DAFTAR ISI

BAB I
PENDAHULUAN

1.1 Latar Belakang

Secara garis besar asuransi terbagi menjadi dua jenis yaitu
asuransi jiwa dan asuransi non jiwa. Pada penelitian ini jenis asuransi
yang akan dibahas adalah asuransi non jiwa yaitu asuransi kendaraan.
Sama seperti asuransi pada umumnya, pihak tertanggung harus
membayar premi selama satu periode asuransinya. Apabila pada
periode tersebut, kendaraan tertanggung mengalami kerusakan maka
pihak tertanggung dapat mengajukan klaim.
Sebagian besar dari asuransi kendaraan menerapkan sistem
bonus malus dalam menentukan tarif premi. Pada sistem bonus malus
klasik, premi yang dibayarkan oleh tertanggung ditentukan
berdasarkan banyaknya kecelakaan yang terjadi, terlepas dari besar
kerugian yang diakibatkan kecelakaan tersebut. Jika seorang
tertanggung mengajukan sebuah klaim atas kecelakaan yang
dialaminya, maka tertanggung akan membayar premi yang lebih
tinggi (malus), dan jika tertanggung tidak mengajukan sebuah klaim
maka tertanggung membayar premi yang lebih kecil (bonus).
Pada kenyataannya, tidak semua kecelakaan menghasilkan
kerugian yang sama, sehingga tidak adil bagi tertanggung ditetapkan
tarif premi tanpa memperhatikan ukuran klaim. Oleh karenanya, harus
ada sistem yang optimal dalam menentukan premi yang akan
dibayarkan oleh tertanggung, sehingga perusahaan asuransi tidak
menanggung risiko yang terlalu besar.
Premi asuransi pada sistem bonus malus telah dipelajari
menggunakan beberapa metode, termasuk metode Bayes. Metode
Bayes digunakan saat data tersedia dalam menghitung premi tiap
pemegang polis, baik berdasarkan sejarah klaim pada periode
sebelumnya atau berdasarkan riwayat pengemudi (Deniz, 2016).
Metode Bayes terbukti dapat menyelesaikan masalah yang timbul
dalam sistem bonus malus serta dapat digunakan dalam penyelesaian
masalah yang berkaitan dengan teori kredibilitas dan penentuan premi
asuransi. Adapun teori kredibilitas digunakan oleh aktuaris untuk
memprediksi besarnya tarif premi di masa depan berdasarkan data
pengalaman di masa lalu. Pada penelitian sebelumnya oleh Reny Dewi
Handayani (2009), membahas peluang terjadinya klaim asuransi pada
periode yang akan datang, menggunakan metode bayes dengan
pendekatan rantai markov monte carlo. Distribusi yang digunakan
yaitu distribusi eksponensial dua parameter yaitu 𝜃1 dan 𝜃2 . Selain itu,
penelitian yang dilakukan oleh Nila Ardiani (2007) membahas
penentuan distribusi total klaim (claim aggregate) dalam perhitungan
risiko yang akan dialami oleh perusahaan asuransi.
Adapun tujuan dari penelitian ini berbeda dengan penelitian
sebelumnya. Pada penelitian ini, besar premi bonus malus akan
ditentukan dengan mempertimbangkan total klaim dan ukuran
klaim(besar kerugian) menggunakan analisis bayes dan teori
kredibilitas. Acuan pada penelitian ini berdasarkan jurnal

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah diuraikan di atas, maka
rumusan masalah dalam penelitian ini adalah sebagai berikut :
1. Bagaimana mengestimasi/memprediksi premi Bayes dalam
menentukan bonus malus dengan mempertimbangkan jumlah
klaim dan ukuran klaim?
2. Bagaimana hasil perhitungan premi dengan
mempertimbangan ukuran klaim dan jumlah klaim?

1.3 Batasan Penelitian

Penelitian ini dibatasi oleh beberapa hal sebagai berikut :
1. Tidak mempertimbangkan jenis kendaraan, besar kekuatan pada
kendaraan
2. Jenis kelamin pengendara, usia dan jenis kendaaraan tidak
diperhatikan dalam menghitung nilai premi bonus malus

1.4 Asumsi Penelitian

Asumsi yang digunakan dalam penelitian ini adalah sebagai
berikut :
1. Semua pemegang polis mempunyai peluang yang sama untuk
membuat klaim.
2. Semua pemegang polis dengan 𝑥 klaim mempunyai peluang yang
sama untuk membuat klaim dengan ukurannya lebih besar dari
critical value 𝜓.
3. Premi yang dibayarkan pada tahun pertama sama untuk semua
tertanggung

1.5 Tujuan Penelitian

Berdasarkan rumusan masalah sebelumnya, tujuan yang ingin
dicapai dari penelitian ini adalah sebagai berikut :
1. Mengetahui penerapan model Bayes dalam menentukan besar
premi yang optimal

1.6 Manfaat Penelitian

Manfaat yang diperoleh dari penelitian ini adalah sebagai
berikut :
1. Dapat
2. untuk mengetahui penggunaan analisi Bayes dan teori kredibilitas
dalam menentukan premi bonus malus pada asuransi kendaraan
bermotor.
 BAB II
TINJAUAN PUSTAKA

2.1 Peubah Acak Diskrit

Berikut ini akan dijelaskan definisi dan teorema dari peubah
acak diskrit.
Definisi 2.1.1
Jika himpunan semua nilai yang mungkin dari variabel acak, 𝑋 adalah
himpunan terhitung 𝑥1 , 𝑥2 , … , maka 𝑋 disebut peubah acak diskrit,
dengan fungsi
𝑓(𝑥) = 𝑃[𝑋 = 𝑥] 𝑥 = 𝑥1 , 𝑥2 , …
yang memenuhi peluang masing-masing nilai 𝑥 yang mungkin akan
disebut fungsi kepadatan peluang diskrit. (Lee,J Bain, 2015)
Teorema 2.1.1
Fungsi 𝑓(𝑥) adalah suatu fungsi peluang suatu variabel acak diskrit
jika dan hanya jika untuk setiap 𝑥 yang mungkin :
𝑓(𝑥) ≥ 0
untuk setiap 𝑥, dan

∑ 𝑓(𝑥).
𝑥

(Lee.J Bain, 1991)

2.1.1 Distribusi Poisson
Distribusi Poisson sering digunakan untuk menggambarkan
kejadian-kejadian acak dan saling bebas seperti kecelakaan pada
kendaraan bermotor. Misalkan 𝑥 menyatakan suatu kejadian yang
mengikuti distribusi Poisson dengan parameter 𝜃 > 0, maka fungsi
peluang diberikan oleh
1 𝑥 −𝜃
𝑓(𝑥|𝜃) = 𝜃 𝑒 , 𝑥 = 0,1, …
𝑥!
Nilai rata-rata dan variansi dari distribusi Poisson yaitu :
𝐸[𝑋|𝜃] = 𝜃
𝑉𝑎𝑟(𝑋|𝜃) = 𝜃
 (

2.1.2 Distribusi Bernoulli

Jika 𝑋 adalah distribusi Bernoulli dengan peluang berhasil 𝑝,
yang dinotasikan sebagai 𝑋~𝐵𝑒𝑟(𝑝) maka fungsi kepadatan
peluangnya adalah
1 − 𝑝 𝑗𝑖𝑘𝑎 𝑛 = 0
𝑓(𝑥|𝑝) = { 𝑝 𝑗𝑖𝑘𝑎 𝑘 = 1
0 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛
Adapun nilai rata-rata dan variansi dari distribusi Bernoulli yaitu
𝐸[𝑋] = 𝑝
2
𝑉𝑎𝑟[𝑋] = 𝐸[𝑋 2 ] − (𝐸(𝑋)) = 𝑝 − 𝑝2 = 𝑝(1 − 𝑝)
[Lee,J Bain, 1991]
2.1.3 Distribusi Binomial
Dalam urutan n percobaan saling bebas Bernoulli dengan
peluang berhasil 𝑝 pada setiap percobaan, misalkan 𝑋 mewakili
banyaknya percobaan yang berhasil. Fungsi kepadatan peluang diskrit
dari 𝑋 diberikan oleh
𝑛
𝑓(𝑥|𝑛, 𝑝) = ( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 𝑥 = 0,1, … , 𝑛
𝑥
Nilai rata-rata dan variansi dari distribusi Binomial yaitu
𝐸[𝑋] = 𝑛𝑝
𝑉𝑎𝑟[𝑋] = 𝑛𝑝(1 − 𝑝)
[Lee.J.Bain, 1991]
2.2 Peubah Acak Kontinu

