(Thomas Mack)
1
Dimana taksiran dari 𝜎𝑘2 adalah
𝑛−𝑘 2
1 𝐶𝑖,𝑘+1
2
𝜎̂𝑘 = ∑ 𝐶𝑖𝑘 ( ̂
− 𝑓𝑘 ) , 1 ≤ 𝑘 ≤ 𝑛 − 2. (7)
𝑛−𝑘−1 𝐶𝑖𝑘
𝑖=1
2
Sedangkan estimator untuk 𝜎̂𝑛−1 adalah
0, 𝑓̂𝑛−1 = 1,
2
𝜎̂𝑛−1 = 4 (8)
𝜎̂𝑛−2 2
min ( 2 , min(𝜎̂𝑛−3 2 )
, 𝜎̂𝑛−2 ), 𝑓̂𝑛−1 ≠ 1.
{ 𝜎̂𝑛−3
Mean square error (MSE) dari reserve (𝑅̂𝑖 ) dirumuskan sebagai berikut:
𝑛−1
̂̂ ) = 𝐶̂ 2 𝜎̂𝑘2 1 1
MSE(𝑅𝑖 𝑖𝑛 ∑ − , (9)
𝑓̂𝑘2 𝐶̂𝑖𝑘 𝑛−𝑘
𝑘=𝑛+1−𝑖 ∑ 𝐶𝑗𝑘
( 𝑗=1 )
dimana 𝐶̂𝑖𝑘 = 𝐶𝑖,𝑘+1−𝑖 ∙ 𝑓̂𝑘+1−𝑖 ∙ ⋯ ∙ 𝑓̂𝑘−1 dan 𝐶̂𝑖,𝑘+1−𝑖 = 𝐶𝑖,𝑘+1−𝑖 . Sedangkan mean square
error (MSE) dari taksiran reserve keseluruhan (𝑅̂ = 𝑅̂1 + ⋯ + 𝑅̂𝑛 ) dirumuskan sebagai
berikut:
𝜎̂𝑘2
𝑛 𝑛 𝑛−1
̂̂ ) = ∑ (s. e.(𝑅̂ ))2 + 2𝐶̂ ( ∑ 𝐶̂ ) 𝑓̂𝑘2
MSE(𝑅 𝑖 𝑖𝑛 𝑚𝑛 ∑ 𝑛−𝑘 , (10)
𝑖=2 𝑚=𝑖+1 𝑘=𝑛+1−1 ∑ 𝐶𝑗𝑘
( ( 𝑗=1 ))
dimana s. e.(𝑅̂𝑖 ) adalah standard error dari reserve (𝑅̂𝑖 ) dan dirumuskan
̂̂ ) .
s. e.(𝑅̂𝑖 ) = √MSE(𝑅 (11)
𝑖
̂𝒊𝒏 dan 𝑹
2. Selang Kepercayaan dari 𝑪 ̂𝒊
Dari persamaan (4) diperoleh bahwa ultimate claim amount 𝐶𝑖𝑛 terdiri bagian 𝐶𝑖,𝑛+1−𝑖
yang diketahui dan 𝑅𝑖 yang tidak diketahui. Ini artinya bahwa distribusi dari 𝐶𝑖𝑛
sepenuhnya ditentukan oleh 𝑅𝑖 . Oleh karenanya, selang kepercayaan dari 𝑅𝑖 ditaksir
terlebih dahulu untuk kemudian digunakan untuk menaksir selang kepercayaan 𝐶𝑖𝑛 .
