Hasil Pencarian  ::  Simpan CSV :: Kembali

"Data waktu survival sering kali berdistribusi skewed. Dibandingkan dengan mean, median lebih sedikit dipengaruhi oleh data skewed sehingga lebih menarik untuk menganalisis median populasi dibandingkan dengan mean populasi. Median sampel acak merupakan estimator untuk median populasi. Distribusi asimptotik dari median sampel acak telah diketahui berdistribusi Normal. Namun, aproksimasi ini bekerja dengan baik untuk sampel acak yang berukuran cukup besar dan normalitas tidak berlaku pada sampel acak berukuran kecil. Dalam skripsi ini, diperkenalkan keluarga distribusi dari median sampel acak dari sembarang distribusi survival. Keluarga distribusi ini dibentuk dengan menggunakan statistik terurut dan mengasumsikan sampel acak berukuran ganjil. Sebagai kasus khusus, distribusi Bilal diperoleh dengan mengasumsikan sampel acak berukuran 3 dari distribusi Exponential. Distribusi Bilal dapat digunakan sebagai alternatif untuk memodelkan data waktu survival yang berbentuk upside-down bathtub, skewed positif, lancip, dan memiliki fungsi hazard yang berbentuk monoton naik. Penaksiran parameter distribusi Bilal dilakukan dengan menggunakan metode maximum likelihood estimation. Sebagai ilustrasi, dilakukan pemodelan data waktu tunggu hingga nasabah bank dilayani menggunakan distribusi Bilal dan distribusi pembanding, yaitu distribusi Rayleigh, Lindley, serta Half-Logistic. Hasil pemodelan menunjukkan bahwa distribusi Bilal lebih baik dalam memodelkan data tersebut dibandingkan dengan distribusi lainnya.

---

Survival times data often exhibit skewed distributions. Compared to the mean, median is less affected by skewed data, so it is more interesting to analyze the population median than population mean. Median of a random sample serves as an estimator for the population median. Distribution of the median of a random sample is known to be asymptotically Normal. However, the approximation works well when the sample size is sufficiently large and the normality on small samples should not be expected. This study introduces a family of distributions for the median of a random sample from any survival distribution. It is constructed using ordered statistics when assuming an odd sample size. Bilal distribution, a special case, is obtained when assuming a random sample of size 3 from an Exponential distribution. Bilal distribution offers an alternative to model survival times data with an upside-down bathtub, positively skewed, and taper shape, and monotonically increasing hazard function. Bilal distribution’s parameter is estimated by maximum likelihood estimation method. As an illustration, waiting times before service of bank customers data is modeled using Bilal distribution along with Rayleigh, Lindley, and Half-Logistic distributions as comparisons. Result shows that Bilal distribution outperforms other distributions in modeling the data."

"Demam tifoid, atau yang lebih dikenal sebagai penyakit tipes merupakan penyakit endemik di Indonesia. Diperkirakan hampir 100.000 penduduk Indonesia terjangkit demam tifoid tiap tahunnya. Salah satu langkah pencegahan penyebaran demam tifoid adalah melalui vaksinasi. Terdapat 3 jenis vaksin tifoid, yaitu TCV, vaksin polisakarida non konjugat suntik, dan vaksin oral. Sayangnya, ketiga vaksin memiliki rata-rata efektivitas < 75%. Maka dari itu, model penyebaran demam tifoid dengan intervensi vaksin dikonstruksi pada penelitian ini. Kajian analitik pada model dilakukan untuk melihat kepositifan, eksistensi dan kestabilan titik ekulibrium, dan juga bilangan reproduksi dasar dari model. Tak hanya itu, simulasi numerik dan interpretasinya dilakukan untuk melihat elastisitas dan sensitivitas R0 yang berkorelasi dengan paremeter efektivitas vaksin. Terakhir, dilakukan juga simulasi autonomous untuk melihat bagaimana perubahan setiap kelompok dalam populasi terhadap perubahan nilai parameter.

---

Typhoid fever is one of the endemic diseases in Indonesia. Around 100.000 Indonesians are estimated to get this disease every year. Typhoid vaccination is one of the effective strategies for preventing and controlling typhoid fever. There are 3 types of typhoid vaccines, the Typhoid Conjugate Vaccine (TCV), the unconjugated Vi Polysaccharide (ViPS), and the oral vaccine (Ty21a). The effectiveness of the three vaccines is no more than 75%. For that reason, a mathematical model of typhoid fever infection was constructed in this paper. An analytical study of the model was done to see the positivity of solutions, and the existence and stability of equilibrium points. Additionally, numerical simulation and interpretation were done to see the elasticity and sensitivity of the basic reproduction number."

