• Bagikan:
• 
• 
• 
• 
• 
• 
• 

Text  

Implementasi Penggunaan Deep Learning Berbasis Metode Lee-Carter Dan Turunannya Untuk Memodelkan Tingkat Mortalitas Pada Perusahaan Asuransi Di Indonesia

---

• Ketersediaan
• Informasi Detil
• Deskripsi
• Versi lain/terkait
• Komentar

• Code	CallNo	Lokasi	Ketersediaan
  MIR766	MIR766	Perpustakaan Sekolah Pascasarjana (1)	Tersedia

• Perpustakaan	Sekolah Pascasarjana
  Judul Seri	-
  No. Panggil	MIR766
  Penerbit	: Bandung., 2024
  Deskripsi Fisik	-
  Bahasa	Indonesia
  ISBN/ISSN	-
  Klasifikasi	MIR766
  Tipe Isi	-
  Tipe Media	-
  Tipe Pembawa	-
  Edisi	-
  Subyek	efektif dan efisien
  Info Detil Spesifik	-
  Pernyataan Tanggungjawab	-

• Abstrak Perusahaan asuransi di Indonesia menghadapi tantangan dalam perhitungan tingkat mortalitas akibat keterbatasan data, keragaman populasi yang tinggi, perubahan kondisi sosial-ekonomi, serta kerentanan terhadap penyakit tropis dan bencana alam, yang mengharuskan pengembangan pendekatan permodelan aktuaria yang lebih canggih dan adaptif. Hal ini berlangsung sejak awal dua dekade terakhir seiring dengan pesatnya perubahan demografis, ekonomi dan teknologi di Indonesia. Permasalahan ini menyebabkan potensi kesalahan dalam memberikan tarif produk asuransi yang berimbas kepada profitabilitas perusahaan dan kemampuan industri asuransi dalam memenuhi kewajiban jangka panjang para pemegang polis. Perusahaan asuransi perlu mengintegrasikan data lokal yang lebih komprehensif menggunakan pemodelan mortalitas untuk mendapatkan premi yang tepat sehingga dapat menganalisis model mortalitas yang akurat dan sesuai dengan risiko asuransi yang ditanggung oleh perusahaan. Pada penelitian ini, dilakukan pemodelan mortalitas menggunakan model Lee-Carter, model Renshaw-Haberman dan model Cairns-Blake-Dowd serta akan diterapkan Deep Learning Decision Tree untuk meningkatkan akurasi ketiga model tersebut. Hasil akhir menunjukkan bahwa model Lee-Carter, Renshaw Haberman, dan Cairns-Blake-Dowd yang telah dilakukan back-testing menggunakan Deep Learning Decision Tree memberikan nilai Mean Absolute Percentage Error (MAPE) yang lebih kecil dibandingkan dengan model sebelum back-testing disebabkan pola perubahan tren yang lebih kompleks dan fleksibel. Adapun model yang memberikan hasil estimasi paling akurat adalah model Renshaw-Haberman dengan penerapan Deep Learning Decision Tree (RHDT). Penerapan model Renshaw-Haberm berbasis Deep Learning Decision Tree dapat digunakan perusahaan asuransi dalam penentuan tingkat mortalitas sehingga menghasilkan premi asuransi peserta yang sesuai dengan risiko yang ditanggung berdasarkan pengalaman risiko tiap perusahaan, sehingga dapat meningkatkan kemampuan perusahaan asuransi dalam mengelola risiko secara lebih akurat, efektif dan efisien.

• Tidak tersedia versi lain

• Silakan login dahulu untuk melihat atau memberi komentar.