̂̂ ). Jika volume dari ultimate
Distribusi dari 𝑅𝑖 mempunyai mean 𝑅̂𝑖 dan variansi MSE(𝑅𝑖
claim amount 𝐶𝑖𝑛 cukup besar, maka teorema limit pusat dapat digunakan, sehingga 𝑅𝑖
dapat diasumsikan berdistribusi normal. Selang kepercayaan 1 − 𝛼 dari 𝑅𝑖 menjadi
2
𝑅̂𝑖 ± 𝑧𝛼 s. e.(𝑅̂𝑖 ), (12)
2
𝛼
dimana 𝑧𝛼 adalah kuantil ke- 2 dari distribusi normal baku. Akan tetapi karena
2
kesimetriannya, distribusi normal tidak cukup baik digunakan untuk menaksir distribusi
dari 𝑅𝑖 yang sebenarnya karena pada umumnya data-data keuangan mempunyai pola
atau bentuk distribusi yang agak menceng (skewed). Mack[2] merekomendasikan distribusi
lognormal dengan parameter 𝜇𝑖 dan 𝜎𝑖2 untuk menaksir distribusi dari 𝑅𝑖 yang tidak
diketahui. Tidak terdapat aturan baku untuk menentukan distribusi dari 𝑅𝑖 karena 𝑅𝑖
dapat berdistribusi apa saja. Alasannya pemilihan distribusi lognormal untuk menaksir
distribusi dari 𝑅𝑖 , selain bentuk distribusi lognormal yang agak menceng (skewed) juga
support dari distribusi lognormal bernilai positif sehingga cukup baik digunakan untuk
menentukan selang kepercayaan dari 𝑅𝑖 karena pada umumnya data keuangan tidak
ditampilkan bernilai negatif. Sehingga dari mean dan variansi distribusi lognormal
diperoleh
1 2
(𝜇 + 𝜎 )
𝑅̂𝑖 = 𝑒 𝑖 2 𝑖 (13)
dan
Dari persamaan (13) dan (14), maka parameter 𝜇𝑖 dan 𝜎𝑖2 didapat
̂̂ )
MSE(𝑅 𝑖
𝜎𝑖2 = ln (1 + ) (15)
𝑅̂𝑖
2
dan
1
𝜇𝑖 = ln(𝑅̂𝑖 ) − 𝜎𝑖2 . (16)
2
Bukti:
Dengan mengkuadratkan persamaan (13) diperoleh
2
𝑅̂𝑖2 = 𝑒 (2𝜇𝑖 +𝜎𝑖 ). (A. 1)
̂̂ ) = 𝑅̂2 (𝑒 𝜎𝑖2 − 1)
MSE(𝑅𝑖 𝑖
3
̂̂ )
MSE(𝑅
2 𝑖
𝑒 𝜎𝑖 − 1 =
̂
𝑅𝑖2
̂̂ )
MSE(𝑅
2 𝑖
𝑒 𝜎𝑖 = 1 +
𝑅̂𝑖2
̂̂ )
MSE(𝑅
𝜎𝑖2 𝑖
ln (𝑒 ) = ln (1 + )
𝑅̂𝑖
2
̂̂ )
MSE(𝑅 𝑖
𝜎𝑖2 = ln (1 + ) ∎
̂
𝑅𝑖2
1
ln 𝑅̂𝑖 = 𝜇𝑖 + 𝜎𝑖2
2
1
𝜇𝑖 = ln(𝑅̂𝑖 ) − 𝜎𝑖2 ∎
2
𝑔(X; 𝜇, 𝜎 2 )~𝒩 (0,1). Fungsi 𝑔(X; 𝜃 ) dari distribusi lognormal dapat ditentukan dengan
menggunakan transformasi berikut: jika peubah acak 𝑌 berdistribusi lognormal,
𝑌~ℒ𝒩 (𝜇, 𝜎 2 ), maka peubah acak 𝑋 = ln 𝑌 akan berdistribusi normal, 𝑋~𝒩 (𝜇, 𝜎 2 ) dan
ln 𝑌−𝜇
peubah acak 𝑍 = 𝜎
akan berdistribusi normal baku, 𝑍~𝒩 (0,1). Sehingga selang