"Pada skripsi ini dibahas mengenai model matematika penyebaran Demam Berdarah Dengue (DBD) dengan laju insiden nonlinier. Model ini menggunakan model SIRUV dengan SIR menggambarkan pembagian populasi manusia dan UV menggambarkan pembagian populasi nyamuk. Model ini kemudian direduksi menjadi model IR dengan menggunakan metode Quasi-Steady State Approximation (QSSA) dan asumsi bahwa populasi manusia konstan. Terdapat titik keseimbangan bebas penyakit yang stabil ketika R0 < 1. Model menunjukkan kemungkinan terjadinya bifurkasi maju dan bifurkasi mundur yang bergantung pada nilai parameter ketidakpedulian manusia terhadap DBD. Akibatnya, pada bifurkasi mundur terdapat titik endemik yang stabil ketika R0 < 1 jika ketidakpedulian manusia kurang dari batas tertentu dipenuhi. Dari analisa Fast Fourier Transform, ditemukan adanya frekuensi dominan pada data insiden DBD di DKI Jakarta. Berdasarkan hal ini, penaksiran parameter dilakukan dengan mengasumsikan laju infeksi sebagai fungsi sinusoidal. Selanjutnya berdasarkan perhitungan Fast Fourier Transform pada hasil simulasi numerik, model menunjukkan tanda adanya solusi periodik ketika digunakan laju infeksi pada manusia (βh) berupa fungsi sinusoidal. Berdasarkan analisis forecasting, diperoleh bahwa puncak kasus selanjutnya pada April 2022 dan Maret 2023 memiliki puncak kasus yang lebih tinggi dibandingkan tahun-tahun sebelumnya. Pada skripsi ini juga dilakukan analisis sensitivitas dan simulasi nonautonomous terhadap variasi nilai parameter untuk mengetahui intervensi yang tepat guna menurunkan puncak kasus dan menekan penyebaran DBD. Melalui simulasi nonautonomous, diperoleh bahwa intervensi dalam mengurangi laju infeksi, meningkatkan laju kesembuhan, dan mengurangi ketidakpedulian manusia efektif terhadap reduksi kasus aktif DBD. Maka dari itu, diperlukan intervensi yang optimal dengan mempertimbangkan beberapa ambang batas penting yang disebutkan dalam skripsi ini.

---

This undergraduate thesis discussed about dengue spread model considering nonlinear transmission rate. This mathematical model use the SIR-UV model where SIR describes the classification of the human population and UV describes the classification of the mosquito population. It reduced to an IR model using the Quasi-Steady State Approximation (QSSA) method and using the assumption that the human population is constant. There is a stable disease-free equilibrium point when R0 < 1. Model also shows the possibility of forward bifurcation and backward bifurcation depending on the parameters that describe human ignorance to the dengue. As a result when it undergoes to backward bifurcation, there is a stable endemic equilibrium point when R0 < 1 if human ignorance is less than a certain limit. From the Fast Fourier Transform analysis, it was found that there was a dominant frequency in the dengue incident data in Jakarta. Therefore, parameter estimation was carried out by assuming the infection rate of human as a sinusoidal function. Furthermore, based on the calculation of Fast Fourier Transform on the numerical simulation data, it is found that the model shows signs of periodicity and reaches a periodic solution if infection rate of human (βh) is a sinusoidal function. Forecasting analysis shows that the next peak of the dengue incident will occur in April 2022 and March 2023 and has a higher peak than previous year. Sensitivity analysis and nonautonomous simulation of the model were also carried out on variations of parameter values. Through the simulation, it was found that the intervention on infection rate, recovery rate, and human ignorance was effective in reducing active cases of dengue. Therefore, an optimal intervention is needed considering some of the important thresholds mentioned in this study."

