Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tantangan besar dalam mengembangkan model prediktif yang baik untuk prediksi klaim asuransi kendaraan bermotor adalah adanya missing values dalam data. Berbagai algoritma pembelajaran mesin telah diteliti untuk mengatasi masalah missing values ini. XGBoost merupakan salah satu teknik Gradient Boosting Decision Tree (GBDT) yang terbukti unggul dibandingkan metode imputasi seperti K-Nearest Neighbors (KNN) dan mean imputation. Namun, XGBoost memiliki beberapa keterbatasan, seperti waktu pemrosesan yang lebih panjang dan perlunya untuk melakukan one-hot encoding pada variabel kategorikal. Keterbatasan yang dimiliki oleh metode XGBoost dapat diatasi oleh metode LightGBM. Penelitian ini bertujuan untuk menganalisis kinerja metode XGBoost dan LightGBM dalam memprediksi klaim asuransi kendaraan bermotor pada data yang mengandung missing values. Dataset yang digunakan berasal dari klaim asuransi kendaraan bermotor perusahaan Porto Seguro yang terdiri yang memiliki missing values hingga 70%. Evaluasi kinerja dilakukan menggunakan metrik Normalized Gini score dan training time. Penelitian ini membandingkan dua pendekatan dalam menangani missing values: tanpa imputasi dan dengan imputasi mean. Hasil penelitian menunjukkan bahwa metode XGBoost tanpa imputasi missing values memberikan kinerja terbaik dengan nilai Normalized Gini tertinggi sebesar 0,2735. Namun, XGBoost tanpa imputasi membutuhkan waktu training yang lebih lama, yaitu rata-rata 15,5841 detik. Metode LightGBM tanpa imputasi juga menunjukkan kinerja yang baik dengan nilai Normalized Gini sebesar 0,2559 dan waktu training yang lebih singkat dengan rata-rata 4,0521 detik. Pada data tanpa imputasi, XGBoost secara mutlak tetap menunjukkan kinerja terbaik dengan nilai Normalized Gini tertinggi baik pada data yang tidak diimputasi maupun telah diimputasi. LightGBM, meskipun memiliki Normalized Gini yang sedikit lebih rendah, namun lebih efisien dalam waktu training dengan waktu training hampir 4 kali lebih cepat dibandingkan XGBoost. XGBoost tanpa imputasi memberikan hasil prediksi yang lebih akurat. LightGBM tanpa imputasi menunjukkan efisiensi dalam waktu training dengan sedikit penurunan dalam Normalized Gini (6,88%) dibandingkan dengan XGBoost tanpa imputasi. Disimpulkan bahwa jika prioritas utama adalah kemampuan prediktif yang lebih baik, maka XGBoost tanpa imputasi adalah pilihan yang lebih baik. Namun, jika efisiensi waktu training menjadi prioritas utama, maka LightGBM tanpa imputasi dapat menjadi alternatif yang sangat baik karena mampu melakukan proses training dengan lebih cepat secara signifikan tanpa kehilangan kemampuan prediktif (dalam konteks ini Normalized Gini) yang signifikan.

---

The primary challenge in developing robust predictive models for motor vehicle insurance claims lies in the presence of missing values within the dataset. Several machine learning algorithms have been explored to address this issue, with XGBoost—a gradient-boosted decision tree (GBDT) technique—demonstrating superior performance compared to traditional imputation methods such as K-Nearest Neighbors (KNN) and mean imputation. However, XGBoost is constrained by certain limitations, including longer processing times and the requirement for one-hot encoding of categorical variables. These limitations can be mitigated by employing the LightGBM method. This study aims to evaluate the performance of XGBoost and LightGBM in predicting motor vehicle insurance claims in datasets containing missing values. The dataset utilized in this research is sourced from Porto Seguro’s motor vehicle insurance claims, which contains up to 70% missing values. The model performance is assessed using two key metrics: the Normalized Gini score and training time. The study compares two approaches to handling missing values: without imputation and with mean imputation.The findings reveal that XGBoost without imputation achieves the highest predictive performance, with a Normalized Gini score of 0.2735. However, this approach also entails a longer training time, averaging 15.5841 seconds. LightGBM without imputation, while producing a slightly lower Normalized Gini score of 0.2559, demonstrates superior efficiency, with a significantly reduced training time of 4.0521 seconds on average. In scenarios without imputation, XGBoost consistently delivers the highest predictive performance, both for non-imputed and imputed data. While LightGBM exhibits a marginally lower Normalized Gini score, it offers substantial improvements in training efficiency, with training times nearly four times faster than those of XGBoost. In conclusion, XGBoost without imputation provides the most accurate predictions, making it the preferable choice when predictive performance is the primary objective. However, when the primary concern is training time efficiency, LightGBM without imputation emerges as a strong alternative, offering a significant reduction in training time with only a modest decrease (6.88%) in predictive accuracy, as measured by the Normalized Gini score, compared to XGBoost without imputation."

