Hasil Pencarian  ::  Simpan CSV :: Kembali

"Metode Machine Learning sangat bermanfaat untuk menyelesaikan berbagai masalah, terutama pada masalah big data. Salah satu masalah yang terkait dengan big data adalah prediksi klaim asuransi di industri asuransi. XGBoost adalah metode machine learning yang menggunakan pendekatan ensemble learning dengan decision tree sebagai model dasarnya. XGBoost terdiri dari beberapa hyperparameter yang nilainya perlu ditentukan sebelum proses training. Partial grid search adalah optimasi hyperparameter yang biasanya digunakan untuk XGBoost. Random search adalah optimasi hyperparameter yang menentukan nilai hyperparameter secara random. Pada penelitian ini, diterapkan dan dianalisis metode pengoptimalan lain untuk XGBoost, yaitu Bayesian search untuk prediksi pengajuan klaim asuransi (dengan klasifikasi) dan besarnya klaim asuransi yang diajukan (dengan regresi). Tujuan dari penelitian ini yaitu membandingan performa ketiga metode optimasi hyperparameter pada XGBoost: random search, partial grid search, dan Bayesian search pada klasifikasi dan regresi. Hasil simulasi menunjukkan bahwa partial grid search memberikan akurasi yang sedikit lebih baik dibandingkan dengan random search dan Bayesian search. Namun, waktu running pada Bayesian search jauh lebih cepat daripada partial grid search. Random search memiliki akurasi dan waktu komputasi yang sedikit kurang bagus dibandingkan dengan Bayesian search.

---

Machine Learning Method is very useful for solving various problems, especially in the big data problem. One of the problems associated with big data is the prediction of insurance claims in the insurance industry. XGBoost is a machine learning method that uses an ensemble learning approach with a decision tree as its basic model. XGBoost consists of several hyperparameters which values need to be determined before the training process. Partial grid search is a hyperparameter optimization approach which is usually used for XGBoost. Random search is a hyperparameter optimization method which determines the value of hyperparameter randomly. In this study, another optimization method for XGBoost called Bayesian search is applied and analyzed for predicting insurance claims submissions (by classification) and the size of insurance claims submitted (by regression The purpose of this study is to compare the performance of the three hyperparameter optimization methods on XGBoost: random search, partial grid search, and Bayesian search on classification and regression. The simulation results show that partial grid search gives a slightly better accuracy compared to random search and Bayesian search. However, the running time on Bayesian search is much faster than partial grid search. Random search has an accuracy and computation time that is a little less good compared to Bayesian search."

"ABSTRAKSesuai peraturan BAPEPAMLK Nomor: PER-09/BL/2012 Pasal 11 bahwa nilai estimasi klaim yang terjadi tetapi belum dilaporkan IBNR dihitung berdasarkan estimasi sentral atau estimasi terbaik best estimate dengan menggunakan metode rasio klaim atau salah satu dari metode segitiga run-off triangle method . Metode Chain-Ladder dan Bornhuetter-Ferguson adalah metode berbasis triangle yang banyak dijadikan standar oleh auditor dan perusahaan asuransi dalam mengestimasi cadangan IBNR.Tujuan dari studi ini adalah untuk menganalisis daya estimasi metode cadangan klaim IBNR yang berbasis metode triangle. Dengan ukuran statistik MAD dan RMSE diketahui eror pada Metode Bornhuetter-Ferguson lebih kecil dalam mengestimasi cadangan klaim IBNR dibandingkan dengan Metode Chain-Ladder

---

ABSTRACTAccording to regulations BAPEPAMLK Number PER 09 BL 2012 Article 11, the estimated value of claims incurred but not reported IBNR is calculated based on the estimated central or best estimate best estimate using the ratio of claims or one of the triangle method run off triangle method . Chain Ladder method and Bornhuetter Ferguson is a triangle based method that is used as a standard by the auditor and insurance companies. The aim of this study is to compare the predictive power of triangle methods in IBNR claims reserves estimation. Base on statistical measure MAD and RMSE, error on Bornhuetter Ferguson method is smaller in estimating the IBNR claims reserve compared with the Chain Ladder method."

