Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
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.

Abstrak :
ABSTRACT
Pada 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.

---

ABSTRACT
Loss 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.

Abstrak :
ABSTRACT
Pengukuran risiko merupakan hal yang sangat penting untuk mengidentifikasi potensi kerugian sehingga dapat dilakukan mitigasi risiko. Salah satu alat ukur risiko yang paling sering digunakan adalah Tail Conditional Expectation (TCE) yang menyatakan rata-rata nilai loss terburuk yang melebihi suatu nilai persentil tertentu. Namun TCE belum dapat menggambarkan variabilitas loss pada ekor dengan jelas, karena dari pendefinisiannya TCE hanya mengukur rata-rata yaitu suatu ukuran pemusatan data. Padahal, informasi mengenai variabilitas loss pada ekor sangat penting karena loss dengan variabilitas yang tinggi cenderung memiliki risiko yang tinggi juga, sehingga pengukuran variabilitas loss pada ekor distribusinya diperlukan untuk mengurangi ketidakpastian terkait risiko. Oleh karena itu, pada skripsi ini dibahas dua alat ukur risiko yang dapat digunakan sebagai alternatif untuk mengukur variabilitas loss pada ekor distribusinya, yaitu Tail Variance Premium (TVP) dan Tail Standard Deviation Premium (TSDP). TVP dan TSDP mampu memberikan pengukuran risiko yang lebih komprehensif karena memiliki unsur ukuran pemusatan sekaligus dispersi data loss. Selain itu, pada skripsi ini juga ditentukan bentukbentuk eksplisit dari TVP dan TSDP untuk beberapa distribusi. Selanjutnya, dilakukan simulasi perhitungan risiko risiko dari aset investasi dan data klaim asuransi menggunakan TVP dan TSDP. Simulasi perhitungan risiko akan dilakukan dengan dua metode, yaitu metode parametrik dan non-parametrik.

---

ABSTRACT
Risk measurement is important to identify potential loss hence risk mitigation could be done. Risk measure that is commonly used is Tail Conditional Expectation (TCE), which measures expectation of loss given loss exceeded certain percentiles. However, TCE cannot provide enough information related to variability of loss along its tail due to its definition as a measure of central tendency. On the other hand, information related to variability of loss along its tail is crucial since loss with higher variability tends to have higher risk as well hence variability measurement on the tail is necessary to reduce risk uncertainty. Therefore, this thesis explores two alternative risk measures for variability measurement, which are Tail Variance Premium (TVP) and Tail Standard Deviation Premium (TSDP). TVP and TSDP could provide more comprehensive risk measurement since both risk measurement possesses central tendency as well as dispersion of loss. Besides, this thesis provides the explicit form of TVP and TSDP of loss from several distributions. Next, simulation of risk calculation will be performed to measure risk of asset and insurance claim data using TVP and TSDP. Simulation is done under two methods, which are parametric and non-parametric.

Abstrak :
ABSTRACT
Menurut Pasal 1 Undang-Undang nomor 40 tahun 2014 tentang Perasuransian, reasuransi adalah jasa pertanggungan ulang terhadap risiko yang dihadapi oleh perusahaan asuransi, perusahaan penjamin, atau perusahaan reasuransi lainnya. Ada beberapa macam bentuk reasuransi, salah satunya reasuransi stop-loss. Dalam reasuransi stop-loss, perusahaan asuransi akan menentukan batas kemampuannya dalam menanggung risiko dan sisa dari risiko yang tidak dapat ditanggung akan dialihkan kepada perusahaan reasuransi. Batas kemampuan ini disebut retensi. Oleh karena itu retensi yang optimal diperlukan oleh perusahaan asuransi penting untuk menghindari terjadinya kerugian yang lebih besar. Salah satu cara yang dapat digunakan adalah dengan menggunakan optimisasi ukuran risiko VaR (Value-at-Risk). Akan tetapi, optimisasi ini tidak dapat dilakukan jika diketahui terdapat informasi yang tidak lengkap untuk memperkirakan distribusi dari total loss yang diterima oleh perusahaan asuransi, misalnya hanya terdapat 2 momen pertama dan support yang terdapat pada interval [0,b] dimana b dapat bernilai +. Oleh karena itu, dilakukan suatu pendekatan yang memanfaatkan informasi tidak lengkap ini, yaitu pendekatan distribution-free. Dengan menggunakan pendekatan ini, dapat dilihat hasil bahwa retensi optimal yang diperoleh bergantung pada 2 momen pertama dan kebijakan safety loading yang ditentukan oleh perusahaan reasuransi.

