Hasil Pencarian  ::  Simpan CSV :: Kembali

"Klaim agregat merupakan variabel acak yang berperan penting dalam penentuan premi murni yang ditetapkan oleh perusahaan asuransi. Oleh karena itu, perlu diperhatikan model apa yang akurat untuk memodelkan distribusi probabilitas klaim agregat. Terdapat dua ketidakpastian yang berperan penting pada pemodelan klaim agregat yaitu besar klaim dan banyak klaim. Untuk besar klaim umumnya dapat dimodelkan dengan distribusi kontinu tak negatif. Dalam memodelkan besar klaim adakalanya dibutuhkan informasi mengenai terjadinya besar klaim bernilai tertentu. Oleh karena itu, salah satu cara untuk mendapatkan informasi tersebut adalah mendiskritkan distribusi besar klaim yang dikenal sebagai metode Diskritisasi. Metode Diskritisasi adalah metode yang mentransformasikan variabel acak kontinu menjadi variabel acak diskrit. Metode ini membagi ruang nilai variabel acak kontinu (interval) menjadi interval-interval dengan panjang yang sama. Pada skripsi ini, dilakukan pemodelan distribusi klaim agregat di bawah asumsi model risiko individu dan model risiko kolektif dimana variabel acak besar klaimnya ditransformasi menjadi variabel acak diskrit dengan metode Diskritisasi fuzzy dimana support distribusinya dibangun berdasarkan metode Lower, Upper, dan Rounding. Metode ini mentransformasi variabel acak kontinu besar klaim menjadi variabel acak fuzzy segitiga sedemikian sehingga diperoleh variabel acak klaim agregat berbentuk variabel acak fuzzy segitiga. Selain itu, juga dilakukan simulasi numerik untuk mengilustrasikan penerapan metode Diskritisasi fuzzy yang dilakukan dengan asumsi besar klaim mengikuti distribusi Lognormal, Gamma, dan Eksponensial, serta banyak klaim mengikuti distribusi Poisson, Binomial dan Binomial Negatif.

---

Aggregate claim is a random variable that plays an important role in determining the pure premium charged by the insurance company. Therefore, it is necessary to consider which model is accurate for modeling the probability distribution of aggregate claims. There are two uncertainties that play major role in modeling aggregate claims, namely the size of the claim (severity) and the number of claims (frequency). Severity generally can be modeled by a non-negative continuous distribution. In practice, the occurrence of claims of a certain value is sometimes needed. The common approach to obtain this information is to discretize the continous distribution of claim severity, known as the Discretization method. Discretization method is a method that transforms continuous random variables into discrete random variables. This method divides the state space (support) of a continuous random variable (interval for instance) into intervals of the same length. In this thesis, aggregate claim distribution modeling is carried out under the assumption of an individual risk model and a collective risk model where the claim size random variable is transformed into a discrete random variable using the fuzzy discretization method where the support of the given distribution is according to the Lower, Upper and Rounding method. This method transforms a continuous random variable of claim size into a triangular fuzzy random variable and eventually aggregate claim random variable is in the form of a triangular fuzzy random variable. In the end, the numerical simulations are given to illustrate the application of the fuzzy discretization method under the assumption that the claim size follow the Lognormal, Gamma and Exponential distributions wheras the number of claims followed the Poisson, Binomial and Negative Binomial distributions."

"ABSTRACTMemberikan proteksi terhadap kemungkinan terjadinya kerugian merupakan hal yang sangat penting dalam setiap perusahaan asuransi. Perusahaan asuransi dapat mengestimasi semua risiko yang mungkin dihadapi dengan alat ukur risiko. Value-at-Risk merupakan salah satu alat ukur risiko dalam industri asuransi, yang didefinisikan sebagai kuantil dari distribusi total kerugian. Sebagai kuantil, dapat menjadi kurang representatif apabila terdapat banyak nilai kerugian yang melebihi dikarenakan informasi kerugian pada ekor kanan distribusi tidak tergambarkan dengan baik. Untuk itu, diperkenalkan Tail Value-at-Risk yang merata-ratakan besarnya kerugian yang lebih besar daripada. Penggunaan membantu perusahaan untuk memperoleh gambaran mengenai modal yang harus disiapkan untuk mengatasi risiko yang dapat terjadi. Estimasi risiko yang lebih baik juga dapat dilakukan dengan memanfaatkan teori kredibilitas, yang mengombinasikan risiko individu dan risiko kelompok pemegang polis dengan bobot tertentu. Bobot yang tepat diperoleh melalui peminimuman antara parameter yang memprediksi kerugian di masa depan dan penaksirnya. Secara umum, penelitian ini membahas mengenai model berdasarkan teori kredibilitas Bühlmann beserta penaksir dari parameter-parameter model tersebut. Risiko individu direpresentasikan dengan individu, sementara risiko kelompok direpresentasikan dengan rata-rata individu dalam suatu kelompok. Penerapan model ini dilakukan dengan menggunakan data klaim dari salah satu perusahaan asuransi di Indonesia.

