Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Tugas akhir ini membahas estimasi dalam penetapan cadangan klaim pada asuransi kerugian termasuk kerugian kerugian yang telah terjadi tetapi belum dilaporkan (Incurred But Not Reported disingkat IBNR) dengan menggunakan metode Chain-Ladder.

Abstrak :
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.

Abstrak :
Seiring meningkatnya tren kecelakaan kerja selama periode 2007-2017 serta berjalannya kembali kegiatan usaha secara normal pascapandemi COVID-19, lini usaha asuransi kompensasi pekerja menjadi sangat potensial untuk dikembangkan. Sebagai komponen penting dalam model bisnis asuransi, severitas klaim perlu diprediksi seakurat mungkin karena berpengaruh terhadap penetapan tarif premi bagi tertanggung serta bermanfaat dalam mekanisme pengamatan klaim selama proses penyelesaian klaim. Proses prediksi ini dikategorikan sebagai masalah regresi yang biasanya ditangani oleh model-model pembelajaran mesin untuk data tabular. Namun dalam perkembangan studi pembelajaran mesin, terdapat upaya untuk memanfaatkan model Convolutional Neural Network (CNN) untuk melakukan prediksi terhadap data tabular dengan cara mentransformasikan data tersebut ke dalam representasi gambarnya, salah satunya melalui algoritma Image Generator for Tabular Data (IGTD). Penelitian ini bertujuan untuk menguji akurasi model CNN berbasis algoritma IGTD dalam memprediksi klaim asuransi kompensasi pekerja serta membandingkan performa model tersebut dengan model Multi-Layer Perceptron, Random Forest, serta eXtreme Gradient Boosting. Hasil simulasi dengan metode repeated holdout sebanyak lima iterasi menunjukkan bahwa model CNN dapat memprediksi klaim dengan baik meskipun secara umum belum mampu menyaingi model-model non-CNN secara signifikan. ......Along with the increasing trend of work accidents during 2007-2017 period as well as the resumption of business activities normally after the COVID-19 pandemic, the workers’ compensation insurance business line has great potential to be developed. As an important component in the insurance business model, the claim severity needs to be predicted as accurate as possible because it affects the determination of premium rates for the insured and is useful in the claim watching mechanism during the claim settlement process. This prediction process is categorized as a regression problem which is usually handled by machine learning models for tabular data. However, in the development of machine learning studies, there are emerging efforts to utilize the Convolutional Neural Network (CNN) model to predict tabular data by transforming the data into its image representation, one of which is through Image Generator for Tabular Data (IGTD) algorithm. This study aims to test the accuracy of the CNN model based on the IGTD algorithm in predicting workers’ compensation insurance claims and to compare the model performance with the Multi-Layer Perceptron, Random Forest, and eXtreme Gradient Boosting models. The simulation result using the repeated holdout method for five iterations shows that the CNN model can well predict the claims, although in general, it has not been able to significantly compete with non-CNN models.