"Prediksi klaim dan prediksi risiko asuransi dilakukan untuk mengklasifikasikan klaim dan tingkat risiko dalam industri asuransi. Dari sudut pandang pembelajaran mesin, masalah prediksi klaim merupakan klasifikasi dua kelas dan masalah prediksi risiko adalah klasifikasi multi-kelas. Untuk mengklasifikasikan klaim dan risiko, model pembelajaran mesin akan memprediksi berdasarkan data historis. Dalam data historis pemohon asuransi, akan ada kemungkinan nilai yang hilang (missing values) sehingga perlu untuk mengatasi masalah tersebut agar memberikan kinerja yang lebih baik. XGBoost adalah metode pembelajaran mesin yang banyak digunakan untuk masalah klasifikasi dan dapat menangani nilai yang hilang (missing values) tanpa dilakukan proses imputasi terlebih dahulu. Penelitian ini menganalisis kinerja metode XGBoost dalam menangani nilai-nilai yang hilang (missing values) untuk prediksi klaim dan prediksi risiko dalam asuransi dan kinerja tersebut juga dibandingkan dengan metode imputasi standard lainnya, yaitu metode mean dan k-nearest neighbors (KNN). Simulasi menunjukkan bahwa model XGBoost tanpa dilakukan proses imputasi memberikan hasil yang sebanding dengan model XGBoost dengan imputasi

---

Claim prediction and risk prediction of insurance is carried out to classify claims and the levels of risk in insurance industries. From the machine learning point of view, the problem of claim prediction is a two-class classification, and the problem of risk level prediction is a multi-class classification. To classify the claims and risk, a machine learning model will predict based on historical data. In the insurance applicant's historical data, there will be the possibility of missing values so that it is necessary to deal with these problems to provide better performance. XGBoost is a machine learning method that is widely used for classification problems and can handle missing values without an imputation preprocessing. This study analyzed the performance of the XGBoost model in handling missing values for claim prediction and risk prediction in insurance and the performance is also compared with other standard imputation methods, i.e the mean and k-nearest neighbors (KNN) method. The simulations show that the XGBoost model without any imputation preprocessing gives a comparable result to one of the XGBoost models with an imputation preprocessing."

"Asuransi merupakan bentuk pengalihan risiko dengan cara mendistribusikan risiko individu menjadi risiko kolektif. Pemasukan utama perusahaan asuransi adalah dari penjualan polis asuransi. Metode penjualan yang lazim digunakan pada asuransi maupun industri finansial lainnya adalah cross-selling. Cross-selling adalah proses menawarkan produk tambahan kepada orang yang sudah menjadi pelanggan perusahaan yang bersangkutan. Sangat penting bagi perusahaan asuransi untuk memiliki kemampuan memprediksi secara akurat karakteristik calon pelanggan yang sekiranya akan tertarik membeli suatu produk yang sedang ingin dipasarkan. Untuk dapat mengetahui karakteristik pelanggan potensial berdasarkan data perusahaan yang pada umumnya berskala besar, diusulkan untuk menggunakan machine learning. Hingga saat ini, metode machine learning yang  populer digunakan untuk mengolah data tabular adalah XGBoost. Pada penelitian ini, digunakan metode XGBoost untuk memprediksi hasil cross-selling produk asuransi dan kemudian dibandingkan dengan metode berbasis pohon lainnya, yaitu Decision Tree dan Random Forest, dari segi sensitivity, specificity, dan AUC-ROC. Diperoleh bahwa XGBoost unggul pada metrik specificity dan AUC-ROC. Selanjutnya, hasil simulasi terbaik dari setiap model diinterpretasikan menggunakan feature importance berdasarkan gain agar diperoleh fitur yang menjadi faktor penting dalam memprediksi cross-selling asuransi. Dengan adanya tahap interpretasi ini, diharapkan metode yang digunakan pada penelitian ini dapat diterima dan berguna bagi industri asuransi.

