Metoda ratemaking dibuat dengan asumsi manfaat yang tidak berubah kondisi ini sangat berbeda dengan
praktek perhitungan premi dalam asuransi kumpulan dimana benefit akan bersifat taylor made (dibuat
berdasarkan permintaan pemegang polis). Praktek ini menjadikan proses rate making sulit diterapkan
pada kondisi polis “taylor made” (dirancang sesuai dengan pesanan). Berikut ini perhitungan premi
berdasarkan metoda pricing. Dimana metoda pricing memperhatikan manfaat yang dibuat untuk suatu
polis asuransi kumpulan.
Misalkan suatu polis asuransi kumpulan di rancang dengan manfaat sebagaimana dalam tabel berikut:
“As Charges ”
Pembedahan (Aneastesi & Kamar Bedah)
a. Pembedahan Kompleks 35.000.000
b. Pembedahan Besar 25.000.000
c. Pembedahan Sedang 15.000.000
d. Pembedahan Kecil 7.500.000
Perawatan sebelum dan sesudah Rawat Inap 600.000
Ambulan per periode perawatan 175.000
Perawatan gigi darurat akibat kecelakaan 1.000.000
Batasan Tahunan 50.000.000 50.000.000
Berdasarkan jumlah ini akan dicari premi risiko dari perhitungan manfaat yang disajikan.
Mengulang kembali perhitungan estimasi premi murni risiko adalah
Sehingga kita perlu mencari estimasi frekuensi dan severity dari data historis asuransi kesehatan yang kita
miliki sebelumnya. Pada dasarnya perhitungan estimasi ini juga memperhatikan hal-hal sebagai berikut:
1. Usia Peserta
2. Jenis Kelamin Peserta
3. Jenis Pekerjaan
4. Wilayah tempat tinggal
5. Lingkungan tempat bekerja
Dalam perhitungaan aggregate sering kali kita menemukan estimasi yang berbeda yang disebabkan
karena faktor tersebut diatas juga berbeda.
1. Estimasi Unit Cost
Data historis klaim merupakan perhitungan statistik data pengalaman klaim satu tahun terakhir dimana
perusahaan telah menjual polis berdasarkan manfaat yang diberikan. Pada kasus ini misalkan ada 1000
peserta asuransi kesehatan rawat inap yang diberikan manfaat, mengalami jumlah klaim. Data klaim
terdiri dari dua informasi yaitu
Berdasarkan dua informasi ini akan dicari rata-rata biaya per jenis manfaat untuk satu kali utilisasi yang
terjadi.
Sehingga rata-rata tagihan rumah sakit yang dibebankan untuk satu jenis manfaat yang harus dibayar
peserta yang dirawat dirumah sakit. Perhitungan ini bukan rata-rata jumlah klaim yang dibayarkan
perusahaan asuransi kepada peserta sebagai pengantian biaya rumah sakit tersebut. Hal ini terkait sistem
pengantian asuransi tidak bisa lebih dari tagihan rumah sakit.
Berdasarkan data historis klaim yang dimiliki perusahaan berdasarkan klaim yang diajukan peserta adalah
sebagai berikut:
Sebagai contoh:
Setelah kita memperoleh perhitungan average charges maka kita dapat menghitung estimasi charges
berdasarkan persamaan berikut:
Pada kasus ini jumlah average charges akan ditambahkan faktor margin dimana sebesar 1 kali koefisien
variansi yang diestimasi dengan cara simulasi model manfaat sebagaimana telah dibahas dalam bab
sebelumnya.
Sebagai contoh:
Oleh karena perhitungan menggunakan koefisien variansi maka perhitungan ini sudah termasuk margin
kehati-hatian atau margin risiko.
2. Estimasi Utilisasi Rate (Frekuensi)
Data historis klaim merupakan perhitungan statistik data pengalaman klaim satu tahun terakhir dimana
perusahaan telah menjual polis berdasarkan manfaat yang diberikan. Pada kasus ini misalkan ada 1000
peserta asuransi kesehatan rawat inap yang diberikan jaminan manfaat.