---

ABSTRACTProviding protection against losses is important issue in every insurance company. Insurance company could estimate all risks which must be faced by risk measures. Value-at-Risk as one of risk measures that is used in insurance industry, is defined as quantile of aggregate losses distribution. As a quantile, could be less representative if there are losses which far exceed because losses in the right tail distribution cannot be well-explained. For this reason, which averages losses that are greater than was introduced. Using, insurance company could obtain approximation of capital needed due to certain losses which possibly happen. Better risk estimation could also be obtained by credibility theory, which combines both individual and group risk information with certain weights. The proper weights are obtained by minimizing the expected squared error between parameter used to predict future losses and its estimator. In general, Credible model based on credibility theory and the parameters estimator will be derived in this research. Individual risk is represented by certain policyholders meanwhile, group risk is represented by average of every policyholders. Numerical simulation based on one of the insurance companys claim data in Indonesia will also be demonstrated."

"ABSTRACTPerhitungan nilai premi oleh perusahaan asuransi dilakukan dengan memanfaatkan alat ukur risiko. Prinsip Premi Multivariat Berbobot (PPMB) digunakan sebagai alat ukur risiko untuk menghitung nilai premi pada asuransi pertanian. PPMB dapat mengintegrasikan faktor risiko eksternal sebagai informasi tambahan ke dalam perhitungan premi. Faktor risiko eksternal merupakan faktor risiko lain selain faktor risiko internal (faktor risiko yang telah ditentukan oleh perusahaan asuransi sebagai prasyarat pengajuan klaim oleh petani). Karena terdapat faktor eksternal dalam perhitungan premi, dimanfaatkan distribusi multivariat untuk menggambarkan penyebaran nilai peluang dari variabel keru-gian dan faktor eksternal. Dalam PPMB, faktor risiko eksternal digunakan untuk memberi ulang bobot pada data kerugian pertanian historis. Pembobotan tersebut bertujuan untuk melengkapi ketidaklengkapan data kerugian yang ada agar bisa mendapatkan perhitungan premi yang lebih akurat. Memanfaatkan faktor risiko eksternal dalam perhitungan premi dapat mengakibatkan bertambahnya nilai premi. Tambahan nilai pada premi dise- but dengan risk loading. Dengan pemilihan faktor risiko eksternal yang tepat, prinsip premi multivariat berbobot memiliki risk loading yang meningkat.

---

ABSTRACTInsurance pricing is set using the risk measurement tool. Multivariate weighted premium principle (MWPP) is used as the risk measurement tool in crop pricing. MWPP integrate external factors as additional information in pricing. External factors are the different risks from internal factors (risks factors set by insurer as the precondition for farmers to submit claims). Because there are external factors to consider in pricing, multivariate distribution is used to find the pricing formula. In MWPP external factors are used to reweight the historical loss data. The purpose of reweighting is to fill the incompleteness of historical loss data and improve the accuracy of pricing. Utilizing risk external factors can add more values to the pricing. Those additional values are called risk loading. Choosing the right and suitable external factors can make pricing with MWPP have increasing relative risk loading."

"ABSTRAKPartisipasi perempuan bekerja merupakan keputusan perempuan usia kerja untuk terlibat aktif secara ekonomi, baik sudah bekerja, menganggur, maupun sedang mencari pekerjaan. Persentase jumlah angkatan kerja perempuan meningkat sebesar 48 persen dalam kurun waktu 10 tahun, yaitu pada tahun 2006-2016. Keterlibatan perempuan di pasar kerja memberikan dampak positif untuk kesejahteraan ekonomi keluarga dan secara tidak langsung berdampak bagi perbaikan perekonomian negara. Penelitian ini bertujuan untuk menganalisis variabel-variabel yang memengaruhi partisipasi perempuan bekerja menggunakan metode Chi-Square Automatic Interaction Detection (CHAID) dan mengetahui risiko partisipasi perempuan bekerja berdasarkan variabel-variabel yang berpengaruh menggunakan metode Regresi Logistik. Variabel dependen pada penelitian ini adalah partisipasi perempuan bekerja, sedangkan variabel independen pada penelitian ini terdiri dari variabel tingkat pendidikan, usia, status perkawinan, pelatihan kerja, tanggungan, dukungan keluarga, hutang, dan kesehatan. Penelitian ini menggunakan data primer berjumlah 211 responden dengan lokasi penelitian di Kelurahan Pondok Cina yang terdiri dari 99 responden bekerja dan 112 responden yang tidak bekerja. Hasil analisis menggunakanmetode CHAID diperoleh variabel dukungan keluarga paling berpengaruh terhadap partisipasi perempuan bekerja. Kemudian terdapat variabel tanggungan dan tingkat pendidikan yang juga berpengaruh. Tingkat keakuratan hasil klasifikasi secara keseluruhan sebesar 73% menggunakan metode CHAID. Hasil analisis menggunakan metode Regresi Logistik diperoleh bahwa risiko partisipasi perempuan bekerja dengan mendapatdukungan keluarga 12,64 kali lipat dari perempuan yang tidak mendapat dukungan keluarga. Perempuan yang tidak memiliki tanggungan memiliki risiko partisipasi kerja sebesar 4,25 kali lipat dari perempuan yang memiliki tanggungan, sedangkan perempuan dengan tingkat pendidikan dasar memiliki risiko partisipasi kerja sebesar 1,04 kali lipat dari perempuan dengan tingkat pendidikan tinggi.

