perhitungan total cadangan klaim pada suatu perusahaan dilakukan dengan menghitung cadangan klaim pada masing-masing lini bisnis yang ada di perusahaan tersebut, kemudian cadangan klaim untuk perusahaan tersebut (aggregate reserve) diperoleh dengan menjumlahkan cadangan klaim pada masing-masing lini bisnis. Dengan mempertimbangkan kemungkinan adanya korelasi antara lini bisnis yang ada pada perusahaan asuransi, nilai aggregate reserve sesungguhnya dapat bernilai lebih kecil dari penjumlahan cadangan klaim pada masing-masing lini bisnis yang ada. Karenanya, penelitian mengenai perhitungan cadangan klaim kemudian berkembang dengan mempertimbangkan data pembayaran klaim dari berbagai lini bisnis pada suatu perusahaan, atau disebut juga dengan perhitungan cadangan klaim dalam konteks multivariat. Pada tugas akhir ini, dilakukan penelitian mengenai pembentukan model kredibilitas Bühlmann-Straub multivariat untuk perhitungan cadangan klaim beserta dengan estimasi parameter-parameter model tersebut. Model yang telah terbentuk kemudian digunakan untuk menghitung cadangan klaim pada tiga lini bisnis di perusahaan asuransi. Error prediksi pada masing-masing lini bisnis dengan menggunakan model kredibilitas BA¼hlmann--Straub multivariat adalah sebesar 0,7899%, 2,9286%, and 0,8239%, sedangkan error prediksi pada masing-masing lini bisnis dengan menggunakan model kredibilitas B¼hlmann-Straub standar adalah sebesar 0,7954%, 2,9438%, and 0,8726%. Tampak bahwa error prediksi dengan model kredibilitas B¼hlmann-Straub multivariat lebih kecil dibanding error prediksi dengan model kredibilitas BA¼hlmann-Straub standar.

---

One of the approaches that can be used in the calculation of claim reserve in insurance companies is A credibility theory, which allows the calculation of claim reserve by combining claim payment data from related run-off triangle with other information, for example, claim payment data from the other run-off triangles that is similar. In this thesis, the A BA¼hlmann-Straub credibility model is used in the calculation of claim reserve. Furthermore, in general, the calculation of claim reserve in a company is done by calculating the claim reserve in each line of business in the company, then the total claim reserve for the company (aggregate reserve) is obtained by adding up the claim reserve in each line of business. Taking into account the possibility that there is correlation between the existing lines of business in insurance companies, the value of A aggregate reserve can actually be less than the sum of the claim reserve in each of the existing line of business. Therefore, research on the calculation of claim reserve then evolves by considering claim payment data from various lines of business in a company, or also called claim reserve calculation in multivariate context. In this thesis, a research is conducted on the development of multivariateA BA¼hlmann-Straub credibility model for claim reserving along with estimation for parameters of the model. The model is used to calculate claim reserve for three lines of business in insurance company. The error of predictions for each line of business by using multivariateA BA¼hlmann-Straub credibility model are 0,7899%, 2,9286%, and 0,8239%, meanwhile the error of predictions for each line of business by using standardA BA¼hlmann-Straub credibility model are 0,7954%, 2,9438%, and 0,8726%. It appears that the error of multivariateA BA¼hlmann-Straub credibility model is lower than the error of standardA BA¼hlmann-Straub credibility model."

"ABSTRAKSalah satu alternatif ukuran kekuatan prediksi yang dapat diterapkan pada model GLM dimana variabel responnya berdistribusi tidak hanya normal yaitu dengan menggunakan koefisien korelasi regresi regression correlation coefficient ndash; RCC . Koefisien korelasi regresi dibangun berdasarkan definisi koefisien korelasi dengan menggunakan model GLM. Sehingga RCC dapat didefinisikan sebagai nilai yang menyatakan kekuatan hubungan antara variabel respon dan ekspektasi bersyarat dari variabel respon. Koefisien korelasi regresi merupakan salah satu alternatif ukuran kekuatan prediksi yang dapat memenuhi sifat applicability, interpretability, consistency, dan affinity. Pada umumnya bentuk eksplisit dari RCC pada GLM sulit ditemukan. Namun, ketika RCC diterapkan pada model regresi Poisson dan variabel prediktor diasumsikan berdistribusi multivariat normal, maka akan ditemukan bentuk eksplisit. Bentuk eksplisit ini masih memuat parameter ndash; parameter dari model regresi Poisson yang tidak diketahui. Oleh karena itu, perlu dicari estimasi dari parameter - parameter tersebut sehingga diperoleh estimator dari RCC. Metode yang digunakan untuk mengestimasi parameter pada model regresi Poisson adalah metode maximum likelihood."

