PROPOSAL TESIS
Diusulkan oleh
Dengan ini saya menyatakan bahwa dalam Proposal Tesis ini tidak terdapat karya
yang pernah diajukan untuk Proposal Tesis maupun untuk memperoleh gelar Mas-
ter di suatu Perguruan Tinggi, dan sepanjang pengetahuan saya juga tidak terdapat
karya atau pendapat yang pernah ditulis atau diterbitkan oleh orang lain, kecuali
yang secara tertulis diacu dalam naskah ini dan disebutkan dalam daftar pustaka.
iii
DAFTAR ISI
HALAMAN PERSETUJUAN . . . . . . . . . . . . . . . . . . . . . . . . ii
HALAMAN PERNYATAAN . . . . . . . . . . . . . . . . . . . . . . . . . iii
DAFTAR ISI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv
I PENDAHULUAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1. Latar Belakang Masalah . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Rumusan Masalah . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Tujuan dan Manfaat Penelitian . . . . . . . . . . . . . . . . . . . . 5
1.4. Batasan Masalah . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.5. Tinjauan Pustaka . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.6. Metode Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.7. Sistematika Penulisan . . . . . . . . . . . . . . . . . . . . . . . . . 8
II DASAR TEORI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1. Teori Probabilitas . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2. Variabel Random . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3. Distribusi Khusus . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3.1. Distribusi Uniform . . . . . . . . . . . . . . . . . . . . . . 14
2.3.2. Distribusi Gamma . . . . . . . . . . . . . . . . . . . . . . 15
2.3.3. Distribusi Eksponensial . . . . . . . . . . . . . . . . . . . 15
2.3.4. Distribusi Weibull . . . . . . . . . . . . . . . . . . . . . . 15
2.3.5. Distribusi Lognormal . . . . . . . . . . . . . . . . . . . . . 16
2.3.6. Distribusi Poisson . . . . . . . . . . . . . . . . . . . . . . 16
2.4. Statistik Urutan . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.5. Proses Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.5.1. Proses Stokastik . . . . . . . . . . . . . . . . . . . . . . . 18
2.5.2. Counting Process . . . . . . . . . . . . . . . . . . . . . . . 18
2.5.3. Definisi Proses Poisson . . . . . . . . . . . . . . . . . . . . 20
2.5.4. Distribusi yang Terkait dengan Proses Poisson . . . . . . . 22
2.5.5. Distribusi Uniform dan Proses Poisson . . . . . . . . . . . . 26
2.6. Proses Poisson Non-Homogen . . . . . . . . . . . . . . . . . . . . 27
2.7. Non-Homogeneous Marked Poisson Process . . . . . . . . . . . . . 32
2.8. Metode Maximum Likelihood Estimation (MLE) . . . . . . . . . . . 33
2.9. Data dan Variabel Random Survival . . . . . . . . . . . . . . . . . 35
2.9.1. Fungsi Survival dan Hazard . . . . . . . . . . . . . . . . . 35
iv
v
2.9.2. Kuantil . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.9.3. Hubungan antar Fungsi . . . . . . . . . . . . . . . . . . . . 37
2.9.4. Estimasi Parameter . . . . . . . . . . . . . . . . . . . . . . 37
2.10. Uji Kolmogorov-Smirnov . . . . . . . . . . . . . . . . . . . . . . . 38
2.11. Simulasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.12. Cadangan Klaim . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.13. Segitiga Run-Off Agregat . . . . . . . . . . . . . . . . . . . . . . . 40
2.14. Segitiga Run-Off Individu . . . . . . . . . . . . . . . . . . . . . . 41
2.15. Metode Chain Ladder . . . . . . . . . . . . . . . . . . . . . . . . 43
III RENCANA PENELITIAN . . . . . . . . . . . . . . . . . . . . . . . . 45
3.1. Rencana Pelaksanaan Penelitian . . . . . . . . . . . . . . . . . . . 45
3.1.1. Tahapan Penelitian . . . . . . . . . . . . . . . . . . . . . . 45
3.1.2. Jadwal Penelitian . . . . . . . . . . . . . . . . . . . . . . . 46
3.2. Hasil Sementara . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2.1. Data Polis . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.2.2. Data dari Catatan Klaim . . . . . . . . . . . . . . . . . . . 49
3.2.3. Notasi untuk Klaim per Klaim . . . . . . . . . . . . . . . . 50
3.2.4. Pengelompokan Klaim . . . . . . . . . . . . . . . . . . . . 51
3.2.5. Model Proses Pembayaran . . . . . . . . . . . . . . . . . . 52
3.2.6. Model Proses Klaim . . . . . . . . . . . . . . . . . . . . . 57
3.2.7. Proses dari Klaim-g . . . . . . . . . . . . . . . . . . . . . 60
3.2.8. Estimasi Distribusi dan Parameter Model . . . . . . . . . . 63
3.2.9. Simulasi . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
DAFTAR PUSTAKA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
BAB I
PENDAHULUAN
Asuransi dibagi menjadi dua yaitu asuransi jiwa (life insurance) dan asu-
ransi non-jiwa (non-life insurance). Pada (life insurance), risiko yang dijamin oleh
perusahaan asuransi adalah berupa risiko kematian, sedangkan pada (non-life insu-
rance) risiko yang dijamin oleh perusahaan asuransi bermacam-macam tergantung
pada jenis yang diasuransikan. Asuransi non-jiwa atau (non-life insurance) sering
juga disebut dengan asuransi umum (general insurance) dan salah satu jenis asuransi
ini adalah asuransi tanggung gugat.
1
2
ransi ini adalah ketika ruang usaha dalam bentuk pabrik, gedung bioskop, restoran,
toko, dan lain sebagainya dianggap merugikan bagi lingkungan atau orang yang ber-
ada di sekitarnya, maka akan terjadi gugatan pada tempat usaha tersebut. Contoh
lainnya adalah ketika produk yang dibuat oleh produsen, ternyata berdampak buruk
pada salah satu konsumen. Konsumen pun menuntut produsen untuk mengganti
rugi kerugian yang ditimbulkannya. Ada juga klaim yang disebabkan oleh seorang
karyawan atau buruh yang mengalami kecelakaan kerja hingga harus meminta per-
tanggungjawaban kepada majikan atau pemilik usaha yang mempekerjakannya.
rangka kerja yang sama dengan Norberg (1993) dan Norberg (1999), serta menggu-
nakan alat statistik kejadian berulang Cook and Lawless (2007) dan micro-level data
dalam penelitiannya. Kemudian Bednarik (2017), melakukan penelitian yang sa-
ma dengan Antonio dan plat (2012) dengan menambahkan beberapa asumsi-asumsi
yang digunakan untuk mempermudah pemodelan proses klaim.
Oleh karena itu, penulis tertarik membahas estimasi cadangan klaim meng-
gunakan model yang diadaptasi dari Antonio dan Plat (2012) dan asumsi-asumsi
serta simulasi seperti yang telah digunakan oleh Bednarik (2017). Model untuk
proses klaim dibangun dengan kerangka kerja non-homogeneous marked Poisson
process, dimana terdapat empat informasi terperinci yang akan diestimasi secara
terpisah yaitu proses klaim, waktu tunda pelaporan, waktu antar pembayaran dan
terakhir adalah besar pembayaran. Estimasi didasarkan pada teori Maximum Li-
kelihood dan kemudian dilanjutkan dengan simulasi. Studi kasus diterapkan pada
data klaim produk asuransi tanggung gugat. Hasil estimasi cadangan klaim de-
ngan model stokastik ini akan dibandingkan dengan hasil estimasi cadangan klaim
dengan menggunakan Bootstrap Chain-Ladder. Komputasi untuk model stokastik
dan BootstrapChain-Ladder ini dilakukan menggunakan software R.3.5.3.
son process untuk mengestimasi cadangan klaim salah satu lini bisnis non-life
insurance yaitu produk asuransi tanggung gugat.
Hasil penelitian ini diharapkan dapat menambah wawasan bagi siapa saja, terutama
yang mendalami bidang kajian estimasi cadangan klaim sehingga dapat digunakan
sebagai batu pijakan untuk penelitian lebih lanjut.
1. Data yang digunakan adalah data klaim produk asuransi tanggung gugat.
Asuransi tanggung gugat merupakan suatu asuransi yang memberikan jami-
nan perlindungan kepada pemegang polis terhadap resiko yang timbul karena
adanya tuntutan pihak lain (pihak ketiga).
2. Data yang digunakan adalah Paid Claim. Paid claims data adalah data pem-
bayaran klaim-klaim yang telah terjadi tanpa ditambah dengan case reserves.
6
Case reserves adalah taksiran besarnya uang yang dibuat oleh perusahaan
asuransi untuk membayar klaim-klaim yang sudah dilaporkan.
3. Data klaim yang digunakan adalah data klaim normal, tanpa mengikutserta-
kan klaim ex gratia, salvage dan subrogation. Klaim ex gratia adalah pemba-
yaran klaim dari perusahaan asuransi kepada pemegang polis atas dasar ke-
bijaksanaan untuk klaim yang sebenarnya tidak reliable dan tidak tercantum
dalam kontrak polis. Salvage adalah sisa dari kerusakan atau klaim merupa-
kan tanggung jawab atau diambil alih oleh perusahaan asuransi. Subrogation
adalah prinsip yang mengatur tentang hak perusahaan asuransi yang telah me-
nyelesaikan pembayaran ganti rugi yang diderita oleh pemegang polis, maka
secara otomatis hak yang dimiliki pemegang polis untuk menuntut pihak ke-
tiga yang menimbulkan kerugian atau kerusakan beralih ke perusahaan asu-
ransi.
