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."

"Tujuan mendasar produk asuransi adalah memberikan proteksi atas kerugian yang tidak pasti kapan terjadi dengan membayar premi sebagai pembayaran transfer risiko tersebut. Mengingat semua risiko tidaksama, perusahaan asuransi tidak dapat memberikan premi murni yang sama untuk setiap risiko pemegang polis dalam portofolio asuransi.  Metode umum untuk menghitung premi murni adalah dengan hasil perkalian antara ekspektasi dari frekuensi klaim dengan severitas klaim. Metode Generalized Linear Models dapat digunakan dalam melakukan estimasi dua komponen tersebut dengan mempertimbangkan karakteristik dari pemegang polis. Metode lain yang dapat digunakan dalam penaksiran premi murni adalah Tweedie Generalized Linear Models. Dimana model Tweedie dapat mengakomodasi kekurangan pada Generalized Linear Models, yakni dapat digunakan pada data klaim yang banyak terdapat nilai klaim sebesar nol rupiah. Dengan menggunakan Tweedie generalized linear models, penaksiran premi murni menjadi lebih efisien karena dapat dilakukan langsung tanpa melakukan estimasi terpisah pada frekuensi dan severitas. Dalam penelitian ini akan ditampilkan komparasi pemodelan dengan menggunakan dua metode tersebut.

---

The fundamental objective product insurance is to provide financial protection from uncertain risk with premium as transferring the risk.  Considering that not all risks are equal, the insurance company should not apply the same premium for all insured risks in portfolio. A commonly method to calculate the pure premium is to multiply the expectation of the claim frequency with the expected cost of claims. Separated- Generalized Linear Models are employed to estimate the two component of pure premium given the characteristic of the policyholders. Another method to estimate the pure premium is Tweedie Generalized Linear Models. Tweedie models can used in the data claims if there are many claims of zero value. Using Tweedie to estimate pure premium more efficient, Tweedie models can estimate pure premium directly without calculate the expectation frequency and severity separated. In this paper, will be practice implementation using these two models."

"ABSTRACTPada umumnya, kerugian pada sektor asuransi dihitung dengan asumsi bahwa komponen severitas kerugian dan frekuensi kerugian bersifat saling bebas. Akan tetapi, pada beberapa kasus, severitas kerugian bergantung pada tingkat frekuensi kerugian. Penelitian ini akan menunjukkan perhitungan agregat kerugian dengan memodelkan severitas kerugian dan frekuensi yang dependen. Untuk menandakan adanya pengaruh frekuensi kerugian pada severitas kerugian, penulis memodelkan rata-rata severitas kerugian dengan menggunakan frekuensi kerugian sebagai kovariat. Oleh karena itu, untuk memodelkannya, akan digunakan Generalized Linear Model. Selanjutnya, untuk menghitung taksiran parameter model, akan dilakukan estimasi parameter menggunakan metode maksimum likelihood.

---

ABSTRACTLoss in non-life insurance was calculated based on claim severity and frequency along with an assumption of independency. However, in some cases, claim severity is depend upon the claim frequency. This paper presents the derivation of aggregate loss calculation by modelling claim severity and frequency as the assumption of independence is eliminated. To induce the dependence among them, the authors model average claim severity by use claim frequency as the covariate. For that purpose, we use the Generalized Linear Model and maximum likelihood to estimate the parameters. Finally, we will obtain the calculated loss."

"Skripsi ini membahas model regresi untuk mengestimasi net premium sebuah polis asuransi umum yang dijual dengan deductible. Pada asuransi umum, taksiran untuk net premium harus mempertimbangkan frekuensi dan severitas klaim yang kemungkinan akan diajukan di masa depan. Model untuk net premium dapat dituliskan ke dalam dua komponen, yaitu komponen frekuensi dan severitas. Frekuensi dan severitas klaim antar pembeli polis dapat berbeda karena tidak semua pembeli polis memiliki karakteristik yang sama. Untuk menetapkan harga premi yang adil, karakteristik tersebut harus dipertimbangkan. Maka akan digunakan pendekatan analisis regresi. Model regresi dengan karakteristik pembeli polis sebagai kovariat diterapkan pada model frekuensi dan severitas secara terpisah, dan diasumsikan efek kovariat tersebut multiplikatif. Akan tetapi, dapat ditunjukkan bahwa efek dari deductible pada frekuensi maupun severitas tidak multiplikatif. Oleh karena itu, data akan dipartisi berdasarkan besarnya deductible dan untuk tiap partisi data ini dilakukan analisis Generalized Linear Model (GLM). Dari hasil GLM tersebut, dilakukan regresi sekali lagi untuk mencari hubungan antara frekuensi dengan deductible. Demikian juga untuk severitas dengan deductible. Hasil regresi yang diperoleh digunakan untuk mengestimasi frekuensi dan severitas klaim berdasarkan nilai deductible tertentu untuk setiap kombinasi karakteristik pembeli polis. Pada akhirnya, estimasi net premium didapat dari perkalian estimasi frekuensi dan severitas klaim.

