Perpustakaan Digital ITB

Estimasi cadangan kerugian (loss reserving) merupakan komponen krusial dalam manajemen risiko perusahaan asuransi. Penelitian ini mengembangkan pendekatan Hierarchical Bayesian Gaussian Process Regression (HBGPR) untuk meningkatkan akurasi proyeksi cadangan kerugian pada segitiga klaim bagian bawah. Model dikembangkan dalam tiga variasi utama, yaitu HBGPR berbasis Incremental Loss Ratio (ILR) dengan dan tanpa input warping, serta HBGPR berbasis Loss Development Factor (LDF) dengan input warping. Penelitian ini menggunakan transformasi input berbasis distribusi Beta, dengan menggunakan kombinasi kernel anisotropic yang dibobotkan secara adaptif menggunakan prior Dirichlet dalam kerangka Bayesian. Dengan strategi ini, model mampu menangani pola spasial-temporal yang non-linear dan tidak stasioner secara lebih efektif. Evaluasi dilakukan menggunakan tiga dataset nyata dari industri, yaitu Medical Malpractice, Product Liability, dan Commercial Auto, serta dibandingkan dengan model Mack Chain Ladder sebagai baseline konvensional. Hasil penelitian menunjukkan bahwa model HBGPR ILR dengan input warping secara umum memberikan performa terbaik dalam hal akurasi prediksi titik (MAE dan RMSE), representasi distribusi prediktif (CRPS), serta estimasi Outstanding Claim Liabilities (OCL) yang paling mendekati nilai aktual dengan interval kepercayaan yang realistis. Struktur kernel yang fleksibel dan kemampuan penyesuaian terhadap domain input yang kompleks menjadikan HBGPR sebagai pendekatan yang efektif dan stabil dalam proyeksi cadangan kerugian berbasis risiko.