📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 14 dokumenPEMODELAN CADANGAN ASURANSI MENGGUNAKAN MODEL LINEAR TERAMPAT YANG MEMPERTIMBANGKAN FAKTOR MAKROEKONOMI
Penentuan cadangan asuransi yang akurat merupakan aspek penting dalam menjaga kemampuan perusahaan asuransi dalam memenuhi kewajiban klaim. Data klaim asuransi umumnya memiliki karakteristik bernilai positif, menceng ke kanan, dan tidak memenuhi asumsi normalitas, sehingga diperlukan metode pemodelan yang fleksibel. Penelitian ini bertujuan untuk menerapkan Model Linear Terampat (MLT) dalam memodelkan cadangan per klaim, mengidentifikasi faktor-faktor yang berpengaruh signifikan terhadap cadangan, serta mengevaluasi akurasi model terhadap data aktual. Data yang digunakan merupakan data historis klaim asuransi jiwa tahun 2019–2023 yang dipadukan dengan variabel makroekonomi berupa inflasi, BI Rate, dan nilai tukar USD/IDR. Tahapan penelitian meliputi prapemrosesan data, deteksi pencilan, analisis korelasi, uji normalitas, fitting distribusi, pembagian data menggunakan time-based split, serta pemodelan menggunakan MLT dengan distribusi Gamma dan fungsi link logaritmik. Hasil penelitian menunjukkan bahwa model terbaik adalah Stepwise MLT Gamma-log pada data tanpa pencilan. Variabel yang berpengaruh signifikan terhadap cadangan per klaim adalah Total_Tagihan, Limit_Klaim, Deductible, Lama_Dirawat, Status_Klaim, Smoker, dan BMI, sedangkan inflasi, BI Rate, dan USD_IDR tidak signifikan secara statistik. Model terbaik menghasilkan MAE sebesar Rp392,215.02, MSE sebesar 4.08E+11, MAPE sebesar 10.57%, dan MSPE sebesar 1.94%. Dengan demikian, MLT Gamma-log mampu memodelkan cadangan per klaim dengan cukup baik, terutama setelah pengaruh pencilan dan variabel yang tidak signifikan dihilangkan.
PENENTUAN PREMI ASURANSI KEBAKARAN LAHAN GAMBUT DENGAN SKENARIO PERUBAHAN IKLIM DI PROVINSI RIAU
Kebakaran lahan gambut di Provinsi Riau merupakan bencana tahunan yang menimbulkan dampak ekologis dan ekonomi yang signifikan. Penelitian ini bertujuan untuk memprediksi probabilitas terjadinya kebakaran lahan gambut secara spasio-temporal serta mengkuantifikasi risiko kerugian ekonomi yang ditimbulkannya. Prediksi peluang kebakaran dilakukan berdasarkan variabel iklim menggunakan pendekatan Machine Learning berbasis Convolutional Long Short Term Memory (ConvLSTM) untuk memodelkan parameter iklim (temperatur, curah hujan, dan kelembapan tanah) di wilayah Riau. Estimasi tingkat kerugian ekonomi dilakukan menggunakan pendekatan Simulasi Monte Carlo. Hasil simulasi digunakan untuk menghitung total kerugian agregat untuk setiap iterasi. Barisan data kerugian agregat kemudian berguna untuk mengestimasi harga premi murni asuransi kebakaran lahan gambut dengan periode bulanan dan tahunan. Pengukuran risiko dari kerugian agregat dilakukan menggunakan metrik Value at Risk (VaR), Tail Value at Risk (TVaR), dan Tail Variance (TV) pada tingkat kepercayaan 75%, 85%, dan 95%. Dipertimbangkan juga perhitungan premi dengan berbagai jenis modifikasi asuransi (deductible, policy limit, coinsurance, dan gabungan). Untuk mengatasi dinamisnya perubahan iklim, dilakukan analisis sensitivitas perubahan iklim terhadap premi asuransi. Perhitungan premi murni beserta modifikasinya dilakukan kembali dalam kondisi perubahan iklim. Perubahan iklim dibagi menjadi 2, yaitu pemanasan dan pengeringan serta pendinginan dan pembasahan. Hasil estimasi premi menunjukkan bahwa perubahan iklim mengakibatkan adanya perubahan peluang kebakaran yang menyebabkan peningkatan dan penurunan harga premi.