"Skripsi ini membahas tentang penerapan prinsip itikad paling baik yang merupakan salah satu prinsip yang mendasar dan terpenting dalam perjanjian asuransi. Karena prinsip itikad paling baik mengatur tentang hak dan tanggung jawab dari tertanggung dan penanggung. Skripsi ini menganalisis perapan prinsip itikad paling baik dalam kasus sengketa klaim asuransi rangka kapal antara PT. Djakarta Lloyd Persero sebagai tertanggung dan PT. Asuransi Bringin Sejahtera Artamakmur sebagai penanggung. serta membahas atas pertimbangan hukum dari hakim dalam putusannya mengenai kasus tersebut di Tingkat Pertama Pengadilan Negeri, Banding Pengadilan Tinggi, Kasasi Mahkamah Agung, dan Peninjauan Kembali Mahkamah Agung. Penulisan skripsi ini menggunakan metode penelitian normatif hukum dengan studi pustaka. Penelitian ini menyimpulkan bahwa perusahaan asuransi tidak memiliki kewajiban untuk membayar biaya kompensasi terhadap tertanggung jika tertanggung menyembunyikan fakta-fakta material terhadap objek pertanggungan dan dapat mengakibatkan perjanjian tersebut batal demi hukum dan pertimbangan hakim bertentangan dengan prinsip itikad paling baik dalam perjanjian asuransi. Majelis Hakim menyatakan bahwa Penanggung bersalah karena Penanggung tidak melakukan kewajibannya untuk membayar biaya kompensasi kepada Tertanggung, oleh karena itu, Majelis Hakim tidak mempertimbangkan prinsip itikad paling baik, padahal prinsip itikad paling baik merupakan prinsip yang mendasar dan paling penting dalam perjanjian asuransi.

---

This thesis discusses the application of the principle of utmost good faith as the basic and one of the important principles in the insurance agreement. Because the principle of utmost good faith governs the rights and obligation of the insured and the insurer. This thesis analyzes the application of the principle of utmost good faith in the case of marine hull insurance claim dispute of PT. Djakarta Lloyd Persero as the insured and PT. Asuransi Bringin Sejahtera Artamakmur as the insurer, and the legal consideration of the court regarding the case in the First Level of the Court District Court, Appeal High Court, Cassation Supreme Court and Judicial Review Supreme Court. The Author uses research method of normative legal research with literature study.

This research concludes that the insurer did not have the liability to pay the compensation to the insured due to the concealment and non disclosure of material fact of the insurance object which is very material in the insurance agreement and leads to the automatic cancellation ldquo null and void rdquo of the insurance agreement and the legal consideration of the court was contradict with the principle of utmost good faith in insurance agreement. The Panel of Judges decided that the Insurer was guilty because the Insurer did not carry out his obligation to pay the compensation to the Insurer, therefore the the court decision did not consider regarding the principle of utmost good faith, whereas the principle of utmost good faith is the basic and important principle in insurance agreement."

"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."