Berdasarkan perhitungan exposure yang pernah dibahas pada bab sebelumnya, kita dapat menghitung
faktor kontribusi suatu polis dalam tahun pengamatan 2007. Jadi exposure bukan perhitungan peserta
aktif saja tetapi ada kontribusi peserta dalam tahun pengamatan. Faktor yang diberikan dalam
perhitungan jumlah exposure akan diperhitungkan dalam range perhitungan bulanan. Aspek yang lebih
rinci jika perhitungan menggunakan range perhitungan harian sehingga jumlah peserta yang di jamin
sesuai dengan kondisi sebenarnya.
Data historis klaim merupakan perhitungan statistik data pengalaman klaim satu tahun terakhir dimana
perusahaan telah menjual polis berdasarkan manfaat yang diberikan. Pada kasus ini misalkan ada 1000
peserta
∆ 𝐶𝑎𝑑𝑎𝑛𝑔𝑎𝑛 𝐾𝑙𝑎𝑖𝑚
𝐹𝑎𝑘𝑡𝑜𝑟 𝐶𝑎𝑑 𝐾𝑙𝑎𝑖𝑚 =
𝐾𝑙𝑎𝑖𝑚 𝑑𝑖 𝑆𝑒𝑡𝑢𝑗𝑢𝑖
Terlihat bahwa untuk manfaat “as charges” hanya berdasarkan jumlah peserta yang harus dirawat inap
sebanyak 45 orang dan memperoleh estimasi utilisasi rate untuk rawat inap sebesar 0,047.
𝑙𝑥 − 0
𝐹𝑟𝑒𝑘 𝑆𝑎𝑘𝑖𝑡(𝑥) = × 𝑃𝑟𝑜𝑏 𝑆𝑎𝑘𝑖𝑡(𝑥) = 𝑃𝑟𝑜𝑏 𝑆𝑎𝑘𝑖𝑡(𝑥), 𝐽𝑖𝑘𝑎 𝛼 ≅ 0
𝑙𝑥
Perhitungan dengan metoda ini juga memperhatikan jangka waktu yang pendek (1 tahun) sehingga
faktor pendekatan menggunakan perhitungan tsb.
3. Estimasi Premi Risiko
Setelah kita memperoleh estimasi unit cost (severity) dan estimasi utilisasi rate (frekuensi) maka
menggunakan perkalian antara kedua estimasi tersebut. Nilai harapan dari besarnya total klaim dalam
setahun diperoleh sebagai berikut:
𝑁
𝑆 = ∑ 𝑋𝑖
𝑖=1
𝑁
̅ × 𝑋̂
𝐸[𝑆] = 𝐸 [∑ 𝑋𝑖 ] = 𝐸[𝑁] × 𝐸[𝑋] = 𝑁
𝑖=1
Jika S bilangan random aggegate klaim dalam setahun dan n adalah jumlah exposure dalam priode
pengamatan maka S/n merupakan bilangan random rata-rata klaim per orang dalam setahun. Misalkan Y
adalah nilai harapan (expected value) untuk rata-rata klaim per orang dalam setahun yang dikover oleh
perusahaan asuransi.
𝑁
𝑆 1
𝑌 = = ∑ 𝑋𝑖
𝑛 𝑛
𝑖=1
Oleh kerana itu nilai harapan dari klaim per orang per tahun adalah sebagai berikut:
𝑁
𝑆 1 1 ̅
𝑁
𝐸[𝑌] = 𝐸 [ ] = 𝐸 [∑ 𝑋𝑖 ] = 𝐸[𝑁] × 𝐸[𝑋] = × 𝑋̂ = 𝐹̅ × 𝑋̂
𝑛 𝑛 𝑛 𝑛
𝑖=1
Selanjutnya perhitungan ini menggunakan limit manfaat yang didefinikan sebagai benefit yang ditawarkan
kepada calon pemegang polis.
Terlihat bahwa average charges yang ada dalam historikal klaim dibanding dengan rata-rata pengajuan
klaim. Jika average charge lebih besar dari limit manfaat maka expected unit cost sebesar limit manfaat
dan jika average charges lebih kecil dari limit manfaat maka nilai harapan unit cost sebesar average
charges. Hal ini mengindikasikan jika limit benefit diturunkan maka unit cost akan turun dan jika limit
dinaikan maka unit cost akan naik.
