PROYEKSI CADANGAN KLAIM DENGAN METODE

MUNICH CHAIN-LADDER

IKHWAN ABIYYU

DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015
 PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Proyeksi Cadangan

Klaim dengan Metode Munich Chain-Ladder adalah benar karya saya dengan
arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada
perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya
yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam
teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Mei 2015

Ikhwan Abiyyu
NIM G54110015
 ABSTRAK
IKHWAN ABIYYU. Proyeksi Cadangan Klaim dengan Metode Munich Chain-
Ladder. Dibimbing oleh I GUSTI PUTU PURNABA dan RUHIYAT.

Perusahaan asuransi wajib mempersiapkan cadangan klaim secara tepat

untuk menutupi pengeluaran dari klaim yang akan terjadi di masa yang akan
datang. Salah satu metode estimasi cadangan klaim yang sering digunakan adalah
metode chain-ladder. Karena kesederhanaan dari metode tersebut, banyak
perusahaan asuransi menggunakannya dalam estimasi cadangan klaim di masa
yang akan datang. Namun, metode chain-ladder tidak bisa mengurangi gap antara
proyeksi IBNR (Incurred but Not Reported) dari kerugian yang dibayarkan dan
kerugian yang sebenarnya terjadi. Metode Munich chain-ladder adalah
pengembangan metode dari metode chain-ladder yang dikembangkan oleh
Gerhard Quarg dan Thomas Mack. Metode Munich chain-ladder dalam
aplikasinya dapat mengurangi gap yang terjadi. Karya ilmiah ini menjelaskan cara
estimasi cadangan klaim menggunakan metode Munich chain-ladder dan
membandingkan hasilnya dengan menggunakan metode chain-ladder, serta
memberikan contoh data di mana metode Munich chain-ladder tidak
menghasilkan proyeksi yang baik.

Kata kunci: cadangan klaim, chain-ladder, IBNR, outstanding claim.

ABSTRACT

IKHWAN ABIYYU. Projection of Claim Reserves Using the Munich Chain-

Ladder Method. Supervised by I GUSTI PUTU PURNABA and RUHIYAT.

Insurance companies are required to manage the appropriate claim

reserves to cover the expenses of the claims that will occur in the future. One of
the claim reserves estimation method that frequently used is the chain-ladder
method. Because of the simplicity of this method, many insurance companies use
the method to estimate the claim reserves in the future. However, the chain-ladder
method is not able to reduce the gap between the projection of IBNR (Incurred but
Not Reported) paid losses and incurred losses. The Munich chain-ladder is the
development of the chain-ladder method introduced by Gerhard Quarg and
Thomas Mack. The Munich chain-ladder method can be applied to reduce the gap
between the projection of IBNR paid losses and incurred losses. This paper
describes how to estimate the claim reserves using the Munich chain-ladder
method and to compare the results with using the chain-ladder method. In
addition, we provide examples of data, where the Munich chain-ladder method
does not produce a good projection.

Keywords: claim reserve, chain-ladder, IBNR, outstanding claim.

 PROYEKSI CADANGAN KLAIM DENGAN METODE
MUNICH CHAIN-LADDER

IKHWAN ABIYYU

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Sains
pada
Departemen Matematika

DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015
 PRAKATA

Puji dan syukur penulis panjatkan kepada Allah SWT atas segala rahmat
dan karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Penulisan karya
ilmiah ini juga tidak lepas dari bantuan berbagai pihak. Untuk itu penulis
mengucapkan terima kasih yang sebesar-besarnya kepada:
1. Ibundaku tersayang Ibu Mardiana. Terima kasih atas doa, cinta,
semangat, pengorbanan, dan segalanya kepada penulis. Terima kasih
telah menjadi mama terhebat untuk anak-anaknya.
2. Adik-adikku Sayyid Abyan dan Siti Najwa Assyyfa atas semangatnya
kepada penulis.
3. Bapak Dr Ir I Gusti Putu Purnaba, DEA sebagai dosen pembimbing I
dan Bapak Ruhiyat, MSi sebagai dosen pembimbing II. Terima kasih
atas segala waktu, ilmu, nasihat, dan bantuannya selama penulisan karya
ilmiah ini.
4. Bapak Dr Donny Citra Lesmana, SSi, MFinMath sebagai dosen penguji
atas kritik dan saran untuk perbaikan skripsi ini.
5. Dosen dan staf penunjang Departemen Matematika FMIPA IPB atas
semua ilmu, nasihat, dan bantuannya.
6. Teman-teman satu bimbingan yaitu Lilyani dan Sinta atas semua saran,
semangat, dan bantuannya.
7. Sahabat satu kontrakan yaitu Median, Firi, dan Fakhri serta sahabat
dekat selama perkuliahan yaitu Adam, Irma, Henny, Restu, Hendar,
Hasan, dan Resty. Terima kasih atas kebersamaannya, perhatian,
semangat, dan bantuannya kepada penulis selama 4 tahun perkuliahan.
8. Teman-teman Matematika 48, kakak-kakak Matematika 47, dan adik-
adik Matematika 49 atas kebersamaan dan suka-duka selama penulis
menempuh studi di Departemen Matematika.
9. Sahabat dari SMA hingga saat ini Fadhlulrahman Azis, serta Sahabat
dari TPB yaitu Diko, Adoy, Feber, dan Dody. Terima kasih atas
kebersamaannya dan semangatnya kepada penulis.
10. Kak Julianto, SSi yang telah membagi ilmu dan wawasannya tentang
teknik cadangan klaim dalam asuransi, khususnya asuransi kerugian.
11. Pihak-pihak lain yang telah membantu penulisan skripsi ini yang tidak
dapat disebutkan satu per satu.
Semoga karya ilmiah ini bermanfaat.

Bogor, Mei 2015

Ikhwan Abiyyu
 DAFTAR ISI

DAFTAR TABEL viii

DAFTAR GAMBAR viii
DAFTAR LAMPIRAN viii
PENDAHULUAN 1
Latar Belakang 1
Tujuan Penelitian 2
TINJAUAN PUSTAKA 2
Teori Peluang 2
Total Klaim 3
Outstanding Claims Liability 3
Teknik Chain-Ladder 5
HASIL DAN PEMBAHASAN 6
Metode Chain-Ladder 6
Metode Munich Chain-Ladder 7
Implementasi Praktis 11
Contoh Penerapan Metode Cadangan Klaim Munich Chain-Ladder 14
SIMPULAN DAN SARAN 26
Simpulan 26
Saran 27
DAFTAR PUSTAKA 27
LAMPIRAN 28
RIWAYAT HIDUP 36
 DAFTAR TABEL
1 Run-off triangle data dan future triangle data dalam bentuk inkremental 4
2 Run-off triangle data dan future triangle data dalam bentuk kumulatif 4
3 Run-off triangle untuk kerugian yang dibayarkan dari data Quarg dan
Mack 15
4 Run-off triangle untuk kerugian yang terjadi dari data Quarg dan Mack 15
5 Estimasi faktor penundaan rata-rata dan parameter 𝜎 dari data Quarg
dan Mack 17
6 Rasio (P/I) dan (I/P) serta parameter 𝜌 dari data Quarg dan Mack 19
̂ (𝑃𝑖,𝑡 ) dari data Quarg dan Mack
7 Hasil perhitunan Res 20
̂ (𝐼𝑖,𝑡 ) dari data Quarg dan Mack
8 Hasil perhitunan Res 20
̂ (𝑄𝑖,𝑠
9 Hasil perhitunan Res −1
) dari data Quarg dan Mack 21
̂ (𝑄𝑖,𝑠 ) dari data Quarg dan Mack
10 Hasil perhitunan Res 21
11 Hasil proyeksi untuk kerugian yang dibayarkan dari data Quarg dan
Mack dengan metode Munich chain-ladder 23
12 Hasil proyeksi untuk kerugian yang terjadi dari data Quarg dan Mack
dengan metode Munich chain-ladder 23
13 Gap antara proyeksi untuk kerugian yang dibayarkan dan kerugian
yang terjadi dari data Quarg dan Mack dengan metode Munich chain-
ladder 24
14 Gap antara proyeksi untuk kerugian yang dibayarkan dan kerugian
yang terjadi dari data Quarg dan Mack dengan metode chain-ladder 25
15 Gap antara proyeksi untuk kerugian yang dibayarkan dan kerugian
yang terjadi dari data Lloyd's dengan metode Munich chain-ladder 26