Dalam penelitian ini dasar teori yang akan digunakan antara lain: untuk te-
ori probabilitas, variabel random, beberapa distribusi khusus, dan statistik urutan
diambil dari buku karangan Bain dan Engelhardt (1992), untuk model stokastik de-
ngan kerangka kerja non-homogeneous marked Poisson process beserta teori yang
mendasarinya diambil dari Daley dan Vere-Jones (2003), Ross (2010), Pinsky dan
Karlin (2011), Antonio dan Plat (2014), dan Bednárik (2017), untuk data dan fungsi
survival sendiri diambil dari buku Danardono (2012), untuk dasar teori segitiga run-
off agregat dan individu diambil dari buku Mutaqin dkk. (2008), Olofsson (2006)
dan jurnal Drieskens et al. (2012), untuk materi cadangan klaim dan Bootstrap
Chain-Ladder diambil dari buku Mack (1993), Wuthrich dan Merz (2008), England
dan Verrall (2002).
7
Penelitian ini menggunakan studi literatur dari buku, jurnal, dan internet.
Studi kasus dilakukan dengan menggunakan data sekunder, yaitu data klaim produk
asuransi tanggung gugat. Langkah-langkah penelitian ini ialah pertama menentu-
kan tren yang cocok dari waktu tunda pelaporan, kemudian mengestimasi parame-
ternya, yang mana parameter tersebut selanjutnya akan digunakan untuk mentrans-
formasikan waktu tunda pelaporang yang sedang diamati. Transformasi semacam
itu memiliki keuntungan bahwa data yang ditransformasi membentuk sampel acak
kontinu. Selanjutnya tentukan distribusi yang sesuai dengan data yang telah ditrans-
formasikan tadi, dan cari estimasi parameternya. Kedua, Menentukan fungsi inten-
sitas dari proses klaim. Ketiga, Menentukan distribusi waktu antar pembayaran, di-
mana tipe pembayaran dibagi menjadi dua tipe, yaitu tipe 1 (pembayaran) dan tipe
2 (penyelesaian dengan pembayaran). Pada bagian ini akan terdapat penyensoran.
Oleh karena itu dalam penentuan distribusi waktu antar pembayaran teori analisis
data survival untuk data tersensor perlu diaplikasikan. Setelah distribusi diperoleh,
estimasi parameternya dicari.Kemudian parameter tersebut akan digunakan untuk
mensimulasikan tipe dan waktu pembayaran selanjutnya. Keempat, menentukan
distribusi dari besar pembayaran klaim serta mengestimasi parameternya. Terakhir,
melakukan simulasi.
kan dan ada banyak software untuk mensimulasikan. Kemudian mampu memper-
timbangkan perbaikan untuk meningkatkan keakuratan dan bisa mengurangi waktu
perhitungan.
Studi kasus yang diambil yaitu mengestimasi cadangan klaim produk asu-
ransi tanggung gugat. Hasil estimasi kemudian dibandingkan dengan hasil metode
Bootstrap Chain-Ladder sebagai metode estimasi cadangan klaim agregat. Kompu-
tasi dilakukan dengan menggunakan software R.3.5.3.
BAB I PENDAHULUAN
Bab ini membahas mengenai latar belakang, rumusan masalah, tujuan dan
manfaat penelitian, batasan masalah, tinjauan pustaka, metode penelitian,
dan sistematika penulisan.
BAB V PENUTUP
Bab ini berisi tentang kesimpulan dari pembahasan pada bab sebelumnya
dan saran atas kekurangan dari hasil penelitian yang telah dilakukan.
BAB II
DASAR TEORI
Misalkan kita akan melakukan percobaan yang hasilnya tidak dapat diprediksi
sebelumnya. Namun, himpunan semua hasilnya mungkin bisa diketahui. Himpun-
an semua hasil yang mungkin dari suatu percobaan disebut sebagai ruang sampel
percobaan dan dinotasikan oleh S (Bain dan Engelhardt,1992). Setiap subset E
dari ruang sampel S disebut dengan suatu kejadian.
Untuk dua kejadian E dan F dari ruang sampel S, didefinisikan dua operator
pada himpunan yang disebut dengan gabungan dan irisan yang disimbolkan secara
berturut-turut dengan ∪ dan ∩. Misalkan dalam contoh pelemparan dadu E =
1, 3, 5 dan F = 1, 2, 3, maka E ∪ F = {1, 2, 3, 5} sedangkan E ∩ F = {1, 3}.
Definisi 2.1.1 mutually exclusive (Bain dan Engelhardt,1992) Dua kejadian E dan
F dikatakan mutually exclusive jika E ∩ F = ∅.
10
11
P (E ∪ F ) = P (E) + P (F ). (2.1)
1. 0 ≤ P (E) ≤ 1.
2. P (S) = 1.
3. Untuk setiap deretan kejadian E1 , E2 , E3 , ... yang saling asing maka berlaku.
∞
[ ∞
X
P( En ) = P (En ), (2.2)
i=1 i=1
Probabilitas suatu kejadian yang muncul dari ruang sampel biasanya dinya-
takan dalam bentuk nilai numerik, bukan sebagai warna atau karakteristik lainnya.
Oleh sebab itu, perlu didefinisikan suatu fungsi yang mengaitkan setiap hasil per-
cobaan dengan suatu bilangan real.
Definisi 2.2.2 Variabel Random Diskrit (Bain dan Engelhardt,1992) Jika himpu-
nan semua nilai yang mungkin muncul dari suatu variabel random X, merupakan
himpunan terhitung (countable) x1 , x2 , x3 , ..., xn , atau x1 , x2 , x3 , ... maka X dise-
but variabel random diskrit. Fungsi
Definisi 2.2.3 Variabel Random Kontinu (Bain dan Engelhardt,1992) Suatu va-
riabel random X dinamakan variabel random kontinu jika nilainya dapat menca-
kup seluruh nilai dari suatu interval. Fungsi fX (x) merupakan pdf variabel ran-
dom kontinu jika dan hanya jika memenuhi sifat fX (x) ≥ 0 untuk semua x dan
R∞
f (x)dx = 1. CDF dari variabel random kontinu X yang didefinisikan untuk
−∞ X
Fungsi densitas probabilitas gabungan dari nilai vektor variabel random X berdi-
mensi k, X = {X1 , X2 , X3 , ..., Xk } disebut kontinu jika fungsi densitas probabili-
tas gabungan fX (x1 , x2 , x3 , ..., xk ) memiliki CDF gabungan sebagai berikut
Zx1 Zxk
FX (x1 , x2 , x3 , ..., xk ) = ... fX (t1 , ..., tk ) dt1 ...dtk . (2.7)
−∞ −∞
Definisi 2.2.5 Distribusi Marginal (Bain dan Engelhardt,1992) Jika variabel ran-
dom diskrit X1 dan X2 mempunyai pdf gabungan fX1 ,X2 (x1 , x2 ) maka pdf marginal
dari x1 dan x2 adalah
X X
fX1 (x1 ) = fX1 ,X2 (x1 , x2 ) dan fX2 (x2 ) = fX1 ,X2 (x1 , x2 ). (2.8)
x2 x1
13
Jika variabel random kontinu X1 dan X2 mempunyai pdf gabungan fX1 ,X2 (x1 , x2 )
maka pdf marginal dari x1 dan x2 adalah
Z∞ Z∞
fX1 (x1 ) = fX1 ,X2 (x1 , x2 ) dx2 dan fX2 (X2 ) = fX1 ,X2 (x1 , x2 ) dx1 .
−∞ −∞
(2.9)
Salah satu konsep yang paling berguna dalam teori probabilitas adalah pro-
babilitas bersyarat. Dalam praktiknya, kita lebih sering tertarik untuk menghi-
tung probabilitas ketika sebagian informasi tersedia, karenanya probabilitas yang
diinginkan adalah probabilitas bersyarat.
Teorema 2.2.8 (Bain dan Engelhardt,1992) Jika X1 dan X2 adalah variabel ran-
dom diskrit atau kontinu dengan fungsi densitas probabilitas gabungan f (X1 , X2 )
dan fungsi densitas probabilitas marginal fX1 (x1 ) dan fX2 (x2 ), maka
fX1 ,X2 (x1 , x2 ) = fX1 (x1 ).fX2 |X1 (x2 | x1 ) = fX2 (x2 ).fX1 |X2 (x1 | x2 ) (2.12)
dan
fX1 |X2 (x1 | x2 ) = fX1 (x1 ). (2.14)
14
Pada subbab ini diberikan beberapa distribusi khusus yang sering diaplika-
sikan dalam estimasi cadangan klaim.
Definisi 2.3.1 (Wackerly, 2007) Jika θ1 < θ2 , suatu variabel random Y dikata-
kan memiliki distribusi probabilitas Uniform kontinu pada interval (θ1 , θ2 ) jika dan
hanya jika fungsi densitas probabilitas dari Y adalah
1 , untuk θ1 ≤ θ2
θ2 −θ1
fY (y) = (2.17)
0, lainnya.
Bukti. Teorema akan dibuktikan dalam kasus dimana F (x) adalah one-to-one, se-
hingga invers F −1 (u) ada:
FU (u) = P [F (X) ≤ u]
= P [X ≤ F −1 (u)]
= F (F −1 (u))
= u.
15
dimana
Z∞
Γ(α) = y α−1 e−y dy. (2.19)
0
Definisi 2.3.4 (Wackerly, 2007) Suatu variabel random Y dikatakan memiliki dis-
tribusi Eksponensial dengan parameter β > 0 jika dan hanya jika fungsi densitas
probabilitas dari Y adalah
y
1 e− β , 0 ≤ y < ∞
β
fY (y) = (2.20)
0, lainnya.
Distribusi Poisson merupakan salah satu distribusi khusus yang paling ba-
nyak digunakan. Biasanya digunakan untuk menyatakan probabilitas banyaknya
kejadian yang terjadi dalam interval waktu tertentu.