Teorema 2.2.1
Fungsi 𝑓(𝑥) adalah suatu fungsi kepadatan untuk peubah acak
kontinu 𝑋 jika dan hanya jika memenuhi
𝑓(𝑥) ≥ 0
untuk semua 𝑥 ∈ ℝ, dan
 ∞

∫ 𝑓(𝑥)𝑑𝑥 = 1
−∞
2.2.1 Distribusi Gamma
Fungsi Gamma dinotasikan dengan Γ(𝛼) untuk semua 𝛼 > 0.
Suatu peubah acak kontinu 𝑋 dikatakan berdistribusi gamma
dengan parameter 𝛼 > 0 dan 𝛽 > 0 jika fungsi kepekatan
peluangnya berbentuk
1 𝑥
𝛼−1 −(𝛽 )
𝑥 𝑒
𝑓(𝑥; 𝛼, 𝛽) = { 𝛽 𝛼 Γ(𝛼) , 𝑥>0
0 , 𝑢𝑛𝑡𝑢𝑘 𝑥 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
dengan 𝛼 adalah parameter bentuk dan 𝛽 adalah parameter
skala pada distribusi gamma. Nilai rata-rata dan variansi dari
distribusi gamma yaitu:
𝐸[𝑋] = 𝛼𝛽
𝑉𝑎𝑟[𝑋] = 𝛼𝛽 2

2.2.2 Distribusi Beta

Suatu peubah acak kontinu 𝑋 dikatakan berdistribusi beta
dengan parameter 𝛼 > 0 dan 𝛽 > 0 jika fungsi kepekatan
peluangnya berbentuk
1
𝑓(𝑥; 𝛼, 𝛽) = 𝑥 𝛼−1 (1 − 𝑥)𝛽−1
𝐵(𝛼, 𝛽)
Dan fungsi beta 𝐵(𝛼, 𝛽) adalah
1

𝐵(𝛼, 𝛽) = ∫ 𝑥 𝛼−1 (1 − 𝑥)𝛽−1 𝑑𝑥

0
Nilai rata-rata dan variansi dari distribusi Beta adalah
𝛼
𝐸(𝑋) =
𝛼+𝛽
𝛼𝛽
𝑉𝑎𝑟(𝑋) =
(𝛼 + 𝛽)²(𝛼 + 𝛽 + 1)²
2.3 Fungsi Kerapatan Peluang Bersyarat
Misalkan 𝑋 dan 𝑌 adalah peubah acak kontinu dengan fungsi
kerapatan peluang marjinal 𝑓𝑌 (𝑦) > 0, maka fungsi kerapatan
peluang bersyarat dari 𝑋 dengan syarat 𝑌 = 𝑦 adalah
 𝑓𝑋,𝑌 (𝑥, 𝑦)
𝑓𝑋|𝑌 (𝑥|𝑦) =
𝑓𝑌 (𝑦)
[Grimmett dan Stirzaker, 1992]

2.4 Distribusi Gabungan (Mixture Distribution)

Jika 𝑋 memiliki fungsi kepadatan peluang 𝑓𝑋|Λ (𝑥|𝜆) dan fungsi
kumulatif 𝐹𝑋|Λ (𝑥|𝜆), dengan 𝜆 adalah parameter dari 𝑋 dan 𝑋
mempunyai parameter lain yang tidak berhubungan dengan 𝜆,
sedangkan 𝜆 adalah suatu nilai dari peubah acak Λ dengan
fungsi kepadatang peluang 𝑓Λ (𝜆), maka fkp dari 𝑓𝑋 (𝑥) adalah :
𝑓𝑋 (𝑥) = ∫ 𝑓𝑋|Λ (𝑥|𝜆)𝑓Λ (𝜆) 𝑑𝜆
𝑓𝑋 (𝑥) disebut dengan distribusi gabungan (mixture). Momen
dari distribusi gabungan dapat dicari dengan
𝐸(𝑋 𝑘 ) = 𝐸[𝐸(𝑋 𝑘 |Λ)]
Sedangkan untuk variansinya adalah
𝑉𝑎𝑟(𝑋) = 𝐸[𝑉𝑎𝑟(𝑋|Λ)] + 𝑉𝑎𝑟[𝐸(𝑋|Λ)].

2.5 Nilai Harapan, Ragam, Kovarian

2.5.1 Nilai Harapan

1. Jika 𝑋 adalah peubah acak diskrit dengan fungsi kepadatan
peluang 𝑝𝑋 (𝑥), maka nilai harapan dari 𝑋, dinotasikan
dengan 𝐸(𝑋), adalah
𝐸(𝑋) = ∑ 𝑥 𝑝𝑋 (𝑥)
𝑥
2. Jika 𝑋 adalah peubah acak kontinu dengan fungsi kepadatan
peluang 𝑓𝑋 (𝑥), maka nilai harapan dari 𝑋 adalah
∞

𝐸(𝑋) = ∫ 𝑥𝑓𝑋 (𝑥)

−∞
[Hogg dan Craig, 1995]

2.5.2 Ekspektasi Bersyarat

Misalkan 𝑋 dan 𝑌 adalah suatu peubah acak kontinu dengan
fungsi peluang bersama 𝑓𝑋,𝑌 (𝑥, 𝑦). Jika 𝑓𝑌 (𝑦) > 0 maka
ekspektasi bersyarat dari 𝑋 diberikan 𝑌 = 𝑦 adalah ekspektasi
dari 𝑋 relatif terhadap distribusi bersyarat 𝑋 diberikan 𝑌 = 𝑦,
 ∞ ∞
𝑓𝑋,𝑌 (𝑥, 𝑦)
𝐸(𝑋|𝑌 = 𝑦) = ∫ 𝑥 𝑑𝑥 = ∫ 𝑥𝑓𝑋|𝑌 (𝑥|𝑦)𝑑𝑥
𝑓𝑦 (𝑦)
−∞ −∞

Dan nilai ekspektasi tak bersyarat dari peubah acak 𝑋

∞

𝐸(𝑋) = ∫ 𝐸(𝑋|𝑌 = 𝑦)𝑓𝑌 (𝑦) 𝑑𝑦

−∞

Atau
𝐸(𝑋) = 𝐸(𝐸(𝑋|𝑌 = 𝑦))
[Hogg dan Craig, 1995]
2.5.3 Ragam
Ragam dari peubah acak 𝑋 adalah nilai harapan kuadrat selisih
antara 𝑋 dengan nilai harapannya. Secara matematis dapat
dituliskan sebagai
𝑉𝑎𝑟(𝑋) = 𝐸[(𝑋 − 𝐸[𝑋])2 ]
= 𝐸[𝑋 2 ] − (𝐸[𝑋])2
[Hogg dan Carig, 1995]

2.5.4 Kovariansi
Ukuran kekuatan saling berhubungannya dua variabel acak 𝑋
dan 𝑌 yang umum digunakan adalah kovarian dari keduanya.
Didefinisikan sebagai :
𝐶𝑜𝑣(𝑋, 𝑌) = 𝐸 ((𝑋 − 𝐸(𝑋))(𝑌 − 𝐸(𝑌)))
= 𝐸(𝑋𝑌) − 𝐸(𝑋)𝐸(𝑌)
Perhatikan bahwa 𝐶𝑜𝑣(𝑋, 𝑋) = 𝑉𝑎𝑟(𝑋). Konsep kovarian
juga merupakan dasar dari definisi koefisien korelasi :
𝐶𝑜𝑣(𝑋, 𝑌)
𝜌(𝑋, 𝑌) = 𝜌𝑋,𝑌 =
√𝑉𝑎𝑟(𝑋). √𝑉𝑎𝑟(𝑌)
[Ostaszewski.K, 2004]

2.6 Sistem Bonus Malus

Secara umum sistem bonus malus didasarkan pada variabel
acak K=𝐾 = 𝑘1 , 𝑘2 , … , 𝑘𝑡 yang menyatakan banyaknya klaim
 dari pemegang polis selama periode 𝑡, yang mengikuti fungsi
kepadatan peluang 𝑓(𝐾|𝜃), dengan 𝜃 adalah parameter yang
tidak diketahui. Parameter 𝜃 diperoleh dari variabel random
distribusi prior yang diberikan. Variabel random 𝐾 diasumsikan
saling bebas dan acak. Premi pada sistem bonus malus dihitung
dengan menggunakan rumus
𝐸𝑓(𝜃|𝐾) [𝛿(𝜃)]
𝛿 ∗ (𝐾, 𝑡) = 𝑃0
𝐸𝑓(𝜃) [𝛿(𝜃)]
dengan 𝑃0 adalah premi awal yang dibayarkan, 𝛿(𝜃) =
∑𝑘 𝑘𝑃(𝐾 = 𝑘|𝜃) , 𝑓(𝜃) adalah distribusi prior dan 𝑓(𝜃|𝐾)
adalah distribusi posterior.