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

---

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

Abstrak :
Jenis kontrak asuransi yang akan dibahas pada penelitian ini adalah kontrak lifelong health insurance, yaitu kontrak asuransi kesehatan dengan manfaat pertanggungan seumur hidup dimana premi dibayarkan dengan jumlah yang sama besar di setiap periodenya. Seiring berjalannya waktu, terdapat pemegang polis yang memberhentikan kontrak polisnya yang disebut dengan surrender atau lapse. Apabila pemegang polis melakukan surrender, perusahaan asuransi diperbolehkan untuk membayarkan nilai tertentu yaitu surrender value kepada pemegang polis. Jenis surrender value yang digunakan adalah reserve dependent surrender value dimana perhitungan surrender value didasarkan pada ageing provision atau cadangan yang dibangun oleh pemegang polis sampai akhir masa pertanggungan/surrender. Cadangan yang dibangun pemegang polis merupakan asset yang terbentuk dari surplus premi pada pembayaran premi di tahun awal. Pada kontrak asuransi kesehatan, inflasi kesehatan memengaruhi nilai dari manfaat yang menyebabkan besar cadangan dan surrender value juga berubah. Inflasi kesehatan menyebabkan jumlah pengeluaran meningkat tetapi besar pendapatan premi tetap sama di setiap periodenya (karakteristik lifelong health insurance). Dikarenakan inflasi kesehatan, keseimbangan dari perhitungan manfaat, cadangan, dan surrender value tidak tercapai pada setiap periode. Oleh karena itu, penelitian ini bertujuan untuk memperbarui perumusan menjadi ekuivalen/seimbang dalam menghitung manfaat, cadangan, dan surrender value yang melibatkan inflasi kesehatan. Bentuk pembaruan dilakukan pada manfaat sehingga menyebabkan besar cadangan, surrender value, atau keduanya juga diperbarui selama masa kontrak polis aktif. Mekanisme pembaruan tersebut perlu dilakukan sehingga keseimbangan/ekuivalensi aktuaria tercapai antara manfaat kesehatan di masa depan dan surrender value dengan nilai polis yang sudah ada serta premi yang akan datang. Setelah itu, akan dilakukan simulasi perhitungan menggunakan perumusan yang telah diperbarui menggunakan data aktual. Diperoleh bahwa nilai manfaat kesehatan, cadangan, dan surrender value setiap tahunnya akan meningkat akibat pengaruh dari inflasi kesehatan. ......The type of insurance contract that will be discussed in this study is the lifelong health insurance contract which is the health insurance contract with whole life coverage where the premium is paid constantly in every period of time. As time goes by, there are policyholders who terminate their policy contracts which are called surrender or lapse. If the policy holder surrendered, the insurance company is allowed to pay a certain value, namely surrender value to the policyholder. The type of surrender value that been used is reserve dependent surrender value, where the surrender value calculation is based on the ageing provision or reserves built by the policy holder until the end of the insurance / surrender period. Reserves that are built by the policy holder are assets formed from premium surplus on premium payments in the initial year. In the health insurance contract, medical inflation affects the value of the benefits which causes the amount of the reserve and surrender value to change. Medical inflation causes total expenditure to increase but the amount of premium income remains the same in each period (characteristic of lifelong health insurance). Due to medical inflation, the balance of the health benefit, reserve, and surrender value calculation is not reached in every period. Therefore, this study aims to update the formulation to be equivalent / balanced in calculating benefits, reserves and surrender value involving medical inflation. The form of renewal is carried out on benefits, causing the amount of reserves, surrender value or both to be renewed while the policy contract period still active. This updating mechanism needs to be implemented so that an actuarial balance / equivalence is achieved between future health benefits and surrender value with the existing policy value and future premiums. After that, a calculation simulation will be performed by an updated formulation using actual data. It is found that the amount of health benefits, reserves and surrender value will increase each year due to the medical inflation.

Abstrak :
Salah satu model yang digunakan untuk menghitung tarif premi adalah dengan menggunakan model kredibilitas, di mana tarif premi ditentukan menggunakan pengalaman masa lalu. Salah satu model kredibilitas yang telah dikembangkan adalah model kredibilitas Bühlmann. Pada model ini, diasumsikan bahwa setiap pemegang polis memiliki karakter dan tingkat risiko yang berbeda-beda. Model kredibilitas Bühlmann mengestimasi tarif premi menggunakan mean dari besar klaim suatu kontrak. Pada skripsi ini, akan dibahas sebuah modifikasi dari model kredibilitas Bühlmann yang disebut dengan model kredibilitas kuantil, dimana tarif premi diestimasi menggunakan kuantil dari besar klaim kontrak asuransi tersebut. Pembahasan model kredibilitas kuantil dimulai dari penentuan bentuk umum persamaan, lalu dilakukan penentuan faktor kredibilitas dengan meminimumkan mean squared error antara parameter yang digunakan untuk memprediksi tarif premi dengan estimatornya, kemudian dilanjutkan dengan penaksiran parameter pada model menggunakan metode non-parametrik. Kemudian, dilakukan studi kasus untuk membandingkan hasil perhitungan menggunakan model kredibilitas Bühlmann dengan model kredibilitas kuantil. Selain itu, pada studi kasus juga dibandingkan sensitivitas dari hasil estimasi masing-masing model jika terdapat outlier pada data. Secara umum, model kredibilitas kuantil memiliki performa yang baik jika terdapat outlier karena model tersebut kurang sensitif terhadap outlier pada sebagian besar kuantil. ......One of the models used to calculate the premium rate is by using the credibility model, where the premium rate is determined using past experiences. One of the credibility models that has been developed is the Bühlmann credibility model. This model assumes that each policyholder has a different character and level of risk. The Bühlmann credibility model estimates the premium rate using the mean of the claim severity of a contract. This thesis discusses a modification of the Bühlmann credibility model which is called the quantile credibility model, where the premium rate is estimated using the quantile of the claim severity of an insurance contract. The discussion of the quantile credibility model starts from determining the general form of the equation, then determining the credibility factor by minimizing the mean squared error between the parameter used to predict the premium rate and the estimator, then continues with estimating the parameters using non-parametric methods. Then, a case study is conducted to compare the calculation results using the Bühlmann credibility model and the quantile credibility model. In addition, the case study also compares the sensitivity of the estimation results of each model if there are outliers in the data. In general, the quantile credibility model has a good performance if there are outliers because the model is less sensitive to outliers in most of the quantiles.