---

Insurance is a form of risk transfer by distributing individual risks into collective risks. The main income of insurance companies is from the sale of insurance policies. The sales method commonly used in the insurance and other financial industries is cross-selling. Cross-selling is the process of offering additional products to existing customers of the company. It is very important for insurance companies to have the ability to accurately predict the characteristics of potential customers who will be interested in buying a product that is being marketed. To find out the characteristics of potential customers based on company’s data, which are generally in large scale, it is proposed to use machine learning method. Until now, the most popular machine learning method used to process tabular data is XGBoost. In this study, the XGBoost method was used to predict cross-selling results of insurance products and then compared with other tree-based models, the Decision Tree and Random Forest, in terms of sensitivity, specificity, and AUC-ROC. It was found that XGBoost excels in specificity and AUC-ROC metrics. Furthermore, the best simulation results from each model are interpreted using feature importance based on gain to obtain features that are important factors in predicting insurance cross-selling. So, with this interpretation step done, it is hoped that the method used in this study can be accepted and useful for the insurance industry."

"Industri asuransi merupakan industri yang besar dan terus berkembang di Indonesia. Di tambah lagi, semakin banyak masyarakat Indonesia yang terlindungi oleh asuransi pada tahun 2022. Di samping itu, meningkatnya nasabah asuransi juga dapat meningkatkan risiko terjadinya fraud atau kecurangan pada setiap klaim yang dilakukan nasabah. Hal tersebut dapat menyebabkan kerugian bagi perusahaan asuransi. Maka dari itu, dibutuhkan suatu metode yang dapat menyelesaikan masalah fraud klaim asuransi. Namun, permasalahan fraud ini melibatkan data yang besar sehingga dibutuhkan metode yang dapat memproses data besar dengan cepat dan tidak membutuhkan dana yang besar. Machine learning diajukan sebagai metode untuk dapat mendeteksi fraud klaim asuransi dan telah digunakan dalam beberapa penelitian untuk penyelesaian masalah tersebut. Extreme Gradient Boosting (XGBoost) merupakan salah satu metode machine learning yang banyak digunakan, pertama kali diajukan sebagai model yang scalable sehingga dapat memproses data besar secara efisien. Namun, metode machine learning sebaiknya adalah model yang interpretable dan explainable. Dengan memiliki interpretability dan explainability, suatu model dapat digunakan dan dimengerti dengan baik sehingga sangat reliabel. Oleh karena itu, Approximating XGBoost diajukan sebagai metode yang dapat memungkinkan XGBoost yang terdiri dari banyak boosted Decision Tree dapat diekstrak menjadi satu Decision Tree saja sehingga model ini dapat diinterpretasikan secara transparan mengenai pekerjaan model tersebut dalam mendapatkan hasil yang dikeluarkan. Penelitian ini menemukan bahwa kinerja dari model Approximating XGBoost dapat mendeteksi fraud dengan AUC-ROC mencapai nilai 91,44%, pada specificity dapat mencapai 86,55%, dan pada sensitivity dapat mencapai 91,34% berdasarkan dataset yang digunakan. Artinya, model Approximating XGBoost dapat membentuk suatu model yang performanya mengaproksimasi XGBoost dan dapat model pohonnya dapat ditampilkan seperti Decision Tree.

---

The insurance industry is a big and growing industry in Indonesia. Moreover, more and

more Indonesians will be covered by insurance by 2022. In addition, increasing the

number of insurers can also increase the risk of fraud or fraud in any claim made by the

insurer. So from that, we need a method that can solve the problem of insurance claims

fraud. However, this problem of fraud involves big data so it requires a method that can

process big data quickly and does not require large funds. Machine learning was proposed

as a method to detect insurance claims fraud and has been used in some research to solve

such problems. Extreme Gradient Boosting (XGBoost) is one of the most widely used

machine learning methods, first proposed as a scalable model to process big data

efficiently. However, machine learning methods are preferably models that are

interpretable and explainable. By having interpretability and explainability, a model can

be used and understood well so it is highly reliable. Therefore, Approximating XGBoost

was proposed as a method that could enable XGBoost consisting of many boosted

decision trees to be extracted into a single decision tree only so that this model can be

interpreted transparently about the work of the model in obtaining the outcome issued.