Kemudian
= µ2 + µ, (2.26)
maka
2
σX = V ar(X) = E(X 2 ) − (E(X))2
= µ2 + µ − µ2
= µ. (2.27)
Dengan demikian, distribusi Poisson memiliki karakteristik dimana mean dan vari-
ansi memilik nilai yang sama yaitu µ. Sedangkan Moment generating function dari
distribusi Poisson, yaitu
n
X
tx
MX (t) = E(e ) = etx pX (x)
x=0
n µ x
X e µ
= etx
x=0
x!
n
−λ
X (λet )x
= e
x=0
x!
n t
t
X e−λe (λet )x
= e−λ eλe
x=0
x!
t
= e−λ eλe
t
= eλ(e −1) . (2.28)
Proses Poisson merupakan salah satu counting process yang paling penting
yang memenuhi beberapa kondisi. Proses Poisson sering digunakan untuk menghi-
tung kejadian-kejadian yang muncul dalam laju/rate tertentu yang benar-benar ran-
dom. Sebelum menjelaskan definisi proses Poisson, akan dijelaskan terlebih dahulu
mengenai definisi proses stokastik dan counting process.
Definisi 2.5.1 [Ross, 2010] Proses stokastik {X(t), t ∈ T } adalah himpunan vari-
abel random sedemikian sehingga untuk setiap t dalam himpunan indeks T berlaku
X(t) merupakan variabel random.
Definisi 2.5.2 Counting Process (Ross, 2010) Proses stokastik {N (t), t ≥ 0} di-
katakan sebagai counting process jika N (t) mewakili total banyak ”kejadian” yang
terjadi sampai waktu t yang memenuhi kondisi:
19
1.) N (t) ≥ 0.
4.) Untuk s < t, N (t) − N (s) menyatakan banyak kejadian yang terjadi dalam
interval waktu (s, t].
1. Jika N (t) sama dengan total banyak orang yang memasuki toko tertentu sam-
pai waktu t, maka {N (t), t ≥ 0} adalah counting process dimana suatu keja-
dian berhubungan dengan seseorang yang memasuki toko.
2. Jika N (t) sama dengan total banyak gol yang dicetak oleh pemain sepak bola
sampai waktu t, maka {N (t), t ≥ 0} adalah counting process.
Selain itu, suatu counting process dikatakan stasioner jika memiliki statio-
nary increments.
20
Definisi 2.5.3 Partisi (Capiński dan Kopp, 2003) Misal himpunan A ⊆ <d dengan
d = 1, 2, 3. Didefinisikan partisi hingga dari himpunan A, dinotasikan dengan ℘,
adalah koleksi hingga dari subhimpunan Ai untuk i = 1, 2, ..., n yang saling lepas,
atau ℘ = {Ai }i=1,2,...,n , dimana Ai ⊂ A dan Ai ∩ Aj = ∅ untuk i, j = 1, 2, ...n,i 6=
j. Gabungan dari subhimpunan Ai tersebut menghasilkan himpunan A itu sendiri,
yang dapat dituliskan sebagai berikut;
n
[
A= Ai dengan Ai ∩ Aj = ∅ untuk i, j = 1, 2, ..., n, i 6= j. (2.30)
i=1
Dalam bukunya, (Ross, 2010) menyebutkan bahwa salah satu counting pro-
ses yang paling penting adalah proses Poisson, yang didefinisikan sebagai berikut.
Definisi 2.5.4 (Ross, 2010) Counting process {N (t), t ≥ 0} dikatakan proses Po-
isson dengan intensitas λ > 0, jika memenuhi kondisi:
1.) N (0) = 0.
3.) Banyak kejadian di dalam interval dengan panjang t berdistribusi Poisson de-
ngan mean λt, sehingga untuk setiap s, t ≥ 0.
x
−λt (λt)
P (N (t + s) − N (s) = x) = e , x = 0, 1, 2, ... (2.31)
x!
yang menjelaskan mengapa λ disebut laju/rate dari proses atau banyak kejadian
yang terjadi persatuan waktu.
Definisi kedua muncul karena pada Definisi 2.5.4 belum jelas bagaimana
cara memenuhi kondisi 3.).
Berikut diberikan definisi dari fungsi o(h) yang akan sering digunakan untuk
penjelasan selanjutnya.
f (h)
lim = 0. (2.34)
h→0 h
Definisi 2.5.8 (Ross, 2010) Counting process {N (t), t ≥ 0} dikatakan proses Po-
isson dengan intensitas λ, λ > 0, jika memenuhi kondisi:
1.) N (0) = 0.
Dari Definisi di atas, berikut diperoleh beberapa asumsi untuk proses Pois-
son:
1. Peluang terjadi satu kejadian antara waktu t dan t + ∆t adalah λ∆t + o(∆t)
dengan (∆t −→ 0). Berikut penjelasannya.
e−λ∆t (λ∆t)
P N (t + ∆t) − N (t) = 1 =
1!
1 2 2−...
= (λ∆t) 1 − λ∆t + λ ∆t
2
= λ∆t + o(∆t). (2.35)
2. Peluang lebih dari satu kejadian yang terjadi antara t dan t+∆t adalah sangat
kecil atau bisa dikatakan diabaikan.
∞
X e−λ∆t (λ∆t)2
P N (t + ∆t) − N (t) ≥ 2 =
n=2
2!
1
X e−λ∆t (λ∆t)n
= 1−
n=0
n!
−λ∆t
+ e−λ∆t (λ∆t)
= 1− e
= 1 − (1 + λ∆t)e−λ∆t
1 2 2
= 1 − ((1 + λ∆t)) 1 − λ∆t + λ ∆t − ...
2
1 2 2 1 3 3
= λ ∆t − λ ∆t + ...
2 3
= o(∆t) (2.36)
3. Peluang tidak ada kejadian yang terjadi antara t dan t + ∆t adalah e−λ∆t .
e−λ∆t (λ∆t)0
P N (t + ∆t) − N (t) = 0 = = e−λ∆t (2.37)
0!
Proses Poisson terbagi menjadi dua jenis, yaitu proses Poisson homogen dan
non-homogen. Dalam thesis ini akan dipelajari lebih jauh mengenai proses Poisson
non-homogen beserta studi kasusnya.
kapan saja dalam interval [0, t]. Misalkan kejadian pertama terjadi pada saat t1 , di
sini N (t1 ) = 1 dan N (t) = 0 untuk t < t1 . Kejadian kedua terjadi pada saat t2 , ma-
ka N (t2 ) = 2 dan N (t) = 1 untuk t1 ≤ t < t2 . Perhatikan bahwa (tk+1 − tk ) adalah
panjang waktu terjadinya kejadian ke-(k + 1) setelah kejadian ke-k. Panjang selang
ini disebut dengan waktu antar kejadian, atau dapat ditulis dengan Xn , dimana Xn
adalah waktu antar kejadian ke-(n − 1) dengan kejadian ke-n dengan X1 menyatak-
an waktu kejadian pertama, dan dapat ditulis pula bahwa {Xn , n = 1, 2, ...} adalah
barisan waktu antar kejadian atau interarrival time.
Definisi 2.5.9 Waktu Antar Kejadian (Ross, 2010) Berdasarkan counting process
{N (t), t ≥ 0}, misalkan X1 adalah waktu dari kejadian pertama. Untuk n ≥ 1,
misalkan Xn adalah waktu antara kejadian ke (n − 1) dan kejadian ke n. Maka
{Xn , n ≥ 1} disebut barisan waktu antar kedatangan atau waktu antar kejadian.
Bukti. Akan ditunjukkan bahwa X1 , X2 , ..., Xn adalah perkalian dari fungsi densi-
tas eksponensial yang diberikan oleh
···
···
···
sesuai dengan tidak ada kejadian dalam interval (0, x1 ], (x1 +4x1 , x1 +4x1 +x2 ], ...
, (x1 +4x1 +x2 +4x2 +...+4xn−1 , x1 +4x1 +x2 +4x2 +...+4xn−1 +xn ] dan tepat
satu kejadian di setiap interval (x1 , x1 +4x1 ], (x1 +4x1 +x2 , x1 +4x1 +x2 +4x2 ],
... , (x1 + 4x1 + x2 + 4x2 + ... + 4xn−1 + xn , x1 + 4x1 + x2 + 4x2 + ... +
4xn−1 + xn + 4xn ]. Sehingga
f (x1 , ..., xn ) 4 x1 ... 4 xn = P r(x1 < X1 < x1 + 4x1 , x2 < X2 < x2 + 4x2
o(4x1 4 x2 ... 4 xn ).
25
Setelah membagi kedua sisi dengan (4x1 )(4x2 )...(4xn ) dan mencari nilai limit
dengan (4x1 → 0),(4x2 → 0), ..., dan (4xn → 0), sehingga diperoleh (2.38).
Sn = X1 + X2 + ... + Xn , n = 1, 2, .. (2.39)
Teorema 2.5.11 (Pinsky dan Karlin, 2011) Waktu tunggu Sn memiliki distribusi
gamma yang fungsi densitas probabilitasnya adalah
λn (λt)n−1 −λt
fSn (t) = e n = 1, 2, ..., t ≥ 0. (2.40)
(n − 1)!
Bukti. Sn ≤ t terjadi jika dan hanya jika ada setidaknya n kejadian dalam interval
(0, t], dan karena jumlah kejadian dalam (0, t] memiliki distribusi Poisson dengan
mean λt diperoleh fungsi distribusi kumulatif dari
Fungsi densitas probabilitas fSn (t) diperoleh dengan cara mencari turunan dari
fungsi distribusi kumulatif FSn (t).
d
fSn (t) = FSn (t)
dt
λt (λt)2 (λt)n−1
d −λt
= 1−e 1− + + ... +
dt 1! 2! (n − 1)!
