Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penentuan tarif premi adalah hal yang krusial bagi perusahaan asuransi agar perusahaan tidak mengalami kerugian dan pemegang polis mendapatkan tarif premi yang sesuai dengan profil risikonya. Salah satu indikator penting dalam penentuan tarif premi adalah frekuensi klaim. Frekuensi klaim pada asuransi kendaraan bermotor sangat penting karena dapat menjadi indikator risiko yang berpengaruh pada seberapa tinggi tarif premi yang harus dibayarkan oleh pemegang polis. Salah satu metode perhitungan tarif premi adalah experience ratemaking, yang terdiri dari dua tahapan perhitungan premi, yaitu a-priori dan a-posteriori. Tahapan a-priori menggunakan skema klasifikasi risiko berdasarkan karakteristik atau faktor risiko dari masing-masing pemegang polis yang diketahui dan terukur hanya di satu waktu tertentu saja. Namun, seiring berjalannya waktu, perusahaan asuransi memperoleh informasi frekuensi klaim, faktor risiko, dan faktor heterogenitas (random effect) dari pemegang polis dari waktu ke waktu sebagai data longitudinal yang digunakan dalam tahapan perhitungan tarif premi a-posteriori. Untuk mengetahui hubungan antara karakteristik risiko dengan banyaknya klaim, dikembangkan beberapa model statistika untuk perhitungan tarif premi a-priori, salah satunya adalah Generalized Linear Model (GLM). Namun, GLM tidak dapat mengakomodasi faktor heterogenitas pada data longitudinal sehingga diperlukan model statistika berikutnya, yaitu Hierarchical Generalized Linear Model (HGLM). Dalam penelitian ini, frekuensi klaim berdistribusi Poisson dan random effect berdistribusi Gamma sehingga model HGLM yang digunakan adalah HGLM Poisson-Gamma. Untuk mengestimasi parameter HGLM Poisson-Gamma, digunakan metode maximum likelihood. Sebagai implementasi HGLM Poisson-Gamma, digunakan pada dua data frekuensi klaim asuransi kendaraan bermotor yang bersifat longitudinal, yaitu data Claimslong dan data Automobile Common Statistics. Berdasarkan data claimslong dengan kovariat usia pengemudi, diperoleh tarif premi tahunan a posteriori untuk setiap kelompok usia. Sedangkan, untuk data Automobile Common Statistics tanpa kovariat, diperoleh tarif premi tahunan a posteriori yang meningkat seiring dengan bertambahnya frekuensi klaim di tahun sebelumnya.......Premium ratemaking is a critical aspect of insurance company operations, ensuring financial stability and equitable pricing for policyholders. Claim frequency serves as a pivotal risk indicator, influencing premium rates assigned to individual policyholders. Experience ratemaking, a prevalent premium calculation method, comprises two stages: a priori and a posteriori. The a priori stage employs a risk classification scheme based on static characteristics or risk factors associated with each policyholder. These factors are known and quantifiable only at a specific point in time. The Generalized Linear Model (GLM) exemplifies a common statistical technique employed for a priori premium rate calculation. However, insurance companies accumulate longitudinal data over time, encompassing information on claim frequency, risk factors, and individual-level random effects (heterogeneity). This necessitates a posteriori premium rate determination that can effectively exploit such longitudinal data. Traditional approaches struggle to account for heterogeneity, necessitating the implementation of statistical models capable of accommodating this complexity. Hierarchical Generalized Linear Models (HGLMs) offer a robust solution for this purpose. This study focuses on the Poisson-Gamma HGLM, where claim frequencies are assumed to follow a Poisson distribution and random effects follow a Gamma distribution. The maximum likelihood method is employed to estimate the model's parameters. The effectiveness of the Poisson-Gamma HGLM is assessed through its application to two longitudinal motor vehicle insurance claim frequency datasets: Claimslong and Automobile Common Statistics. The Claimslong dataset incorporates driver age as a covariate, enabling the estimation of a posteriori annual premium rates for distinct age groups. Conversely, the analysis of the Automobile Common Statistics dataset, absent any covariates, reveals an increase in a posteriori annual premium rates along with the increase of claim frequency from the preceding year."

"Asuransi kendaraan bermotor diperlukan untuk mengantisipasi berbagai risiko kerugian yang mungkin timbul dari kepemilikan dan/ atau penggunaan kendaraan. Umumnya dalam perhitungan premi asuransi kendaraan, digunakan faktor – faktor yang teramati dari tertanggung, contohnya domisili, jenis kelamin, dan usia tertanggung. Akan tetapi, faktor – faktor tidak teramati, seperti kemampuan dan perilaku berkendara dari tertanggung berpengaruh penting dalam frekuensi klaim yang dihasilkan. Sehingga, digunakan riwayat klaim tertanggung yang diekspektasikan menampung pengaruh dari faktor tidak teramati. Sistem penentuan besar premi yang turut melibatkan faktor tertanggung yang tidak teramati disebut sebagai sistem Bonus Malus. Bonus merupakan penurunan premi apabila seorang tertanggung tidak mengajukan klaim sama sekali dalam satu periode dan Malus merupakan kenaikan premi apabila seorang tertanggung mengajukan satu atau lebih klaim. Pada tugas akhir ini, dilakukan perhitungan relativitas optimal atau koefisien penyesuaian premi pada sistem Bonus Malus -1/Top Scale dan -1/+2. Sistem -1/Top Scale memberlakukan penurunan sebanyak satu level jika tidak ada klaim yang dilaporkan dan perpindahan tertanggung ke level tertinggi jika ada klaim, sedangkan sistem -1/+2 menerapkan perpindahan sebanyak dua level ke atas jika terdapat klaim dan penurunan satu level ke bawah jika tidak ada klaim yang dilaporkan. Simulasi perhitungan diterapkan pada sebuah portofolio data asuransi kendaraan negara Perancis yang melibatkan 328760 polis. Diperoleh bahwa selisih relativitas optimal atau koefisien penyesuaian premi untuk setiap level pada sistem -1/+2 tidak sebesar sistem -1/+Top Scale. ......Automobile insurance is required to protect policyholders from financial loss caused by car damage, accidents, or theft. In general, observable characteristics such as residence, gender, and the insured's age are considered in the process of determining motor insurance premiums. However, several unobservable characteristics, like as driver competence and behavior, have a significant impact on claim frequency. As a result, the insured's claim history is used and expected to account for the impact of unobservable circumstances. The Bonus Malus methodology is a method of assessing the amount of the premium that also includes the insured factors that are not able to be observed. Bonus is a decrease in premium if the insured generates no claims in a particular period of time, whereas a Malus is an increase in premium if the insured has one or more claims. The final project focuses on the determination of appropriate relativity or premium adjustment coefficients for the Bonus Malus -1/Top Scale dan -1/+2 systems. -1/Top Scale system applies a one-level drop if no claims are reported and a switch to the highest level if there is one or more claims reported, while the -1/+2 system applies a two-levels increase if there is a claim and a decrease a one-level decrease if no claims are reported. The simulation is applied to a French national auto insurance data portfolio involving 328760 policies. It is discovered that the difference in the optimal relativity or premium adjustment coefficient for each level in the -1/+2 system is not as large as the -1/Top Scale system."

"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."