𝜇 − 𝑧𝛼 𝜎 ≤ ln 𝑌 ≤ 𝜇 + 𝑧𝛼 𝜎
2 2
𝜇−𝑧𝛼 𝜎 𝜇+𝑧𝛼 𝜎
𝑒 2 ≤𝑌≤𝑒 2 (17)
Dengan menggunakan persamaan (17), maka selang kepercayaan 1 − 𝛼 dari 𝑅𝑖 yang
berdistribusi lognormal dengan parameter 𝜇𝑖 dan 𝜎𝑖2 adalah
𝜇𝑖 −𝑧𝛼𝜎𝑖 𝜇𝑖 +𝑧𝛼 𝜎𝑖
𝑒 2 ≤ 𝑅̂𝑖 ≤ 𝑒 2 (18)
4
3. Contoh Perhitungan
Diberikan data pada Tabel 1 sebagai berikut:
Tabel 1. Data run-off triangle besar klaim total akumulasi (𝐶𝑖𝑘 )
Dengan menggunakan persamaan (2), (7), dan (8), diperoleh nilai taksiran dari 𝑓𝑘 dan 𝜎𝑘2
sebagai berikut:
Tabel 2. Data nilai taksiran dari 𝑓𝑘 dan 𝜎𝑘2
𝒌 1 2 3 4 5 6 7 8
𝒇̂𝒌 11,9686 4,1845 1,7329 1,2937 1,9831 1,0466 1,0195 1,0178
𝝈𝟐𝒌 2074169,53 1319696,57 259520,62 61080,25 19871,92 5349,95 1227,51 281,64
Perhatikan Tabel 1, jika nilai taksiran dari individual development factor pada accident year 𝑖
𝐶𝑖,𝑘+1
dan development year 𝑘 dihitung menggunakan perbandingan , maka diperoleh
𝐶𝑖𝑘
Tabel 3. Data nilai individual development factor pada accident year 𝑖 dan development year 𝑘
𝒌 1 2 3 4 5 6 7 8
2,2649 3,9237 2,2368 1,3506 2,0766 1,0712 1,0356 1,0178
6,0277 7,2919 2,2457 1,4120 2,0711 1,0692 1,0124
8,7303 5,7978 2,1703 1,4185 1,9765 1,0243
𝑪𝒊,𝒌+𝟏 25,8989 5,7068 1,7667 1,3172 1,9334
𝑪𝒊𝒌 19,7922 3,9748 1,7536 1,1437
10,9650 4,6105 1,4178
14,6354 2,3179
11,9047
𝒇̂𝒌 11,9686 4,1845 1,7329 1,2937 1,9831 1,0466 1,0195 1,0178
𝐶𝑖,𝑘+1
Berdasarkan Tabel 3, tampak bahwa perbandingan pada development year 1 dan 2
𝐶𝑖𝑘
𝐶𝑖,𝑘+1
nilainya sangat bervariasi untuk tiap-tiap accident year. Sedangkan perbandingan 𝐶𝑖𝑘
pada development year 3 sampai dengan 7 nilainya relatif tidak jauh berbeda untuk tiap-
5
tiap accident year. Hal ini mengindikasikan bahwa data pada development year 1 dan 2
tidak cocok menggunakan metode chain ladder.
Persamaan untuk menaksir nilai 𝑓𝑘 seperti pada persamaan (2) diperoleh dengan
menggunakan persamaan regresi linier sebagai berikut:
𝑦𝑖 = 𝑚𝑥𝑖 + 𝑐 + 𝜀𝑖 ,
dimana 𝑚 adalah gradien, 𝑐 adalah konstanta , dan 𝜀𝑖 adalah error perhitungan dengan
E[𝜀𝑖 ] = 0 dan E[𝑦𝑖 ] = 𝑚𝑥𝑖 + 𝑐. Untuk kasus khusus, diasumsikan 𝑚 = 𝑓𝑘 dan 𝑐 = 0.