---

This thesis discusses regression models to estimate the net premium of a general  insurance policy sold with a deductible. In general insurance, when estimating the net premium, the possible frequency and severities of claims made in the future must be considered. The model for net premium can be written into two components: the frequency and the severity component. Since every policyholder can have different characteristics, the claim frequency and severity can be different. To determine fair policy prices, these characteristics must be considered. Hence, the regression model will be used. The regression model with the policyholders characteristics as covariates is used to model the frequency and severity separately, and it is assumed that the effect of each covariate is multiplicative. However, it can be shown that the effect of deductible is not multiplicative. Therefore, the data will be partitioned based on deductibles and Generalized Linear Model (GLM) analysis will be used on each data partition. From this result, another regression will be used to model the relationship between frequency and deductible, and the relationship between severity and deductible. The estimate for net premium is obtained as a multiplication of the claim frequency and severity."

"Tesis ini bertujuan untuk mengestimasi premi murni terhadap data zero inflated klaim asuransi kecelakaan melalui Generalized Linear Model (GLM). Penelitian ini berfokus pada pemodelan data frekuensi klaim dengan zero inflated melalui regresi Zero Inflated Poisson (ZIP) untuk menjembatani kesenjangan yang ada. Berdasarkan peneltian-penelitian terdahulu, frekuensi klaim kerap diasumsikan berdistribusi Poisson dalam perhitungan premi murni dengan GLM tanpa memperhatikan kehadiran excess zeros. Sedangkan estimasi parameter severity (besar klaim) ditentukan melalui regresi Gamma. Selajutnya premi murni diestimasi dengan melakukan perkalian antara frekuensi dan severity atas asumsi independensi. Data yang digunakan dalam penelitian merupakan data sekunder yang diperoleh dari PT ABC sebagai asuransi kecelakaan kerja. 1000 sample data terdiri dari tahun 2017, meliputi frekuensi klaim dan severity yang merupakan variabel dependen, serta data tertanggung yang diataranya adalah usia, jenis kelamin, kelompok lingkungkan kerja, dan masa aktif polis asuransi (exposure) sebagai variabel independen. Hasil penelitian menunjukkan bahwa model regresi ZIP sesuai untuk mengestimasi frekuensi klaim pada data zero inflated PT ABC. Model regresi Gamma juga menunjukkan kesesuaian dalam mengestimasi severity data PT ABC. Estimasi premi murni yang dihasilkan menunjukkan bahwa jenis kelamin tidak berpengaruh signifikan terhadap besar premi murni. Usia dan kelompok risiko lingkungan kerja merupakan variabel yang paling signifikan terhadap besar premi murni. Frekuensi klaim kecelakaan kerja tertinggi dimiliki tertanggung dengan usia 18 tahun. Frekuensi klaim menurun seiring pertambahan usia baik pada tertanggung wanita maupun pria, namun kembali meningkat di usia akhir 50 tahun hingga 56 tahun pada tertanggung pria. Besar severity tidak selalu sejalan dengan premi murni sehingga dapat disimpulkan bahwa frekuensi klaim merupakan komponen yang lebih berpengaruh terhadap pergerakan premi murni. Premi murni yang dihasilkan lingkungan kerja dengan risiko rendah lebih besar dari pada lingkungan kerja dengan risiko sedang.

---

This thesis aims to estimate pure premium towards zero inflated claim data of accident insurance through the Generalized Linear Model (GLM). This study focuses on modeling the claim frequency data with excess zeros through the Zero Inflated Poisson (ZIP) regression to bridge the gap between previous studies where it is generally assumed to be distributed in Poisson. Gamma regression is used to estimate the parameter of severity. Pure premiums are estimated by multiplying the frequency and severity in assumption of independence. The data is obtained from accident insurance company PT ABC. 1000 data samples consist of 2017, including the claim frequency and severity as dependent variable, as well as age, sex, occupational environment, and the active period of the insurance policy (exposure) as independent variables.

The results indicate that ZIP regression model is suitable for estimating the claim frequency. The Gamma regression model also shows conformity in estimating the severity. The estimation of pure premiums shows that gender does not have a significant effect on its ammount, while age and occupational environment is the most significant variable. The severity is not always in line with pure premium so it can be concluded that the frequency of claims is a component that has more influence on the movement of pure premiums. Pure premiums produced by a work environment with a low risk are greater than those in a medium-risk work environment. The highest amount of pure premium is on 18 years insureds. Pure premium decline on age, both for the insured women and men, and increased on the end of 50 years to 56 years in the insured man."