2
λ(λt)n−2
−λt λ(λt) λ(λt)
= −e λ+ + + ... +
1! 2! (n − 2)!
2
(λt)n−1
−λt λt (λt)
+λe 1− + + ... +
1! 2! (n − 1)!
n n−1
λ (λt)
= e−λt n = 1, 2, ..., t ≥ 0.
(n − 1)!
26
Hasil utama dari subbab ini adalah, Teorema 2.5.12, yang menyediakan alat
penting untuk menghitung fungsionalitas tertentu pada proses Poisson. Jika suatu
kejadian bersyarat dengan bersyaratkan total banyak kejadian yang tetap dalam su-
atu interval, maka lokasi kejadian tersebut didistribusikan secara uniform dengan
cara tertentu.
Teorema 2.5.12 (Pinsky dan Karlin, 2011) Misalkan T1 , T2 , ... menjadi waktu ter-
jadinya dalam proses Poisson dengan intensitas λ > 0. Bersyaratkan N (t) = n,
variabel random T1 , T2 , ..., Tn , memiliki fungsi densitas probabilitas gabungan
n!
untuk 0 < x1 < ... < xn ≤ t.
fX1 ,...,Xn |N (t)=n (x1 , .., xn ) = (2.41)
tn
Bukti. Kejadian xi < Xi ≤ xi +4xi untuk i = 1, ..., n dan N (t) = n sesuai dengan
tidak ada kejadian yang terjadi dalam interval (0, x1 ], (x1 + 4x1 , x2 ], ..., (xn−1 +
4xn−1 , xn ], (xn + 4xn , t], dan tepat satu kejadian di setiap interval (x1 , x1 + 4x1 ],
(x2 , x2 + 4x2 ], ..., (xn , xn + 4xn ]. Interval ini terpisah, dan
sementara
Sehingga
+o(4x1 · · · 4 xn )
Definisi 2.6.1 (Ross, 2010) (Ross, 2007) Counting process N (t), t ≥ 0 dikatakan
proses Poisson non-homogen dengan fungsi intensitas λ(t) jika memenuhi kondisi:
1.) N (0) = 0.
Untuk t ∈ [0, +∞] didefinisikan suatu fungsi hazard kumulatif atau disebut
juga nilai harapan dari increments yang dinyatakan oleh persamaan berikut, yaitu
Zt
Λ(t) = E(N (t)) = λ(s)ds. (2.42)
0
28
Berdasarkan fungsi Λ(t) maka peluang bahwa ada kejadian sebanyak k da-
lam interval waktu t adalah
(Λ(t))k
P {N (t) = k | N (0) = 0} = e−Λ(t) (2.43)
k!
2.) Misalkan Ti menyatakan waktu dari kejadian ke-i, kemudian untuk 0 ≤ t1 <
... < tn < ∞ maka
n
P [Ti ∈ [ti , ti + hi )] −Λ(t)
Y
lim =e λ(ti ). (2.44)
(h1 ,...,hn )→(0+ ,...,0+ ) h i=1
3.) Jika N ∗ (t) = N (t) + M (t), maka {N ∗ (t), t ≥ 0} adalah proses Poisson non-
homogen dengan fungsi intensitas λ(t) + µ(t). Mengingat bahwa pada saat
waktu t terjadi suatu kejadian, dimana kejadian itu merupakan proses {Nt , t ≥
0} dengan peluang
λ(t)
. (2.45)
λ(t) + µ(t)
Bukti.
MY (s) = E(eY s )
e−(Λ(b)−Λ(a))
yaitu probabilitas bahwa tidak ada kejadian pada interval waktu (a, b]. Selan-
jutnya, definisi 2.6.1 nomor 4.) menyatakan bahwa probabilitas bahwa ada satu
kejadian pada interval (a, a + h] adalah sama dengan
λh + o(h).
Misalkan tidak ada kejadian selama interval [0, t1 ), ada satu kejadian selama
interval [t1 , t1 + h1 ), tidak ada kejadian selama interval [t1 + h1 , t2 ), ada satu
kejadian selama interval [t2 , t2 + h2 ), dan seterusnya sampai ada satu kejadian
selama interval [tn, tn + hn ), dan tidak ada kejadian selama interval [tn + h, ∞).
Kemudian dengan menggunakan sifat kenaikan bebas dan sifat yang telah dise-
butkan sebelumnya, maka probabilitas di dalam limit bisa ditulis dalam bentuk
n
e−Λ(t1 ) [λ(ti hi + o(hi))]eΛ(ti+1 −Λ(ti +hi ))
Q
n
Y
i=1 −Λ(t)
lim =e λ(ti )
(h1 ...hn )→(0+ ...0+ ) h1 ...hn i=1
30
3.) Untuk memverifikasi bahwa {Nt∗ (t), t ≥ 0} adalah proses Poisson non-homogen
dengan fungsi intensitas λ(t)+µ(t) cukup dengan membuktikan bahwa {Nt∗ (t), t ≥
0} memenuhi definisi 2.6.1 yaitu
(c) Agar ada tepat satu kejadian dari proses N ∗ antara t dan t + h, baik sa-
tu kejadian dari proses N dan 0 kejadian dari proses M atau sebaliknya.
Untuk satu kejadian dari proses N dan 0 kejadian dari proses M memiliki
probabilitas
P {N (t, t + h) = 1, M (t, t + h) = 0}
⇔ λ(t)h + o(h).
Untuk 0 kejadian dari proses N dan satu kejadian dari proses M memiliki
probabilitas
P {N (t, t + h) = 0, M (t, t + h) = 1}
⇔ µ(t)h + o(h).
31
(d) Agar setidaknya ada dua kejadian yang terjadi pada proses N ∗ antara t dan
t + h, salah satu dari tiga kemungkinan berikut harus terjadi: setidaknya
ada dua kejadian yang terjadi pada proses N antara t dan t + h; setidaknya
ada dua kejadian yang terjadi pada proses M antara t dan t+h; atau kedua
proses memiliki tepat satu kejadian antara t dan t + h. Dua kemungkinan
pertama terjadi dengan probabilitas o(h), sedangkan yang ketiga terjadi
dengan probabilitas (λ(t)h + o(h))(λ(t)h + o(h)) = o(h). Sehingga dipe-
roleh
P {N ∗ (t + h) − N ∗ (t) =≥ 2} ≤ o(h).
Selanjutnya untuk membuktikan teorema 2.6.2 nomor 3.), pertama ingat bahwa
{N ∗ (t), t ≥ 0} mempunyai sifat independent increments yang menyebabkan
kejadian pada waktu t independen terhadap kejadian yang terjadi sebelum t.
Untuk menemukan probabilitas bersyarat bahwa kejadian pada waktu t berasal
dari proses N , adalah dengan menggunakan
P {N (t, t + h) = 1, M (t, t + h) = 0}
P {N (t, t + h) = 1|N ∗ (t, t + h) = 1} =
P {N ∗ (t, t + h) = 1}
λ(t)h + o(h)
=
(λ(t) + µ(t))h + o(h)
o(h)
λ(t) + h
= o(h)
.
λ(t) + µ(t) + h
32
Untuk proses titik tertentu, setiap titik yang random dari proses titik dapat
memiliki objek matematika yang random juga, yang dikenal sebagai tanda. Tanda-
tanda ini dapat beragam seperti bilangan bulat, bilangan real, garis, objek geometris
atau proses titik lainnya. Pasangan yang terdiri dari satu titik proses titik dan tanda
yang bersangkutan disebut titik bertanda, dan semua titik yang ditandai membentuk
proses titik yang ditandai. Sering diasumsikan bahwa tanda yang random bersifat
independen antara satu dengan yang lain dan terdistribusi secara identik, namun tan-
da suatu titik masih dapat bergantung pada lokasi titik terkait di ruang atau keadaan
yang mendasarinya. Jika proses titik yang mendasari adalah proses titik Poisson
non-homogen, maka proses titik yang dihasilkan adalah proses titik Poisson non-
homogen yang ditandai.
X = {(ξ, mξ ) : ξ ∈ Y } (2.46)
disebut proses titik bertanda dengan titik di T dan ruang tanda M . Dalam penelitian
ini dipertimbangkan kasus-kasus di mana M merupakan himpunan terbatas atau
himpunan bagian dari Rp , p ≥ 1.
Definisi 2.7.1 Marked Poisson Process ( Daley dan Vere-Jones, 2003) Misalkan
Y adalah Poisson (T, φ), di mana φ adalah fungsi intensitas yang dapat diinte-
grasikan, dan bersyarat Y , tanda {mξ : ξ ∈ Y } saling independen. Kemudian
X adalah proses Poisson yang ditandai. Jika tanda didistribusikan secara identik
dengan distribusi Q yang umum, maka Q disebut distribusi tanda.
dimana proses titik {Ti , i ∈ N } ditentukan oleh proses Poisson non-homogen {Nt , t ≥
0} dengan fungsi intensitas λ(t), dan tanda Zi = ZTi ∈ Z memenuhi asumsi beri-
kut ini:
1.) {Zt , t ≥ 0} adalah keluarga dari elemen random di Z yang saling independen;
3.) Tanda bersyaratkan titik kejadian Z|T = t mempunyai densitas fZ|T (z | t), z ∈
Z.