2.7 Model Bayes

Komponen dasar dalam model Bayes diantaranya :
 Data, dilambangkan dengan 𝑦
 Parameter, dilambangkan dengan 𝜃
 Model distribusi, diberikan oleh 𝑓(𝑦|𝜃) atau 𝐹(𝑦|𝜃)
atau distribusi dari (𝑦|𝜃)
 Distribusi prior, diberikan oleh 𝑓(𝜃) atau 𝐹(𝜃) atau
distribusi dari 𝜃.
2.7.1 Distribusi Prior
Suatu peubah acak 𝑌 merupakan sebaran prior dengan fungsi
kerapatan peluang bersyarat yang dinotasikan dengan 𝑓(𝑦|𝜃)
dan 𝑢(𝜃) adalah fungsi kerapatan marjinal dari 𝜃, dinamakan
sebaran prior. [Arnold, 1990]

2.7.2 Distribusi Posterior

Suatu peubah acak 𝑌 merupakan sebaran prior dengan fungsi
kepadatan peluang bersyarat 𝑓(𝑦|𝜃) dan 𝜃 memiliki fungsi
kerapatan peluang 𝑢(𝜃), maka fungsi kerapatan peluang
bersama daro (𝑦, 𝜃) dinotasikan dengan 𝑈(𝜃|𝑦), dinamakan
distribusi posterior. [Arnold, 1990]
Dugaan Bayes mengharuskan penetapan distribusi peluang
posterior dari 𝜃. Untuk menemukan fungsi kepadatan peluang
posterior dari 𝜃, dapat dilakukan dengan menggunakan
persamaan berikut
 𝑓(𝜃)𝑓(𝑦|𝜃)
𝑓(𝜃|𝑦) =
𝑓(𝑦)
Disini, 𝑓(𝑦) merupakan fungsi kepadatan bersyarat (prior) dari
𝑦, yang diberikan oleh
∫ 𝑓(𝜃)𝑓(𝑦|𝜃)𝑑𝜃 𝑗𝑖𝑘𝑎 𝜃 𝑘𝑜𝑛𝑡𝑖𝑛𝑢
𝑓(𝑦) = ∫ 𝑓(𝑦|𝜃)𝑑𝐹(𝜃) =
∑ 𝑓(𝜃)𝑓(𝑦|𝜃) 𝑗𝑖𝑘𝑎 𝜃 𝑑𝑖𝑠𝑘𝑟𝑖𝑡
{ 𝜃
[Borek Puza, 2015]

2.8 Estimasi Maksimum Likelihood

Menurut Denuit (20 ) estimasi maksimum likelihood adalah
nilai dari parameter (parameter vektor) yang membuat data
yang diamati (?)
Definisi 2. (menurut bain)
Misalkan 𝐿(𝜃) = 𝑓(𝑥1 , … , 𝑥𝑛 ; 𝜃), 𝜃 𝜖 Ω distribusi gabungan
dari 𝑋1 , … , 𝑋𝑛 . Diberikan himpunan pengamatan
(𝑥1 , … , 𝑥𝑛 ), nilai 𝜃̂ dalam Ω dimana 𝐿(𝜃) maksimum disebut
estimasi maksimum likelihood dari 𝜃. Dengan demikian, 𝜃̂
adalah nilai dari 𝜃 yang memenuhi
𝑓(𝑥1 , … , 𝑥𝑛 ; 𝜃̂) = max 𝑓(𝑥1 , … , 𝑥𝑛 ; 𝜃)
𝜃𝜖Ω
2.9 Fungsi Likelihood
Misalkan 𝑋1 , … , 𝑋𝑛 adalah contoh acak dari suatu sebaran
dengan fungsi kepadatan peluang 𝑓(𝑥; 𝜃), maka fungsi
kepadatan peluang bersama dari 𝑋1 , … , 𝑋𝑛 yang merupakan
fungsi likelihoodnya adalah
𝑛

𝐿(𝜃) = 𝑓(𝑥1 ; 𝜃)𝑓(𝑥2 ; 𝜃) … 𝑓(𝑥𝑛 ; 𝜃) = ∏ 𝑓(𝑥𝑖 ; 𝜃)

𝑖=1
[Hogg dan Craig, 1995]
2.10 Rumus Sepadan (Proportionality Formula)
Amati bahwa 𝑓(𝑦) konstan yang berhubungan ke 𝜃 dalam
persamaan Bayes
𝑓(𝜃)𝑓(𝑦|𝜃)
𝑓(𝜃|𝑦) =
𝑓(𝑦)
Dapat juga kita tulis kedalam persamaan berikut
 𝑓(𝜃)𝑓(𝑦|𝜃)
𝑓(𝜃|𝑦) =
𝑘
𝑓(𝜃|𝑦) = 𝑐𝑓(𝜃)𝑓(𝑦|𝜃)
1
dimana 𝑘 = 𝑓(𝑦) dan 𝑐 = 𝑘. Secara setara dapat ditulis
𝑓(𝜃|𝑦) ∝ 𝑓(𝜃)𝑓(𝑦|𝜃) dimana ∝ merupakan simbol sebanding
(proportionality) untuk menekankan bahwa sifat sebanding
secara khusus berkaitan dengan 𝜃. Cara lain untuk
mengekspresikan persamaan sebelumnya adalah
𝑓(𝜃|𝑦) ∝ 𝑓(𝜃) × 𝐿(𝜃|𝑦)
dimana 𝐿(𝜃|𝑦) adalah fungsi likelihood. Dengan demikian
dapat dikatakan bahwa posterior sebanding dengan perkalian
prior dan likelihood.
[Borek Puza, 2015]
2.11 Distribusi Conjugate
Apabila distribusi prior dan posterior merupakan anggota dari
kelas distribusi yang sama, maka dapat dikatakan keduanya
membentuk pasangan conjugate, atau prior dikatakan
conjugate. Contohnya, anggap model binomial-beta :
(𝑦|𝜃)~𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙(𝑛, 𝜃)
𝜃~𝐵𝑒𝑡𝑎(𝛼, 𝛽) (prior)
⟹ (𝜃|𝑦)~𝐵𝑒𝑡𝑎(𝛼 + 𝑦, 𝛽 + 𝑛 − 𝑦) (posterior)
Karena kedua prior dan posterior merupakan keluarga beta,
maka prior conjugate.

2.12 Distribusi Predictive

Dalam mengestimasi model parameter (serta fungsi dari
parameter tersebut), selalu ada ketertarikan dalam memprediksi
beberapa data di masa depan. Anggap model bayes ditentukan
oleh 𝑓(𝑦|𝜃) dan 𝑓(𝜃), dengan posterior diberikan oleh 𝑓(𝜃|𝑦).