"Salah satu cara untuk mengendalikan risiko adalah dengan memindahkan risiko melalui asuransi, dimana pihak tertanggung berkewajiban untuk membayar premi dan pada saat terjadi sesuatu yang merugikan tertanggung, tertanggung berhak untuk mengajukan klaim. Klaim yang diajukan akan melalui proses pengecekan oleh perusahaan asuransi dan jika klaim tersebut diterima, perusahaan asuransi kemudian melakukan pembayaran pertama, serta menghitung prediksi cadangan klaim untuk kemungkinan pembayaran klaim potensial lain di masa depan. Hingga saat ini, kebanyakan aktuaris asuransi umum menggunakan metode Chain Ladder dan Bornhuetter-Ferguson dalam melakukan prediksi cadangan klaim. Metode Chain Ladder mengggunakan data di masa lalu, yang bisa jadi kurang sesuai dengan data terbaru, sehingga diskontinuitas fundamental dari urutan estimasi rentan terjadi, yakni ketidakstabilan hasil prediksi ketika terdapat perubahan data, sedangkan metode Bornhuetter-Ferguson bisa jadi tidak berfungsi ketika terjadi downward development. Oleh karena itu, diperkenalkan metode Benktander, yang dapat menghasilkan galat lebih kecil dengan pemberian bobot yang tepat melalui penggabungan metode Chain Ladder dan Bornhuetter-Ferguson. Metode Benktander tersebut dapat dimodifikasi dengan penggunaan parameter banyak klaim, yang disebut metode Benktander-Kredibel. Di sisi lain, algoritma machine learning juga dapat digunakan untuk prediksi cadangan klaim. Salah satunya adalah decision tree yang dihasilkan oleh algoritma Classification and Regression Tree (CART), yang sebenarnya tidak terlalu baik karena tidak robust. Oleh karena itu, penulis memperkenalkan metode Random Forest yang merupakan hasil penggabungan beberapa decision tree, sehingga hasil yang diperoleh bersifat robust. Dari hasil penelitian ini, dengan melihat parameter penganalisis keakuratan, yakni Root Mean Squared Error (RMSE), diperoleh kesimpulan bahwa metode Random Forest mengungguli metode Benktander-Kredibel dalam prediksi cadangan klaim asuransi bodily injury yang melibatkan penggunaan incurred claim dengan downward development disertai dengan data pendukung berupa banyak klaim.

---

One way to control risk is to transfer risk through insurance, where the insured is obliged to pay the premium and when something happens that harms the insured, the insured has the right to submit a claim. The claim submitted will go through a checking process by the insurance company and if the claim is accepted, the insurance company then makes the first payment, as well as calculating the predicted claims reserve for the possibility of paying other potential claims in the future. Until now, most general insurance actuaries use the Chain Ladder and Bornhuetter-Ferguson methods in predicting claims reserves. The Chain Ladder method uses data from the past, which may not be in accordance with the latest data, so that fundamental discontinuities in the estimation sequence are prone to occur, namely instability of prediction results when there are data changes, whereas the Bornhuetter-Ferguson method can so it doesn't work when downward development occurs. Therefore, the Benktander method is introduced, which can produce smaller errors by assigning appropriate weights through combining the Chain Ladder and Bornhuetter-Ferguson methods. The Benktander method can be modified by the use of a frequency of claims parameter, called Credible Benktander method. On the other hand, the machine learning algorithm can also be used for claims reserve prediction. One of them is the decision tree produced by the Classification and Regression Tree (CART) algorithm, which is actually not very good because it is not robust. Therefore, the author introduces the Random Forest method which is the result of combining several decision trees, so that the results obtained are robust. From the results of this research, by looking at the accuracy analyzer parameters, namely Root Mean Squared Error (RMSE), it was concluded that the Random Forest method outperforms the Credible Benktander method in predicting reserves for bodily injury insurance claims involving the use of incurred claim with downward development accompanied by supporting data in the form of many claims."