---

ABSTRACTWomens work participation is a decision of working-age women to be actively involved economically, as already working, unemployed, and those who still looking for work. Percentage of womens workforce increased up to 48 percent in a decade which is from 2006-2016. The involvement of women in the labor market gives positive impact on families economy wealthy and indirectly has an effect on improving the countrys economy. This study has a purpose to analyze variables that affect the participationof womens work which uses Chi-Square Automatic Interaction Detection (CHAID) method. Also this study is conducted to know the risks in womens work participation based on the variables that are affected through the use of Logistic Regression method. Dependent variable in this study is womens work participation while independent variables of this study consists of level of education, age, marriage status, work training, dependent, familys support, debt, and health. This study uses primary data with total 211 respondents that consist of 99 respondents who work, and 112 respondents are unemployed. The research site is in Kelurahan Pondok Cina. The result of the analysis using CHAID method obtained variable of family`s support as the most influential variable towards womens work participation. Then dependent variable and level of education variable also affected. The overall accuracy of classification result is 73% using the CHAID method. The analysis result using Logistic Regression method found that the risk of participation of women working with family support was 12.64 times that of the women who did not receive family support. Working-women who have no dependents have a risk of work participation of 4.25 times that of women who have dependent meanwhile women with a basic level of education have a risk of participation of 1.04 times that of women with higher education."

"

Penelitian ini membahas konstruksi distribusi Marshall-Olkin-Kumaraswamy-Eksponensial (MOKw-E), yang merupakan kombinasi distribusi Marshall-Olkin (MO) dan Kumarawasmy-Eksponensial (Kw-E). Distribusi ini dikenal sebagai model fleksibel yang dapat diaplikasikan untuk data dengan berbagai bentuk distribusi. Estimasi parameter dilakukan menggunakan Maximum Likelihood Estimation (MLE) dengan bantuan dua metode numerik, yaitu metode Nelder-Mead dan metode Gradien Konjugat Fletcher Reeves. Kedua metode ini banyak digunakan dalam penyelesaian permasalahan optimasi karena memiliki tingkat efisiensi yang tinggi dengan komputasi yang sederhana tetapi memberikan hasil yang akurat. Kedua metode ini akan dibandingkan dengan melihat nilai Mean Squared Error (MSE) yang merupakan suatu metrik untuk melihat seberapa cocok model dengan data yang digunakan. Terakhir, model yang dikembangkan diaplikasikan pada data severitas klaim asuransi pengangguran untuk menunjukkan kemampuan model dalam memodelkan data severitas klaim. Model tersebut akan dibandingkan dengan model yang dibangun dari distribusi Kw-E dengan melihat nilai Akaike Information Criteria (AIC) dan Bayessian information criteria (BIC) untuk menunjukan bahwa model yang dikembangkan lebih baik dibandingkan model asalnya.

---

This research discusses the construction of the Marshall-Olkin-Kumaraswamy-Exponential (MOKw-E) distribution, which is a combination of the Marshall-Olkin (MO) and Kumaraswamy-Exponential (Kw-E) distributions. This distribution is known as a flexible model applicable to data with various distribution shapes. Parameter estimation is performed using Maximum Likelihood Estimation (MLE) with the assistance of two numerical methods the Nelder-Mead method and the Conjugate Gradient Fletcher Reeves method. Both methods are widely used in solving optimization problems due to their high efficiency with simple computations yet accurate results. These methods will be compared by examining the Mean Squared Error (MSE) values, which is a metric to assess how well the model fits the data. Finally, the developed model is applied to unemployment insurance claim severity data to demonstrate the model's capability in representing severity claim data. The model will be compared with a model built from the Kw-E distribution by evaluating the Akaike Information Criteria (AIC) and Bayesian Information Criteria (BIC) values to show that the developed model is superior to the original model.

"