Estimasi total cadangan klaim merupakan hal yang krusial bagi sebuah perusahaan
asuransi. Hasil estimasi yang baik dapat mempengaruhi profitabilitas perusahaan
asuransi, dan estimasi buruk dapat menimbulkan konsekuensi yang serius. Cadangan
klaim terbagi menjadi dua yaitu Incurred But Not Reported (IBNR) dan
Reported But Not Settled (RBNS). Umumnya perkiraan cadangan klaim didasarkan
pada data run-off triangle. Data run-off triangle memuat gambaran klaim keseluruhan
dan merupakan ringkasan dari suatu dataset klaim-klaim individu. Metode
Chain Ladder, Double Chain Ladder dan Bornhuetter-Ferguson Double Chain
Ladder merupakan beberapa metode yang cukup terkenal dalam mengestimasi cadangan
klaim dengan menggunakan data agregat. Banyak informasi individu yang
hilang saat pembentukan data agregat dan sulit untuk menentukan dan mengontrol
komponen-komponen apa saja yang dapat mempengaruhi hasil estimasi cadangan
klaim. Oleh karena itu, penelitian ini bertujuan untuk memprediksi total cadangan
klaim dengan menggunakan pendekatan Deep Neural Network pada data klaim
individu dan menentukan komponen apa saja yang dapat dikontrol agar diperoleh
hasil estimasi cadangan klaim yang tingkat resikonya lebih kecil. Berdasarkan hasil
penelitian diperoleh bahwa hasil estimasi total cadangan klaim dengan menggunakan
Deep Neural Network memiliki tingkat resiko yang lebih kecil dibandingkan
hasil estimasi total cadangan klaim dengan metode agregat. Selain itu, kompenen
yang berpengaruh dalam estimasi total cadangan klaim adalah pencatatan pelaporan
klaim. Sehingga diharapkan kesalahan pencatatan pelaporan klaim tidak lebih dari
10% agar hasil estimasi total cadangan klaim memiliki tingkat resiko yang lebih
kecil.