RETRIEVAL-AUGMENTED GENERATION PADA LARGE LANGUAGE MODEL (RAG-LLM) UNTUK INTERPRETASI HASIL DETEKSI ANOMALI SATU-KELAS TANPA RIWAYAT KEGAGALAN DALAM DIAGNOSIS TURBIN GAS
Turbin gas merupakan aset kritis pada industri migas yang kegagalannya dapat menimbulkan kerugian operasional besar, sementara data riwayat kegagalan umumnya langka karena aset dioperasikan untuk menghindari kerusakan. Di sisi lain, karakteristik dan gejala dari berbagai jenis kegagalan tersebut sebenarnya telah banyak dipetakan dalam basis pengetahuan teknik yang mapan, sehingga pengetahuan ini dapat dimanfaatkan untuk diagnosis tanpa bergantung pada data kegagalan historis. Penelitian ini mengembangkan kerangka deteksi dan diagnosis kegagalan yang tidak bergantung pada data kegagalan historis, dengan memadukan pendekatan klasifikasi satu kelas (one-class classification) untuk deteksi anomali dan Retrieval-Augmented Generation (RAG) untuk diagnosis. Data yang digunakan berupa rekaman SCADA beresolusi per jam dari turbin gas dua poros Solar Titan 130 di PT Pertamina Hulu Mahakam pada periode 2018–2020, dengan 32 variabel yang terdiri atas 29 variabel terpantau (x) dan 3 variabel kondisi operasi (c). Metodologi penelitian mengikuti kerangka CRISP-DM. Model rekonstruksi Self-Attention Conditional Variational Autoencoder (SA-CVAE) dilatih hanya pada data kondisi sehat untuk mempelajari pola operasi normal, kemudian anomali dideteksi melalui eror rekonstruksi dengan ambang batas berbasis persentil ke-99 dan penghalusan jendela 12 jam. Variabel penyimpangan yang teridentifikasi diolah menjadi profil anomali, lalu dicocokkan dengan basis pengetahuan kegagalan yang disusun dari 19 entri karakteristik kegagalan melalui basis data vektor dan pemodelan embedding untuk menghasilkan diagnosis berbasis RAG. Hasil pengujian menunjukkan SA-CVAE memberikan kinerja rekonstruksi terbaik dibanding AE, VAE, dan CVAE, serta mampu mendeteksi perubahan karakteristik sinyal yang mengindikasikan blade fault. Deteksi dini ini memungkinkan tindakan pemeliharaan dilakukan jauh lebih awal daripada jadwal inspeksi semula. Penelitian ini menyimpulkan bahwa kombinasi klasifikasi satu kelas dan RAG efektif untuk deteksi sekaligus diagnosis kegagalan turbin gas tanpa memerlukan data kegagalan historis.
ANALISIS PERBANDINGAN PERFORMA FEDERATED LEARNING DENGAN CENTRALIZED LEARNING PADA MODEL MULTI-LAYER PERCEPTRON UNTUK PREDIKSI BIAYA MEDIS
Federated Learning adalah bentuk pembelajaran mesin terdesentralisasi yang merupakan alternatif yang lebih baik secara privasi karena sifat pembelajaran mesin yang melatih model secara lokal tanpa perlu ada perpindahan data ke server pusat. Pembaruan model kemudian dikirim ke server, sehingga proses pembelajaran tidak terpusat di satu titik saja. Multi Layer Perceptron (MLP) merupakan salah satu model kompleks yang fleksibel dan dapat digunakan dalam pembelajaran mesin untuk prediksi data bertipe regresi. Buku ini akan membahas perbandingan pelatihan model prediksi MLP dengan pendekatan Centralized Learning dan Federated Learning berdasarkan metrik performa seperti R 2 , MAE, MSE, RMSE dan kemampuannya dalam memprediksi biaya medis. Hal ini bertujuan untuk mengetahui apakah Federated Learning, dengan segala kelebihannya seperti tidak perlu adanya perpindahan data untuk pembelajaran yang terpusat, dapat menggantikan Centralized Learning dalam segi performa untuk kepentingan bisnis. Hasil dari percobaan yang dibuat adalah, Federated Learning masih belum dapat menggantikan Centralized Learning dalam sisi performa. Hal ini tentunya kurang baik diimplementasikan dalam ranah bisnis seperti bisnis asuransi, karena estimasi biaya yang tidak akurat akan sangat memengaruhi biaya premi yang ditetapkan kepada calon pelanggan. Penulis berkesimpulan bahwa model yang dilatih dengan Federated Learning belum mampu menjadi alternatif bagi Model yang dilatih dengan Centralized Learning, dan perlu adanya optimisasi lebih lanjut atau eksplorasi dengan model lain yang lebih kuat dan kompleks. Penulis juga menyarankan agar calon peneliti hendaknya memiliki pengetahuan yang tinggi mengenai pembelajaran mesin, agar dapat membuat desain model yang lebih baik dan mendapatkan hasil yang lebih valid dari penulis.