2.13 Dugaan Bayes

2.14 Fungsi Kerugian
Misalkan 𝑋 adalah suatu peubah acak dengan parameter 𝜃 dan
penduga parameternya 𝛿(𝜃). Fungsi kerugian (loss function)
dari parameter tersebut adalah :
𝐿[𝑋; 𝜃] ≥ 0, ∀𝑋
dan
 𝐿[𝑋; 𝜃] = 0 𝑗𝑖𝑘𝑎 𝑋 = 𝛿(𝜃)
Fungsi kerugian kuadratik merupakan fungsi kerugian dengan
kesalahan kuadrat dari parameter tersebut dinyatakan dengan :
𝐿[𝑋; 𝛿(𝜃)] = [𝑋 − 𝛿(𝜃)]²
[Bain dan Engelhardt, 1993]

2.15 Fungsi Risiko

Fungsi risiko adalah nilai harapan dari fungsi kerugian, yang
dinyatakan sebagai berikut :
𝑅𝑥 (𝜃) = 𝐸[𝐿(𝑋; 𝜃)]
[Bain dan Engelhardt, 1993]

2.16 Solusi Bayes

Misalkan 𝜃 adalah suatu parameter dengan penduga
parameternya 𝜃̂, dengan fungsi kerugian 𝐿[𝜃; 𝜃̂] dan nilai
harapan dari fungsi kerugian tersebut 𝐸[𝐿(𝜃, 𝜃̂)], dikatakan
solusi Bayes jika penduga parameter 𝜃̂ meminimumkan
∞

𝐸[𝐿(𝜃, 𝜃̂)|𝑌 = 𝑦] = ∫ 𝐿[𝜃, 𝜃̂]𝑘(𝜃|𝑦)𝑑𝜃

−∞
[Hogg dan Craig, 1995]
2.17 Credibility Formula with a Quadratic Error Loss Function

Teorema 2.9.1
Misalkan sebuah urutan variabel acak {𝑋1 , 𝑋2 , 𝑋3 , … } dan
parameter risiko Θ. Diberikan Θ, 𝑋𝑡 saling bebas. Momen
pertama dan kedua dari 𝑋𝑡 diasumsikan berhingga. Dengan
demikian, rata-rata bersyarat dari 𝑋𝑡 diberikan oleh
𝜇𝑡 (Θ) = 𝐸[𝑋𝑡 |Θ], 𝑡 = 1,2,3, …
dan 𝐸[𝜇𝑡 (Θ)] = 𝜇𝑡 .
Nilai minimum dari
𝐸[(𝜇𝑇+1 (Θ) − Ψ(𝑋1 , 𝑋2 , … , 𝑋𝑇 ))2 ]
atas semua fungsi terukur Ψ ∶ ℝ𝑇 → ℝ diperoleh untuk
Ψ ∗ (𝑋1 , 𝑋2 , … , 𝑋𝑇 ) = 𝐸[𝑋𝑇+1 |𝑋1 , 𝑋2 , … 𝑋𝑇 ]
∗ (𝑋
Ψ 1 , 𝑋2 , … , 𝑋𝑇 ) = 𝐸[𝑋𝑇+1|𝑋1 , 𝑋2 , … 𝑋𝑇 ]
= 𝐸[𝜇𝑇+1 (Θ)|𝑋1 , 𝑋2 , … 𝑋𝑇 ]

Teorema 2.9.1 menunjukkan aproksimasi terbaik (sehubungan

dengan mean squared error) ke 𝜇𝑇+1 (Θ) diberikan
𝑋1 , 𝑋2 , … , 𝑋𝑇 adalah 𝐸[𝑋𝑇+1 |𝑋1 , 𝑋2 , … 𝑋𝑇 ], yaitu ekspektasi
posterior dari 𝑋𝑇+1 diberikan 𝑋1 , 𝑋2 , … , 𝑋𝑇 (biasa disebut rata-
rata prediktif). Distribusi posterior 𝑋𝑇+1 kemudian diperoleh
dengan kondisi klaim masa lalu.
(Denuit, )
2.18 Premi Individu
 Nilai premi individu dari suatu risiko dengan riwayat risiko 𝜗
adalah
𝑃𝑖𝑛𝑑 (𝜗) = 𝐸[𝑋𝑛+1 |𝜗] = 𝜇(𝜗)
Ini sesuai dengan jumlah ekspektasi klaim dari risiko individu
untuk periode n+1. Dalam asuransi, 𝜗 dan 𝜇(𝜗) keduanya tidak
diketahui. Oleh karenanya harus dicari nilai penduga
̂ untuk 𝜇(𝜗).
(estimator) 𝜇(𝜗)
[Buhlmann,

2.19 Premi Kolektif

Premi kolektif didefinisikan oleh

𝑃𝑐𝑜𝑙𝑙 = ∫ 𝜇(𝜗)𝑑𝑈(𝜗)
Θ
Ini merupakan rata-rata untuk semua risiko kolektif dari jumlah
ekspektasi klaim tiap risiko individu.

BAB III
METODE PENELITIAN

3.1 Deskripsi Lokasi Penelitian

3.2 Lokasi dan Waktu Penelitian

3.3 Jenis dan Sumber Data Penelitian

3.4 Tahapan Penelitian

Dalam penelitian ini terdapat beberapa tahapan yaitu tahap
pendahuluan, tahap pengumpulan dan pengolahan data, dan tahap
Analisa kesimpulan.

3.4.1 Tahap Pendahuluan

Tahap pendahuluan merupakan tahap pengumpulan informasi
awal untuk mengidentifikasi, merumuskan, dan menentukan tujuan
dari pemecahan masalah dengan mempertimbangkan pengetahuan
berdasarkan literatur yang ada. Adapun tahap pendahuluan adalah
sebagai berikut :
1. Studi literatur
Studi literatur dilakukan untuk mempelajari teori dan ilmu
pengetahuan yang berhubungan dengan permasalahan yang akan
diteliti. Sumber literatur berasal dari buku, jurnal, dan skripsi. Sumber
literatur diperoleh dari perpustakaan dan internet. Dengan demikian
konsep yang harus dipahami antara lain teori-teori yang berhubungan
dengan asuransi kendaraan, metode Bayes, teori kredibilitas, dan
bonus-malus.
2. Identifikasi Masalah
Identifikasi masalah dilakukan dengan tujuan mencari penyebab
timbulnya masalah dan kemudian mencari permasalahan yang terjadi.
Masalah yang diidentifikasi adalah penentuan premi yang adil
sehingga perusahaan asuransi tidak menanggung risiko yang besar
atas klaim yang dibuat oleh tertanggung. Dalam kasus ini adalah
asuransi kendaraan.
3. Perumusan Masalah
Setelah melakukan identifikasi masalah, tahap selanjutnya adalah
merumuskan masalah yang terjadi. Perumusan masalah merupakan
rincian dari permasalahan yang dikaji dan nantinya akan menunjukkan
tujuan dari penelitian ini.
4. Penetapan Tujuan Penelitian
Tujuan penelitian ditetapkan berdasarkan perumusan
masalah yang telah dijabarkan sebelumnya.

5. Tahap pengumpulan data dan pengolahan data

 Adapaun tahapan pengumpulan dan pengolahan data adalah
sebagai berikut :
1. Pengumpulan Data
Data yang dibutuhkan berupa data sejarah klaim
individu(pemegang polis) dalam satu tahun berupa jumlah
klaim dan ukuran masing-masing klaim.
2. Pengelompokan data
Data dikelompokkan berdasarkan jumlah total klaim yaitu
individu(pemegang polis) dengan jumlah total klaim lebih kecil
dari 𝜓 dan individu(pemegang polis) dengan jumlah total klaim
lebih besar dari 𝜓. Nilai 𝜓 ditentukan oleh perusahaan asuransi.
3. Pengolahan data
a. Menentukan distribusi peluang jumlah klaim dan ukuran
klaim

Diasumsikan peubah acak 𝑋 mewakili jumlah klaim

mengikuti distribusi Poisson, dengan diberikan parameter 𝜃.
Fungsi kepadatan peluangnya adalah :
1 𝑥 −𝜃
𝑓(𝑥|𝜃) = 𝜃 𝑒 , 𝑥 = 0,1, … 𝑑𝑎𝑛 𝜃 > 0
𝑥!
Saat pemegang polis mengajukan klaim,besar klaim dapat
dikatakan lebih dari 𝜓(nilai batas) atau kurang dari 𝜓.
Misalkan 𝑍𝑖 menyatakan klaim ke-i dari tiap pemegang polis
dengan ukuran klaim lebih besar dari 𝜓, maka 𝑍𝑖
menunjukkan hasil dari proses Bernoulli dengan parameter
𝑝
𝑝 , 𝑧𝑖 = 1
𝑓(𝑧𝑖 |𝑝) = {
1 − 𝑝, 𝑧𝑖 = 0
dimana 0 < 𝑝 < 1. Total klaim individu dengan ukuran
klaim lebih besar dari 𝜓 adalah 𝑍 = ∑𝑥𝑖=1 𝑍𝑖 . Selanjutnya,
𝑍𝑖 (𝑖 = 1, … , 𝑥)diasumsikan saling bebas, maka fungsi
kepadatan peluang dari 𝑍 diberikan oleh 𝑋 = 𝑥 adalah
binomial dengan parameter 𝑥 dan 𝑝
𝑥
𝑓(𝑧|𝑥, 𝑝) = ( ) 𝑝 𝑧 (1 − 𝑝)𝑥−𝑧 , 𝑧 = 0,1, … 𝑥
𝑧
b. Menentukan model distribusi gabungan
Distribusi gabungan jumlah klaim 𝑋 dan total klaim dengan
ukuran klaim lebih dari 𝜓 mempunyai fungsi distribusi
gabungan sebagai berikut :
 𝑓(𝑥, 𝑧|𝜃, 𝑝) = 𝑓(𝑧|𝑥, 𝑝)𝑓(𝑥|𝜃)
𝑥 1
= ( ) 𝑝 𝑧 (1 − 𝑝)𝑥−𝑧 × 𝜃 𝑥 𝑒 −𝜃
𝑧 𝑥!
𝑥! (1 − 𝑝)𝑥 1 𝑥 −𝜃
= 𝑝𝑧 𝜃 𝑒
(𝑥 − 𝑧)! 𝑧! (1 − 𝑝) 𝑧 𝑥!
(𝜃(1 − 𝑝))𝑥 𝑒 −𝜃 𝑝 𝑧
= ( )
(𝑥 − 𝑧)! 𝑧! 1−𝑝
𝑥 = 0,1, ….
𝑧 = 0,1, … , 𝑥