"Perhitungan cadangan klaim merupakan salah satu hal yang penting bagi setiap perusahaan asuransi agar dapat memenuhi kewajibannya untuk menutup kerugian akibat terjadinya loss. Umumnya, prediksi cadangan klaim dilakukan dengan menggunakan metode Chain-Ladder. Tetapi, karena metode ini tidak memerlukan asumsi distribusi, nilai prediksi hanya bergantung pada besar klaim sebelumnya dan besar development factor saja sehingga apabila terdapat outlier pada data sebelumnya maka, hasil prediksi menjadi kurang akurat. Oleh karena itu, pada penulisan tugas akhir ini, diusulkan dua model perhitungan prediksi cadangan klaim dengan pendekatan Generalized Linear Model (GLM). Kedua model tersebut dibedakan berdasarkan distribusi yang akan digunakan yaitu distribusi log normal dan distribusi Over-dispersed Poisson (ODP). Pada Generalized Linear Model ini, variabel dependen yaitu cadangan klaim diasumsikan berdistribusi log normal dan Over-dispersed Poisson (ODP) serta perhitungannya didasarkan pada waktu terjadinya loss (accident year) dan waktu jeda (development year) sebagai variabel eksplanatori. Pada penulisan tugas akhir ini, data yang digunakan adalah incurred but not reported (IBNR) dari laporan Statistical Compilation of Annual Statement Information for Property/Casualty Insurance Companies in 2019 yang kemudian diubah bentuknya menjadi bentuk run-off triangle. Hasil prediksi cadangan klaim kemudian akan dibandingkan menggunakan Mean Squared Error (MSE) dan Mean Absolute Percentage Error (MAPE). Dari nilai MSE dan MAPE yang diperoleh dapat disimpulkan bahwa perhitungan prediksi cadangan klaim menggunakan pendekatan Generalized Linear Model (GLM) dengan distribusi log normal lebih baik daripada dengan distribusi Over-dispersed Poisson. Hal ini dikarenakan nilai MAPE untuk Generalized Linear Model (GLM) dengan distribusi log normal lebih rendah yaitu sebesar 6,22%.

---

The calculation of claim reserves is one of the important elements in fulfilling each insurance company’s obligation to cover losses. Claim reserves are generally predicted using the Chain-Ladder method. However, the expected value can only be determined by the value of the previous claims and by the development factor, as this method is a non-distribution method. This means that if there are outliers in the previous data, the prediction results will be less accurate. Therefore, in this final paper, claim reserves predictions will be calculated using two models of the Generalized Linear Model (GLM) approach, namely the log normal distribution and the Overdispersed Poisson (ODP) distribution. It is assumed that both distributions predict the value of claims reserve as a dependent variable and the calculations is based on the accident year and the development year as explanatory variables. The Incurred but Not Reported (IBNR) data from “Statistical Compilation of Annual Statement Information for Property/Casualty Insurance Companies” in 2019 will be used in the calculation, which will then be converted into a run-off triangle form. The prediction of claim reserves results will then be compared by Mean Squared Error (MSE) and Mean Absolute Percentage Error (MAPE) and it showed that the Generalized Linear Model with log normal distribution approach is better than the Over-dispersed Poisson approach with the MAPE value is 6,22."

"Hipertensi adalah salah satu masalah kesehatan besar di dunia. Hipertensi merupakan salah satu penyebab kerusakan vaskular retina yang disebut Hypertensive retinopathy (HR). HR dapat memunculkan komplikasi yang beragam seperti oklusi pada pembuluh darah retina, rusaknya saraf optik, dan kebutaan. Penelitian ini membahas bagaimana Hypertensive Retinopathy dapat dideteksi melalui citra fundus. Dalam penelitian ini, digunakan metode ekstraksi fitur Local Binary Pattern (LBP) dan metode klasifikasi Support Vector Machine (SVM) dalam mendeteksi HR. Hasil simulasi mununjukkan akurasi Support Vector Machine dalam mengklasifikasi hypertensive retinopathy dan retina normal dengan membandingkan beberapa parameter pada metode LBP, diperoleh nilai akurasi, precision, dan recall tertinggi yaitu 87,5%, 80%, dan 100% secara berturut. Hal ini terjadi pada komposisi data 90% training dan 10% testing untuk parameter LBP dengan radius R=3 dan jumlah tetangga P=24.

---

Hypertension is one of the biggest health problems in the world. Hypertension is one of the causes of retinal vascular damage which is called hypertensive retinopathy (HR). HR can lead to various complications such as optic nerve damage, retinal vein occlusion, and blindness. This research studies how hypertensive retinopathy can be detected using fundus image. Extraction feature method, Local Binary Pattern (LBP) and classification method, Support Vector Machine (SVM) are used in this research to detect HR. The results show the accuracy of Support Vector Machine in classifying hypertensive retinopathy and normal retina by comparing parameter in LBP. The experiment achieved the best accuracy of 87,5%. The best accuracy is achieved using 90% training data and 10% testing data with radius R=3 and number of neighbors P=24 in LBP."