"Premi murni merupakan salah satu elemen penting untuk perusahaan asuransi. Penetapan premi murni yang sesuai dengan risiko kerugian dari calon pemegang polis menjadi salah satu faktor utama agar perusahaan tetap berjalan dan mampu berkompetisi dalam industri. Premi murni dapat ditentukan dengan menghitung ekspetasi dari besar klaim agregat yang dibagi dengan durasi kontrak asuransi. Namun, perlu diketahui bahwa premi murni juga dapat dipengaruhi oleh berbagai faktor risiko seperti umur, jenis kelamin, dan jenis pekerjaan dari nasabah. Salah satu metode untuk mengatasi masalah ini yaitu dengan membuat model regresi menggunakan generalized linear model Distribusi yang cocok untuk memodelkan premi murni adalah distribusi Compound Poisson-Gamma yang merupakan bagian dari distribusi Tweedie. Distribusi Tweedie merupakan distribusi yang mengeneralisasi distribusi lain yang termasuk ke dalam exponential dispersion family. Tujuan dari penelitian ini adalah untuk memodelkan premi murni menggunakan generalized linear model dengan asumsi respons berdistribusi Tweedie atau disebut regresi Tweedie. Dengan mengaplikasikan model ini pada data asuransi kecelakaan kendaraan didapat bahwa regresi Tweedie mampu menjelaskan premi murni dengan baik.

---

Pure premium is one of the essential elements for insurance companies. Calculate the appropriate pure premium based on the potential policyholder's risk of loss is crucial to ensure the company's operations and competitiveness in the industry. Pure premiums can be determined by calculating the expectations of large aggregate claims divided by the duration of the insurance contract. However, it should be noted that pure premiums can also be influenced by various risk factors such as age, gender, and the type of employment of the client. One method to address this issue is by creating a regression model using a generalized linear model. The suitable distribution to model of pure premium is the Compound Poisson-Gamma distribution, which is a part of the Tweedie distribution. Tweedie distribution generalizes other distributions that fall under the exponential dispersion models. The objective of this research is to model pure premium using a generalized linear model with assumption that the response follows a Tweedie distribution, known as Tweedie regression. The application of Tweedie regression model to automobile accident insurance data yielded promising results in explaining the pure premium."

"

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.

"

"Data klaim asuransi kesehatan pada prakteknya memiliki karakter nominal klaim yang tidak selalu sama dengan manfaat yang tertera di polis, sehingga membuat nilai klaimnya menjadi fluktuatif dan mengakibatkan tidak mudah untuk memprediksi nilai klaim. Klaim untuk kejadian yang belum dilaporkan, termasuk klaim yang harus diprediksi nilainya dan dicadangkan. Klaim yang sudah terjadi namun belum dilaporkan ke perusahaan atau dikenal dengan nama Incured But Not Reported (IBNR) dilakukan agar mencukupi untuk kewajiban pembayaran klaim dimasa depan. Besar atau kecilnya pembayaran klaim akan mempengaruhi hasil pendapatan yang dibukukan pada laporan pendapatan pada periode berjalan, sehingga pada akhirnya mempengaruhi laba rugi suatu perusahaan asuransi. Metode pencadangan Chain Ladder Klasik (CL) merupakan metode yang saat ini digunakan untuk mengestimasi cadangan klaim IBNR di PT. XYZ. Dalam karya akhir ini, akan digunakan metode Generalized Linear Model Smoothing Effect (GLMSE) sebagai pembanding metode CL untuk mengestimasi cadangan klaim. Hasil penelitian menunjukan model GLMSE mendapatkan hasil cadangan klaim dengan rata-rata yang lebih stabil dengan rata-rata lebih rendah 3.5% dari data akhir dibandingkan dengan metode Chain Ladder Klasik.

---

Health insurance claim data in practice has a nominal character of a claim that is not always paid same as the benefits listed on the policy, it's depend the fee from medical provider under the benefit limits, thus making the value of claim amount to be fluctuating and the result is not easy to predict the real value of claim. Claims for unreported events, are claims to be predicted and to reserved. Claims that have been incurred but not yet reported to the company or otherwise known as Incured But Not Reported (IBNR) are made in order to be sufficient for the obligation to pay claims in the future. The large or small payment of claims will affect the revenue results which posted on the income statement in the current period, thus ultimately affect the profit and loss of an insurance company. The Classic Chain Ladder reserving method (CL) is current method to estimate IBNR claim reserving at PT. XYZ. In this final paper, we will use the Generalized Linear Model Smoothing Effect (GLMSE) method as a comparison of the CL method to estimate the claim reserve. The results show the GLMSE model obtains a claimed yield with a more stable average with 3.5% lower than the data compared to the Classic Chain Ladder method."