Melakukan perubahan benefit dimana menggatur inner limit manfaat akan menjadi faktor menurunkan
atau menaikan claim cost dan secara langsung meningkatkan premi asuransi.
Berdasarkan persamaan tersebut diatas maka diperoleh nilai biaya klaim sebagai berikut:
Akibatnya biaya Claim Cost dengan inner limit maka premi risiko ditetapkan sebesar Rp 441.691,- per
orang sedangkan dengan benefit “as charges” diperoleh premi risiko ditetapkan sebesar Rp 645.870,- per
orang. Hal ini menjelaskan bahwa inner limit dapat menurunkan secara signifikan atas beban claim cost
dibandingkan total keseluruhan manfaat.
Alokasi beban biaya perusahaan akan dialokasikan dalam premi. Hal pertama adalah biaya yang
dialokasikan dalam premi disebut Allocated Claim Adjustment Expenses (ALAE) seperti biaya operasional
penyelesaian klaim. Misalkan semua biaya ditetapkan sebagai Claim Adjustment Expenses (LAE) maka
perhitungan rasio biaya seluruhnya ditetapkan sebagai bagian dari persentase premi risiko yang telah
ditetapkan seperti diatas.
𝑃𝑟𝑒𝑚𝑖 𝑀𝑢𝑟𝑛𝑖
𝐺𝑟𝑜𝑠𝑠 𝑃𝑟𝑒𝑚𝑖𝑢𝑚 =
1 − 𝐸𝑥𝑝𝑒𝑛𝑠𝑒𝑠 𝑅𝑎𝑡𝑖𝑜
Jika diperhatikan perhitungan utilisasi rate untuk asuransi rawat inap yang dibahas sebelumnya dapat
dilihat bahwa perhitungan yang digunakan dalam pengolahan data berdasarkan estimasi tahunan utilisasi
sehingga untuk mencari tingkat utilisasi dalam satu kasus kejadian rawat inap dicari berdasarkan estimasi
perhitungan expected (nilai harapan) utilisasi rate per kejadian rawat inap.
Sehingga dapat diperoleh bahwa untuk satu orang yang rawat inap akan melakukan atau mengakses
manfaat rawat inap berdasarkan estimasi rata-rata utilisasi per manfaat.
Berdasarkan tingkat utilisasi rawat inap dan utilisasi kamar akan dapat dihitung perkiraan lamanya
perawatan di rumah sakit.
Artinya setiap orang yang dirawat dirumah sakit, rata-rata lama perawatan di rumah sakit adalah selama
3,76 hari atau mendekati 4 hari per kejadian rawat inap. Untuk peserta yang berusia lebih tua dengan
penyakit yang masa perawatannya lebih lama akan dikenakan jumlah hari perawatan yang lebuh besar.
Pada materi kuliah ini tidak memperhatikan jenis penyakit yang diderita oleh pasien tersebut sehingga
estimasi ini dilakukan pada level aggregate.
Probabilitas Dokter
Untuk jumlah kunjungan dokter ke pasien dihitung berdasarkan
Selanjutnya akan kita peroleh juga estimasi faktor probabilitas dokter per hari perawatan.
Jadi artinya untuk setiap hari seorang pasien akan dikunjungi dokter dengan probabilitas 93% dan 7%
peluang pasien tidak dikunjungi dokter. Hal ini sering terjadi jika hari terakhir perawatan, pasien (yang
mau pulang) tersebut tidak lagi dikunjungi dokter untuk hari terakhir masa perawatan.