---

""ABSTRACT"The regression correlation coefficient RCC is one alternative measure of predictive power that can be applied to the GLM model in which the distribution of response variable is not only normal. The regression correlation coefficient is constructed based on the definition of correlation coefficient by using generalized linear model GLM . So, the RCC can be defined as a value that states the strength of the relationship between the response variable and the conditional expectation of the response variable. The regression correlation coefficient is one of predictable strength measure that can satiesfies the property like applicability, interpretability, consistency, and affinity. In general, the explicit form of RCC on GLM is difficult to find. However, when RCC is applied to the Poisson regression model and the predictor variable is assumed to be a normal multivariate distribution, an explicit form is found. This explicit form still contains the unknown parameters of the Poisson regression model. Therefore, we need to find an estimate of these parameters to obtain an estimator from the RCC. The method used to estimate the parameters in Poisson regression model is maximum likelihood method."

"

Permasalahan statistik di dunia nyata umum diselesaikan dengan menggunakan generalized linear model. Fleksibilitas model regresi tersebut menjadi nilai tambah yang meningkatkan utilitasnya. Akan tetapi, di tengah penerapan generalized linear model, ditemukan isu terkait estimasi parameter, yakni multikolinearitas. Kondisi multikolinearitas mengindikasikan adanya korelasi antarvariabel penjelas yang berpengaruh terhadap keakuratan koefisien parameter. Keadaan ini menyebabkan maximum likelihood estimator, metode yang sangat umum digunakan pada generalized linear model untuk mencari parameter, memiliki eror dan variansi yang tinggi. Berbagai alternatif estimator telah dibuat untuk mengatasi masalah ini, salah satunya adalah Liu estimator. Metode ini merupakan bentuk modifikasi dari metode yang sudah diciptakan sebelumnya, yakni maximum likelihood estimator. Penelitian ini menelusuri konsep dan metode Liu estimator dalam menentukan suatu parameter dan dibandingkan dengan metode maximum likelihood estimator. Konstruksi gamma regression model, yakni generalized linear model dengan variabel respons yang berdistribusi gamma, digunakan sebagai aplikasi dalam penerapan Liu estimator. Simulasi dalam penelitian ini menggunakan dataset hydrocarbon yang mengukur keefektifan pemulihan polusi yang bersumber dari tangki gas. Dengan menggunakan model regresi gamma dan estimator Liu untuk mengestimasi parameter didapatkan prediksi terhadap jumlah gas hydrocarbon yang keluar.

---

Generalized Linear Model, as the name says, is the general version for linear model, one of the method used to solve statistical and actuarial real-life problem, such as regression. In the midst of well-known generalized linear model utilization, researcher found issue related to parameter estimation. Multicolinearity, a condition which occur when there are two or more independent variabel with high correlation, has huge impact to the accuracy of parameter coeficient. This issue makes the maximum likelihood estimator, one of the most common method to estimate the parameter, produces high error and variance. To combat this issue, many other estimator has been proposed by various researcher all around the world, including Liu estimator. Liu estimator is a method that comes from the modification of maximum likelihood estimator. This research will explore the concept and method of Liu estimator for estimating model’s parameter and the difference when we compare it with maximum likelihood estimator. The model built in the research is gamma regression model, which is a generalized linear model with gamma distributed response variable. The application of the research is utilizing the data called hydrocarbon. The end product is the gamma regression model to predict the mass of hydrocarbon which escape to the air with the parameter estimated by Liu estimator method.

"

"ABSTRAKBerdasarkan lama proses penyelesaian klaim, perusahaan asuransi terdiri dari dua kelas bisnis, yakni short-tail business penyelesaian klaim. Dalam bisnis long tail, penting bagi perusahaan asuransi untuk memiliki cadangan klaim untuk menyelesaikan klaim di kemudian hari. Prediksi pemesanan klaim diharapkan akurat. Secara umum, pemesanan klaim dilakukan dengan metode chain ladder yang didasarkan pada tren klaim berbayar. Cara lain yang sering digunakan adalah Bornhuetter Ferguson yang didasarkan pada klaim berbayar dan juga premi. Dalam makalah ini, diperkenalkan metode yang disebut Benktander yang menggabungkan tangga rantai dan Bornhuetter Ferguson menggunakan kredibilitas optimal. Kredibilitas optimal diperoleh melalui minimum mean squared error dan minimum variance. Oleh karena itu, pemesanan klaim dengan metode Benktander diharapkan lebih akurat bagi perusahaan. Pada akhir makalah ini, ketiga metode tersebut dibandingkan berdasarkan mean squared errornya sehingga akan ditentukan metode terbaik di antara ketiga metode tersebut.

