Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK

Peramalan tingkat mortalitas sangat dibutuhkan oleh perusahaan asuransi pada perencanaan kebijakan dalam penentuan premi untuk mengurangi risiko kerugian di masa mendatang. Dalam tesis ini, model Cairns-Blake-Dowd (CBD) digunakan untuk meramalkan tingkat mortalitas di Indonesia. Model CBD memuat dua parameter runtun waktu. Parameter-parameter dari model CBD diestimasi dengan menggunakan metode Least Square. Kemudian, peramalan parameter model CBD untuk beberapa periode ke depan dilakukan dengan menggunakan metode Bivariate Random Walk with Drift. Hasil dari peramalan parameter ini disubstitusi ke model CBD untuk mendapatkan tingkat mortalitas di Indonesia dalam beberapa periode ke depan. Keakuratan dari hasil estimasi dan peramalan diukur dengan menggunakan Mean Squared Error (MSE).

---

ABSTRACT

---

Forecasting mortality rates is needed by insurance companies in policy planning to determine premiums to reduce the risk of losses in the future. In this thesis, the Cairns-Blake-Dowd (CBD) model is used to forecast Indonesian mortality rates.  The CBD model contains two-time series parameters. The CBD model`s parameters are estimated by using the Least Square method. Then, parameters prediction for the next few periods used the Bivariate Random Walk with Drift method. The results of parameters prediction will be substituted to the CBD model to obtain Indonesian mortality rates for the next few periods. The accuracy of the estimation and forecasting results are measured by using Mean Squared Error (MSE).

Abstrak :
Tingkat mortalitas merupakan salah satu faktor yang mempengaruhi perhitungan premi asuransi jiwa. Pada tesis ini, model Cox Proportional Hazard digunakan untuk menaksir  tingkat mortalitas berdasarkan faktor-faktor risiko yang dapat diamati seperti jenis kelamin dan status merokok. Parameter-parameter pada model Cox Proportional Hazard ditaksir dengan menggunakan metode Maximum Partial Likelihood Estimation dan metode Newton Raphson, sedangkan penaksiran tingkat mortalitas dilakukan setelah fungsi kumulatif baseline hazard pada model Cox Proportional Hazard ditaksir dengan menggunakan Breslow Estimator. Hasil penaksiran tingkat mortalitas digunakan untuk menentukan besar premi asuransi jiwa. 

---

The mortality rate is one of the factors that effect the calculation of life insurance premium. In this thesis, Cox Proportional Hazard model is used to estimate mortality rates based on observable risk factors such as gender and smoking status. The parameters in the Cox Proportional Hazard model are estimated using the Maximum Partial Likelihood Estimation method and the Newton Raphson method, while assessment of mortality rates is carried out after the cumulative baseline hazard function in the Cox Proportional Hazard model is estimated using Breslow Estimator. The results of estimating mortality rates are used to determine the life insurance premium.

Abstrak :
Setiap individu memiliki risiko kematian yang berbeda. Risiko Kematian untuk setiap individu dipengaruhi oleh beberapa faktor. Faktor risiko yang dapat diamati adalah faktor underwriting. Perbedaan tingkat kematian untuk setiap individu akan memengaruhi premi asuransi jiwa. Untuk membebankan premi secara adil bagi setiap pemegang polis, perusahaan asuransi memerlukan model yang dapat mengukur mortalitas dari faktor underwriting. Dalam penelitian ini, tingkat mortalitas yang dipengaruhi oleh faktor underwriting, dimodelkan dengan menggunakan Generalized Linear Model (GLM) dan menaksir probabilitas kematian. Probabilitas kematian yang didapatkan, digunakan untuk menghitung premi asuransi jiwa. Pemegang polis asuransi jiwa berjangka satu tahun dengan gender yang sama mempunyai premi asuransi yang sama besar. Sedangkan untuk pemegang polis asuransi jiwa dwiguna satu tahun dengan gender yang berbeda mempunyai premi asuransi yang sama besar. ...... Each individual has a different risk of death. The risk of death for each individual is influenced by several factors. The risk factors that can be observed are underwriting factors. The difference in mortality rates for each individual will affect life insurance premiums. To charge premiums fairly for each policyholder, insurance companies need a model that can measure mortality from underwriting factors. In this study, the mortality rate influenced by underwriting factors was modeled using the Generalized Linear Model (GLM) and estimated the probability of death. The probability of death obtained is used to calculate life insurance premiums. One-year life insurance policyholders with the same gender have the same insurance premium. Whereas for one-year dual-purpose life insurance policyholders with different genders have the same insurance premium.

