Perpustakaan Digital ITB

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.