KONSTRUKSI TABEL MORBIDITAS PENYAKIT KATASTROPIK INSIDENSI DENGAN EKSTRAPOLASI IHME UNTUK PENENTUAN PREMI ASURANSI
Tingkat morbiditas katastropik merupakan peluang seseorang terkena penyakit katastropik. Katastropik terdiri dari delapan jenis penyakit, yaitu jantung, gagal ginjal, hemofilia, thallasemia, leukemia, kanker, sirosis, dan stroke. Tabel morbiditas katastropik dimanfaatkan oleh perusahaan asuransi dalam penentuan premi untuk produk critical illness. Tabel morbiditas katastropik dibangun berdasarkan data BPJS Kesehatan 2018-2021 dengan pengelompokkan usia per lima tahun. Terdapat tiga tahapan dalam pembentukan tabel, yaitu perhitungan tingkat morbiditas empiris, graduasi Kernel Smoothing, dan ekstrapolasi IHME. Graduasi dilakukan untuk menghilangkan noise tingkat morbiditas dari data sampel dengan tetap menggambarkan pola data sesungguhnya, diperoleh bandwidth 4,466836 dengan MSE 2,4091× 10?5 untuk laki-laki dan bandwidth 4,677351 dengan MSE 2,11346× 10?5 untuk perempuan. Ekstrapolasi dilakukan untuk melengkapi data pada usia tua yang kurang lengkap menggunakan data YLDs sehingga diperoleh tingkat morbiditas yang terus meningkat seiring bertambahnya usia. Tingkat morbiditas yang terbentuk digunakan untuk penentuan premi. Premi dihitung melalui nilai expected present value dan annuitas pembayaran nasabah. Secara umum, premi menurun seiring bertambahnya uisia dengan hasil premi perempuan lebih rendah dari laki-laki untuk kelompok usia 10-14 tahun hingga 65-69 tahun, sebaliknya lebih tinggi, dan bernilai sama untuk kelompok usia di atas 90-94 tahun.
PREDIKSI FRAUD KLAIM ASURANSI DENGAN TEKNIK MACHINE LEARNING
Salah satu permasalahan utama dalam industri asuransi adalah kecurangan dalam pengajuan klaim yang menimbulkan kerugian finansial yang besar bagi perusahaan asuransi. Tindakan kecurangan tersebut dapat berupa manipulasi data, pengajuan klaim fiktif, maupun penggelembungan nilai klaim yang valid. Seiring meningkatnya kompleksitas dan volume data, diperlukan sistem pendukung keputusan yang mampu mendeteksi fraud secara efisien. Salah satu pendekatan yang dapat digunakan untuk mengatasi permasalahan ini adalah penerapan metode machine learning. Dengan memanfaatkan machine learning, sistem dapat belajar dari data historis untuk mengenali pola-pola kecurangan secara otomatis tanpa perlu aturan eksplisit dan mampu melakukan klasifikasi data dengan lebih adaptif. Pada penelitian ini, beberapa metode machine learning digunakan untuk membangun model prediksi fraud klaim asuransi, yaitu Random Forest, XGBoost, CatBoost dan Multi-Layer Perceptron (MLP) sebagai algoritma supervised learning, serta Isolation Forest sebagai pendekatan unsupervised learning untuk deteksi anomali. Model dibangun berdasarkan data yang mencerminkan karakteristik polis dan insiden klaim. Sebelum pelatihan model, dilakukan proses eksplorasi data, standarisasi, penyeimbangan data menggunakan SMOTE untuk mengatasi data tidak seimbang, serta pemilihan fitur untuk mengurangi noise dan meningkatkan performa model. Selain itu, dilakukan pula proyeksi data menggunakan PCA guna membantu visualisasi dan validasi hasil model. Evaluasi dilakukan menggunakan metrik confusion matrix, AUC-ROC, dan recall terhadap klaim fraud. Hasil pengujian menunjukkan bahwa model CatBoost memberikan performa terbaik dengan nilai AUC sebesar 0,84 dan recall sebesar 0,84. Model XGBoost dan Random Forest menunjukkan performa yang serupa dengan AUC masing-masing sebesar 0,81 dan 0,82. Model MLP yang semula menunjukkan performa rendah meningkat signifikan setelah dilakukan standarisasi data, dengan AUC sebesar 0,84 dan recall sebesar 0,73. Selain itu, Isolation Forest berhasil mendeteksi sekitar 5% data sebagai anomali yang sebagian besar sesuai dengan label fraud aktual. Analisis fitur menunjukkan bahwa fitur seperti tingkat keparahan insiden, hobi tertanggung, serta rasio antara jumlah klaim dan premi memiliki peran penting dalam mengklasifikasikan klaim sebagai fraud atau non-fraud. Dengan pendekatan model prediksi ini, sistem dapat mengidentifikasi klaim mencurigakan secara lebih efektif dan memberikan kontribusi pada pengembangan sistem pendukung keputusan yang adaptif dan berbasis data.