Abstrak :
ABSTRAK

Tingkat mortalitas digunakan dalam menghitung besar premi, anuitas pensiun, cadangan asuransi hidup, dan berbagai produk asuransi jiwa lainnya. Untuk itu perlu dilakukan peramalan tingkat mortalitas untuk masa yang akan datang. Kenaikan tingkat mortalitas dipandang sebagai akibat dari proses penuaan manusia yang didasarkan pada suatu indeks kesehatan, yaitu usia fisiologis. Rantai Markov Waktu Kontinu dengan satu absorbing state digunakan untuk memodelkan proses penuaan. Waktu yang dihabiskan sebelum masuk ke dalam absorbing state didefinisikan sebagai waktu bertahan hidup hingga terjadi kematian dan mengikuti Coxian phase type distribution. Fungsi survival dari distribusi yang digunakan dalam peramalan tingkat mortalitas dapat ditentukan. Penaksiran parameter model diperoleh dengan meminimumkan jumlah kuadrat errors dari fungsi survival. Kemudian dilakukan fitting model untuk melihat hasil peramalan tingkat mortalitas untuk data laki-laki dan perempuan. Hasil simulasi menyatakan bahwa model menunjukkan fit yang memuaskan dan dapat digunakan dalam meramalkan tingkat mortalitas usia tua pada data laki-laki dan semua usia pada data perempuan.

---

ABSTRACT

---

Mortality rates are used in calculating premiums, pension annuities, life insurance reserves, and other life insurance products. Therefore, it is necessary to forecast the mortality rate for the future time. Increasing in mortality rates are seen as a result of the aging process based on a health index called physiological age. Continuous Time Markov Chain with one absorbing state is used to model the aging process. The time spent before entering the absorbing state is defined as the survival time until death occurs and under the Coxian phase type distribution. The survival function can be determined from this distribution and used in forecasting mortality rates. The parameters estimation is obtained by minimizing sum squares of errors from the survival function. Then model fitting are performed to see the result of forecasting mortality rates for man and woman data. Simulation results indicate that the model show satisfactory fit and can be used in forecasting old age mortality for man and all age for woman.

Abstrak :
Model Kumaraswamy Autoregressive Moving Average (KARMA) merupakan suatu model runtun waktu yang digunakan untuk data runtun waktu yang terbatas pada interval tertentu (a,b) dan diasumsikan mengikuti distribusi Kumaraswamy. Distribusi Kumaraswamy adalah distribusi yang memiliki dua shape parameter, yaitu dan yang menyebabkan distribusi ini memiliki keanekaragaman bentuk grafik fungsi densitas probabilitas seperti unimodal, fungsi naik, fungsi turun, dan fungsi konstan. Pada praktiknya, distribusi ini sering diaplikasikan pada berbagai bidang seperti bidang hidrologi, kesehatan, ekonomi, dan lain-lain. Model KARMA dibentuk dari regresi Kumaraswamy dengan asumsi error model mengikuti proses ARMA. Pada model KARMA, median variabel respon dihubungkan dengan variabel-variabel prediktor (regresor) menggunakan sebuah fungsi penghubung yang monoton, kontinu, dan dapat diturunkan. Metode estimasi parameter model KARMA adalah Conditional Maximum Likelihood Estimation (CMLE) karena dalam proses estimasi diperlukan distribusi bersyarat dari periode sebelumnya. Model KARMA selanjutnya diaplikasikan pada data tingkat mortalitas bulanan akibat kecelakaan kerja di Rio Grande do Sul, Brazil dari Januari 2000 hingga Desember 2017 karena data tingkat mortalitas merupakan data yang terbatas pada interval (0,1). Model KARMA terbaik untuk data dipilih berdasarkan nilai Akaike’s Information Criterion (AIC) terkecil kemudian dilakukan peramalan untuk enam periode selanjutnya. Pada data tingkat mortalitas bulanan akibat kecelakaan kerja di Rio Grande do Sul, digunakan model terbaik KARMA(3,3) dengan nilai MAPE sebesar 19.0988%. ......The Kumaraswamy Autoregressive Moving Average (KARMA) model is a time-series model used for time-series data that is limited to a certain interval (a,b) and is assumed to follow the Kumaraswamy distribution. The Kumaraswamy distribution is a distribution that has two shape parameters, namely and which causes this distribution to have a diverse of graphic forms of probability density functions such as unimodal, increasing functions, decreasing functions, and constant functions. In practice, this distribution is often applied to various fields such as hydrology, health, economics, and other fields. The KARMA model is formed from Kumaraswamy regression assuming the error model follows the ARMA process. In the KARMA model, the median of response variable is linked to the predictor variables (regressor) using a monotonous, continuous, and derivable connecting function. The method used for parameter estimation in KARMA model is Conditional Maximum Likelihood Estimation (CMLE) because a conditional distribution of previous periods is required in the estimation process. The KARMA model will then be applied to monthly mortality rates due to occupational accidents in Rio Grande do Sul, Brazil from January 2000 to December 2017 data because mortality rate data is bounded to the interval (0.1). The best KARMA model for the data was selected based on Akaike's smallest Information Criterion (AIC) values and then forecasted for the next six periods. In the data on the monthly mortality rate due to work accidents in Rio Grande do Sul, a MAPE value of 19.0988% was obtained.