DAFTAR GAMBAR
1 Plot residual dari kerugian yang dibayarkan dari data Quarg dan Mack 22
2 Plot residual dari kerugian yang terjadi dari data Quarg dan Mack 22
3 Plot residual dari kerugian yang dibayarkan dari data Lloyd’s 25
4 Plot residual dari kerugian yang terjadi dari data Lloyd’s 26

DAFTAR LAMPIRAN
1 Pengolahan data Quarg dan Mack dengan metode Munich chain-ladder 28
2 Pengolahan data Quarg dan Mack dengan metode chain-ladder 30
3 Pengolahan data Lloyd's dengan metode Munich chain-ladder 32
 PENDAHULUAN
Latar Belakang

Setiap orang tidak mengetahui bagaimana kehidupan ke depannya akan

berjalan seperti apa. Ketidakpastian bisa saja terjadi seperti bahaya, kerusakan,
dan kerugian yang pasti akan dialami kapanpun dan oleh siapapun. Risiko
ketidakpastian tersebut dapat merusak kestabilan ekonomi yang sangat besar.
Salah satu solusi untuk mengantisipasi risiko tersebut adalah melalui asuransi.
Asuransi adalah sebuah janji dari pihak penanggung dalam hal ini perusahaan
asuransi kepada pihak tertanggung yakni nasabah, bahwa bila terjadi risiko maka
perusahaan asuransi tersebut akan memberikan santunan (benefit) dengan jumlah
tertentu kepada nasabahnya.
Industri asuransi dewasa ini semakin berkembang dari tahun ke tahun. Ini
bisa digambarkan dengan semakin banyaknya orang yang tertarik untuk membeli
produk berupa jasa yang ditawarkan oleh suatu perusahaan asuransi. Dengan
membayarkan sejumlah uang yang disebut premi, risiko kerugian yang mungkin
dapat timbul dari nasabah pada waktu mendatang telah ditanggung oleh
perusahaan asuransi tersebut sesuai dengan polis yang berlaku. Perusahaan
asuransi wajib mempersiapkan dana siap pakai secara tepat untuk menutupi
pengeluaran oleh klaim yang terjadi pada periode ke depan. Dana inilah yang
disebut sebagai cadangan klaim.
Pembayaran klaim mungkin dilakukan tidak lama setelah klaim dilaporkan,
namun pada beberapa jenis asuransi, terkadang pembayaran klaimnya
membutuhkan waktu yang cukup lama diukur dari saat terjadinya klaim.
Hubungan antara waktu kejadian dan penundaan terkait klaim ini dikenal dengan
istilah outstanding claims. Ada dua jenis outstanding claims, yaitu Incurred but
Not Reported (IBNR) yaitu peristiwa yang telah terjadi tetapi belum dilaporkan ke
perusahaan asuransi dan Reported but Not Settled (RBNS) yaitu peristiwa yang
telah dilaporkan namun pembayarannya belum terselesaikan (Hossack 1999).
Taksiran outstanding claims memegang peranan yang penting, mengingat
perusahaan asuransi dituntut untuk selalu dapat menyediakan cadangan yang
cukup, guna menutup pembayaran klaim di masa yang akan datang. Jika perkiraan
outstanding claims buruk, maka bisa saja perusahaan dapat mengalami
kebangkrutan. Ada beberapa metode statistik untuk menaksir outstanding claims
baik secara deterministik maupun stokastik. Metode chain-ladder merupakan
metode deterministik yang paling populer untuk menaksir outstanding claims,
karena kesederhanaannya dan bersifat bebas distribusi (Mack 1993).
Sebuah masalah besar dalam cadangan klaim adalah perbedaan perkiraan
IBNR yang dibayarkan dan yang terjadi, yaitu total akhir dari kerugian yang
dibayarkan menyimpang lebih atau kurang dari perkiraan yang sesuai dengan
kerugian yang terjadi. Metode chain-ladder tidak cukup membantu dalam
menyelesaikan masalah ini. Metode Munich chain-ladder, pengembangan dari
metode chain-ladder yang akan mempersempit gap antara proyeksi IBNR dari
kerugian yang dibayarkan dan kerugian yang terjadi.
2