PENENTUAN ASURANSI KESEHATAN BAGI PEGAWAI SUATU INSTITUSI PENDIDIKAN MENGGUNAKAN METODE ANALYTIC HIERARCHY PROCESS (AHP) DAN COMBINED COMPROMISE SOLUTION (COCOSO)
Penentuan asuransi kesehatan bagi institusi pendidikan merupakan keputusan krusial, mengingat banyaknya jumlah individu yang harus ditanggung. Oleh karena itu, dibutuhkan suatu metode objektif yang mampu mengakomodasi berbagai pendapat dari para pengambil keputusan. Tugas akhir ini mengimplementasikan pendekatan Multi-Criteria Decision Making (MCDM), yaitu Analytic Hierarchy Process (AHP) dan Combined Compromise Solution (CoCoSo). Kriteria-kriteria yang diidentifikasi dari hasil wawancara akan dinilai secara relatif antarkriteria oleh para pengambil keputusan. AHP akan digunakan untuk mengolah penilaian ini dalam rangka menentukan bobot kriteria pemilihan asuransi dengan memerhatikan konsistensinya. Selanjutnya, data penawaran asuransi dan bobot kriteria akan diproses menggunakan CoCoSo untuk mengidentifikasi alternatif asuransi terbaik di antara yang mengajukan penawaran.
UJI KELAYAKAN PENGGUNAAN PENDEKATAN ALOKASI PREMI (PAA) PADA ASURANSI UMUM UNTUK PSAK 117
PSAK 117 yang mulai diberlakukan pada bulan Januari 2025, menyebabkan perusahaan asuransi di Indonesia diharuskan mengubah pendekatan dalam pelaporan kontrak asuransi, termasuk pengukuran liabilitas dan pengakuan pendapatan. PSAK 117 memperkenalkan metode pengukuran Premium Allocation Approach (PAA), yang dirancang untuk kontrak jangka pendek dan General Measurement Model (GMM) untuk kontrak jangka panjang. Dalam kedua pengukuran tersebut diukur dua liabilitas yaitu liabilitas atas sisa masa pertanggungan (LRC) dan liabilitas atas klaim (LIC). Penelitian ini bertujuan untuk mengevaluasi kelayakan penggunaan pendekatan PAA pada asuransi kendaraan bermotor berdasarkan kriteria PSAK 117, serta mengkaji pemodelan arus kas menggunakan metode GMM dan PAA. Dalam metode GMM, estimasi arus kas keluar diprediksi setiap awal tahun periode pertanggungan menggunakan data historis klaim dengan metode Chain-Ladder. Selain itu terdapat perhitungan nilai Risk Adjustment (RA) dengan menggunakan metode Bootstrap Chain-Ladder dan Value-at-Risk. Uji kelayakan PAA menggunakan tiga skenario berbeda dan dua periode untuk menilai penerapan metode PAA untuk kontrak berdurasi lebih dari satu tahun. Hasil penelitian menunjukkan bahwa dalam skenario pertama dan kedua, selisih LRC antara PAA dan GMM tetap berada di bawah batas toleransi 15%, sehingga pendekatan PAA masih dapat digunakan. Namun pada skenario ketiga, perbedaan melebihi 15%, yang menunjukkan bahwa untuk asumsi yang lebih ekstrem, metode GMM lebih disarankan. Pada pemodelan arus kas hasil pengujian dari skenario normal hingga stress tes menunjukkan bahwa perbedaan LRC antara PAA dan GMM masih berada di bawah batas yang ditetapkan, sehingga PAA tetap dapat diterapkan pada portofolio asuransi dalam konteks penelitian ini. Namun PAA tidak menghitung komponen seperti arus kas masa depan, biaya keuangan, CSM, dan RA, pendekatan ini berisiko dalam kondisi ketidakpastian tinggi. Oleh karena itu, pemodelan arus kas dalam penelitian ini berperan sebagai alat evaluatif tambahan untuk menilai kesesuaian antara PAA dan GMM berdasarkan durasi dan kompleksitas kontrak.