"Di dunia kesehatan, tenaga medis dituntut untuk mengatasi berbagai jenis penyakit dengan gejala yang beragam. Oleh karena itu, diperlukan suatu teknologi untuk membantu mereka menyelesaikannya dengan baik. Penelitian ini mendukung mereka dengan menggunakan machine learning sebagai pemecah masalah. Penelitian ini membahas kanker payudara yang merupakan salah satu penyakit dengan angka kematian tertinggi di dunia, khususnya bagi wanita. Berdasarkan patologisnya, ada beberapa jenis kanker payudara yang dikelompokkan menjadi dua kategori utama, yaitu invasif dan non-invasif. Penelitian ini menggunakan dataset MRI payudara penderita kanker payudara dari Rumah Sakit Cipto Mangunkusumo, Jakarta, Indonesia. Dataset berupa citra MRI akan diimplementasikan pada algoritma yang telah dikonstruksikan. Pada tahap awal, metode Convolutional Neural Network akan digunakan untuk bagian konvolusi. Berikutnya, pada bagian klasifikasi, metode yang akan diterapkan sebagai metode klasifikasi adalah Support Vector Machine. Dengan mengevaluasi hasil kinerja metode pembaharuan yang digunakan (Convolutional Neural Network–Support Vector Machine) dari dataset yang dimiliki, kita akan mengetahui apakah metode Convolutional Neural Network–Support Vector Machine lebih akurat dibandingkan dengan metode Convolutional Neural Network dalam membantu klasifikasi dataset MRI penderita kanker payudara yang dimiliki. 

---

In the world of health, medical personnel are required to deal with various types of diseases with various symptoms. Therefore, a technology is needed to help them solve it well. This research supports them by using machine learning as a problem solver. This research discusses breast cancer, which is one of the diseases with the highest mortality rate in the world, especially for women. Based on the pathology, there are several types of breast cancer which are grouped into two main categories, namely invasive and non-invasive. This study used the breast MRI dataset of breast cancer patients from Cipto Mangunkusumo Hospital, Jakarta, Indonesia. The dataset in the form of an MRI image will be implemented in the algorithm that has been constructed. In the early stages, the Convolutional Neural Network method will be used for the convolution section. Next, in the classification section, the method that will be applied as a classification method is the Support Vector Machine. By evaluating the performance results of the renewal method used (Convolutional Neural Network–Support Vector Machine) from our dataset, we will find out whether the Convolutional Neural Network–Support Vector Machine method is more accurate than the Convolutional Neural Network method in helping to classify the MRI dataset for breast cancer patients which are owned."

"Tuberkulosis (TB) adalah penyakit menular yang disebabkan oleh Mycobacterium tuberculosis (MTB) dimana umumnya menyerang paru-paru. Salah satu faktor yang mengakibatkan tingginya kasus TB di dunia yaitu pengidap TB bisa mengalami kekambuhan TB yaitu relapse dan reinfeksi. Upaya pemerintah untuk mengendalikan penyebaran TB yaitu dengan menjalankan program "Gerakan Bersama Menuju Eliminasi TB 2030" dimana selain berfokus pada pengobatan TB, program ini juga berfokus pada pencegahan TB. Dalam skripsi ini dilakukan analisis model penyebaran TB dengan pengaruh relapse dan reinfeksi untuk memahami dinamika penyebaran TB dan menentukan solusi yang efektif dalam menanggulangi TB. Untuk mewakili kondisi di lapangan, pada skripsi ini dipertimbangkan kesadaran masyarakat untuk melindungi dirinya dari TB. Pada skripsi ini dilakukan pula penaksiran parameter dengan menggunakan data kuartal kumulatif kasus baru TB yang terdeteksi di Indonesia pada tahun 2017 hingga 2021. Berdasarkan nilai estimasi parameter tersebut diperoleh nilai R0 = 1.082593215 > 1 yang mengindikasikan bahwa seiring berjalannya waktu penyakit TB terus menyebar dan menjadi endemik. Selanjutnya, berdasarkan analisis titik keseimbangan diperoleh fenomena bifurkasi maju dan bifurkasi mundur pada R0 = 1. Sehingga, kondisi R0 < 1 tidak dapat dijadikan sebagai indikator hilangnya penyakit TB di dalam populasi. Selanjutnya dilakukan simulasi numerik dan diperoleh bahwa dengan menurunkan laju relapse TB dan meningkatkan laju kesembuhan TB mampu untuk mereduksi penyebaran TB.