Dalam hal ini 𝑦𝑖 = 𝐶𝑖,𝑘+1 dan 𝑥𝑖 = 𝐶𝑖𝑘 dengan 1 ≤ 𝑖 ≤ 𝑛 − 𝑘. Untuk regresi linier biasa
digunakan asumsi Var[𝑦𝑖 ] = Var[𝜀𝑖 ] = 𝜎 2 , dimana variansinya konstan untuk semua
accident year 𝑖. Pada prakteknya nilai variansi untuk tiap-tiap accident year 𝑖 berbeda,
sehingga pendekatan yang digunakan untuk menaksir nilai 𝑓𝑘 adalah weighted linear least
squares dengan MSE
𝑛−𝑘
dimana 𝑤𝑖 adalah weighted factor atau faktor bobot yang besarnya berbanding terbalik
1
dengan Var[𝑦𝑖 ]. Dalam hal ini 𝑤𝑖 = 𝐶 , sesuai dengan persamaan (6). Sehingga
𝑖𝑘
𝑛−𝑘
1 2
MSE = ∑ (𝐶𝑖,𝑘+1 − 𝑓𝑘 𝐶𝑖𝑘 ) .
𝐶𝑖𝑘
𝑖=1
Untuk memeroleh nilai 𝑓𝑘 yang meminimumkan MSE, gunakan prosedur standar yakni
turunan pertama MSE terhadap 𝑓𝑘 sama dengan nol. Diperoleh
𝑛−𝑘
𝑑 1 2
∑ (𝐶𝑖,𝑘+1 − 𝑓𝑘 𝐶𝑖𝑘 ) = 0
𝑑𝑓𝑘 𝐶𝑖𝑘
𝑖=1
𝑛−𝑘
1
2∑ ∙ 𝐶 (𝐶 − 𝑓𝑘 𝐶𝑖𝑘 ) = 0
𝐶𝑖𝑘 𝑖𝑘 𝑖,𝑘+1
𝑖=1
𝑛−𝑘 𝑛−𝑘
∑ 𝐶𝑖,𝑘+1 − 𝑓𝑘 ∑ 𝐶𝑖𝑘 = 0
𝑖=1 𝑖=1
𝑛−𝑘
∑ 𝐶𝑗,𝑘+1
𝑓̂𝑘 = 𝑖=1
𝑛−𝑘 . ∎
∑ 𝐶𝑗𝑘
𝑖=1
6
Untuk memeroleh nilai-nilai pada segitiga bawah bagian kanan pada Tabel 1 dapat
menggunakan persamaan (1). Diperoleh
Untuk memudahkan pengamatan, maka data pada Tabel 4 ditampilkan dalam bentuk
grafik seperti pada gambar di bawah.
25000000
20000000
Accident Year 1
Accident Year 3
Accident Year 4
Accident Year 5
10000000
Accident Year 6
Accident Year 7
Accident Year 8
5000000
Accident Year 9
0
0 1 2 3 4 5 6 7 8
Development Year
Nilai taksiran dari outstanding claim reserve (𝑅𝑖 ) atau besar klaim IBNR (Incurred But Not
Reported) dan nilai standard error-nya dapat menggunakan persamaan (4) dan (9).
Diperoleh
7
Tabel 5. Data nilai 𝑅̂𝑖 dan standard error 𝑅̂𝑖
𝒊 ̂𝒊
𝑹 ̂ 𝒊)
𝐬, 𝐞,(𝑹 ̂ 𝒊 ) dalam %
𝐬, 𝐞,(𝑹
2 135892,50 83440,25 61,40
3 408456,84 202141,64 49,49
4 1347364,64 488817,82 36,28
5 8489772,69 675394,57 7,96
6 14084267,52 1961275,18 13,93
7 10264732,64 2876764,62 28,03
8 7633753,62 4258704,32 55,79
9 4434308,12 5094566,77 114,89
Total 46798548,57 8303116,40 17,74
Nilai standard error 𝑅̂𝑖 diperoleh dengan mencari nilai akar kuadrat dari hasil yang
diperoleh pada persamaan (9) dan nilai standard error 𝑅̂𝑖 dalam persen (%) diperoleh
dengan cara membagi nilai standard error 𝑅̂𝑖 dengan nilai 𝑅̂𝑖 kemudian hasilnya dikalikan
100. nilai 𝑅̂𝑖 total atau keseluruhan diperoleh dengan cara menjumlahkan nilai reserve
tiap-tiap accident year dan nilai standard error 𝑅̂𝑖 total diperoleh dengan menggunakan
persamaan (10). Sedangkan nilai standard error 𝑅̂𝑖 total dalam persen (%) diperoleh
dengan cara membagi nilai standard error 𝑅̂𝑖 total dengan nilai 𝑅̂𝑖 total kemudian hasilnya
dikalikan 100. Pada Tabel 5, tampak bahwa nilai standard error 𝑅̂9 melebihi 100%. Hal ini
karena tingginya ketidakpastian untuk menaksir nilai 𝐶9,2 sebagaimana tampak dari nilai
𝐶9,2