Tujuan Penelitian

Tujuan dari karya ilmiah ini adalah:

1. Menjelaskan cara proyeksi cadangan klaim dengan metode Munich chain-
ladder.
2. Memberikan contoh penerapan proyeksi cadangan klaim dengan metode
Munich chain-ladder.
3. Membandingkan hasil proyeksi cadangan klaim dengan metode chain-
ladder dan metode Munich chain-ladder.

TINJAUAN PUSTAKA

Teori Peluang

Nilai Harapan
1. Jika 𝑋 adalah peubah acak diskret dengan fungsi massa peluang 𝑝𝑋 (𝑥) maka
nilai harapan dari 𝑋, dinotasikan dengan 𝐸(𝑋), adalah:

𝐸(𝑋) = ∑ 𝑥 𝑝𝑋 (𝑥),
∀𝑥

asalkan jumlah tersebut kovergen mutlak.

2. Jika 𝑋 adalah peubah acak kontinu dengan fungsi kepekatan peluang 𝑓𝑋 (𝑥)
maka nilai harapan dari 𝑋 adalah:

∞
𝐸(𝑋) = ∫ 𝑥𝑓𝑋 (𝑥) 𝑑𝑥,
−∞

asalkan integral tersebut konvergen mutlak (Hogg et al. 2014).

Nilai Harapan Bersyarat

Misalkan 𝑋 dan 𝑌 adalah peubah acak kontinu dan 𝑓𝑋|𝑌 (𝑥|𝑦) adalah fungsi
kepekatan peluang bersyarat dari 𝑋 dengan syarat 𝑌 = 𝑦. Nilai harapan dari 𝑋
dengan syarat 𝑌 = 𝑦 adalah:
∞
𝐸(𝑋|𝑌 = 𝑦) = ∫ 𝑥𝑓𝑋|𝑌 (𝑥|𝑦) 𝑑𝑥
−∞

(Hogg et al. 2014).

Ragam
Ragam dari peubah acak 𝑋 dapat ditunjukkan oleh:

var(𝑋) = 𝐸[(𝑋 − 𝜇)2 ] = 𝐸(𝑋 2 ) − 𝜇 2 ; 𝜇 = 𝐸(𝑋)

Notasi lain untuk ragam adalah 𝜎 2 , sehingga didapat

 3

𝜎 2 = 𝐸(𝑋 2 ) − 𝜇 2
(Hogg et al. 2014).

Martingale
Kejadian 𝑋 disebut martingale (relatif terhadap ({ℱ𝑛 }, Ρ)) jika:
1. 𝑋 bersesuaian,
2. 𝛦(|𝑋𝑛 |) < ∞, ∀𝑛,
3. 𝛦[𝑋𝑛 |ℱ𝑛−1 ] = 𝑋𝑛−1, ketika 𝑛 ≥ 1
(Williams 1991).
Total Klaim

Total klaim (claim amounts) atau bisa juga disebut sekumpulan kerugian
(aggregate loss) adalah jumlahan dari total semua klaim yang terjadi dalam
periode tertentu dari kontrak asuransi yang telah ditetapkan. Ini merupakan suatu
metode yang digunakan untuk merekam pembayaran yang dibuat dan kemudian
menambahkannya dengan pembayaran berikutnya. Dalam kasus ini, total klaim
direpresentasikan sebagai jumlahan, banyaknya klaim (number of claims) 𝑁, dari
total pembayaran individu (𝑋1 , 𝑋2 , … , 𝑋𝑁 ), sehingga

𝑌 = 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑁 , untuk 𝑁 = 0,1,2, …

dengan 𝑌 = 0 jika 𝑁 = 0 (Yunawan 2013).