PENERAPAN FUZZY ANALYTIC HIERARCHY PROCESS DALAM PENENTUAN PENYEDIA ASURANSI PROPERTI UNTUK KANTOR PERWAKILAN BANK INDONESIA JAWA BARAT.
Pengambilan keputusan sering kali didasarkan pada subjektivitas para pengambil keputusan. Penelitian ini menerapkan metode Fuzzy Analytic Hierarchy Process dengan Triangular Fuzzy Numbers untuk memilih penyedia asuransi terbaik bagi KPw Bank Indonesia Provinsi Jawa Barat (KPw BI Jabar). FAHP akan menyeimbangkan penilaian kualitatif dengan perhitungan kuantitatif. Data diperoleh melalui wawancara dengan anggota tim pengadaan asuransi KPw BI Jabar dan kuesioner yang diisi oleh seluruh anggota tim pengadaan. Terdapat 8 kriteria yang dievaluasi (C1-C8), serta tiga alternatif penyedia asuransi (A1-A3). Proses analisis meliputi konversi data ke skala fuzzy, menyusun matriks perbandingan berpasangan defuzzifikasi, normalisasi, uji konsistensi, dan sintesis. Hasil penelitian ini diharapkan dapat membantu perusahaan atau instansi lain dalam proses pengambilan keputusan dengan tingkat subjektivitas yang tinggi.
PENENTUAN PREMI ASURANSI PENYAKIT DEMAM BERDARAH DENGUE (DBD) DI PALU DENGAN METODE RANTAI MARKOV
Demam Berdarah Dengue (DBD) adalah salah satu penyakit menular yang memiliki dampak signifikan terhadap kesehatan masyarakat dan beban ekonomi, khususnya di Kota Palu yang mencatat jumlah kasus tinggi setiap tahunnya. Penelitian ini bertujuan untuk menghitung premi asuransi penyakit DBD menggunakan model rantai Markov dua keadaan, yaitu sehat dan sakit. Analisis dilakukan berdasarkan data sekunder kasus harian DBD yang diperoleh dari laporan Dinas Kesehatan Kota Palu. Penelitian ini membandingkan hasil perhitungan premi tahunan menggunakan dua pendekatan, yaitu transisi dinamik dan kondisi jangka panjang (steady state), serta menganalisis perbedaan hasil pada kelompok usia anak-anak dan dewasa. Selain itu, penelitian ini juga mengestimasi harga premi dengan mengaitkannya pada data estimasi biaya pengobatan DBD. Hasil penelitian menunjukkan bahwa pendekatan transisi dinamik memberikan nilai premi yang lebih sensitif terhadap fluktuasi kasus DBD dibandingkan pendekatan steady state, serta terdapat perbedaan signifikan pada nilai premi antara kelompok usia anakanak dan dewasa. Kelompok anak-anak memiliki risiko lebih tinggi dan nilai premi yang lebih besar dibandingkan kelompok dewasa.