---

ABSTRACT
According to Article 1 of Law No. 40 of 2014 on Insurance, reinsurance is a service of reinsurance of decisions made by insurance companies, guarantee companies or other reinsurance companies. There are several types of reinsurance, one of them is stop-loss reinsurance. In stop-loss reinsurance, reinsurance company will determine the bound of its ability to guarantee the risk and the remainder of the risk that cannot be guaranteed will be transferred to the reinsurance company. The bound of this ability is called retention. Therefore, optimal retention is needed for the insurance company to prevent bigger loss. One of the way that can be used is optimization of VaR (Value-at-Risk) risk measure. But, this optimization cannot be done if incomplete information is known to estimate the distribution of total loss that accepted by the insurance company, for the example there are only 2 first moments and support in interval [0,b] where b can have value +. Therefore, an approximation that utilizes this incomplete information can be used, this called distribution-free approximation. With this approximation, can be seen the result that the obtained optimal retention is depend on 2 first moments and safety loading obligation that determined by the reinsurance company.

Abstrak :
Instrusion Detection System (IDS) merupakan sistem untuk mendeteksi serangan dalam jaringan, baik lokal maupun internet. Dalam melakukan deteksi penyalahgunaan atau deteksi anomali, beberapa peneliti telah menggunakan data mining untuk mengidentifikasi berbagai jenis intrusi, termasuk yang jarang terjadi. Namun, data mining rentan terhadap data imbalance (data tidak seimbang) yang dapat mengurangi efektivitas algoritma klasifikasi karena asumsi mayoritas classifier terhadap distribusi yang seimbang. Berdasarkan permasalahan tersebut, maka akan dilakukan penelitian terkait penanganan data imbalance menggunakan metode Adaptive Synthetic Sampling (ADASYN) dengan cara menghasilkan data sintetis pada kelas minoritas agar algoritma klasifikasi dapat bekerja lebih baik. Metode ADASYN efektif bekerja pada variabel prediksi berjumlah 2 kelas (binary class), namun dikarenakan penelitian ini berurusan dengan masalah multiclass, makan akan digunakan pendekatan One-Vs-One (OVO) untuk menyeimbangkan kelas. Keefektifan ADASYN akan dievaluasi melalui implementasinya pada dataset Wi-Fi attacks, yaitu Aegean Wi-Fi Intrusion Dataset (AWID2). Data sebelum dan setelah rebalancing dievaluasi dengan menggunakan metode klasifikasi seperti regresi logistik dan Support Vector Machine (SVM), untuk dibandingkan nilai precision, recall, spesifisitas, serta F1-score dari kedua dataset tersebut. Meskipun ADASYN hanya meningkatkan nilai precision dalam dataset Wi-Fi attacks, dengan menggunakan metode klasifikasi SVM kernel polynomial terbukti efektif dalam mendeteksi kelas serangan, meskipun performa metrik lainnya tidak mencapai tingkat yang sama. ......An Intrusion Detection System (IDS) is a system designed to detect attacks within networks, both local and internet-based. In the realm of misuse detection or anomaly detection, researchers have utilized data mining to identify various types of intrusions, including those that occur infrequently. However, data mining is susceptible to data imbalance, which can reduce the effectiveness of classification algorithms due to their assumption of balanced distribution. To address this issue, research will focus on handling data imbalance using the Adaptive Synthetic Sampling (ADASYN) method, which generates synthetic data for the minority class to enhance the performance of classification algorithms. ADASYN is effective for predictive variables with binary class scenarios, but since this study deals with multiclass problems, an One-Vs-One (OVO) approach will be employed to balance the classes. The effectiveness of ADASYN will be evaluated by implementing it on the Wi-Fi attacks dataset, specifically the Aegean Wi-Fi Intrusion Dataset (AWID2). Data before and after rebalancing will be evaluated using classification methods such as logistic regression and Support Vector Machine (SVM). Metrics including precision, recall, specificity, and F1-score will be compared between the two datasets. Although ADASYN only improves precision values in the Wi-Fi attacks dataset, using SVM with a polynomial kernel has proven effective in detecting attack classes, although other metric performances did not reach the same level.

Abstrak :
ABSTRACT
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.

---

ABSTRACT
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.

Abstrak :
Pembentukan portofolio investasi merupakan salah satu bagian penting bagi investor untuk mengantisipasi kerugian. Untuk mendapatkan hasil investasi yang optimal, maka perlu untuk mencari portofolio yang optimal. Optimisasi portofolio mean-variance dilakukan dengan meminimumkan risiko portofolio yang diukur dari variansi portofolio dan kendala ekspektasi return portofolio sudah ditentukan. Optimisasi portofolio mean-variance dikategorikan sebagai masalah kontrol optimal stokastik, karena merupakan optimisasi dari suatu sistem dinamis. Untuk menyelesaikan masalah optimisasi portofolio mean-variance digunakan teori dualitas Lagrange dan persamaan Hamilton-Jacobi-Bellman. Solusi penyelesaian masalah yang diperoleh adalah formulasi proporsi investasi dalam portofolio yang memberikan portofolio optimal. Formula proporsi yang diperoleh merupakan fungsi dari waktu. Menggunakan data dari harga saham, diperoleh estimasi parameter dalam formula proporsi yang optimal. Dari hasil penghitungan formula, diperoleh bahwa proporsi portofolio dapat berubah seiring berjalannya waktu.