c. Menentukan distribusi prior

Distribusi Poisson dengan peubah acak 𝑋 menyatakan jumlah
klaim dari pemegang polis dengan parameter 𝜃 yang
menyatakan rata-rata jumlah klaim pemegang polis pada
periode tertentu, sehingga 𝜃 dapat bernilai sama atau berbeda.
Oleh karena itu, 𝜃 menjadi suatu peubah acak yang memiliki
distribusi peluang. Distribusi dari 𝜃 merupakan distribusi
prior pada penelitian ini. Diasumsikan 𝜃 berdistribusi Gamma
1
prior dengan parameter 𝛼1 dan . Fungsi kepadatan peluang
𝛽1
dari 𝜃 sebagai berikut :
𝛼
𝛽1 1 𝛼 −1 −(𝛽 𝜃 )
𝜋1 (𝜃) = 𝜃 1 𝑒 1 , 𝜃>0
Γ(𝛼1 )
Seperti yang sudah didefinisikan sebelumnya,𝑍 merupakan
peubah acak yang menyatakan total klaim individu dengan
ukuran klaim lebih besar dari 𝜓, mempunyai parameter 𝑝
yaitu rata-rata ukuran klaim lebih besar dari 𝜓. Karena rata-
rata ukuran klaim 𝑝 tidak sama untuk setiap pemegang polis,
distribusi Beta dengan parameter 𝛼2 dan 𝛽2 dipilih sebagai
distribusi prior untuk rata-rata ukuran klaim lebih besar dari
𝜓. Fungsi kepadatan peluang dari 𝑝 sebagai berikut :
1
𝜋2 (𝑝) = 𝑝𝛼2 −1 (1 − 𝑝)𝛽2 −1 , 0 < 𝑝 < 1
𝐵(𝛼2 , 𝛽2 )
Diasumsikan antara dua variabel acak 𝜃 dan 𝑝 saling bebas,
distribusi gabungan prior untuk kedua variabel acak ini adalah
𝜋(𝜃, 𝑝) = 𝜋1 (𝜃)𝜋2 (𝑝)
 𝛽1 𝛼1 𝛼 −1 −𝛽 𝜃
𝜋(𝜃, 𝑝) ∝ 𝜃 1 𝑒 1
Γ(𝛼1 )
Γ(𝛼2 + 𝛽2 ) 𝛼 −1
× 𝑝 2 ((1 − 𝑝)𝛽2−1
Γ(𝛼2 ) + Γ(𝛽2 )
∝ 𝜃 𝛼1−1 𝑒 −𝛽1 𝜃 𝑝𝛼2−1 ((1 − 𝑝)𝛽2−1 𝑐

d. Mencari distribusi posterior dengan model Bayes

Diberikan sampel (𝑥̃, 𝑧̃ ) = {(𝑥̃1 , 𝑧̃1 ), … (𝑥̃𝑡 , 𝑧̃𝑡 )},menyatakan
banyaknya individu atau pemegang polis dengan sejarah
jumlah klaim 𝑥̃1 , 𝑥̃2 , … , 𝑥̃𝑡 dan total ukuran klaim lebih besar
𝜓 yaitu 𝑧̃1 , 𝑧̃2 , … , 𝑧̃𝑡 .Distribusi posterior dari (𝜃, 𝑝) dengan
informasi sampel diperoleh berdasarkan teorema Bayes yang
sebanding dengan perkalian fungsi likelihood dan distribusi
prior.

Fungsi Likelihood dengan densitas 𝑓(𝑥̃, 𝑧̃ )| 𝜃, 𝑝) yaitu

ℓ((𝑥̃1 , 𝑧̃1 ), … (𝑥̃𝑡 , 𝑧̃𝑡 )| 𝜃, 𝑝) = 𝑓(𝑥̃1 , 𝑧̃1 )|𝜃, 𝑝)… 𝑓(𝑥̃𝑡 , 𝑧̃𝑡 )|𝜃, 𝑝)
𝑝 𝑧̃1 (𝜃(1 − 𝑝))𝑥̃1 𝑒 −𝜃 𝑝 𝑧̃2 (𝜃(1 − 𝑝)) 𝑥̃2 𝑒 −𝜃
= ( ) × ( )
1−𝑝 (𝑥̃1 − 𝑧̃1 )! 𝑧̃1 ! 1−𝑝 (𝑥̃2 − 𝑧̃2 )! 𝑧̃2 !
𝑝 𝑧̃𝑡 (𝜃(1 − 𝑝)) 𝑥̃𝑡 𝑒 −𝜃
×… × ( )
1−𝑝 (𝑥̃𝑡 − 𝑧̃𝑡 )! 𝑧̃𝑡 !
𝑝 𝑧̃1 +𝑧̃2 +⋯+𝑧̃𝑡 (𝜃(1 − 𝑝))𝑥̃1 +𝑥̃2 +⋯+𝑥̃𝑡 𝑒 −(𝜃+𝜃+⋯ )
=( )
1−𝑝 ∏𝑡𝑖=1(𝑥̃𝑖 − 𝑧̃𝑖 )! 𝑧̃𝑖 !
𝑝 𝑡𝑧̅ (𝜃(1 − 𝑝))𝑡𝑥̅ 𝑒 −𝑡𝜃
=( )
1−𝑝 ∏𝑡𝑖=1(𝑥̃𝑖 − 𝑧̃𝑖 )! 𝑧̃𝑖 !
𝑝𝑡𝑧̅ (1 − 𝑝)−𝑡𝑧̅ 𝜃 𝑡𝑥̅ (1 − 𝑝)𝑡𝑥̅ 𝑒 −𝑡𝜃
=
∏𝑡𝑖=1(𝑥̃𝑖 − 𝑧̃𝑖 )! 𝑧̃𝑖 !
= 𝑝𝑡𝑧̅ (1 − 𝑝)𝑡(𝑥̅ −𝑧̅) 𝜃 𝑡𝑥̅ 𝑒 −𝑡𝜃
Sehingga
ℓ((𝑥̃1 , 𝑧̃1 ), … (𝑥̃𝑡 , 𝑧̃𝑡 )| 𝜃, 𝑝) ∝ 𝑝𝑡𝑧̅ (1 − 𝑝)𝑡(𝑥̅ −𝑧̅) 𝜃 𝑡𝑥̅ 𝑒 −𝑡𝜃
 1 1
Dimana, 𝑧̅ = ∑𝑡𝑖=1 𝑧̃𝑖 dan 𝑥̅ = ∑𝑡𝑖=1 𝑥̃𝑖 adalah rata-rata
𝑡 𝑡
ukuran klaim sampel lebih besar dari 𝜓 dan jumlah klaim
berurutan dari peubah acak 𝑋 dan 𝑍. Ukuran sampel yang
berada diatas nilai batas dan dibawah nilai batas 𝜓 dapat
diekspresikan dengan fungsi berikut

𝑔(𝑥, 𝑧) = 𝑝𝑙 (z) + 𝑝𝑠 (𝑥 − 𝑧)

dengan 𝑝𝑙 adalah bobot untuk jumlah klaim dengan ukuran

klaim diatas nilai batas dan 𝑝𝑠 adalah bobot untuk jumlah
klaim dengan ukuran ukuran klaim dibawah nilai batas. Nilai
𝑝𝑠 ,𝑝𝑙 berada di antara 0 dan 1.