"Dalam upaya untuk mengendalikan besarnya kerugian, memodelkan severitas klaim merupakan salah satu cara yang sering dilakukan oleh perusahaan asuransi. Terdapat beberapa cara untuk memodelkan severitas klaim, salah satunya dengan generalized linear model. Akan tetapi fakta sederhana bahwa setiap pemegang polis itu tidak sama sering diabaikan karena hasil yang diperoleh hanya disajikan untuk “rata-rata” pemegang polis. Potensi variabilitas ini yang tercermin pada data asuransi dapat diidentifikasi dengan mengelompokkan pemegang polis ke dalam kelompok yang berbeda. Sehingga dari perilaku yang berbeda pada masing-masing kelompok memungkinkan perusahaan asuransi mengembangkan strategi untuk mengendalikan besarnya kerugian. Pada praktiknya, model yang sering digunakan untuk pengelompokan adalah model finite mixture, dengan setiap kelompok dimodelkan dengan fungsi kepadatan probabilitasnya (pdf) sendiri. Salah satu keluarga model finite mixture yang fleksibel untuk vektor acak yang terdiri dari variabel respon dan satu set kovariat yang disesuaikan dengan distribusi bersamanya adalah cluster-weighted model (CWM). CWM merupakan kombinasi linear antara distribusi marjinal kovariat dan distribusi bersyarat dari respons yang diberikan kovariat. Distribusi bersyarat pada CWM diasumsikan milik keluarga eksponensial dan kovariatnya diperbolehkan tipe campuran yaitu diskrit dan kontinu (diasumsikan gaussian). Selanjutnya, model dicocokkan ke dalam data (fitting the model) menggunakan Maximum likelihood estimation (MLE) untuk menaksir parameter model dengan algoritma ekspektasi-maksimalisasi (EM). Pemilihan model terbaik dievaluasi dari skor akaike information criterion (AIC) dan bayesian information criterion (BIC). Permasalahan penentuan jumlah cluster diselesaikan secara bersamaan dengan memilih model terbaik. Pada akhirnya, CWM dapat digunakan untuk meningkatkan pemahaman tentang perilaku pemegang polis dan karakteristik risikonya yang dihasilkan di setiap cluster. Penerapan metode ini diilustrasikan pada data asuransi mobil di Prancis.

---

In an effort to control the amount of loss, modeling the severity of claims is one way that is often done by insurance companies. There are several ways to model claim severity, one of which is a generalized linear model. However, the simple fact that every policyholder is not the same is often overlooked because the results obtained are only presented for the "average" policyholder. This potential for variability reflected in insurance data can be identified by classifying policyholders into different groups. So that the different behavior of each group allows insurance companies to develop strategies to control the amount of losses. In practice, the model often used for grouping is the finite mixture model, with each group being modeled with its own probability density function (pdf). One of the flexible finite mixture model families for random vectors consisting of a response variable and a set of covariates adjusted for their common distribution is the cluster-weighted model (CWM). CWM is a linear combination between the marginal distribution of the covariates and the conditional distribution of the responses given by the covariates. The conditional distribution on CWM is assumed to belong to the exponential family and the covariates are allowed mixed types, namely discrete and continuous (assumed to be gaussian). Next, the model is fitted to the data (fitting the model) using Maximum likelihood estimation (MLE) to estimate the model parameters with the expectation-maximization (EM) algorithm. Selection of the best model was evaluated from the Akaike information criterion (AIC) and Bayesian information criterion (BIC) scores. The problem of determining the number of clusters is solved simultaneously by selecting the best model. In the end, CWM can be used to increase understanding of policyholder behavior and the resulting risk characteristics in each cluster. The application of this method is illustrated in data on auto insurance in France."

"Tesis ini membahas mengenai analisa pengaruh variabel demografi yaitu umur pemilik kendaraan bermotor dan profesi dengan mengikutsertakan beberapa variabel kontrol yang dinilai juga memiliki hubungan. Penelitian ini menggunakan metode Generalized Linear Method dan memberikan hasil yang menunjukkan bahwa, hanya variabel umur pemilik kendaraan bermotor yang signifikan terhadap variabel severitas klaim, frekuensi klaim dan premi murni. Semakin bertambah usia seseorang akan berpengaruh terhadap penurunan premi dikarenakan semakin tinggi tingkat kehati-hatiannya sehingga premi yang diberikan semakin rendah.

---

This thesis discusses the analysis of the influence of demographic variables such as age andprofession of motor vehicle owners . by including some of the control variables assessed also hashubunagn . This research method menggunazan Generalized Linear Method and results showedthat only age variable motor vehicle owners are significant to the variable severity of claims ,claim frequency and pure premium . The more mature person will affect the premium declinedue to the higher level of caution that given the lower premiums"