"Tesis ini membahas penerapan Pasal 251 KUHD dalam perkara klaim asuransi jiwa syariah antara Efi Yusliana melawan PT Asuransi Jiwa Manulife Indonesia, dengan permasalahan mengenai penerapan Pasal 251 KUHD dalam perkara klaim asuransi jiwa syariah pada kasus terkait dan pertimbangan hukum dari hakim terkait prinsip utmost good faith dalam kasus terkait. Metode penelitian dan teori hukum yang digunakan dalam menjawab permasalahan adalah metode penelitian doktrinal, dengan teori hukum positif analitis. Hasil penelitian menunjukan bahwa Tertanggung tidak menerapkan Pasal 251 KUHD, dikarenakan Tertanggung tidak memberikan keterangan/ informasi/ fakta dengan benar dan jujur terkait riwayat kesehatannya dalam pengisian SPAJ, dan Pertimbangan hukum hakim dalam Putusan Pengadilan Tinggi DKI Jakarta Nomor 164/PDT/2018/PT.DKI dan Putusan Mahkamah Agung Nomor 930K/Pdt/2019 adalah tidak tepat, dikarenakan dalam kedua putusan tersebut telah mengesampingkan prinsip utmost good faith yang mana dalam pengisian SPAJ Tertanggung telah menyembunyikan fakta penting terkait riwayat kesehatannya. Dalam penelitian ini dapat disarankan pada saat pengisian SPAJ calon Tertanggung diharapkan dapat mengisi dan menjawab pertanyaan dengan sebenar-benarnya dan diharapkan adanya perluasan pengaturan terkait dengan Utmost Good Faith, agar tidak hanya diatur dalam Pasal 251 KUHD saja. Dengan demikian hakim diharapkan dapat memberikan pertimbangan dan memutus perkara asuransi dengan adil.

---

This thesis discusses the application of Article 251 KUHD in the case of sharia life insurance claim between Efi Yusliana and PT Asuransi Jiwa Manulife Indonesia, with research questions regarding the application of Article 251 KUHD in the case of sharia life insurance claim in related case and legal considerations from judges related to the principle of utmost good faith in related case. The research method used in answering the problem is doctrinal research method, with analytical positive legal theory. The results showed that the Insured did not apply Article 251 of the KUHD, because the Insured did not provide true and honest information/ facts related to her medical history in filling out the SPAJ, and the legal considerations of the judges in the DKI Jakarta High Court Decision Number 164/PDT/2018/PT.DKI and the Supreme Court Decision Number 930K/Pdt/2019 were incorrect, because in both decisions they had overridden the principle of utmost good faith where in filling out the SPAJ the Insured had hidden important facts related to her medical history. In this study, it can be suggested that when filling out the SPAJ, the prospective insured is expected to be able to fill in and answer questions truthfully and it is hoped that there will be an expansion of the regulation related to Utmost Good Faith, so that it is not only regulated in Article 251 of the KUHD. Thus, judges are expected to be able to consider and decide insurance cases fairly."

"Penelitian ini menganalisa bagaimana legalitas dan penerapan pembayaran secara Ex-Gratia yang dilakukan oleh perusahaan asuransi dalam penyelesaian klaim asuransi. Tulisan ini disusun dengan menggunakan metode penelitian doktrinal. Pembayaran secara Ex-Gratia memiliki arti “atas dasar kebijaksanaan” merupakan pembayaran yang didasari oleh rasa kemanusiaan dan iktikad baik dari perusahaan asuransi. Pembayaran ini bukanlah merupakan kewajiban hukum dan bersifat sukarela. Penelitian ini membahas 2 (dua) pokok permasalahan, yaitu bagaimana legalitas dari pembayaran secara Ex-Gratia dalam penyelesaian klaim asuransi dan kesesuaian pertimbangan hukum Majelis Hakim terhadap penyelesaian klaim asuransi dalam Putusan Nomor 670/Pdt.G/2015/PN.Jkt.Sel. Hasil penelitian menunjukkan bahwa pembayaran Ex-Gratia merupakan hal yang lazim dilakukan di Indonesia. Pembayaran secara Ex-Gratia ini merupakan hal yang legal digunakan oleh perusahaan asuransi. Legalitas pembayaran ini didukung oleh fakta bahwa pembayaran ini merupakan kebijakan perusahaan dan tidak dapat dipaksakan sebagai hak bagi tertanggung. Pembayaran secara Ex-Gratia juga dapat dikatakan sebagai salah satu alternatif penyelesaian sengketa klaim asuransi. Dalam pertimbangan hukumnya, Majelis Hakim dalam pertimbangan hukumnya pada kasus putusan aquo, telah salah mengartikan pembayaran secara Ex-Gratia ini. Penyelesaian klaim asuransi secara Ex-Gratia sah dilakukan oleh PT Asuransi Mega Pratama dalam kasus Putusan Nomor 670/PDT.G/2015/PN.Jkt.Sel. Hasil dari penelitian ini diharapkan dapat menjadi bahan ilmu pengetahuan bagi pihak-pihak terkait, termasuk juga lembaga sektor keuangan di bidang perasuransian untuk membentuk suatu kebijakan dan prosedur terkait mekanisme penerapan pembayaran secara Ex-Gratia dalam rangka memberikan perlindungan bagi perusahaan asuransi, sebagai penanggung, serta tertanggung.