This study found that the performance of the Approximating XGBoost model can detect

fraud with an AUC-ROC of 91.44%, specificity can reach 86.55%, and sensitivity can

91.34% based on the data set used. In other words, the XGBoost Approximating model

can form a model whose performance approximates XGBuost and the tree model can be

displayed like a Decision Tree."

"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."

"Saat ini pertumbuhan kendaraan bermotor semakin meningkat setiap tahunnya. Semakin banyaknya kendaraan bermotor jika tidak diikuti dengan kedisiplinan berkendara akan membuat angka kecelakaan meningkat. Tingkat kecelakaan yang semakin tinggi membuat orang ingin mendapatkan rasa aman dalam berkendara. Asuransi kendaraan bermotor memberikan perlindungan kepada nasabah asuransi dalam berkendara. Manfaat asuransi akan dirasakan oleh nasabah saat terjadinya klaim. Saat ini masih terjadi masalah dalam penyelesaian klaim asuransi kendaraan bermotor yaitu masalah dalam turunnya surat perintah kerja ke bengkel dan proses pembayaran yang lama. Penelitian ini membahas pengurangan waktu proses penyelesaian klaim asuransi kendaraan bermotor menggunakan metode value stream mapping sehingga pemborosan yang terjadi pada setiap proses dapat diketahui dan dapat dihilangkan. Tujuan dari penelitian ini adalah mendapatkan proses penyelesaian klaim asuransi kendaraan bermotor yang lebih cepat dengan tetap memperhatikan ketentuan dalam polis asuransi. Membuat proses turunnya surat perintah kerja dan proses pembayaran menjadi lebih cepat dengan menghilangkan non value added activity. Metode yang digunakan dalam penelitian ini adalah Metode Value Stream Mapping. Hasil penelitian ini adalah dengan menggabungkan proses laporan klaim dan pembuatan NOL (Notification Of Loss), waktu turunnya SPK (Surat Perintah Kerja) menjadi 2 hari dari sebelumnya paling cepat 5 hari dan dengan memaksimalkan sistem online star jasindo, proses pembayaran klaim asuransi kendaraan bermotor dapat diselesaikan dalam waktu 11 hari dari sebelumnya paling cepat 14 hari.

---

Currently the growth of motor vehicles is increasing every year. Increasing number of vehicles if not followed with discipline drive will make the number of accidents increases. Higher accident rate makes people want to get a sense of safety in driving. Motor vehicle Insurance provides insurance protection to customers in the drive. Insurance benefits will be felt by customers as incurred claims. While this is still a Problem occurred in motor insurance claims settlement of the issue of the decline in the work order to the garage and the old payment. This study discusses the reduction of processing time motor insurance claims settlement using value stream mapping methods that waste that occurs in each process can be identified and eliminated.

The purpose of this research is to get the motor vehicle insurance claim settlement faster by taking into account the provisions of the insurance policy. Making adjustment process work order and payment process becomes faster by eliminating non-value added activity. The method used in this study is Value Stream Mapping method.

The results of this study is to combine the claims and making reports NOL (Notification Of Loss), the day of the work order to be 2 days from the previous fastest 5 days and by maximizing online Star Jasindo systems, payment processing insurance claims motor vehicle completed within 11 days of the previous fastest 14 days."

"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."

"Skripsi ini berisi tentang premi terhutang dan dampaknya terhadap klaim asuransi kendaraan bermotor. Pokok permasalahan membahas dampak dari pengajuan klaim asuransi dalam kondisi premi terhutang. Munculnya masalah, ketika tertanggung belum membayar premi asuransi dan mengajukan klaim asuransi kendaraan bermotor. Penelitian ini adalah penelitian yuridis-normatif dimana sumber data diperoleh dari data sekunder dan data primer. Hasil penelitian adalah pengajuan klaim saat premi terhutang dapat dilakukan dengan tertanggung memilih melunasi premi terhutang atau setuju bahwa pembayaran klaim akan dikurangi dengan pembayaran premi terhutang.

---

This thesis describes the premiums payable and the impact on motor vehicle insurance claims. The issue is the impact of fiing insurance claims grace period condition. The emergence of problems when the insured not paid insurance premiums and petition motor vehivle insurance claim. This research is the juridicalnormative research where the data sources obtained from secondary data and primary data. The results showed that is the premium payable on filing a claim can be made by the insured choose to pay off the outstanding premiums or agree that the payment claim will be reduce by the payment of premiums payable."

