Estimasi Cadangan Klaim Menggunakan Metode Kalman Filter dengan State Space Model scalar pada Produk Asuransi Umum
Dalam dunia asuransi, klaim merupakan salah satu hal yang penting. Penyelesaian klaim biasanya tidak dapat diselesaikan saat klaim tersebut terjadi. Karena adanya penundaan pelaporan klaim dari waktu kejadian. Penundaan ini mengakibatkan perusahaan asuransi mempunyai tanggung jawab atau hutang. Oleh sebab itu, perusahaan asuransi perlu menyiapkan dana untuk menutupi hutang tersebut yaitu dengan cadangan klaim (claim reserve). Terdapat dua jenis cadangan klaim yaitu Incurred But Not Reported (IBNR) dan Reported But Not Settled (RBNS). Pada penelitian kali ini berfokus pada menentukan estimasi cadangan klaim agregat dengan menggunakan metode Kalman Filter dengan State Space Model scalar (SSMs). SSMs merupakan model yang dihasilkan dari pengembangan metode Chain Ladder (CL). Metode Kalman Filter dengan SSMs merupakan suatu metode stokastik yang memperhitungkan model deret waktu sehingga mampu memprediksi lebih akurat dinamika temporal dari sebuah sistem. Hal ini tentu menguntungkan dalam memprediksi cadangan klaim yang merupakan suatu data deret waktu. Hasil estimasi cadangan klaim menggunakan metode Kalman Filter dengan SSMs akan dibandingkan dengan metode CL. Mean Squared Error of Prediction (MSEP) dan Variational Of Coefficient (VOC) merupakan predictor eror untuk menentukan metode terbaik, semakin kecil nilai MSEP dan VOC maka semakin baik metode tersebut. Berdasarkan hasil perhitungan menggunakan metode Kalman Filter dengan SSMs dihasilakan estimasi total cadangan klaim IBNR dan RBNS sebesar Rp 877.267.372.336 dan Rp 4.464.296.049.205. Sedangkan, metode CL memperoleh cadangan klaim IBNR dan RBNS sebesar Rp 964.522.342.968 dan Rp 4.645.350.063.123. Hasil perhitungan menggunakan metode Kalman Filter dengan SSMs menghasilkan nila total VOC metode Kalman Filter dengan SSMs cadangan klaim IBNR dan RBNS adalah 7,33
URI
https://repo.itera.ac.id/depan/submission/SB2401170059
Keyword
General Insurance Claim Reserves Kalman Filter State Space Model scalar