---

This paper analyses the legality and application of Ex-Gratia payments which is used by insurance companies on insurance claim settlements. This paper is written by using a doctrinal research method. Ex-Gratia payment means "as of grace", which is a payment based on humanity and good faith of the insurance company. This payment is not a legal obligation and it is voluntary. This research examines 2 (two) main issues, such as the legality of Ex-Gratia payment on insurance’s claim settlement and suitability of judge’s consideration on insurance’s claim settlement in Court Decision Number 670/Pdt.G/2015/PN.Jkt.Sel. The result of this research shows that Ex-Gratia payments are commonly used in Indonesia. Ex-Gratia payments are basically legal to be used by insurance companies. The legality of this payment is supported by the fact that this payment is a company policy and cannot be enforced as the right for the insured. Ex- Gratia payments can also be an alternative dispute resolution of insurance claims. In their considerations in the aquo case of court decision, the Judge’s has misinterpreted the Ex-Gratia payment. The settlement of insurance claim by Ex-Gratia was a lawful act by PT Asuransi Mega Pratama in the case of Court Decision Number 670/PDT.G/2015/PN.Jkt.Sel. The results of this research are expected to become source of knowledge for relevant parties, including financial sector institutions in the field of insurance to form a policy and procedure for mechanism of applying Ex-Gratia payments in order to provide protection for insurance companies, as insurers, and the insureds as well."

"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."

"Diabetes melitus merupakan peningkatan kadar gula darah disertai dengan gangguan metabolisme karbohidrat, lipid, dan protein sebagai akibat fungsi insulin yang tidak mencukupi. Pada tahun 2021 jumlah kematian akibat diabetes melitus di Indonesia mencapai 236.711 orang, menempati urutan keenam dunia dan pertama di Asia Tenggara. Di Indonesia penyakit ini meningkat sebesar 8,5% di tahun 2014 pada orang berusia di atas 18 tahun. Banyak faktor yang menjadi pemicu antara lain umur, jenis kelamin, serta diagnosa dokter terhadap penyakit bawaan. Meningkatnya jumlah kasus kematian akibat diabetes melitus setiap tahunnya membuat perusahaan asuransi harus mengantisipasi keadaan tersebut, termasuk menghitung cadangan klaim. Tulisan ini bertujuan untuk menghitung prediksi klaim yang dapat disiapkan dengan menggunakan batasan variabel umur, jenis kelamin, dan diagnosa dokter terhadap penyakit bawaan lainnya dengan melakukan klasifikasi menggunakan K-Modes clustering dan Metode Heuristik. Setelah mengklasifikasikan data, dilanjutkan dengan menghitung prediksi klaim menggunakan algoritma Random Forest, Naïve Bayes, dan Support Vector Machine. Hasil penelitian ini menunjukkan bahwa prediksi model terbaik diperoleh dengan menggunakan algoritma Naive Bayes, sedangkan kelompok klasifikasi terbaik menggunakan model Heuristik. Hasil penelitian ini diharapkan dapat menjadi pedoman bagi perusahaan asuransi dalam menentukan estimasi jumlah klaim yang mungkin terjadi.