"Perusahaan asuransi membutuhkan pengendalian internal dan manajemen risiko yang digunakan sebagai sarana pengendalian. Hal ini bertujuan untuk dapat melakukan kegiatan usahanya secara efektif dan efisein serta mengurangi adanya risiko yang dihadapi perusahaan. Penggunaan kerangka COSO ini akan dibandingkan dengan penerapan pengendalian internal yang dilakukan oleh PT.X pada proses klaim yang dilakukan oleh PT.X kepada tertanggung. Dari hasil perbandingan tersebut dapat diketahui bahwa PT. X telah memiliki manajemen risiko yang baik dan pengendalian internal yang memadai walaupun adanya kelemahan pada beberapa bagian tertentu.

---

Insurance companies require internal control and risk management that are used as a means of control. The purpose is to conduct its business effectively and efficiently and also to reduce risks that might be faced by the company. The use of this COSO framework will be compared with the application of internal controls performed by PT.X on the claim made by the insured costumer of PT.X. As a result of this comparison, it can be seen that, in spite of their few weakness in certain areas, PT. X already has a good risk management and its internal controls were also quite adequate."

"ABSTRAKSaat ini nilai klaim IBNR (Incurred But Not Reported) dihitung berdasarkan estimasi sentral atau estimasi terbaik (best estimates) atas klaim yang sudah terjadi tetapi belum dilaporkan dengan menggunakan metode rasio klaim atau salah satu dari metode segitiga (triangle method). Metode segitiga yang digunakan dalam industri asuransi adalah metode Chain Ladder (MCL). MCL adalah metode yang umum digunakan di industri asuransi untuk memperkirakan jumlah cadangan klaim. Namun, MCL tidak didasarkan atas teori matematika maupun statistik sehingga sulit dijelaskan secara teori, selain itu jumlah cadangan klaim yang dihasilkan tidak dapat dipisahkan ke dalam RBNS (Reported but Not Settled) dan IBNR. Melalui jurnal yang ditulis oleh Miranda et al. (2012) diperkenalkan metode baru yang disebut Double Chain Ladder (DCL), dimana MCL diaplikasikan dua kali terhadap incurred count dan paid claims data. DCL memberikan teori statistika terhadap MCL, dengan menggunakan parameter-paremeter tertentu untuk mengestimasi RBNS dan IBNR dengan menambahkan parameter delay time dari klaim dilaporkan sampai dengan klaim dibayarkan. Hasil perhitungan cadangan berdasarkan DCL untuk RBNS adalah sebesar Rp. 37.169.681.816,00 dan IBNR sebesar Rp. 58.280.429.263,60, sehingga total cadangan klaim sebesar Rp. 95.450.110.000,00. Sedangkan cadangan klaim dengan MCL adalah sebesar Rp. 85.750.734.043,00.

---

ABSTRACTCurrently the calculation of the amount of IBNR value in accordance with the technical provisions can be calculated based on central estimates or best estimates on claim incurred but not reported using the expected loss ratio method or one of the methods of the triangle (triangle method). The One triangle method used in the insurance industry is the Chain Ladder Method (CLM). CLM is an actuarial method which is quite well known in the insurance industry and applied to estimate the amount of loss reserves. CLM was not based on mathematical statistics so it is difficult to justify theoretically, and CLM is incapable of dividing predicted outstanding liabilities into RBNS and IBNR claims.. However, according to Maria Dolores Martinez Miranda, Jens Perch Nielsen and Richard Verrall through journals published in Astin Bulletin, the CLM unable to separate claim estimates into into RBNS part and IBNR part as a component in the claim reserve. Through the journal introduced a new method called the Double Chain Ladder (DCL). DCL replicated CLM and applied twice, one on the incurred count data and then on the paid claims to perform the calculation of estimated outstanding claims can separate RBNS and IBNR as component of claim reserves as and thus to the total combined future payment estimate. The DCL model give statistic theory to CLM by using a particular estimation parameter method and adding delay time parameter from claim is reported until it is paid. DCL provide further result that CLM is unable to provide, such as the prediction of outstanding liabilities separately for RBNS and IBNR Claims. Calculation result for RBNS is Rp. 37.169.681.816,00 and IBNR is Rp. 58.280.429.263,60, so total claim reserve is Rp. 95.450.110.000,00. Claim reserve using MCL is Rp. 85.750.734.043,00."