---

The establishment of an investment portfolio is an important part for investors to anticipate losses. It is necessary to find the optimal portfolio to get the optimal investment result. The optimization of the mean variance portfolio is built by minimizing the portfolio risk measured by the portfolio variance and the specified expectation portfolio return becomes the constraint. The mean variance portfolio optimization is categorized as a stochastic optimal control problem, since it is an optimization of a dynamic system. The Lagrange duality and the Hamilton Jacobi Bellman equation are used to solve the mean variance portfolio optimization problem. The solution obtained is the formulation of the proportion of investment in the portfolio that provides an optimal portfolio. The proportion formula is a function of time. Using data from the stock price, parameter estimation in optimal proportion formula are obtained. The results of the calculation are portfolio proportions that may change over time.

Abstrak :
Pembentukan portofolio investasi merupakan salah satu bagian penting bagi investor untuk meningkatkan expected rate of return dan meminimalkan efek terjadinya risiko. Untuk mendapatkan hasil portofolio investasi yang optimal maka perlu untuk mencari proporsi yang optimal. Formula proporsi optimal dicari mengunakan teori kontrol optimal stokastik dengan tujuan untuk memaksimalkan expected rate of return dengan risiko tertentu. Risiko dalam portofolio ini berupa loss atau kerugian yang diukur menggunakan alat ukur risiko yaitu Value-at-Risk. Untuk menyelesaikan masalah teori kontrol optimal stokastik akan digunakan persamaan Hamilton-Jacobi-Bellman dan kondisi Kuhn-Tucker untuk kendala Value-at-Risk. Formula proporsi yang diperoleh adalah optimal jika nilai proporsi tersebut berada dalam himpunan penyelesaian kendala Value-at-Risk yaitu berupa batas bawah dan batas atas nilai proporsi. Menggunakan data harga saham dan Sertifikat Bank Indonesia, diperoleh estimasi parameter yang akan digunakan dalam perhitungan nilai proporsi optimal. Dari hasil perhitungan formula, diperoleh bahwa batas bawah dan batas atas nilai proporsi dari kendala Value-at-Risk menjadi penentu suatu nilai proporsi adalah optimal.

---

The establishment of an investment portfolio is an important part for investors to maximizing expected rate of return and minimizing effect of risk occurance. It is necessary to find the optimal portfolio to get the optimal investment portfolio result. It will be used optimal stochastic control theory to maximizing expected rate of return with certain risk to get the optimal proportion formula. Loss portfolio measured by Value at Risk. Hamilton Jacobi Bellman equation and Kuhn Tucker condition for Value at Risk constraint are used to solve optimal stochastic control theory problem. Optimal proportion formula obtained when the proportion is in the solution set of Value at Risk constraint. Using data from the stock price and Bank Indonesia Certificates, parameter estimation are obtained and will be used in calculation optimal proportion. The result of calculation is known an optimal proportion if the proportion is in the solution set of Value at Risk constraint.

Abstrak :
ABSTRAK
Opsi saham merupakan salah satu jenis sekuritas derivatif yang nilai kontraknya bergantung pada nilai saham yang tercantum pada kontrak opsi. Opsi saham Asia termasuk ke dalam jenis opsi eksotik yang nilainya dipengaruhi oleh rata-rata nilai saham sepanjang masa hidup opsi. Dalam skripsi ini rata-rata nilai aset yang digunakan adalah rata-rata geometrik. Nilai saham yang digunakan dalam skripsi ini akan mengikuti model CEV Constant Elasticity of Variance yang merupakan bentuk umum dari model Black-Scholes yang terkenal. Dalam menentukan nilai opsi secara analitik dengan model CEV sangatlah sulit maka dari itu nilai dari opsi Asia dimodelkan ke dalam persamaan diferensial parsial. Persamaan diferensial parsial untuk opsi Asia nantinya akan diselesaikan dengan metode perturbasi. Metode perturbasi yang digunakan adalah metode perturbasi regular. Pada akhirnya akan dihasilkan formula untuk menentukan harga opsi call Asia dengan model CEV dan rata-rata geometrik

---

ABSTRACT
Stock options are one type of derivative securities whose contract value depends on the value of the shares listed on the option contract. Asian stock options fall into the type of exotic options whose value is affected by the average share value throughout the lifetime of the option. In this thesis the average asset value used is the geometric average. The stock value used in this thesis will follow the CEV Constant Elasticity of Variance model which is a general form of the famous Black Scholes model. In determining the analytic option value with the CEV model it is very difficult, because of that the value of the Asian option is modeled into a partial differential equation. Partial differential equations for Asian options will be solved by perturbation method. The perturbation method used is a regular perturbation method. In the end a formula will be generated to determine the price of Asian call option with CEV model and geometric mean.

Abstrak :
ABSTRAK
Berdasarkan 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.

---

ABSTRACT
Based 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.