ENSEMBLE MODEL UNTUK DETEKSI FRAUD PADA KLAIM ASURANSI KESEHATAN BERBASIS DATASET TRANSAKSI DAN PERILAKU ANGGOTA MENGGUNAKAN LOF, IFOREST, DAN Z-SCORE
Fraud pada klaim asuransi kesehatan merupakan tantangan signifikan yang memengaruhi stabilitas keuangan dan keberlanjutan layanan perusahaan asuransi. Kontribusi utama dari penelitian ini adalah merancang framework deteksi fraud pada klaim asuransi kesehatan berbasis unsupervised learning dengan pendekatan ensemble yang menggabungkan algoritma Local Outlier Factor (LOF), Isolation Forest (iForest), dan Z-Score. Dataset yang digunakan terdiri atas data transaksi klaim asuransi dan perilaku anggota, yang diolah untuk mendeteksi anomali melalui kombinasi metode ensemble seperti All Vote dan Any Vote. Matrik evaluasi yang digunakan yaitu Silhouette Score, Davies-Bouldin Index, dan Calinski-Harabasz Index untuk menilai kualitas pengelompokan. Hasil penelitian menunjukkan bahwa metode ensemble dapat meningkatkan performa model yaitu pada ensemble All Vote yang performa terbaik dengan nilai Silhouette Score sebesar 0,94, Davies-Bouldin Index sebesar 0,66, dan Calinski-Harabasz Index sebesar 115.160,38. Hasil evaluasi framework ini dengan BestModel AnyVote dapat mendeteksi hingga 6 kasus fraud, sedangkan metode konvensional tidak mampu mengidentifikasi satupun. Framework ini diharapkan menjadi solusi inovatif dalam mendeteksi fraud secara lebih awal, meningkatkan efisiensi operasional perusahaan asuransi, dan meminimalkan kerugian akibat fraud.
ESTIMASI OUTSTANDING CLAIMS LIABILITY MENGGUNAKAN METODE BORNHUETTER-FERGUSON DAN ANALISIS SENSITIVITAS DENGAN METODOLOGI LEVERAGE PADA BISNIS ASURANSI LONG-TAIL
Bisnis asuransi umum (general insurance atau non-life insurance) terdiri dari bisnis asuransi long-tail dan short-tail. Bisnis asuransi long-tail adalah bisnis asuransi yang mana waktu antara suatu kejadian yang mengakibatkan klaim terjadi sampai klaim tersebut lunas dibayar adalah lebih dari satu tahun. Klaim yang belum diselesaikan akan menjadi hutang bagi perusahaan asuransi, yang dikenal sebagai outstanding claim liability (OCL). Estimasi OCL sangat penting karena perusahaan asuransi harus menyediakan dana yang cukup untuk menutupi pembayaran klaim di masa mendatang. Pada Tugas Akhir ini, estimasi OCL dilakukan menggunakan metode Bornhuetter-Ferguson (BF) yang memperhitungkan pola klaim yang telah dibayarkan serta “premi” yang diterima. Di dalam Tugas Akhir ini, diasumsikan bahwa besar premi tersebut sama dengan estimasi ultimate claims pada metode Mack’s Chain Ladder (MCL). Selain itu, sensitivitas estimasi OCL dengan metode BF terhadap penambahan klaim di suatu sel di dalam runoff triangle incremental claims dianalisis menggunakan metodologi leverage. Data yang digunakan adalah data klaim dari suatu perusahaan asuransi umum di Belgia. Hasil yang diperoleh menunjukkan bahwa metode BF menghasilkan estimasi OCL yang lebih besar dibandingkan estimasi OCL menggunakan metode MCL. Selain itu, ditentukan juga Mean Squared Error (MSE) dari leverage dan kuantil lognormal ke-0.995 dari distribusi OCL yang dihasilkan.
