Perpustakaan Digital ITB

Menentukan prediksi banyak klaim maupun besar klaim yang tepat adalah salah satu hal yang sangat penting dalam bisnis asuransi. Hal ini berkaitan dengan besarnya cadangan klaim yang perlu disiapkan suatu perusahaan asuransi. Salah satu pendekatan yang dapat digunakan untuk memprediksi suatu nilai di masa yang akan datang adalah pendekatan Bayesian. Pendekatan ini menggabungkan dua informasi penting yaitu informasi sampel dan informasi prior. Kedua informasi ini digunakan untuk membangun distribusi posterior dan menentukan estimasi nilai parameter. Akan tetapi, dalam pendekatan Bayesian sering ditemui permasalahan integrasi karena fungsi yang digunakan cenderung berdimensi tinggi. Oleh karena itu digunakan simulasi yang dapat mengestimasi nilai parameter tersebut. Dalam Tesis ini, digunakan simulasi Markov Chain Monte Carlo (MCMC) menggunakan algoritma Gibbs Sampling. Simulasi MCMC memanfaatkan sifat rantai ergodik yang ada pada rantai Markov. Dengan rantai Markov yang ergodik, diperoleh suatu distribusi stasioner yang merupakan distribusi target. Simulasi MCMC diterapkan pada tiga kategori pemodelan yaitu Hierarchical Poisson Model, Arbitrary Discrete Distribution dan Grouped Size of Data Loss menggunakan perangkat lunak OpenBUGS. Simulasi MCMC pada Hierarchical Poisson Model dapat memprediksi banyak klaim di masa yang akan datang. Sedangkan simulasi MCMC pada pemodelan Arbitrary Discrete Distribution dapat digunakan untuk memprediksi banyak polis yang akan mengajukan klaim tertentu serta menentukan kecocokan model pada data yang digunakan. Pada pemodelan Grouped Size of Data Loss, simulasi MCMC dengan OpenBUGS dapat digunakan untuk menentukan besar klaim pada data berkelompok.