Salah satu metode yang digunakan untuk mencari nilai estimasi dari suatu
parameter adalah metode maksimum likelihood. Ide dasar dari metode ini adalah
menggunakan nilai dalam suatu ruang parameter yang menghubungkannya dengan
data observasi yang memiliki kemungkinan terbesar sebagai penduga dari parame-
ter yang tidak diketahui.
mumkan L(θ) disebut sebagai Maximum Likelihood Estimator (MLE) dari θ. Maka
θ̂ merupakan suatu nilai dari θ yang memenuhi:
n
Y
`(θ) = log(L | x)) = log f (xi : θ). (2.50)
i=1
Data survival adalah suatu data yang berkaitan dengan lamanya waktu dari
waktu awal sampai suatu kejadian terjadi (waktu akhir). Data klaim termasuk da-
ta survival dengan waktu awal berupa waktu klaim terjadi dan waktu akhir berupa
periode waktu pembayaran diselesaikan. Data survival dinyatakan dalam suatu va-
riable random non-negatif T . Fenomena yang terkait dengan data survival antara
lain:
2. Waktu awal (Origin), yaitu titik asal dimana suatu unit penelitian mulai dia-
mati sampai mendapatkan/mengalami kejadian (event).
Dalam analisis data survival, fungsi variabel random yang menjadi perhatian
adalah fungsi survival dan fungsi hazard. Fungsi survival adalah probabilitas satu
individu hidup (survive) lebih lama daripada t
Z∞
S(t) = P (T > t) = f (s)ds. (2.55)
t
36
Fungsi S(t) adalah fungsi non-increasing terhadap waktu t dengan sifat S(0) = 1
dan lim S(t) = 0. Fungsi variabel random lain yang cukup penting adalah fungsi
t→∞
hazard yang didenisikan sebagai
P (t ≤ T < t + 4t | T ≥ t)
h(t) = lim , (2.56)
4t→0 4t
yang dapat diinterpretasikan sebagai tingkat (rate) terjadinya suatu kejadian (event).
Fungsi hazard bukan probabilitas, sehingga dimungkinkan nilainya lebih dari satu.
Batasan yang dikenakan pada fungsi hazard hanyalah h(t) ≥ 0. Integral dari fungsi
hazard h(t) adalah fungsi hazard kumulatif
Zt
H(t) = h(x)dx, (2.57)
0
yang hubungan fungsionalnya dengan S(t) cukup penting sebagai dasar dalam pe-
modelan data survival.
Fungsi S(t), h(t), H(t) dan f (t) merupakan fungsi yang bergantung pada
waktu t.
2.9.2. Kuantil
Kadang diperlukan fungsi yang hasilnya berupa nilai waktu t dengan dibe-
rikan probabilitas atau kuantitas yang lain. Misalnya dalam penghitungan median.
Median adalah nilai tengah, yaitu jika t0,5 adalah median, maka S(t0,5 ) = 0, 5.
Secara umum diperlukan fungsi yang dapat digunakan mencari median atau titik
waktu yang lain dengan diberikan probabilitas yang dinamakan fungsi kuantil.
atau
tp = F −1 (p), 0 < p < 1. (2.59)
37
Fungsi survival S(t) dapat diturunkan dari distribusi kumulatif F (t) sebagai
berikut
S(t) = 1 − F (t). (2.60)
f (t)
h(t) = . (2.61)
S(t)
Untuk data survival yang diasumsikan independen dan identik serta lengkap,
apabila ada t1 , t2 , ..., tn observasi, maka dari persamaan (2.48) diperoleh fungsi like-
lihood sebagai berikut.
n
Y
L(θ | t) = f (ti ; θ). (2.62)
i=1
Untuk data survival yang tidak lengkap, baik karena tersensor maupun terpotong,
fungsi likelihood ditentukan sebagai berikut.
adalah fungsi densitas probabilitas untuk i yang mendapatkan kejadian (event) dan
S(ti ; θ) adalah fungsi survival untuk i yang tidak mendapatkan kejadian (event).
Fungsi log-likelihood untuk data tersensor kanan dari fungsi likelihood (2.64)
adalah
n
X
`(θ) ∝ (δi ) log(f (ti ; θ)) + (1 − δi ) log(S(ti ; θ)). (2.65)
i=1
dimana Fs (x) adalah fungsi distribusi frekuensi kumulatif dan Ft (x) adalah fungsi
distribusi kumulatif teoritis dari sampel random X1 , X2 , ..., Xn .
Kesimpulan yang diambil adalah menolak H0 jika D > Dn,α , dengan Dn,α
adalah nilai kritis yang diperoleh dari tabel Kolmogorov-Smirnov.
2.11. Simulasi
Ada beberapa metode yang dapat digunakan untuk mencari estimasi cadang-
an klaim, salah satunya adalah metode simulasi. Simulasi dapat diartikan sebuah
39
metode untuk mengevaluasi suatu model yang melibatkan bilangan random sebagai
salah satu input. Metode ini sering digunakan jika model yang digunakan cukup
kompleks, melibatkan lebih dari sepasang parameter yang tidak pasti. Sebuah si-
mulasi dapat melibatkan lebih dari 10.000 evaluasi atas sebuah model, suatu peker-
jaan yang di masa lalu hanya bisa dikerjakan oleh sebuah super komputer. Metode
simulasi digolongkan sebagai metode sampling kerena input dibangkitkan secara
random dari suatu distribusi probabilitas untuk proses sampling dari populasi nya-
ta. Oleh karena itu kita harus memilih suatu distribusi sebagai input yang paling
mendekati data yang kita miliki.
1. Terdapat waktu tunda pelaporan klaim atau adanya selisih waktu antara keja-
dian klaim dan pelaporan klaim.
3. Terdapat kasus suatu klaim yang sudah ditutup harus dibuka kembali dengan
diikuti penambahan pembayaran klaim.
1. Cadangan IBNR (incurred but not reported), yaitu cadangan untuk klaim
yang terjadi tetapi belum dilaporkan. Klaim ini berkaitan dengan kejadian
yang terjadi dan diumumkan di media informasi tetapi belum dilaporkan ke
perusahaan asuransi. cadangan IBNR dihitung berdasarkan analisa penga-
40
laman terdahulu oleh bagian akuntansi, statistik, dan aktuaria pada perusaha-
an asuransi.
2. Cadangan RBNS (reported but not settled), yaitu cadangan untuk klaim yang
waktu pembayaran dan penyelesaiannya tertunda. Cadangan yang termasuk
di dalamnya adalah klaim yang sedang dalam proses penyelesaian.
Data yang ada dalam run-off triangle biasanya merupakan salah satu dari
dua kemungkinan berikut, yaitu claims amount (besarnya klaim) atau number of
41
claims (banyaknya klaim), dimana keduanya tersaji dalam bentuk cumulative atau
incremental. Jika datanya adalah claims amount, maka run-off triangle data berisi-
kan paid claims data atau incurred claims data (Olofsson, 1999). Paid claims data
adalah data pembayaran klaim-klaim yang telah terjadi, sedangkan incurred claims
data adalah paid claims data ditambah dengan case reserves. Case reserves ada-
lah taksiran besarnya uang yang dibuat oleh perusahaan asuransi untuk membayar
klaim-klaim yang sudah dilaporkan (Calandro dan OBrien, 2004).
Yi,j dengan i, j ∈ {1, 2, ..., n} adalah suatu variabel random yang menya-
takan klaim yang terjadi pada periode kejadian ke-i dan dibayarkan pada periode
perkembangan ke-j yang terobservasi saat i + j ≤ n + 1 dan tidak terobservasi saat
i + j > n + 1. Berdasarkan tabel di atas menunjukkan bahwa data segitiga run-off
yaitu sel-sel Yi,j (untuk i + j ≤ n + 1) yang berada pada segitiga atas dan berwarna
putih, sedangkan future triangle data yaitu sel-sel Yi,j (untuk i + j > n + 1) yang
berada pada segitiga bawah dan berwarna abu-abu mempresentasikan pembayaran
klaim dalam setiap periode pembayaran.
ngan segitiga run-off agregat, hanya saja dalam segitiga run-off individu klaim tidak
diringkas sebagaimana dalam segitiga run-off agregat. Dengan demikian, informa-
si yang berkaitan dengan kliam individu tersebut dapat ditampilkan pada segitiga
run-off individu. Bentuk umum dari segitiga run-off individu yang dikenalkan oleh
( (Drieskens, et al., 2012) dapat dilihat pada Tabel 2.2.
43
Menurut (Mack, 1993) metode Chain Ladder merupakan metode yang di-
gunakan untuk mengestimasi total klaim yang akan datang pada data yang tersaji
dalam segitiga ron-off agregat (Tabel 2.1). Tahap awal metode ini adalah memben-
tuk segitiga run-off agregat kumulatif yang ditunjukkan pada Tabel 2.3 yang dapat
diperoleh dengan menggunakan persamaan
n
X
Ci,j = Yi,j (2.67)
j=1
dengan i ∈ {1, 2, ..., n} dan j ∈ {1, 2, ..., n − i + 1}. Variabel random Ci,j me-
nyatakan total besar klaim pada periode kejadian ke-i dan dibayar sampai dengan
periode perkembangan ke-j.
Untuk mengestimasi segitiga bagian bawah yaitu Ĉi,j yang merupakan total
besar klaim yang akan datang dilakukan perhitungan faktor perkembangan terlebih
44
untuk i ∈ {2, 3, ..., n} dan j ∈ {n − i + 2, ..., n}. Selain itu, dapat pula diperoleh
total klaim untuk periode kejadian-i, i ∈ {2, 3, ..., n}, yaitu dengan persamaan
RENCANA PENELITIAN
Bab ini membahas rencana pelaksanaan penelitian yang berisi tahapan pene-
litian, jadwal penelitian, serta hasil sementara yang meliputi model yang digunakan,
proses estimasi parameter, simulasi, serta hasil estimasi.
2. Studi Literatur
Mempelajari literatur-literatur yang diperoleh.
45
46
6. Menyusun Pembahasan
Tahapan berikutnya adalah mencari data dari sumber yang dapat dipertang-
gungjawabkan keasliannya untuk selanjutnya digunakan sebagai materi pada
bab pembahasan yang membahas pemodelan cadangan klaim individual.