MENENTUKAN PREMI ASURANSI KENDARAAN BERMOTOR MENGGUNAKAN LOCALLY COMPENSATED RIDGE-MULTIVARIATE GEOGRAPHICALLY WEIGHTED REGRESSION
Asuransi kendaraan bermotor adalah jenis asuransi yang memberikan perlindungan terhadap kerugian yang dialami oleh kendaraan bermotor. Premi dalam asuransi kendaraan bermotor tidak dapat ditetapkan secara homogen untuk polis tetapi harus disesuaikan dengan masing-masing risiko dari setiap pemegang polis. Salah satu faktor penting yang harus dipertimbangkan adalah faktor geografis. Dengan menggunakan data klaim dari sebuah perusahaan asuransi umum di Indonesia, penelitian ini mengkaji beberapa faktor risiko yang berkaitan dengan aspek geografis, yaitu , jumlah motor, mobil, truk, bus, persentase jalan nasional, provinsi, kabupaten, kota yang tidak mantap dan kepadatan penduduk terhadap variabel respons seperti frekuensi dan severitas klaim. Hasil prediksi frekeunsi dan severitas klaim tersebut selanjutnya akan digunakan untuk menghasilkan premi murni untuk setiap polis. Untuk memodelkan hubungan antara variabel prediktor dan variabel respons, dengan perhatian khusus pada aspek geografis atau wilayah, penelitian ini menggunakan Locally Compensated Ridge – Multivariate Geographically Weighted Regression (LCR-MGWR). Model ini merupakan perluasan dari Geographically Weighted Regression (GWR) dengan tambahan pertimbangan terhadap kasus multikolinearitas pada variabel independen data spasial. Studi kasus pada skripsi ini menggunakan data pemegang polis dari tahun 2016, dengan total 737.376 polis dan 5.265 klaim. Hasil penelitian menunjukkan bahwa data yang digunakan menunjukkan efek spaisal dan multikolinearitas, dan premi murni yang dihasilkan dapat menutupi kerugian perusahaan akibat klaim dan memberikan profit 47% kepada perusahaan. Selain itu, kategori wilayah berdasarkan premi telah ditentukan, dengan provinsi-provinsi dalam satu kategori akan memiliki besaran premi yang mirip.
MODEL PREMI MURNI PADA ASURANSI KARGO KAPAL LAUT MENGGUNAKAN GENERALIZED ESTIMATING EQUATION (GEE)
Jasa pengiriman barang bisa menjadi solusi bagi mereka yang menyukai cara mudah dan praktis dalam hal pengiriman barang dengan jarak yang tidak bisa dijangkau sendiri. Salah satu jenis dalam pengiriman barang adalah melalui jalur laut, hal ini termuat dalam kargo kapal laut. Kargo kapal laut adalah proses pengiriman barang menggunakan transportasi kapal laut. Penelitian ini bertujuan untuk mengevaluasi hubungan korelasi asuransi kargo kapal laut dan faktor-faktor yang memengaruhinya, mengimplementasikan Model GEE dalam analisis data longitudinal asuransi kargo kapal laut, serta menentukan premi murni dengan memanfaatkan hasil analisis tersebut. Selain itu, penelitian ini melibatkan analisis per-periode menggunakan model GEE, serta merumuskan strategi penetapan premi dan premi per-periode berdasarkan hasil analisis GEE. Asuransi kargo kapal laut menjadi perlindungan finansial bagi pemilik kargo, melindungi dari risiko kerugian selama perjalanan laut. Model GEE terbaik, yakni Model B dengan struktur korelasi "Dapat Dipertukarkan" dipilih berdasarkan nilai QIC dan CIC terendah, juga diperoleh signifikansi pada empat taksiran parameter. Hasil model ini mengungkapkan hubungan antar variabel, di mana kenaikan harga jual umum (?????) dan rata-rata waktu tempuh (?????) berkorelasi positif terhadap nilai pertanggungan, sementara kenaikan harga pelayaran (?????) dan jarak tempuh (?????) berkorelasi negatif. Premi dihitung dengan mengalikan output Model GEE terbaik dengan tarif perusahaan, menghasilkan rata-rata premi murni sebesar Rp.190.819. Analisis per periode menunjukkan fleksibilitas Model GEE dalam menyesuaikan diri terhadap dinamika hubungan antar variabel seiring waktu. Strategi penetapan premi yang direkomendasikan mencakup identifikasi variabel yang berkontribusi, penyesuaian premi sesuai tujuan bisnis, pemantauan pola per-periode, dan pertimbangan faktor risiko. Analisis statistik deskriptif premi per-periode memberikan gambaran variasi dan karakteristik premi selama 12 periode, dengan harga premi tertinggi pada Periode 8 (Rp.331.386) dan terendah pada Periode 1 (Rp. 104.070).