---

Tuberculosis (TB) is an infectious disease caused by Mycobacterium tuberculosis (MTB) which generally attacks the lungs. One of the factors that causes the high number of TB cases in the world is that people with TB can experience TB recurrence, namely relapse and reinfection. The government’s effort to control the spread of TB is by running the program "Joint Movement Towards TB Elimination 2030" where in addition to focusing on TB treatment, this program also focuses on TB prevention. In this study, an analysis of the TB spread model with the effect of relapse and reinfection is carried out to understand the dynamics of the spread of TB and determine an effective solution in tackling TB. To represent the real conditions, this study considers public awareness to protect themselves from TB. In this study, parameter estimation is also carried out using cumulative quarterly data of new TB cases detected in Indonesia from 2017 to 2021. Based on the estimated value of these parameters, the value of R0 = 1.082593215 > 1 indicates that over time TB disease continues to spread and become endemic. Furthermore, based on the analysis of the equilibrium point, the phenomenon of forward bifurcation and backward bifurcation is obtained at R0 = 1. Thus, the condition of R0 < 1 cannot be used as an indicator of the disappearance of TB disease in the population. Furthermore, numerical simulations were carried out and we concluded that by reducing the rate of TB relapse and increasing the TB cure rate are able to reduce the spread of TB."

"Crowdsourced Delivery Two-Echelon Vehicle Routing Problem with Truck and Trailer Routing Problem (2E-VRP TTRP) merupakan masalah pencarian rute kendaraan untuk mengirim barang ke pelanggan melalui dua pusat distribusi yang berbeda, yaitu depot dan titik transfer. Pada eselon pertama, barang akan dikirimkan dari depot ke titik transfer atau langsung ke pelanggan dengan menggunakan truk. Sementara, pada eselon kedua, barang akan dikirim dengan menggunakan sistem crowdsourced delivery, yaitu dengan menggunakan jasa kurir pekerja lepas dengan jadwal yang fleksibel dan mengunakan transportasi pribadi. Kurir tersebut akan mengambil barang yang telah diantar oleh truk ke titik transfer dan selanjutnya meneruskan pengantaran ke pelanggan. Pada skripsi ini digunakan Metode Adaptive Large Neighborhood Search (ALNS) untuk menyelesaikan permasalahan tersebut dengan menggunakan perangkat lunak. Konsep dari metode ini adalah memperbaharui struktur lingkungan melalui destroy dan repair operator dengan menggunakan probabilitas bahwa suatu operator tententu dipilih disesuaikan kembali sesuai dengan kinerja selama iterasi sebelumnya. Solusi yang ingin dicapai adalah solusi dengan total biaya pengiriman yang minimum. Berdasarkan hasil percobaan, dengan menggunakan 50 pelanggan, 1 depot, 9 titik transfer, 20 pelanggan yang dilayani sistem crowdsourced delivery, dan 3000 iterasi, diperoleh bahwa Metode ALNS dapat digunakan untuk mengoptimalkan masalah Crowdsourced Delivery 2E-VRP TTRP dengan penghematan total biaya perjalanan sebesar 40,76%.

---

Crowdsourced Delivery Two-Echelon Vehicle Routing Problem with Truck and Trailer Routing Problem (2E-VRP TTRP) is a problem where goods must be sent to customers through two different distribution centers, namely depot and transfer point. In the first echelon, the goods will be sent from the depot to the transfer points or directly to the customers by trucks. Meanwhile, in the second echelon, the goods will be sent using a crowdsourced delivery system, by using couriers that have flexible schedule and using their own transportations. The couriers will pick up the goods that have been delivered by the trucks to the transfer points and deliver it to the customers. In this final project, the Adaptive Large Neighborhood Search (ALNS) Method is used to solve the problem by using software. The concept of this method is to update the neighborhood structure through the destroy and repair operators by using the probability that a certain operator is selected to be readjusted according to performance during the previous iterations. The solution to be achieved is a solution with a minimum total delivery cost. Based on the experimental results, using 50 costumers, 1 depot, 9 transfer points, 20 costumers served by the crowdsourced delivery system, and 3000 iterations, it is found that the ALNS Method was be used to optimize the Crowdsourced Delivery 2E-VRP TTRP with a total travel cost savings of 40,76%."