individual development factor atau perbandingan pada Tabel 3. Untuk lebih jelasnya,
𝐶9,1
1400000
R² = 0.5473
1200000
1000000
800000
600000
400000
200000
0
0 20000 40000 60000 80000 100000 120000
8
Seperti pada Gambar 2, tampak bahwa plot 𝐶𝑖,2 terhadap 𝐶𝑖,1 tidak menunjukkan pola
garis lurus sebagaimana asumsi yang digunakan untuk menaksir nilai development factor
𝑓𝑘 , sehingga memengaruhi tingginya nilai standard error 𝑅̂9 . Faktor lain yang
memengaruhi tingginya nilai standard error 𝑅̂9 adalah nilai estimasi reserve dan besar
klaim akumulasi pada accident year 9 yang relatif sangat kecil seperti tampak pada
Gambar 1.
Untuk menentukan selang kepercayaan dari 𝑅̂𝑖 dengan menggunakan asumsi distribusi
lognormal, maka terlebih dahulu kita hitung nilai parameter 𝜇𝑖 dan 𝜎𝑖2 dengan
menggunakan persamaan (15) dan (16). Diperoleh
𝒊 𝝁𝒊 𝝈𝟐𝒊
2 11,6597 0,3199
3 12,8106 0,2191
4 14,0518 0,1237
5 15,9512 0,0063
6 16,4510 0,0192
7 16,1064 0,0756
8 15,7126 0,2710
9 14,8841 0,8416
Berdasarkan hasil pada Tabel 6, maka selang kepercayaan 95% dari 𝑅̂𝑖 dapat ditentukan
dengan menggunakan persamaan (18). Diperoleh
𝒊 ̂𝒊
Lower Limit 𝑹 ̂𝒊
Upper Limit 𝑹
2 38218,57 350895,16
3 146275,88 916176,59
4 635796,54 2523197,81
5 7242966,48 9888621,11
6 10631637,70 18303216,19
7 5765916,16 16942951,49
8 2403326,37 18492060,37
9 482197,89 17577001,25
Jika 𝑅̂𝑖 diasumsikan berdistribusi normal, maka ada kemungkinan nilai lower limit 𝑅̂𝑖
negatif dan pada prakteknya hal ini tidak mungkin.
9
4. Kesimpulan
Faktor utama yang memengaruhi tinggi rendahnya nilai standard error 𝑅̂𝑖 adalah tinggi
rendahnya nilai variansi individual development factor pada accident year 𝑖 dan development
year 𝑘. Semakin tinggi nilai variansi individual development factor, maka semakin tinggi
pula nilai standard error 𝑅̂𝑖 . Demikian juga sebaliknya. Faktor lain yang memengaruhi
tinggi rendahnya nilai standard error 𝑅̂𝑖 adalah tinggi rendahnya nilai estimasi reserve dan
besar klaim akumulasi. Semakin tinggi nilai estimasi reserve dan besar klaim akumulasi,
maka semakin tinggi pula nilai standard error 𝑅̂𝑖 dan sebaliknya. Keuntungan dari
menggunakan metode chain ladder adalah adanya rumus rekursif untuk menentukan nilai
taksiran reserve atau klaim IBNR dan standard error-nya. Selain itu, metode chain ladder
sangat sederhana dan dapat menggunakan asumsi tanpa perlu mengetahui distribusi dari
reserve atau klaim IBNR. Sedangkan kelemahan dari metode chain ladder adalah dua atau
tiga penaksir development factor terakhir (𝑓̂𝑛−1 , 𝑓̂𝑛−2 , dan 𝑓̂𝑛−3 ) bergantung pada sedikitnya
observasi yang dimiliki untuk menaksir nilai development factor. Akibatnya kredibilitas
dari nilai taksiran reserve atau klaim IBNR (𝐶̂𝑖,𝑛−1 , 𝐶̂𝑖,𝑛−2 , dan 𝐶̂𝑖,𝑛−3 ) rendah.