---

Diabetes mellitus is an increase blood sugar levels accompanied by impaired metabolism of carbohydrates, lipids, and proteins as a result of insufficient insulin function. In 2021 the number of deaths due to diabetes mellitus in Indonesia reached 236,711 people, this is ranked sixth in the world and first in Southeast Asia. This disease increased by 8.5% in 2014 people over 18 years of age. Many factors influence this disease, including age, gender, also the doctor's diagnosis of congenital diseases. The increasing number of death from diabetes mellitus every year causes insurance companies anticipate the situation calculating claim reserves. This paper aims to calculate prediction of claims that can be generated using the variable limits of age, gender, and doctor's diagnosis of other congenital diseases by doing classification using K-Modes clustering and Heuristic Method. After that we calculate claim predictions using Random Forest, Naïve Bayes, and Support Vector Machine algorithms. The results of this study indicate that the best model predictions are using the Naive Bayes algorithm, while the best classification group uses the Heuristic model. The results of this study are expected to be a guideline for insurance companies in determining the estimated amount of claims that may occur."

"Skripsi ini membahas bagaimana pelanggaran penerapan prinsip utmost good faith dalam sebuah perjanjian asuransi dapat membatalkan asuransi itu sendiri. Pada skripsi ini pembahasan dibagi tiga. Pertama, pembahasan mengenai pengertian asuransi ditinjau dari Kitab Undang-undang Hukum Dagang, Undang-undang No. 2 Tahun 1992 tentang Usaha Perasuransian, dan Undang-undang No. 2 Tahun 2009 tentang Lembaga Pembiayaan Ekspor Indonesia. Kedua, pengertian prinsip utmost good faith dalam asuransi ditinjau dari Kitab Undang-undang Hukum Dagang dan penerapan prinsip secara umum. Ketiga, pembahasan mengenai pelanggaran prinsip utmost good faith yang dilakukan oleh Alm. Mardi Simarmata berupa penyembunyian fakta material dalam perjanjian asuransinya dengan PT Avrist Assurance. Penelitian ini menggunakan metode yuridisnormatif, dimana data penelitian sebagian besar berasal dari studi kepustakaan. Hasil penelitian ini menyatakan bahwa (1) prinsip utmost good faith merupakan sebuah prinsip yang harus dilaksanakan dalam setiap perjanjian asuransi, (2) perjanjian asuransi antara Alm. Mardi Simarmata dan PT Avrist Assurance merupakan perjanjian yang batal demi hukum, dan (3) Putusan Pengadilan Negeri Tangerang No. 135/Pdt.Plw.BPSK/2012/PN.TNG merupakan putusan yang benar meskipun Majelis Hakim tidak memberikan pertimbangan pada pelanggaranprinsiputmost good faithdalam pertimbangan hukumnya, sedangkan Putusan Mahkamah Agung No. 560K/Pdt.Sus/2012 tidaklah sesuai dengan prinsip hukumasuransi yang berlaku.

---

This thesis discusses about how breach of utmost good faith principle nullifies the agreement itself. In this thesis, discussion about the breach is divided into three sections. First, explanation on understanding insurance observed from Business Law Codex, Insurance Business Act, and Indonesian Export Financing Institution Act. Second, explanation on utmost good faith principle in insurance law observed from Business Law Codex and the principle that is applied in general. Third, explanation on breach of utmost good faith principle in the case of The Late Mardi Simarmata against PT Avrist Assurance, wherein The LateMardi Simarmata did a concealment in his agreement with PT Avrist Assurance. This thesis is a normative juridical research, which some of the data of this thesis are based on the related literatures.

From the research, this thesis states that (1) the utmost good faith principle is a basic principle that must be implemented in every insurance agreement, (2) agreement between The Late Mardi Simarmata and PT Avrist Assurance is null and void, which made the heir of The Late Mardi Simarmata, Hermi Sinurat, could not seek for payment of her husband?s insurance, and (3) decision from the Court is right even though the utmost good faith principle was less considered by the judges, whereas Supreme Court?s decision is wrong because it does not fit the legal principles of insurance which is applied in general."