"Pemodelan runtun waktu banyak digunakan dalam berbagai bidang seperti keuangan, kesehatan, dan asuransi. Model runtun waktu yang sering digunakan adalah model runtun waktu kontinu. Akan tetapi di dunia nyata, diperlukan model runtun waktu yang bisa memodelkan data diskrit. Model INAR(1) adalah salah satu model runtun waktu yang bisa menangani data diskrit dengan asumsi inovasi atau error berdistribusi Poisson. Namun, distribusi Poisson mempunyai mean yang sama dengan variansinya sehingga distribusi Poisson memiliki asumsi equidispersi. Hal ini membatasi fleksibilitas model runtun waktu yang dapat dikonstruksi untuk data diskrit karena bisa terjadi overdispersi. Dalam artikel ini dikonstruksi sebuah model yang dapat mengatasi masalah overdispersi, yaitu model BL-INAR (1), yang merupakan model INAR(1) dengan inovasi yang berdistribusi Bell serta sifat dari model BL-INAR(1). Distribusi Bell adalah distribusi yang menggunakan satu parameter dengan basis ekspansi deret dari bilangan Bell. Parameter model BL-INAR(1) diestimasi menggunakan metode Conditional Least Squares. Model BL-INAR(1) selanjutnya diimplementasikan pada data mogok kerja di Amerika Serikat.

---

Time series models are used frequently in other field such as finance, medicine, and insurance. Models that were often used for time series are continuous time series models. Nonetheless, time series models that can handle discrete data are also needed. INAR(1) is one example of time series models that is able to deal with discrete data and its innovation are using Poisson distribution. However, Poisson distribution has a mean of same value with its variance which means Poisson distribution assumed equidispersion. This assumption limits the flexibility of time series models that can be built because overdispersion happen often in time series. In this paper, we will analyse a model that will solve overdispersion, BL-INAR(1)model which is an INAR(1) model with Bell inovations. Bell distribution is a distribution that use one parameter with the basis of series expansion of Bell numbers. Parameters of BL-INAR(1) model will be estimated using Conditional Least Squares. As an example, BL-INAR(1) model will be tested using strikes data in United States."

"Sistem bonus malus adalah salah satu sistem yang ditawarkan oleh perusahaan asuransi kendaraan bermotor dalam penentuan premi berdasarkan sejarah klaim. Sistem bonus malus pada awalnya hanya didasari oleh frekuensi klaim. Namun ini akan tidak adil karena setiap pemegang polis mengalami kerugian yang berbeda-beda. Maka untuk mengatasi hal tersebut penentuan premi sistem bonus malus sebaiknya tidak hanya mempertimbangkan frekuensi klaim tetapi juga severitas klaim. Pada penelitian ini akan dibahas penentuan net premi sistem bonus malus berdasarkan frekuensi klaim dan severitas klaim. Frekuensi klaim menggunakan campuran distribusi Poisson Lindley sedangkan severitas klaim menggunakan campuran distribusi lognormal gamma. Pada penelitian ini juga diasumsikan bahwa frekuensi klaim dan severitas klaim independen. Parameter dari distribusi frekuensi klaim dan severitas klaim diestimasi dengan menggunakan metode maximum likelihood estimator (MLE). Selanjutnya metode Bayesian digunakan untuk penentuan net premi yang dibayarkan pemegang polis yaitu berdasarkan perkalian ekspektasi posterior severitas klaim dan frekuensi klaim. Hasil aplikasi pada data menunjukkan bahwa besar premi yang dibayarkan pemegang polis berbanding lurus dengan severitas klaim dan frekuensi klaim yang artinya semakin besar frekuensi klaim dan semakin besar klaim yang diajukan maka semakin besar pula premi yang dibayarkan.

---

The bonus malus system is one of the systems offered by motor vehicle insurance companies in determining premiums based on claim history. The malus bonus system was initially only based on the claim frequency. However, this would be unfair because each policyholder experiences different losses. So to overcome this, the determination of the bonus of the malus bonus system should not only consider the claim frequency but also the claim severity. In this study, we will discuss the determination of the net premium for the bonus malus system based on the claim frequency and the claim severity . The claim frequency use a mixed Poisson Lindley distribution and the claim severity use a mixture of lognormal gamma distribution. In this study, it is also assumed claim frequency and claim severity are independent. The parameters of claim frequency and claim severity are estimated using the maximum likelihood estimator (MLE). Furthermore, the amount of net premium to be paid by policyholders is determined based on he product of the posterior expectation of claim frequency and claim severity. The data application results show that the premium that must be paid by policyholders is directly proportional to the claim frequency and claim severity, which means that the greater the claim frequency and the greater the claim severity submitted, the greater the premium paid."