5. Daftar Referensi
Mack, Thomas, 1993. Distribution-Free Calculation of The Standard Error of Chain
Ladder Reserve Estimates. Munich.
Mack, Thomas, 1993. Measuring The Variability of Chain Ladder Reserve Estimates.
Munich.
10
APPENDIKS
11
Range("D14:K15").Interior.Color = RGB(0, 0, 0)
End Sub
12
Set U = Worksheets("Claim Amount").Cells(3 + k, 11)
If IsEmpty(U) Or Application.IsText(U) Then
Cells(3 + k, 5).Value = "No Data"
Cells(3 + k, 5).Font.Color = vbRed
Else
Ci = Worksheets("Claim Amount").Cells(3 + k, 11)
Ck = Worksheets("Claim Amount").Cells(3 + k, 11 - k)
Cells(3 + k, 5) = Ci - Ck
Cells(12, 5) = Application.WorksheetFunction.Sum(Range("E4:E11"))
Range("E4:F11").NumberFormat = "0.00"
Range("E4:F11").Font.Color = vbBlue
End If
Next k
Range("E4:F11").Font.Bold = True
End Sub
13
fk = Worksheets("Claim Amount").Cells(14, 11 - i + k)
Var = Worksheets("Claim Amount").Cells(15, 11 - i + k)
With Sheets("Claim Amount")
Set S = .Range(.Cells(3, 10 - i + k), .Cells(3 + i - k, 10 - i + k))
Set M = .Range(.Cells(4 + i, 11), .Cells(11, 11))
End With
Cj = Application.WorksheetFunction.Sum(S)
Cm = Application.WorksheetFunction.Sum(M)
e1 = e1 + (Var / (fk ^ 2)) * ((1 / Ck) + (1 / Cj))
e2 = e2 + 2 * Var / ((fk ^ 2) * Cj)
End If
Next k
Cells(3 + i, 6) = Ci * Sqr(e1)
Cells(3 + i, 7) = 100 * Ci * Sqr(e1) / Cells(3 + i, 5)
se = se + (Cells(3 + i, 5) * Cells(3 + i, 7) / 100) ^ 2 + Ci * Cm * e2
Cells(12, 6) = Sqr(se)
Cells(12, 7) = 100 * Sqr(se) / Cells(12, 5)
Range("F4:G12").NumberFormat = "0.00"
Range("F4:G11").Font.Color = vbBlue
End If
Next i
Range("F4:G12").Font.Bold = True
End Sub
14
Exit For
Else
Ci = Worksheets("Claim Amount").Cells(3 + i, 11)
Ck = Worksheets("Claim Amount").Cells(3 + i, 10 - i + k)
fk = Worksheets("Claim Amount").Cells(14, 11 - i + k)
Var = Worksheets("Claim Amount").Cells(15, 11 - i + k)
With Sheets("Claim Amount")
Set S = .Range(.Cells(3, 10 - i + k), .Cells(3 + i - k, 10 - i + k))
Set M = .Range(.Cells(4 + i, 11), .Cells(11, 11))
End With
Cj = Application.WorksheetFunction.Sum(S)
Cm = Application.WorksheetFunction.Sum(M)
e2 = e2 + 2 * Var / ((fk ^ 2) * Cj)
End If
Next k
se = se + (Cells(3 + i, 5) * Cells(3 + i, 6) / 100) ^ 2 + Ci * Cm * e2
Cells(12, 6) = 100 * Sqr(se) / Cells(12, 5)
Range("F4:F12").NumberFormat = "0.00"
Range("F4:F11").Font.Color = vbBlue
End If
Next i
Cells(12, 6) = 100 * Sqr(se) / Cells(12, 5)
Range("F4:F12").Font.Bold = True
End Sub
15