8. Ujian Tesis
Mempresentasikan hasil penelitian kepada tim penguji dan dosen pembim-
bing.
Jadwal penelitian disajikan dalam bentuk tabel yang berisi tahapan peneli-
tian seperti dijelaskan di atas beserta waktu pengerjaannya. Jadwal penelitian ini
disajikan dalam tabel berikut.
47
Bulan
Kegiatan Penelitian
1 2 3 4 5 6 7 8 9 10 11 12
Menentukan Jurnal dan Men-
cari Literatur
Studi Literatur
Menyususn Proposal Peneliti-
an
Ujian Proposal Penelitian
Revisi Proposal Penelitian
Menyusun Pembahasan
Membuat Draft Hasil Peneliti-
an
Ujian Tesis
Revisi Tesis dan Publikasi Ha-
sil Penelitian
Pada penelitian ini, pembahasan difokuskan pada satu lini bisnis yaitu asu-
ransi tanggung gugat. Suatu Portofolio terdiri dari banyak unit risiko kecil sehingga
satu klaim tidak memiliki dampak signifikan pada ukuran dan komposisi portofo-
lio, oleh karena itu tidak perlu dikaitkan dengan risiko individu. Berdasarkan teori
risiko kolektif diasumsikan bahwa informasi yang diberikan oleh catatan polis pa-
da waktu t dirangkum secara memadai oleh w(t) atau disebut juga dengan risiko
eksposure per unit waktu pada waktu t. Tingkat exposure w(t) dapat dianggap se-
bagai volume bisnis atau jumlah kontrak asuransi (polis). Fungsi w biasanya akan
49
terlihat seperti pada Gambar 3.1. Eksposur di masa depan setelah waktu τ berkaitan
dengan kontrak yang saat ini berlaku. Dalam praktiknya mereka akan kedaluwarsa
dalam waktu yang terbatas sehingga w(t) = 0 untuk t cukup besar. Total eksposur
dinotasikan sebagai
Z∞
W = w(t) dt, (3.1)
0
dengan W terbatas.
1. Nomor ID klaim.
Selain itu waktu tunda pelaporan dinotasikan oleh U = A2 − A1 dan waktu tunggu
hingga penyelesaian klaim dinotesikan ole V = A6 − A2 atau V = A9 − A2 .
Dalam subbab ini diperkenalkan beberapa variabel random yang secara ber-
sama akan digunakan untuk membangun model. Sebelumnya sudah dijelaskan bah-
wa T , U , V , dan C(v) secara berturut-turut menotasikan waktu terjadinya klaim,
waktu tunda pelaporan, waktu tunggu hingga penyelesaian klaim, dan pembayaran
klaim per klaim selama interval waktu tertentu. Jika Z = (U, C) adalah tanda untuk
klaim per klaim dimana
C = {C(v), 0 ≤ v ≤ V } (3.2)
adalah pembayaran klaim per klaim dalam interval [A2 , A6 ], maka suatu klaim dapat
dinyatakan sebagai pasangan (T, Z). Jika Z dinyatakan sebagai ruang perkembang-
an klaim yang mungkin dari Z, maka klaim (T, Z) adalah elemen random dalam
himpunan C = [0, ∞) × Z.
Klaim diasumsikan terjadi pada waktu T1 , T2 , ... dan tidak ada klaim yang
terjadi secara bersamaan. Klaim diurutkan dalam urutan naik terkait waktu terjadi-
nya, sehingga klaim ke-i terjadi pada waktu Ti . Berdasarkan Persamaan (??)
Sedangkan banyak klaim yang terjadi sebelum waktu t dapat ditulis sebagai
X
N (t) = I(Ti ≤ t),
i≥1
dimana I() adalah fungsi indikator ”at risk” yang berguna untuk menunjukkan kla-
im mana yang memberikan informasi tentang kejadian klaim pada waktu tertentu.
Fungsi indikator akan bernilai satu jika benar, dan bernilai nol untuk selainnya.
51
N = lim N (t).
t→∞
Perlu diingat bahwa waktu terjadinya klaim Ti terkait dalam proses menentukan
banyak klaim {N (t), t ≥ 0}, dan juga berlaku sebaliknya.
Zt
Λ(t) = w(s)λ(s)ds, (3.3)
0
karena W terbatas maka total banyak klaim juga terbatas dengan peluang sama
dengan satu.
Berdasarkan status perkembangan klaim saat ini atau waktu sekarang dino-
tasikan oleh τ ≥ 0, maka klaim dikelompokkan kedalam 4 kelompok yaitu, selesai
(settled), telah dilaporkan tetapi belum diselesaikan (RBNS), terjadi tetapi belum di-
laporkan (IBNR), dan cadangan premi yang belum merupakan pendapatan (UPR).
52
CS = {(t, z) ∈ C; t + u + v ≤ τ }, (3.4)
ZSt = {z ∈ Z : t + u + v ≤ τ }, (3.8)
ZRBN
t
S
= {z ∈ Z : t + u ≤ τ < t + u + v}, (3.9)
ZIBN
t
R
= {z ∈ Z : t ≤ τ < t + u}, (3.10)
Disini kelompok klaim selesai (settled) digabungkan dengan kelompok klaim telah
dilaporkan tetapi belum diselesaikan (RBNS) menjadi klaim yang telah dilaporkan
atau disimbolkan dengan (R). Sehingga bisa dibuat suatu notasi himpunan yaitu
ZR S RBN S
t = Zt ∪ Zt = {z ∈ Z : t + u ≤ τ }. (3.12)
Penggabungan itu dilakukan karena bentuk data nyata yang biasa diperoleh dari per-
usahaan asuransi adalah data tentang klaim yang telah dilaporkan. Kemudian data
klaim yang telah dilaporkan tersebut akan digunakan untuk mengestimasi cadang-
an klaim (IBNR) dengan memanfaatkan konsep dasar teori probabilitas yang akan
dijelaskan pada penjelasan selanjutnya.
Jadi pengelompokan klaim yang akan digunakan yaitu G ={R, IBNR, UPR}
yang merujuk pada himpunan yang telah dijelaskan di atas.
Model dari proses pembayaran untuk klaim yang telah terpilih dalam inter-
val waktu tertentu dibangun dengan beberapa asumsi.
53
6. Besar pembayaran i.i.d dan independen terhadap waktu dan tipe pembayaran.
54
µj (t), j = 1, 2, (3.13)
dan
Zb
µ2 (s)ds = M2 (b) − Mb (a). (3.17)
a
Berdasarkan (3.16) dan (3.17), probabilitas tidak ada pembayaran tipe 1 dalam in-
terval (a, b] adalah
dan probabilitas tidak ada pembayaran tipe 2 dalam interval (a, b] adalah
P r{N1 (a, b] = 0}P r{N2 (a, b] = 0} = e−(M1 (b)−M1 (a)) e−(M2 (b)−M2 (a))
= eM (a)−M (b)
Sama seperti pembuktian teorema 2.6.2 nomor 2.), maka fungsi densitas proba-
bilitas untuk proses pembayaran yang diamati selama interval waktu tetap [v0 , vn ]
adalah
( )
n−1
−(M (vk+1 )−M (vk +hk ))
e−M (v1 )
Q
[µ1 (vk )hk + o(hk )]e [µ2 (vn )hn + o(hn )]
k=1
f (n, v1 , ..., vn ) = lim
(h1 ...hn )→(0+ ,...,0+ ) h1 ...hn
n−1
−M (v1 )
Y
= e µ1 (vk ) µ2 (vn ) (3.22)
k=1
Misalkan X adalah variabel random dari besar pembayaran yang telah dila-
kukan dan Y adalah variabel radom dari waktu dan tipe pembayaran. Jika diamati,
informasi mengenai waktu dan tipe pembayaran berpengaruh terhadap besar pem-
bayaran yang telah dibayarkan. Artinya, besar pembayaran yang telah dibayarkan
bisa dicari atau ditentukan jika informasi mengenai waktu dan tipe pembayaran
diberikan. Dengan kata lain, fungsi densitas probabilitas dari besar pembayaran
yang telah dibayarkan adalah suatu fungsi densitas probabilitas bersyarat, yaitu
fX|Y (x | y). Dalam hal ini fungsi densitas probabilitas proses pembayaran ada-
lah fungsi densitas probabilitas gabungan dari waktu, tipe pembayaran, dan besar
pembayaran yang telah dilakukan, atau dinotasikan dengan fX,Y (x, y). Fungsi den-
sitas probabilitas proses pembayaran ditentukan dengan menggunakan Persamaan
(2.12), sehingga diperoleh
Sedangkan fungsi densitas probabilitas dari waktu dan tipe pembayaran adalah
Berdasarkan Persamaan (3.24) dan (3.25), maka Persamaan (3.23) berubah menjadi
n
Y
fC (c) = f (n, v1 , ..., vn ) fP (p)
j=1
"n−1 # n
Y Y
−M (v1 )
= e µ1 (vk ) µ2 (vn ) fP (p), (3.26)
k=1 j=1
dimana C = (Ñ , V1 , ..., VÑ , P1 , ..., PÑ ) dan c = (n, v1 , ..., vn , p1 , ..., pn ).
Persamaan (3.27) menunjukkan formula dari statistik urutan dari waktu terjadinya
klaim yaitu f (t1 , ..., tn ) = n!f (t1 )f (t2 )...f (tn ), yang merupakan gabungan densi-
tas marjinal dari masing-masing waktu terjadinya klaim. Sehingga bisa dikatakan
bahwa fungsi densitas probabilitas marjinal waktu terjadinya masing-masing klaim
individu adalah
λ(t)w(t)
fT (t) = , t≥0 (3.28)
Λ(∞)
Titik awal dari suatu klaim adalah waktu terjadinya klaim. Diasumsikan
klaim dari masing-masing kontrak asuransi terjadi mengikuti proses Poisson non-
58
dan
[Λ(∞)]n −Λ(∞)
P {N (t) = n} = e . (3.31)
n!
