Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
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.

Abstrak :
ABSTRAK
Tesis ini menganalisis frekuensi dan severitas klaim yang merupakan dua risiko utama dalam asuransi umum. Penentuan harga kontrak asuransi dari pemegang polis dengan mengalikan ekspektasi frekuensi klaim dan severitas klaim. Net Premium tersebut merupakan estimasi dari kerugian agregat dari suatu grup polis yang memodelkannya mengasumsikan frekuensi dan severitas klaim saling bebas. Namun, dalam beberapa kasus, terdapat dependensi antara dua variabel tersebut. Untuk mengatasi masalah dependensi tersebut, pada tesis ini digunakan model copula berbasis regresi untuk membangun distribusi bersama. Hal ini dengan menggabungkan marginal generalized linear model dari frekuensi dan rata-rata severitas klaim menggunakan copula. Parameter dari distribusi ditaksir menggunakan metode maksimum likelihood. Kemudian pemilihan copula terbaik yang akan digunakan dalam membangun distribusi bersama dilakukan dengan melihat nilai log-likelihood paling besar dan Root Mean Square Error (RMSE) yang paling kecil. Hasil didapat bahwa model copula Clayton berbasis regresi yang dipilih. Terakhir, estimasi frekuensi dan rata-rata severitas klaim dihitung dan dihasilkan kerugian polis berdasarkan nilai estimasi mean dari distribusi bersamanya.

---

ABSTRACT
This thesis analyzes the frequency and severity of claim which are the two main risks in general insurance. Determination of insurance contract prices from policyholders by multiplying expected frequency of claims and severity of claims. The Net Premium is an estimate of the aggregate loss of a policy group that models it assuming the frequency and severity of the claims are independent. However, in some cases, there are dependencies between the two variables. To overcome this dependency problem, this thesis uses copula-based regression model to build a joint distribution. This is by combining the marginal generalized linear model of frequency and the average severity of claims using copula. The parameters of the distribution are estimated using the maximum likelihood method. Further, the selection of the best copula that will be used in building a joint distribution is done by looking at the greatest log-likelihood value and smallest value of Root Mean Square Error (RMSE). The result is clayton copula based regression model is chosen. Finally, estimatie of the frequency and average severity of claims is calculated and policy losses are generated based on the estimated mean value of the joint distribution.