Dengan menggunakan teorema Bayes, distribusi posterior

untuk peubah acak 𝜃 dan 𝑝 adalah
𝜋 ∗ (𝜃, 𝑝|(𝑥̃, 𝑧̃ )) = ℓ((𝑥̃1 , 𝑧̃1 ), … (𝑥̃𝑡 , 𝑧̃𝑡 )| 𝜃, 𝑝) × 𝜋(𝜃, 𝑝)
𝜋 ∗ (𝜃, 𝑝|(𝑥̃, 𝑧̃ )) ∝ 𝑝𝛼2 +𝑡𝑧̅ −1 (1
− 𝑝)𝛽2 +𝑡(𝑥̅ −𝑧̅)−1 𝑒 −𝜃(𝛽1 +𝑡) 𝜃 𝛼1 +𝑡𝑥̅ −1
Distribusi posterior tersebut merupakan perkalian dari
distribusi beta (𝛼2 + 𝑡𝑧̅, 𝛽2 + 𝑡(𝑥̅ − 𝑧̅)) dan gamma (𝛼1 +
𝑡𝑥̅ , 𝛽1 + 𝑡) dengan parameter 𝛼𝑖∗ dan 𝛽𝑖∗ (𝑖 = 1,2) dan bahwa
𝜋 ∗ (𝜃, 𝑝|(𝑥̃, 𝑧̃ )) mempunyai updated parameters yaitu :
𝛼1∗ = 𝛼1 + 𝑡𝑥̅
𝛼2∗ = 𝛼2 + 𝑡𝑧̅
𝛽1∗ = 𝛽1 + 𝑡
𝛽2∗ = 𝛽2 + 𝑡(𝑥̅ − 𝑧̅)

Nilai konstanta pada distribusi posterior :

∞ 1
1
∫ ∫ 𝑝𝛼2 +𝑡𝑧̅ −1 (1 − 𝑝)𝛽2 +𝑡(𝑥̅ −𝑧̅)−1 𝑒 −𝜃(𝛽1 +𝑡) 𝜃 𝛼1 +𝑡𝑥̅ −1 𝑑𝑝𝑑𝜃 =
𝐴
0 0
∞
1
∫ 𝑒 −𝜃(𝛽1 +𝑡) 𝜃 𝛼1 +𝑡𝑥̅ −1 𝐵( 𝛼2 + 𝑡𝑧̅, 𝛽2 + 𝑡(𝑥̅ − 𝑧̅)) =
𝐴
0
(𝛽1 + 𝑡)𝛼1 +𝑡𝑥̅ Γ(𝛼2 + 𝛽2 + 𝑡𝑥̅ )
𝐴=
Γ(𝛼1 + 𝑡𝑥̅ )Γ(𝛼2 + 𝑡𝑧̅)Γ(𝛽2 + 𝑡𝑥̅ − 𝑡𝑧̅)

Nilai rata-rata distribusi posterior

 ∞ 1

𝐸[𝜃, 𝑝|(𝑥̃, 𝑧̃ )] = ∫ ∫ 𝐴
0 0
× (𝜃𝑝)𝑝𝛼2 +𝑡𝑧̅ −1 (1
− 𝑝)𝛽2 +𝑡(𝑥̅ −𝑧̅)−1 𝑒 −𝜃(𝛽1 +𝑡) 𝜃 𝛼1 +𝑡𝑥̅ −1 𝑑𝑝 𝑑𝜃
∞ 1

= 𝐴 ∫ ∫ 𝜃 𝛼1 +𝑡𝑥̅ 𝑒 −𝜃(𝛽1 +𝑡) 𝑝𝛼2 +𝑡𝑧̅ (1 − 𝑝)𝛽2 +𝑡(𝑥̅ −𝑧̅)−1 𝑑𝑝𝑑𝜃

0 0
(𝛼1 + 𝑡𝑥̅ )(𝛼2 + 𝑡𝑧̅)
=
(𝛽1 + 𝑡)(𝛼2 + 𝛽2 + 𝑡𝑥̅ )

e. Estimasi parameter
Karena distribusi posterior merupakan perkalian dari
distribusi prior gamma dan beta dengan parameter yang
berbeda, maka akan diestimasi parameter yang tidak
diketahui tersebut menggunakan metode log-likelihood.
Pertama, akan dicari fungsi marjinal tidak bersyarat dari
(𝑋, 𝑍) yaitu
∞ 1

𝑓(𝑥, 𝑧) = ∫ ∫ 𝑓(𝑥, 𝑧|𝜃, 𝑝)𝜋(𝜃, 𝑝) 𝑑𝑝 𝑑𝜃

0 0
Misalkan 𝜏 = (𝛼1 , 𝛽1 , 𝛼2 , 𝛽2 ) adalah vektor parameter yang diestimasi
dan sampel terdiri dari 𝑡 banyaknya pengamatan (𝑥̃, 𝑧̃ ) =
{(𝑥̃1 , 𝑧̃1 ), … (𝑥̃𝑡 , 𝑧̃𝑡 )}, maka log likelihood dinyatakan sebagai
perkalian fungsi marjinal 𝑓(𝜏; (𝑥̃, 𝑧̃ )) sebagai berikut :
𝑡

𝐿(𝜏; (𝑥̃, 𝑧̃ )) = ∏ 𝑓(𝜏; (𝑥̃, 𝑧̃ ))

𝑖=

𝑡𝛽1 𝛼1 (𝛼1 + 𝑥̃ 𝑖 − 1) ∏𝑡𝑖=1 𝐵(𝛼2 + 𝑡𝑧̃𝑖 , 𝛽2 + 𝑥̃ 𝑖 − 𝑧̃ )

𝑖
= ∑𝑡𝑖=1(𝛼1 +𝑥̃ 𝑖 )
×
𝑡(𝛽1 + 1) (𝛼1 − 1)! 𝑡𝐵(𝛼2 , 𝛽2 )(𝑥̃ 𝑖 − 𝑧̃𝑖 )! (𝑧̃𝑖 )!
ℓ(𝜏; (𝑥̃, 𝑧̃ )) ∝ 𝑡[𝛼1 log 𝛽1 − 𝑙𝑜𝑔Γ(𝛼1 )
− log 𝐵(𝛼2 , 𝛽2 ) − (𝑥̅ + 𝛼1 )log(1 + 𝛽1 )]
𝑡

+ ∑[𝑙𝑜𝑔Γ(𝛼1 + 𝑥̃𝑖 ) + 𝑙𝑜𝑔𝐵(𝑧𝑖 + 𝛼2 , 𝑥̃𝑖 − 𝑧̃𝑖

𝑖=1

+ 𝛽2 )]

4. Menentukan premi risiko individu untuk jumlahan klaim

pada periode t+1
Premi yang dibayarkan atas terjadinya risiko 𝜗 dinyatakan
sebagai premi risiko (𝑃(𝜗)). Oleh karena itu, 𝑃(𝜗) harus
ditentukan sedemikian rupa sehingga kerugian yang
diharapkan minimal. Premi risiko dapat diperoleh dengan
meminimumkan kerugian yang diharapkan (expected loss)
𝐸𝑓 [𝐿(𝑔(𝑥, 𝑧), 𝑃)].
∞ 𝑥

𝑃(𝜗) = 𝐸𝑓 [𝐿(𝑔(𝑥, 𝑧), 𝑃)] = ∑ ∑ 𝑔(𝑥, 𝑧)𝑓(𝑥, 𝑧|𝜗)