---

ABSTRACTBased on the settlement period for insurance claim, insurance is divided into 2 types of business which are short tail business settlement period 1 year and long tail business settlement period ge 1 year. In long tail business, it is important for insurance company to have claim reserve in order to settle claims in the future. Claim reserving prediction is expected to be accurate. In general, claim reserving is done using chain ladder method that is based on the trend of paid claims. Another method that is often used is Bornhuetter Ferguson which is based on paid claims and also premium. In this paper, a method called Benktander that combines chain ladder and Bornhuetter Ferguson using optimal credibility is introduced. Optimal credibility is obtained through minimum mean squared error and minimum variance. Therefore, claim reserving based on Benktander method is expected to be more accurate for company. In the end of this paper, those three methods are compared based on their mean squared errors hence the best method among those three methods will be determined."

"Pada perusahaan asuransi bisnis long-tail (penyelesaian klaim ≥ 1 tahun), perusahaan harus memiliki cadangan klaim untuk membayar klaim pada masa yang akan datang. Metode yang sering digunakan untuk perhitungan prediksi cadangan klaim adalah Chain Ladder (CL) yang dihitung berdasarkan pola dari klaim yang sudah dibayarkan. Namun, CL tidak dapat memberikan hasil prediksi cadangan klaim yang akurat, karena dari pendefinisiannya CL sangat bergantung dengan data. Padahal, data tersebut dapat mengandung outlier, atau tidak memadai. Ketika hal ini terjadi, maka aktuaris seringkali menggunakan penilaian subyektif mereka dengan menyesuaikan perhitungan dan dapat memberikan hasil yang berbeda-beda. Hasil yang berbeda-beda menyebabkan adanya ketidakpastian akan hasil yang didapat. Pada skripsi ini, dikenalkan metode Fuzzy Chain Ladder (FCL) yang menggabungkan metode CL dengan triangular fuzzy number (TFN) agar dapat mempertimbangkan ketidakpastian terhadap perhitungan. Berbeda dengan CL yang menghasilkan satu nilai cadangan klaim, FCL menerapkan TFN pada perhitungannya sehingga menghasilkan besar cadangan klaim dalam bentuk kisaran atau range. Dalam range tersebut, aktuaris dapat memilih nilai cadangan klaim berdasarkan penilaian subyektif mereka sehingga diharapkan metode FCL dapat mempertimbangkan adanya ketidakpastian tersebut. Selanjutnya, dilakukan analisis perhitungan prediksi cadangan klaim dari data klaim asuransi umum kelautan menggunakan FCL dibandingkan dengan metode CL.

---

In long-tail business insurance (settlement period ≥ 1 year), companies must have claim reserve to pay claims in the future. The method often used for calculating claims reserve is Chain Ladder (CL) that is calculated based on the pattern of paid claims. However, CL cannot provide accurate claims reserve predictions, because the definition of CL is dependent on data. In fact, these data can contain outliers, inadequate. When this happens, actuaries often use their subjective judgment by adjusting calculations and can produce different results. Different results cause uncertainty about the obtained results. In this thesis, a method called Fuzzy Chain Ladder (FCL) is introduced which combines CL with triangular fuzzy number (TFN) to consider uncertainty regarding calculations. In contrast to CL which produces a single value of claim reserves, FCL applies TFN to its calculation to produce many claims reserves in the form of ranges. Within that range, actuaries can choose the value of claims reserves based on their subjective judgement so that the FCL method can be expected to consider the existence of these uncertainties. Furthermore, an analysis of the prediction of claim reserves from the general marine insurance claim data is analyzed using FCL compared to the CL 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."

"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."