Mempertimbangkan hanya satu klaim (T, Z), maka fungsi densitas proba-
bilitas klaim tersebut ditulis dalam bentuk
dimana fZ|T adalah fungsi densitas probabilitas bersyarat dari waktu tunda pelapor-
an U dan proses pembayaran C ketika diberikan informasi waktu kejadian T = t,
yang akan dibahas dalam subbab berikutnya.
Teorema 3.2.1 (Norberg, 1999) Proses Poisson yang ditandai {(Ti , Zi )}i=l,...,N
dapat dibangun dalam dua langkah, pertama menghasilkan
Zt
N ∼ P o Λ(∞) = λ(t)w(t) (3.33)
0
dan, kedua, memilih sampel random N dari fungsi densitas probabilitas distribusi
fT,Z (t, z) pada C yang diberikan oleh
λ(t)w(t)
fT,Z (t, z) = fZ|T (z | t) (3.34)
Λ(t)
Yn
fZi |Ti (zi | ti )
i=1
∞
−
R n
λ(t)w(t)dt Y
= e 0 λ(ti )w(ti )fZi |Ti (zi | ti )
i=1
n
(Λ(∞))n Y λ(ti )w(ti )
= e−Λ(∞) n! fZi |Ti (zi | ti )
n! Λ(∞)
i=1
(3.35)
Berdasarkan Persamaan (3.28) dan (3.32) maka Persamaan (3.35) bisa ditulis dalam
bentuk
n
(Λ(∞))n −Λ(∞) Y
P {N = n, (Ti , Zi ), i = 1, ..., n} = e n! fTi (ti )fZi |T i (zi | ti )
n! i=1
n
(Λ(∞))n −Λ(∞) Y
= e n! fTi ,Zi (ti , zi ) (3.36)
n! i=1
Terlihat bahwa fT,Z adalah fungsi densitas probabilitas gabungan dari pasangan
λ(t)w(t)
random (T, Z), dimana T memiliki distribusi marjinal fT dengan densitas Λ(∞)
,
t > 0, dan Z memiliki fungsi densitas probabilitas bersyarat fZ|T untuk T = t
tetap.
dimana T = (T1 , ..., TN ), Z = (Z1 , ..., ZN ). Perhatikan bahwa dalam notasi ini
banyak klaim N juga secara tidak langsung terkandung di dalam T sebagai pan-
jangnya. Bentuk lain untuk menulis Persamaan (3.37) adalah
n
Y λ(ti )w(ti )
fN,T,Z (n, t, z) = P {N = n}n! fZi |Ti (zi , ti ) . (3.38)
i=1
Λ(∞)
60
Dari Persamaan (3.38) bisa dilihat bahwa proses klaim memiliki dua tahap yaitu;
pertama, membangkitkan banyak total klaim N dari distribusi Poisson dengan mean
λ(t)w(t)
Λ(∞); kedua, mendistribusikan klaim dari waktu ke waktu dengan densitas Λ(∞)
Kemudian proses komponen dalam (3.39) adalah independen dan untuk setiap g ∈
G memenuhi
{(Tig , Zig ), i = 1, ..., N g } ∼ P o λg (t), fZ|T
g
, (3.43)
dengan
λg (t) = w(t)λ(t)P {Z ∈ Zgt | T = t} (3.44)
dan
g fZ|T (z | t)
fZ|T (z | t) = g I(z ∈ Zgt ). (3.45)
P {Z ∈ Zt | T = t}
61
Bukti. Karena asumsi (3.42), fungsi densitas probabilitas fN,T,Z (n, t, z) bisa ditulis
dalam bentuk
ng
( g )
Y [Λg (∞)]n −Λg (∞) g Y λg (tgi ) g g g
fN,T,Z (n, t, z) = e n ! f g (z | t ) ,
g∈G
ng ! i=1
Λg (∞) Z|Ti i i
(3.46)
dimana
Zt
g
Λ (t) = λg (s)ds,
0
Sebelumnya sudah dijelaskan bahwa data klaim dari kelompok klaim yang
telah dilaporkan akan digunakan untuk mengestimasi cadangan klaim (IBNR). Se-
lanjutnya, gunakan Teorema 3.2.2 untuk menentukan distribusi dari klaim yang te-
lah dilaporkan (R) dan klaim IBN R. Untuk data klaim yang telah dilaporkan,
terlebih dahulu kita harus menentukan probabilitas bahwa klaim yang telah terjadi
pada waktu t ≤ τ benar-benar telah dilaporkan. Probabilitas bahwa klaim yang
telah terjadi pada waktu t ≤ τ benar-benar telah dilaporkan adalah
P {T + U ≤ τ | T = t} = P {U ≤ τ − t | T = t}
= FU |T (τ − t), (3.47)
dimana FU |T adalah fungsi distribusi kumulatif bersyarat dari waktu tunda pelapora
(U ), ketika waktu kejadian klaim T = t diberikan. Berdasarkan Teorema 3.2.2 dan
Persamaan (3.47), klaim yang telah dilaporkan (R), klaim (IBN R), dan (U P R)
62
Perlu diingat bahwa jumlahan dari (3.48), (3.49), dan (3.50) sama dengan intensitas
asli w(t)λ(t), atau bisa ditulis.
Selain itu juga diperoleh fungsi densitas probabilitas dari tanda untuk klaim yang
telah dilaporkan (R), klaim (IBN R), dan (U P R) yaitu
R fZ|T (z | t)
fZ|T (z | t) = I(u ≤ τ − t) (3.52)
FU |T (τ − t)
IBN R fZ|T (z | t)
fZ|T (z | t) = I(t ≤ τ < t + u) (3.53)
[1 − FU |T (τ − t)]
UP R
fZ|T (z | t) = fZ|T (z | t)I(t > τ ). (3.54)
Sebagai contoh untuk klaim yang telah dilaporkan, maka fungsi densitas
probabilitas gabungan dari klaim yang telah dilaporkan adalah
n
[ΛR (∞)]n −ΛR (∞) Y λR (ti ) R
R
fN,T,Z (n, t, z) = e n! f (zi | ti )
n! i=1
ΛR (∞) Z|Ti
n
R (∞)
Y
= e−Λ λR (ti )fZ|T
R
i
(zi | ti ), (3.55)
i=1
dengan
R
fZ|Ti
(zi | ti ) = fU |Ti (ui | ti )fC|Ti ,Ui (ci | ti , ui )
Jadi bentuk umum dari model yang akan digunakan untuk mengestimasi
cadangan klaim adalah
n
−Λg (∞)
g
Y
fN,T,Z (n, t, z) =e λg (ti )fU |Ti (ui | ti )fC (ci ), (3.57)
i=1
dengan "n−1 #
Y n
Y
−M (v1 )
fC (ci ) = e µ1 (vk ) µ2 (vn ) fP (p) (3.58)
k=1 j=1
n
"n−1 # n
−Λg (∞)
Y Y Y
e λg (ti )fU |Ti (ui | ti )e−M (v1 ) µ1 (vk ) µ2 (vn ) fP (p) (3.59)
i=1 k=1 j=1
Jika dilihat model (3.59), ada empat bagian yang perlu diestimasi distribusi
dan parameternya yaitu:
Langkah pertama, tahapan awal dari suatu proses klaim adalah adanya tang-
gal kejadian klaim dan tanggal pelaporan klaim. Sudah jelas bahwa tanggal
64
kejadian klaim diketahui setelah klaim dilaporkan. Pada bagian ini informasi
yang ingin diobservasi adalah mengenai waktu tunda pelaporan dari suatu kla-
im, dimana tren waktu terjadi. Adapun langkah-langkah yang dilakukan untuk
mencari dan mengestimasi parameter dari suatu distribusi waktu tunda pelapor-
an adalah;
(a) Mencari waktu tunda masing-masing klaim, dimana waktu tunda adalah
U = (A2 − A1 ) dengan A1 dan A2 adalah tanggal terjadinya klaim dan
tanggal klaim dilaporkan.
(b) Karena data klaim terurut dan klaim diselesaikan dalam beberapa kali ba-
yar, jadi pilih waktu tunda dengan nomor urut 1.
(c) Cari nilai (t = tanggal kejadian klaim − t0 ) yang akan digunakan da-
lam transformasi data waktu tunda klaim.
(e) Tetapkan tren yang sesuai dengan plot data dan estimasi parameternya.
(f) Transformasi fungsi distribusi kumulatif FUt ke bentuk FU0 dengan ban-
tuan parameter tren. Tujuannya adalah mengubah data waktu tunda pela-
poran klaim dari bentuk diskrit ke bentuk sampel random kontinu.
(h) Pilih distribusi yang sesuai untuk FU0 . Kemudian bandingkan beberapa
distribusi yang diduga cocok untuk FU0 dengan melakukan tes Kolmogo-
rov Smirnov.
