Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam studi statistik, mengukur ketergantungan antar variabel sering kali diperlukan untuk memahami perilaku dari variabel-variabel tersebut. Pada skripsi ini, untuk merepresentasikan ketergantungan antar variabel akan digunakan model copula. Copula diterapkan dalam memodelkan ketergantungan pada studi keuangan dan statistik, bahkan diperkenalkan dalam studi aktuaria untuk menghitung total kerugian pada industri asuransi kendaraan bermotor. Perusahaan asuransi, sebagai pihak yang menyediakan asuransi kendaraan bermotor, harus bisa memprediksi kemungkinan kerugian yang akan terjadi guna memprediksi kewajiban dan menyusun strategi perusahaan di masa depan. Total kerugian pada asuransi kendaraan bermotor dapat dihitung berdasarkan dua variabel, yaitu frekuensi klaim dan severitas klaim. Kedua variabel tersebut memiliki distribusi yang berbeda dan terkadang ditemukan ketergantungan di antara keduanya sehingga diperlukan model yang dapat menghubungkannya. Dalam beberapa kasus, kerugian juga dipengaruhi oleh faktor-faktor risiko lainnya yang disebut sebagai kovariat. Salah satu metode analisis statistik untuk menggabungkan dua distribusi data berbeda yang saling berhubungan beserta kovariat adalah dengan model copula berbasis regresi. Hal ini dilakukan dengan menggabungkan marginal Generalized Linear Model dari frekuensi dan severitas klaim. Dengan karakteristik yang berbeda dari kedua data maka model dibentuk dengan pendekatan mixed copula. Copula yang digunakan adalah copula Gaussian dan estimasi parameter dilakukan dengan Maximization by Parts (MBP). Berdasarkan parameter yang diperoleh, dapat disimpulkan bahwa terdapat ketergantungan positif antara frekuensi dan rata-rata severitas klaim. Dengan mempertimbangkan unsur dependensi pada frekuensi dan rata-rata severitas klaim, diperoleh nilai ekspektasi total kerugian yang lebih besar dibandingkan tanpa mempetimbangkan unsur dependensi.

---

In statistical studies, measuring dependencies between variables is often necessary to understand the behavior of those variables. In this thesis, to represent the dependency between variables, the copula model will be used. Copula is applied to modeling dependencies in financial and statistical studies and has even been introduced in actuarial studies to calculate total losses in the motor vehicle insurance industry. Insurance companies, as parties that provide motor vehicle insurance, must be able to predict possible losses that will occur in order to predict liabilities and develop company strategies in the future. Total losses in motor vehicle insurance can be calculated based on two variables, namely claim frequency and claim severity. These two variables have different distributions, and sometimes dependencies are found between them, so a model is needed that can relate them. In some cases, losses are also influenced by other risk factors known as covariates. One statistical analysis method for combining two different, interconnected data distributions and covariates is a regression-based copula model. This is done by combining marginal generalized linear models of claim frequency and severity. With the different characteristics of the two data sets, the model was formed using a mixed copula approach. The copula used is a Gaussian copula, and parameter estimation is done using Maximization by Parts (MBP). Based on the parameters obtained, it can be concluded that there is a positive dependence between the frequency and average claim severity. By considering the dependency element on the frequency and average severity of claims, the expected total loss value is greater than without considering the dependency element."

"Penentuan premi secara tepat merupakan tugas penting bagi perusahaan asuransi. Penentuan premi pada asuransi non-jiwa dihitung dari estimasi kerugian agregat yang didasari pada frekuensi (banyaknya) klaim dan severitas (besarnya) klaim. Kerugian agregat dapat diestimasi dengan model risiko kolektif yang mengasumsikan bahwa frekuensi klaim dan severitas klaim saling bebas. Pada praktiknya, ditemukan kondisi di mana frekuensi klaim dan severitas klaim saling bergantung (dependen). Untuk menghasilkan penentuan premi yang akurat, ketergantungan antara frekuensi klaim dan severitas klaim perlu diperhatikan. Dalam penelitian ini dilakukan pemodelan dependensi frekuensi klaim dan rata-rata severitas klaim menggunakan copula karena fleksibilitasnya dalam membangun distribusi bersama dari dua variabel acak yang dapat berasal dari distribusi berbeda. Pada beberapa kasus ditemukan bahwa besar kerugian juga dipengaruhi oleh beberapa faktor risiko (kovariat). Salah satu metode dalam membangun distribusi bersama dari dua variabel acak yang berasal dari distribusi berbeda dengan memerhatikan kovariat adalah dengan menggunakan model copula berbasis regresi. Hal tersebut dilakukan dengan mengkonstruksi dua Generalized Linear Model (GLM) terlebih dahulu, yaitu dengan variabel respons frekuensi klaim dan rata-rata severitas klaim. Kemudian model copula berbasis regresi berperan dalam menghubungkan kedua GLM dari frekuensi klaim dan rata-rata severitas klaim. Penelitian ini menggunakan pendekatan lain yaitu dengan menggunakan variabel acak kontinu waktu tunggu antar klaim sebagai representasi dari frekuensi klaim, sehingga aspek yang diperhatikan bukan hanya banyaknya klaim yang terjadi namun juga kapan klaim tersebut terjadi. Copula yang digunakan ialah copula Gaussian dan parameter dependensi diestimasi menggunakan metode Inference Function for Margin (IFM). Berdasarkan implementasi pemodelan dependensi antara frekuensi klaim dan rata-rata severitas klaim berdasarkan waktu tunggu antar klaim pada data ausprivauto0405, diperoleh informasi bahwa terdapat ketergantungan positif antara frekuensi klaim dengan rata-rata severitas klaim. Dari implementasi model yang sudah dibentuk pun diperoleh bahwa nilai ekspektasi total kerugian yang dihitung berdasarkan asumsi dependensi antara frekuensi klaim dan rata-rata severitas klaim lebih besar dibandingkan dengan nilai ekspektasi total kerugian berdasarkan asumsi independensi.

---

Determining the accurate premium is a crucial task for insurance companies. The determination of non-life insurance premium is calculated from the aggregate loss estimation based on claim frequency and claim severity. Aggregate losses can be estimated with a collective risk model that assumes independence between claim frequency and claim severity. In practice, there are found conditions where claim frequency and claim severity are dependent. To achieve an accurate premium determination, the dependence between claim frequency and claim severity needs to be considered. This research applies dependence modelling using copula due to its flexibility in costructiong a joint distribution of two random variables that may originate from different distributions. In some cases, the amount of losses is also influenced by several risk factors (covariates). One method for constructing a joint distribution of two random variables from different distributions while considering covariates is to use a copula-based regression model. This is done by constructing two Generalized Linear Models (GLM), one for claim frequency and another one for average claim severity. Then the copula-based regression model plays a role in connecting the two GLMs of claim frequency and average claim severity. This research introduces an alternative approach by using a continuous random variable, waiting time between claims, as a representation of claim frequency. This approach considers not only the number of claims but also the time when these claims occur. The copula used is a Gaussian copula and the dependen parameter is estimated using the Inference Functions for Margin (IFM) method. Based on the implementation of dependency modeling between claim frequency and average claim severity based on waiting time between claims on ausprivauto0405 data, it is obtained that there is a positive dependency between claim frequency and average claim severity. The implemented model also reveals that the total expected loss calculated based on the assumption of dependence between claim frequency and average claim severity is higher than the total expected loss under the independence assumption."