𝑈𝑡𝑖𝑙𝑖𝑠𝑎𝑠𝑖 𝑅𝑎𝑡𝑒 𝐾𝑢𝑛𝑗𝑢𝑛𝑔𝑎𝑛 𝐷𝑜𝑘 𝐴ℎ𝑙𝑖 = 𝐾𝑢𝑛𝑗𝑢𝑛𝑔𝑎𝑛 𝐷𝑜𝑘 𝐴ℎ𝑙𝑖 × 𝑈𝑡𝑖𝑙𝑖𝑠𝑎𝑠𝑖 𝑅𝑎𝑤𝑎𝑡 𝐼𝑛𝑎𝑝
Sehingga estimasi untuk banyaknya kunjungan yang dilakukan dokter selama perawatan di rumah sakit
adalah
𝑈𝑡𝑖𝑙𝑖𝑠𝑎𝑠𝑖 𝑅𝑎𝑡𝑒 𝐾𝑢𝑛𝑗𝑢𝑛𝑔𝑎𝑛 𝐷𝑜𝑘 𝐴ℎ𝑙𝑖 0,015
𝑅𝑒𝑟𝑎𝑡𝑎 𝐾𝑢𝑛𝑗𝑢𝑛𝑔𝑎𝑛 𝐷𝑜𝑘 𝐴ℎ𝑙𝑖 = =
𝑈𝑡𝑖𝑙𝑖𝑠𝑎𝑠𝑖 𝑅𝑎𝑤𝑎𝑡 𝐼𝑛𝑎𝑝 0,047
= 0,32 𝑘𝑢𝑛𝑗𝑢𝑛𝑔𝑎𝑛 𝑝𝑒𝑟 𝑘𝑒𝑗𝑎𝑑𝑖𝑎𝑛
Selanjutnya akan kita peroleh juga estimasi faktor probabilitas dokter ahli (spesialis)
Artinya probabilitas kunjungan dokter ahli per hari sebesar 8,51% dan probabilitas seorang dokter
merujuk dokter ahli dalam membantu mengobservasi pasien yang ditangani adalah sebesar 9,14% atau
mendekati 10%. Artinya bahwa untuk setiap 10 pasien yang dirawat, ada 1 orang yang akan dikunjungi
oleh dokter ahli atas permintaan dokter yang merawat.
Berdasarkan tingkat utilisasi rawat inap dan utilisasi kamar akan dapat dihitung perkiraan lamanya
perawatan di rumah sakit.
Artinya setiap orang yang dirawat dirumah sakit, rata-rata lama perawatan banyaknya tagihan yang
dibebabkan kepada satu pasien sebesar 121%. Jadi untuk severity biaya aneka harus dilakukan koreksi
berdasarkan faktor biaya aneka yang dihitung sebelumnya.
Koreksi ini diberlakukan jika faktor utilisasi biaya aneka (probabilitas biaya aneka) menggunakan tingkat
utilisasi rate biaya aneka sebesar 100%.
1. Pembedahan Kompleks
2. Pembedahan Besar
3. Pembedahan Sedang
4. Pembedahan Kecil (termasuk one day care)
Beberapa jenis pembedahan kecil tidak memerlukan fasilitas menginap sehingga manfaat ini sering
disebut “one day care” antara lain seperti Operasi Katarak.
Selain pentingnya mengetahui probabilitas pembedahan dan penting juga mengukur probabilitas jenis
pembedahan yang terjadi. Dalam perhitungan kita menggunakan persamaan berikut untuk menghasilkan
rasio probabilitas jenis pembedahan
Berdasarkan data diatas dapat dihitung untuk masing-masing jenis pembedahan, diestimasi rasio
probabilitas untuk jenis pembedahan tersebut.
Artinya untuk satu orang yang harus dirawat di rumah sakit mempunyai peluang 1,5% harus menjalani
pembedahan. Walaupun begitu peluang inipun harus memperhatikan rata-rata usia peserta, yang mana
jika rata-rata peserta diatas 40 maka kasus pembedahaan cenderung lebih tinggi.
Berdasarkan hasil simulasi dapat ditentukan koefisien variansi berdasarkan rumusan berikut:
Berdasarkan manfaat sebagaimana dijelaskan di atas maka dapat diperoleh tabel koefisien variansi
sebagai berikut berdasarkan simulasi dengan pengulangan 10.000 resampling.
Dipilih resampling 10.000 agar hasil perhitungan koefisien korelasi bisa lebih stabil dalam pengukurannya.
Terlihat bahwa untuk peserta yang semakin besar akan menghasilkan margin yang lebih kecil. Hal ini
sesuai dengan hukum bilangan besar, yaitu semakin banyak jumlah data yang menjadi sampel maka
semakin kecil variansinya.