ESTIMASI CADANGAN KLAIM IBNR MENGGUNAKAN PENDEKATAN MACHINE LEARNING DENGAN METODE TRADISIONAL: CHAIN-LADDER DAN BORNHUETTER-FERGUSON

HUSNA RAHMA YUNITA, Prof. Dr.rer.nat. Dedi Rosadi, S.Si., M.Sc.

2023 | Skripsi | S1 ILMU AKTUARIA

Saat ini, metode estimasi cadangan klaim IBNR terus berkembang, mulai dari metode tradisional, deterministik dan stokastik sampai metode modern yang memanfaatkan machine learning maupun deep learning. Pada metode tradisional, sering kali aktuaris melakukan penyesuaian sehingga tercipta berbagai model estimasi cadangan klaim IBNR. Namun, tidak banyak literatur maupun buku panduan mengenai model mana yang harus digunakan dan kapan. Pada tugas akhir ini, penulis meninjau kembali metode tradisional, Chain-Ladder dan Bornhuetter-Ferguson, dengan pendekatan machine learning untuk memilih model optimal dengan memperhatikan ruang parameter dan fungsi tujuan, Actual versus Expected (AvE) atau Claims Development Result (CDR). Dari tugas akhir ini, dapat disimpulkan bahwa hasil dari variasi metode yang diperoleh dari pendekatan machine learning menggunakan fungsi tujuan AvE maupun CDR lebih baik daripada metode biasa yang mana hasil dari pendekatan machine learning sangat dipengaruhi oleh banyak pengalaman yang diberikan. Dengan demikian, model optimal yang diperoleh dari pendekatan machine learning ini dapat dipercayai bergantung pada perhatian praktisi atau perusahaan. Praktisi atau perusahaan dapat memilih menggunakan fungsi tujuan AvE jika menginginkan model yang diperoleh memperhatikan nilai aktual dan estimasi untuk tiap periode kalender selanjutnya, sedangkan dapat memilih menggunakan fungsi tujuan CDR jika menginginkan model yang diperoleh memperhatikan nilai estimasi cumulative ultimate claims dari dua periode berurutan, periode sebelumnya dan periode setelahnya.

Currently, IBNR claim reserve estimation methods continue to evolve, ranging from traditional, deterministic, and stochastic methods to modern methods that utilize machine learning and deep learning. In traditional methods, actuaries often make adjustments to create various models for estimating IBNR claim reserves. However, there is not much literature or guidance on which models to use and when. In this thesis, the author reviews traditional methods, Chain-Ladder and Bornhuetter-Ferguson, with a machine learning approach to select optimal models by considering parameter space and objective function, Actual versus Expected (AvE) or Claims Development Result (CDR). From this thesis, it can be concluded that the results of the variations in methods obtained from the machine learning approach using the AvE or CDR objective function are better than the usual methods, where the results of the machine learning approach are highly influenced by the experiences provided. Thus, the optimal models obtained from this machine learning approach can be trusted depending on the attention of practitioners or companies. Practitioners or companies can choose to use the AvE objective function if they want the model obtained to consider actual and estimated values for each subsequent calendar period, while they can choose to use the CDR objective function if they want the model obtained to consider cumulative estimate values of claims from two consecutive periods, the previous and the next period.

Kata Kunci : cadangan klaim IBNR, Chain-Ladder, Bornhuetter-Ferguson, pendekatan machine learning, ruang parameter, AvE, CDR