𝑥=0 𝑧=0
∞ 𝑥
𝑝 𝑧 (𝜃(1 − 𝑝))𝑥 𝑒 −𝜃
= ∑ ∑((𝑝𝑙 𝑧 + 𝑝𝑠 (𝑥 − 𝑧)) ( )
1−𝑝 (𝑥 − 𝑧)! 𝑧!
𝑥=0 𝑧=0
∞ 𝑥
𝑒 −𝜃 𝜃 𝑥 𝑥
=∑ ∑((𝑝𝑙 − 𝑝𝑠 )𝑧 + 𝑝𝑠 𝑥) ( ) 𝑝 𝑧 (1 − 𝑝) 𝑥−𝑧
𝑥! 𝑧
𝑥=0 𝑧=0
∞ 𝑥
𝑒 −𝜃 𝜃 𝑥 𝑥
=∑ [∑( 𝑝𝑙 − 𝑝𝑠 )𝑧 ( ) 𝑝 𝑧 (1 − 𝑝) 𝑥−𝑧
𝑥! 𝑧
𝑥=0 𝑧=0
𝑥
𝑥
+ ∑ 𝑝𝑠 𝑥 ( ) 𝑝 𝑧 (1 − 𝑝) 𝑥−𝑧 ]
𝑧
𝑧=0
∞ 𝑥
−𝜃 𝑥
𝑒 𝜃 𝑥!
=∑ [(𝑝𝑙 − 𝑝𝑠 )𝑝 ∑ 𝑧 𝑝 𝑧−1 (1 − 𝑝)𝑥−𝑧
𝑥! (𝑥 − 𝑧)! 𝑧!
𝑥=0 𝑧=0
𝑥
𝑥!
+ 𝑝𝑠 𝑥 ∑ 𝑝 𝑧 (1 − 𝑝) 𝑥−𝑧 ]
(𝑥 − 𝑧)! 𝑧!
𝑧=0
 ∞ 𝑥
𝑒 −𝜃 𝜃 𝑥 (𝑥 − 1)!
=∑ [(𝑝𝑙 − 𝑝𝑠 )𝑝𝑥 ∑ 𝑝 𝑧−1 (1 − 𝑝) 𝑥−𝑧 + 𝑝𝑠 𝑥 ]
𝑥! (𝑥 − 𝑧)! (𝑧 − 1)!
𝑥=0 𝑧=0
∞
𝑒 −𝜃 𝜃 𝑥
=∑ [(𝑝𝑙 − 𝑝𝑠 )𝑝𝑥 + 𝑝𝑠 𝑥]
𝑥!
𝑥=0
∞ ∞
𝑒 −𝜃 𝜃 𝑥 𝑒 −𝜃 𝜃 𝑥
= ∑((𝑝𝑙 − 𝑝𝑠 )𝑝𝑥) + ∑ 𝑝𝑠 𝑥
𝑥! 𝑥!
𝑥=0 𝑥=0
∞ −𝜃 𝑥
𝑒 𝜃
∑𝑥 = 𝜃 (𝑒𝑘𝑠𝑝𝑒𝑘𝑡𝑎𝑠𝑖 𝑃𝑜𝑖𝑠𝑠𝑜𝑛)
𝑥!
𝑥=0

= (𝑝𝑙 − 𝑝𝑠 )𝑝𝜃 + 𝑝𝑠 𝜃
= ((𝑝𝑙 − 𝑝𝑠 )𝑝 + 𝑝𝑠 )𝜃
5. Perhitungan premi Bayes bonus malus
a. Menentukan premi prior(kolektif)
Premi risiko dapat ditentukan apabila nilai 𝜃 dan 𝑝 diketahui.
Dengan demikian, perhitungan premi risiko harus diestimasi dari
data. Apabila data tidak tersedia maka dilakukan perhitungan
premi prior (kolektif) dengan meminimumkan fungsi risiko
𝑃 = 𝐸𝜋(𝜗) [𝐿(𝑃(𝜗), 𝑃]
𝜋(𝜗) adalah distribusi prior dari parameter risiko 𝜗.
∞ 1

𝑃 = 𝐸𝜋(𝜗) [𝐿(𝑃(𝜗), 𝑃] = ∫ ∫ 𝑃(𝜗) 𝜋(𝜗) 𝑑𝜗

0 0

∞ 1

𝑃 = ∫ ∫((𝑝𝑙 − 𝑝𝑠 )𝑝 + 𝑝𝑠 ) 𝜃(𝑝 𝛼2−1 (1 − 𝑝)𝛽2 −1 𝜃 𝛼1−1 𝑒 −𝛽1 𝜃 )𝑑𝑝 𝑑𝜃

0 0

∞ 1
𝛼1 −𝛽1 𝜃
=∫𝜃 𝑒 (∫(𝑝𝑙 𝑝 − 𝑝𝑠 𝑝 + 𝑝𝑠 )𝑝𝛼2−1 (1 − 𝑝)𝛽2 −1 𝑑𝑝) 𝑑𝜃
0 0
 ∞ 1 1
𝛼1 −𝛽1 𝜃 𝛼2 𝛽2 −1
=∫𝜃 𝑒 (∫ 𝑝𝑙 𝑝 (1 − 𝑝) 𝑑𝑝 − ∫ 𝑝𝑠 𝑝𝛼2 (1 − 𝑝)𝛽2−1 𝑑𝑝
0 0 0

+ ∫ 𝑝𝑠 𝑝 𝛼2−1 (1 − 𝑝)𝛽2 −1 𝑑𝑝) 𝑑𝜃

0

= ∫ 𝜃 𝛼1 𝑒 −𝛽1𝜃 (𝑝𝑙 𝐵(𝛼2 + 1, 𝛽2 ) − 𝑝𝑠 𝐵(𝛼2 + 1, 𝛽2 ) + 𝑝𝑠 𝐵(𝛼2 , 𝛽2 ))𝑑𝜃

0

= ∫ 𝜃 𝛼1 𝑒 −𝛽1𝜃 (𝑝𝑙 − 𝑝𝑠 )𝐵(𝛼2 + 1, 𝛽2 ) + 𝑝𝑠 𝐵(𝛼2 , 𝛽2 ))𝑑𝜃

0

𝑢
Misal u = 𝛽1 𝜃 ⇒ 𝜃 =
𝛽1

𝑑𝑢
𝑑𝜃 =
𝛽1

1
= (𝑝𝑙 − 𝑝𝑠 )𝐵(𝛼2 + 1, 𝛽2 ) + 𝑝𝑠 𝐵(𝛼2 , 𝛽2 ) ( 𝛼1 +1 ∫ 𝑢𝛼1 𝑒 𝑢 𝑑𝑢)
𝛽1

1
= ((𝑝𝑙 − 𝑝𝑠 )𝐵(𝛼2 + 1, 𝛽2 ) + 𝑝𝑠 𝐵(𝛼2 , 𝛽2 )) ( 𝛼1 +1 Γ(𝛼1 + 1))
𝛽1
𝛽1 𝛼1
×
Γ(𝛼1 )𝐵(𝛼2 , 𝛽2 )

𝛼1
= ((𝛽2 − 1)! (𝛼2
𝛽1

(𝑝𝑙 − 𝑝𝑠 )𝛼2 + 𝑝𝑠 (𝛼2 + 𝛽2 ) 1

− 1)! )( )
𝛼2 + 𝛽2 (𝛼2 − 1)! (𝛽2 − 1)!

𝛼1 𝑝𝑙 𝛼2 + 𝑝𝑠 𝛽2
=
𝛽1 𝛼2 + 𝛽2
b. Menentukan premi posterior

Dalam menentukan premi posterior yaitu

∞ 1

𝑃 = ∫ ∫ 𝑃(𝜗)𝜋 ∗ (𝜃, 𝑝|(𝑥̃, 𝑧̃ ))𝑑𝑝𝑑𝜃

∗

0 0
Perlu untuk menentukan nilai konstan dari distribusi posterior
𝜋 ∗ (𝜃, 𝑝|(𝑥̃, 𝑧̃ )).
∞ 1

∫ ∫ 𝐴 𝜋 ∗ (𝜃, 𝑝|(𝑥̃, 𝑧̃ ))𝑑𝑝 𝑑𝜃 = 1

0 0

∞ 1
1
∫ ∫ 𝑒−𝜃(𝛽1 +𝑡) 𝜃𝛼1 +𝑥−1 𝑝𝛼2 +𝑧−1 (1 − 𝑝)𝛼1 +𝑥−𝑧−1 𝑑𝑝 𝑑𝜃 =
𝐴
0 0
(𝛽 +𝑡)𝛼1+𝑥 Γ(𝛼2 +𝛽2 +𝑥)
didapat nilai A = Γ(𝛼 1+𝑥)Γ(𝛼 dengan 𝑥 = 𝑡𝑥̅ dan 𝑧 = 𝑡𝑧̅.
1 2 +𝑧)Γ(𝛽2 +𝑥−𝑧)
∞ 1