"Perhitungan cadangan klaim merupakan salah satu hal yang penting bagi setiap perusahaan asuransi agar dapat memenuhi kewajibannya untuk menutup kerugian akibat terjadinya loss. Umumnya, prediksi cadangan klaim dilakukan dengan menggunakan metode Chain-Ladder. Tetapi, karena metode ini tidak memerlukan asumsi distribusi, nilai prediksi hanya bergantung pada besar klaim sebelumnya dan besar development factor saja sehingga apabila terdapat outlier pada data sebelumnya maka, hasil prediksi menjadi kurang akurat. Oleh karena itu, pada penulisan tugas akhir ini, diusulkan dua model perhitungan prediksi cadangan klaim dengan pendekatan Generalized Linear Model (GLM). Kedua model tersebut dibedakan berdasarkan distribusi yang akan digunakan yaitu distribusi log normal dan distribusi Over-dispersed Poisson (ODP). Pada Generalized Linear Model ini, variabel dependen yaitu cadangan klaim diasumsikan berdistribusi log normal dan Over-dispersed Poisson (ODP) serta perhitungannya didasarkan pada waktu terjadinya loss (accident year) dan waktu jeda (development year) sebagai variabel eksplanatori. Pada penulisan tugas akhir ini, data yang digunakan adalah incurred but not reported (IBNR) dari laporan Statistical Compilation of Annual Statement Information for Property/Casualty Insurance Companies in 2019 yang kemudian diubah bentuknya menjadi bentuk run-off triangle. Hasil prediksi cadangan klaim kemudian akan dibandingkan menggunakan Mean Squared Error (MSE) dan Mean Absolute Percentage Error (MAPE). Dari nilai MSE dan MAPE yang diperoleh dapat disimpulkan bahwa perhitungan prediksi cadangan klaim menggunakan pendekatan Generalized Linear Model (GLM) dengan distribusi log normal lebih baik daripada dengan distribusi Over-dispersed Poisson. Hal ini dikarenakan nilai MAPE untuk Generalized Linear Model (GLM) dengan distribusi log normal lebih rendah yaitu sebesar 6,22%.

---

The calculation of claim reserves is one of the important elements in fulfilling each insurance company’s obligation to cover losses. Claim reserves are generally predicted using the Chain-Ladder method. However, the expected value can only be determined by the value of the previous claims and by the development factor, as this method is a non-distribution method. This means that if there are outliers in the previous data, the prediction results will be less accurate. Therefore, in this final paper, claim reserves predictions will be calculated using two models of the Generalized Linear Model (GLM) approach, namely the log normal distribution and the Overdispersed Poisson (ODP) distribution. It is assumed that both distributions predict the value of claims reserve as a dependent variable and the calculations is based on the accident year and the development year as explanatory variables. The Incurred but Not Reported (IBNR) data from “Statistical Compilation of Annual Statement Information for Property/Casualty Insurance Companies” in 2019 will be used in the calculation, which will then be converted into a run-off triangle form. The prediction of claim reserves results will then be compared by Mean Squared Error (MSE) and Mean Absolute Percentage Error (MAPE) and it showed that the Generalized Linear Model with log normal distribution approach is better than the Over-dispersed Poisson approach with the MAPE value is 6,22."

"ABSTRAKPrediksi dari besar klaim yang belum terselesaikan (outstanding claims) memegang peranan penting, mengingat perusahaan asuransi selalu dituntut untuk dapat menyediakan cadangan yang cukup guna menutupi pembayaran klaim di masa yang akan datang. Salah satu metode prediksi yang sering digunakan adalah metode Bornhuetter-Ferguson. Metode Bornhuetter-Ferguson termasuk ke dalam metode yang bersifat tradisional. Saat ini, metode prediksi yang bersifat tradisional telah banyak dikembangkan. Dalam hal ini, perhitungan cadangan klaim tidak dilakukan untuk menunjukkan kegagalan perhitungan cadangan klaim secara tradisional, melainkan lebih memberikan penekanan pada ketersediaan ukuran kesalahan prediksi dan distribusi prediksi dari cadangan klaim. Oleh karena itu, prediksi cadangan klaim dilakukan dengan menerapkan bootstrap pada metode Bornhuetter-Ferguson agar diperoleh informasi dari kesalahan prediksi dan distribusi prediksi dari cadangan klaim.

---

ABSTRACTPrediction of outstanding claims has an important roles considering insurance companies are required to allocate sufficient reserves for future payment of claims. One of the prediction methods that can be used is Bornhuetter Ferguson method. Bornhuetter Ferguson method is a traditional method to predict the outstanding claims. Nowadays, the traditional method has many been developed. In this case, the calculation of claim reserves are not done to show the failure of calculation in traditional way, but more to give an emphasis on the error availability and predictive distribution from the claim reserves. Therefore, claim reserves prediction is performed by applying bootstrap on the Bornhuetter Ferguson method to obtain the information about error and predictive distribution from the claim reserves."