(a) Memilih divisi atau pembagian interval waktu yang sesuai yaitu
(b) Gunakan bagian dari Persamaan (3.55) untuk mendapatkan estimasi λ(t)
dan diperoleh fungsi likelihood-nya adalah
n
−ΛR (∞)
Y
L(λ(ti )) = e λR (ti )
i=1
n
R (∞)
Y
= e−Λ λ(ti )w(ti )fU |Ti (τ − ti ) (3.60)
i=1
untuk j = 1, ..., m dan dengan notasi ini Persamaan (3.60) ditulis ulang
66
m
X m
X Zdj
= N (j) ln(λj ) − λj wj fU |T (τ − t)dt.(3.62)
j=1 j=1 dj−1
m m Zdj
∂ ln L(λj ) X N (j) X
= − wj fU |T (τ − t)dt = 0
∂λj j=1
λj j=1
dj−1
m m Zdj
X N (j) X
= wj fU |T (τ − t)dt
j=1
λj j=1 dj−1
Zdj
N (j)
= wj fU |T (τ − t)dt
λj
dj−1
N (j)
λ̂j = (3.64)
Rdj
wj fU |T (τ − t)dt
dj−1
Jadi, banyak total klaim IBNR adalah variabel random yang memiliki dis-
tribusi Poisson dengan parameter ΛIBN R (∞).
satu peristiwa, pasangan (V1 , δ1 ), (V2 , δ2 ), ..., harus diamati, dimana δ memiliki
arti indikator kegagalan, yaitu δi = I(Vi ≤ Wi ), dan Wi adalah waktu penyen-
soran. Berdasarkan Persamaan (2.64) dan asumsi yang mendasarinya, bentuk
fungsi likelihood-nya adalah
Y Y
S(vi ) f (vi ) (3.68)
i:δi =0 i:δi =1
dimana f adalah suatu fungsi densitas probabilitas kontinu dan S adalah suatu
fungsi survival yang dapat dihitung sebagai
Z∞
S(v) = f (t)dt, v ≥ 0. (3.69)
v
Ada dua tipe pembayaran yaitu pembayaran tipe 1 dan pembayaran tipe 2. Di-
asumsikan bahwa pembayaran tipe 1 mempunyai fungsi densitas probabilitas
f1 dan pembayaran tipe 2 mempunyai fungsi densitas probabilitas f2 . Kare-
na diasumsikan independent increaments atau kenaikan bebas, fungsi survival
keseluruhan sama dengan
yaitu nol artinya tersensor dan nilai positif mengacu pada tipe pembayaran.
Fungsi likelihood untuk pembayaran yang tersensor kanan adalah:
Y Y Y Y
L(θ) = S1 (vi ; θ) S2 (vj ; θ) f1 (vk ; θ) f2 (vl ; θ)
i:δi =0 j:δj =0 k:δk =1 l:δl =2
Y Y
= Sm (vi ; θ) fm (vj ; θ), m = 1, 2. (3.72)
i:δi =0 j:δj =0
69
(b) Kelompokkan klaim menjadi klaim yang telah diselesaikan (S) dan klaim
yang telah dilaporkan tapi belum diselesaikan (RBNS), dengan klaim (S)
berarti mempunyai beberapa pembayaran tipe 1 dan terakhir pembayaran
tipe 2, sedangkan klaim (RBNS) hanya mengandung pembayaran tipe 1
atau bisa jadi hanya sampai waktu pelaporan saja.
(c) Menentukan perbedaan waktu antara waktu terakhir observasi dengan wak-
tu terakhir pembayaran atau waktu terakhir observasi dengan dengan wak-
tu pelaporan klaim.
(d) Tentukan distribusi waktu antar pembayaran yang cocok, dan lakukan uji
kecocokan distribusi Kolmogorov-Smirnov.
(f) Lakukan optimisasi dengan fungsi optim() pada R dan hasilkan matriks
Hessian.
(a) Data disaring, supaya data besarnya pembayaran tidak mengandung infla-
si, dan tidak mengandung klaim ex gratia, salvage dan subrogation.
(c) Pilih distribusi yang sesuai dengan plot data besar pembayaran, kemudian
lakukan uji kecocokan distribusi Kolmogorov-Smirnov.
3.2.9. Simulasi
Klaim IBNR adalah klaim yang telah terjadi tetapi belum dilaporkan kepada
perusahaan asuransi. Oleh karena itu, waktu kemunculannya hilang pada saat die-
valuasi. Proses prediksi untuk klaim IBNR membutuhkan langkah-langkah berikut:
a. Simulasi banyak klaim IBNR dalam interval [0, τ ] dan hubungannya de-
ngan waktu terjadinya klaim.
Selanjutnya, cari akar dari Persamaan (3.74) dengan fungsi uniroot() di R untuk
memperoleh t.
Untuk setiap klaim IBNR juga akan dihasilkan waktu tunda pelaporannya.
Berdasarkan Teorema 2.3.2 dan fungsi distribusi kumulatif bersyarat maka wak-
tu tunda pelaporan dinyatakan sebagai
P (Ut ≤ u | Ut > τ − t) = p1
P (τ − t < Ut ≤ u)
= p1
P (Ut > τ − t)
P (Ut ≤ u) − P (Ut < τ − t)
= p1
1 − P (Ut ≤ τ − t)
P (Ut ≤ u) − P (Ut < τ − t) = p1 [1 − P (Ut ≤ τ − t)]
Klaim RBNS adalah klaim yang telah dilaporkan tetapi belum diselesaikan
oleh perusahaan asuransi. Oleh karena itu, pembayaran berikutnya masih diharap-
kan. Proses prediksi untuk klaim RBNS membutuhkan langkah-langkah berikut:
Klaim RBNS yang dipilih memiliki pembayaran terakhir atau tanggal pela-
poran t hari sejak awal pengamatan atau sejak t0 , dan ada sensor c = τ − takhir .
Untuk klaim IBNR cukup ditetapkan bahwa sensor c = 0. Pada bagian ini yang
ingin ditentukan adalah bilangan random yang dihasilkan untuk fungsi distribusi
kumulatif bersyarat dari V < vnext | V > c. Sama seperti Persamaan (3.75),
72
sehingga diperoleh
dengan punif (0,1) dihasilkan dengan runif() di R. Untuk selanjutnya F (vnext ) di-
anggap sebagai pnew atau F (vnext ) = pnew . Kemudian Persamaan (3.70) secara
tidak langsung menyiratkan bahwa fungsi distribusi kumulatif keseluruhannya
adalah
F (v) = F1 (v)F2 (v). (3.76)
F (v) = p2
Berdasarkan Teorema 2.6.2 nomor 3.) dan Persamaan (2.45), ketika suatu
pembayaran terjadi pada waktu v dan pembayaran tersebut adalah pembayaran
tipe 1, maka probabilitas terjadinya pembayaran tipe 1 adalah
h1 (v)
p(v) = ,
h1 (v) + h2 (v)
dimana h1 dan h2 adalah fungsi hazard, yang dapat diartikan juga sebagai fungsi
intensitas. Adapun formula untuk h1 dan h2 adalah sebagai berikut.
fm (v)
hm (v) = , m = 1, 2.
Sm (v)
73
Berikut diberikan cara yang mungkin untuk mendapatkan secara random suatu
kejadian dengan probabilitas yang ditentukan oleh p(v) adalah sebagai berikut:
(a) Hasilkan bilangan random ptipe dari distribusi UNIF(0, 1) dan memban-
dingkannya dengan p(v).
(b) Jika ptipe ≤ p(v), maka tipe pembayaran adalah tipe 1, selain itu tipe pem-
bayaran adalah tipe 2.
(c) Lakukan proses tersebut sampai setiap klaim RBNS mempunyai pembayar-
an tipe 2, dimana pembayaran tipe 2 berarti tidak akan ada lagi pembayaran
lain di masa depan.
Antonio, K. and Plat, R., 2014, Micro-level Stochastic Loss Reserving for General
Insurance, Scandinavia Actuarial Journal, No.7:pp. 649-669.
Bain, Lee J. dan Engelhardt, Max., 1992, Introduction to Probability and Mathe-
matical Statistics, Duxburry Press:California.
Beard, R., Pentikainen, T., and Pesonen, E., 1984, Risk Theory The Stochastic Basis
of Insurance, Chapman and Hall, New York.
Capiński M. dan Kopp E., 2003, Measure, Integran, and Probability, Second Edi-
tion, Springer, New York.
Cook, R. dan Lawless, J., 2007, The Statistical Analysis of Recurrent Event, Spri-
nger, New York.
Daley, D.J dan Vere-Jones, D., 2003, An Introduction to the Theory of Point Pro-
cesses, Springer, USA.
Danardono, 2012, Analisis Data Survival, Program Studi Statistika Jurusan Ma-
tematika Fakultas Matematika dan Iimu Pengetahuan Alam Universitas Gadjah
Mada: Yogyakarta.
Drieskens, et al., 2012, Stochastic Projection for Large Individual Losses, Scandi-
navian Actuarial Journal. Vol 1, 1-39.
74
75
England, P.D. dan Verrall, R.J., 2002, Stochastic Claims Reserving in General In-
surance, British Actuarial Journal. 8:443-544.
Efron, B.dan Tibshirani, Robert, J., 1993, An Introduction to the Bootstrap, Cha-
pman and Hall: New York.
Mack, T., 1993, Distribution-free Calculation of the Standard Error of Chain La-
dder Method Reserves Estimates, ASTIN Bulletin. Vol 23, 213-225.
Mutaqin, A. K., Tampubolon, D. R. dan Darwis. S., 2008, Run-Off Triangle Data
dan Permasalahannya, Statistika. Vol 8(1), 55-59.
Olofsson, Maria, 2006, tochastic Loss Reserving Testing the New Guidelines from
the Australian Prudential Regulation Authority (APRA) on Swedish Portfolio Da-
ta Using a Bootstrap Simulation and Distribution-Free Method by Thomas Mack,
Stockholm University.
Pinsky, M. A., dan Karlin, S., 2011, An Introduction to Stochastic Modeling, Else-
vier, 223-276.
Rausand, M., dan Hoyland, A., 2004, System Reliability Theory, 2th edition, John
Wiley and Sons, Inc., New Jersey.
Wackerly, D., Mendenhall, W., dan Scheaffer, R.L., 2007, Mathematical Statistics
with Applications, edisi 7, Duxbury Press, ISBN: 978-0495110811.
76
Wüthrich, M. V. dan Merz, M., 2008, Stochastic Claims Reserving Methods in In-
surance, Wiley Finance, London, UK.