𝑃 = 𝐴 ∫ ∫ 𝑃(𝜗)𝜋 ∗ (𝜃, 𝑝|(𝑥̃, 𝑧̃ ))𝑑𝑝𝑑𝜃

∗

0 0
∞ 1

= 𝐴 ∫ ∫((𝑝𝑙 − 𝑝𝑠 )𝑝 + 𝑝𝑠 )𝜃 × (𝑝𝛼2+𝑧−1 (1 − 𝑝)𝛽2 +𝑥−𝑧−1 𝜃 𝛼1+𝑥−1 𝑒 −(𝛽1+𝑡)𝜃 ) 𝑑𝑝𝑑𝜃

0 0
∞ 1

= 𝐴∫ 𝜃 𝛼1+𝑥 𝑒 −(𝛽1 +𝑡)𝜃 (∫((𝑝𝑙 − 𝑝𝑠 )𝑝 + 𝑝𝑠 )(𝑝𝛼2+𝑧−1 (1 − 𝑝)𝛽2+𝑥−𝑧−1 )𝑑𝑝) 𝑑𝜃

0 0
= 𝐴 × ((𝑝𝑙 − 𝑝𝑠 )𝐵(𝛼2 + 𝑧 − 1, 𝛽2 + 𝑥 − 𝑧) + 𝑝𝑠 𝐵(𝛼2 + 𝑧, 𝛽2 + 𝑥
∞

− 𝑧)) ∫ 𝜃 𝛼1+𝑥 𝑒 −(𝛽1 +𝑡)𝜃 𝑑𝜃

0
= 𝐴 × ((𝑝𝑙 − 𝑝𝑠 )𝐵(𝛼2 + 𝑧 − 1, 𝛽2 + 𝑥 − 𝑧) + 𝑝𝑠 𝐵(𝛼2 + 𝑧, 𝛽2 + 𝑥 − 𝑧))
Γ(𝛼1 + 𝑥 + 1)
×
(𝛽1 + 𝑡)𝛼1+𝑥+1

substitusi nilai A ke persamaan sehingga diperoleh

(𝛼1 + 𝑥)
= ×
(𝛽1 + 𝑡)
 (𝛼2 + 𝑧 − 1)! ((𝑝𝑙 − 𝑝𝑠 )(𝛼2 + 𝑧)(𝛽2 + 𝑥 − 𝑧 − 1)! + 𝑝𝑠 ((𝛽2 + 𝑥 − 𝑧 − 1)! (𝛼2 + 𝛽2 + 𝑥)
[ ]
(𝛼2 + 𝛽2 + 𝑥)! (𝛼2 + 𝑧 − 1)! (𝛽2 + 𝑥 − 𝑧 − 1)!

(𝛼1 + 𝑥) (𝑝𝑙 − 𝑝𝑠 )(𝛼2 + 𝑧) + 𝑝𝑠 (𝛼2 + 𝛽2 + 𝑥)

= ×
(𝛽1 + 𝑡) 𝛼2 + 𝛽2 + 𝑥

(𝛼1 + 𝑥) 𝑝𝑙 (𝛼 + 𝑧) + 𝑝𝑠 (𝛽2 + 𝑥 − 𝑧)
2
𝑃∗ (𝑥, 𝑧, 𝑡) = ×
(𝛽1 + 𝑡) 𝛼2 + 𝛽2 + 𝑥

c. Menentukan premi Bayes bonus malus

Premi Bayes adalah ratio antara premi posterior dengan premi prior
yaitu

𝑃∗ (𝑥, 𝑧, 𝑡)
𝑃∗∗ (𝑥, 𝑧, 𝑡) =
𝑃
6. Melakukan uji kecocokan data dengan Chi-Square Goodness of Fit
Test
Untuk melakukan perhitungan premi dengan rumus yang telah
diperoleh pada langkah sebelumnya maka data yang akan
digunakan harus berdistribusi poisson-gamma untuk jumlah klaim
dan binomial-beta untuk total klaim dengan ukuran klaim lebih
besar dari batas limit 𝜓. Oleh karena itu, akan dilakukan uji
kecocokan data pada data banyaknya klaim pemegang polis.

a. Menentukan premi kolektif menyatakan rata-rata premi

yang dibayarkan untuk semua kemungkinan premi risiko
b. Masuk ke teori kredibilitas
Premi pemegang polis dalam kelas ke 𝑗, 𝑗 = 1, … , 𝑙
dihitung dengan menggabungkan pengalaman individu
(kontrak atau polis) dengan pengalaman kolektif
(portofolio) dengan menggunakan ekspresi
Keterkinian skripsi :
 1. Penggunaan Metode Bayes Dengan Pendekatan Rantai
Markov Monte Carlo Untuk Menaksir Peluang Terjadinya
Klaim Asuransi (Studi Kasus pada PT. Asuransi AIG
Malang Regional Office) Tahun 2009 oleh Reny Dewi
Handayani
- Distribusi prior yang dipakain adalah distribusi
eksponensial dua parameter yaitu 𝜃1 dan 𝜃2
- Metode bayes digunakan dengan pendekatan MCMC
untuk menaksir peluang jumlah klaim yang terjadi
sehingga perusahaan dapat memperkirakan peluang
jumlah klaim yang akan terjadi pada periode-periode
selanjutnya.

The Risk Rating Problem in the Collective.

Perusahaan asuransi mengasuransikan banyak jenis risiko-risiko.
Untuk tujuan rating risks, risiko ini dikelompokkan kedalam kelas
dengan jenis risiko yang sama, berdasarkan karakteristik objektif
risiko. Setiap risiko 𝑖 dalam kelompok ditandai sebagai profil risiko
individu 𝜗𝑖 . Parameter 𝜗𝑖 adalah elemen dari himpunan Θ, dengan Θ
adalah himpunan semua nilai yang mungkin dari profil risiko
(unknown) dalam risiko kolektif.

1.1 Distribusi Gabungan

Diberikan lebih dari satu peubah acak yaitu 𝑋1 , 𝑋2 , … , 𝑋𝑛 ,
secara matematis ditulis dalam bentuk vektor 𝑋 = (𝑋1 , 𝑋2 , … , 𝑋𝑛 )
dengan nilai masing-masing peubah acak 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ). Dalam
hal ini, 𝑥 menyatakan hasil pada percobaan berulang 𝑛.
1.1.1 Distribusi Diskrit Gabungan
Fungsi kepadatan peluang gabungan dari peubah acak diskrit
𝑋 = (𝑋1 , 𝑋2 , … , 𝑋𝑛 ) didefinisikan sebagai berikut:

𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑃[𝑋1 = 𝑥1 , 𝑋2 = 𝑥2 , … , 𝑋𝑛 = 𝑥𝑛 ]

Jika peubah acak 𝑋𝑖 , 𝑖 = 1, … , 𝑛 diasumsikan saling bebas dan identik

maka

𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑓(𝑥1 )𝑓(𝑥2 ) … 𝑓(𝑥𝑛 )

 (Bain dan Engelhardt, 1992).

1.1.2 Distribusi Kontinu Gabungan

Nilai dari peubah acak 𝑋 = (𝑋1 , 𝑋2 , … , 𝑋𝑘 ) dikatakan kontinu
jika ada fungsi 𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ), disebut fungsi kepadatan peluang
gabungan dari 𝑋, sehingga fungsi distribusi kumulatif gabungan
dapat dinyatakan sebagai
𝑥𝑘 𝑥1

𝐹(𝑥1 , … , 𝑥𝑛 ) = ∫ … ∫ 𝑓(𝑥1 , … , 𝑥𝑛 )𝑑𝑥1 … 𝑑𝑥2

−∞ −∞
(Bain dan Engelhardt, 1992).

2.1 Uji Kelayakan AIC (Akaike Information Criterion)

Menurut Akaike (1985), pemodelan statistik yang melakukan
perbandingan terhadap beberapa model, biasanya diikuti dengan uji
kebaikan model salah satunya nilai AIC (Akaike Information
Criterion). Nilai AIC tergantung pada nilai log likelihood suatu fungsi
kepadatan peluang. Nilai AIC dapat dijadikan sebagai pedoman untuk
menentukan metode yang terbaik dalam mengestimasi parameter.
Nilai AIC dapat ditentukan dengan rumus:
𝐴𝐼𝐶 = −2𝑙 + 2𝑝,
dengan:
𝑙 = log likelihood
𝑝 = jumlah parameter.