Outstanding Claims Liability

Umumnya penaksiran klaim-klaim yang belum terselesaikan (outstanding

claims liability) untuk asuransi kelas bisnis jangka panjang (long-tail) didasarkan
pada run-off triangle data. Run-off triangle data memuat gambaran klaim
keseluruhan (aggregate), dan merupakan ringkasan dari suatu data set klaim-
klaim individu (Antonio et al. 2006). Data yang ada dalam run-off triangle data
biasanya merupakan besarnya klaim (claims amount) dan juga banyaknya klaim
(number of claims), di mana keduanya tersaji dalam bentuk inkremental atau
kumulatif.
Misalkan 𝐷𝑖,𝑗 menyatakan peubah acak besarnya klaim (dalam bentuk
inkremental) untuk klaim-klaim yang terjadi pada periode kejadian (accident
period) 𝑖 dan dibayarkan pada periode penundaan (development period) 𝑗, dengan
1 ≤ 𝑖 ≤ 𝑛 dan 1 ≤ 𝑗 ≤ 𝑛 (Olofsson 2006).
Tabel 1 mengilustrasikan run-off triangle data dan future triangle data
dalam bentuk inkremental, di mana baris menunjukkan tahun kejadian (accident
year), kolom menunjukkan tahun penundaan (development year), sedangkan
diagonal (kiri bawah sampai kanan atas) merepresentasikan pembayaran klaim
dalam setiap periode pembayaram (payment period). Run-off triangle data adalah
sel-sel 𝐷𝑖,𝑗 (untuk 𝑖 + 𝑗 ≤ 𝑛 + 1) yang berwarna putih dan berada dalam segitiga
atas, sedangkan future triangle data adalah sel-sel 𝐷𝑖,𝑗 (untuk 𝑖 + 𝑗 > 𝑛 + 1) yang
berwarna abu-abu dan berada dalam segitiga bawah.
4

Tabel 1 Run-off triangle data dan future triangle data dalam bentuk inkremental
Tahun Tahun penundaan
kejadian 1 2 … 𝑗 … 𝑛−1 𝑛
1 𝐷1,1 𝐷1,2 … 𝐷1,𝑗 … 𝐷1,𝑛−1 𝐷1,𝑛
2 𝐷2,1 𝐷2,2 … 𝐷2,𝑗 … 𝐷2,𝑛−1 𝐷2,𝑛

𝑖 𝐷𝑖,1 𝐷𝑖,2 … 𝐷𝑖,𝑗 … 𝐷𝑖,𝑛−1 𝐷𝑖,𝑛

𝑛−1 𝐷𝑛−1,1 𝐷𝑛−1,2 … 𝐷𝑛−1,𝑗 … 𝐷𝑛−1,𝑛−1 𝐷𝑛−1,𝑛

𝑛 𝐷𝑛,1 𝐷𝑛,2 … 𝐷𝑛,𝑗 … 𝐷𝑛,𝑛−1 𝐷𝑛,𝑛

Run-off triangle data dalam bentuk kumulatif, 𝐶𝑖,𝑗 dapat dibentuk

berdasarkan inkremental, 𝐷𝑖,𝑗 , melalui hubungan berikut:

𝐶𝑖,𝑗 = ∑ 𝐷𝑖,𝑘
𝑘=1

untuk 1 ≤ 𝑖 ≤ 𝑛, 1 ≤ 𝑗 ≤ 𝑛, dan 𝑖 + 𝑗 ≤ 𝑛 + 1.
𝐶𝑖,𝑗 dapat dinyatakan sebagai besarnya klaim kumulatif untuk klaim-klaim
yang terjadi pada tahun kecelakaan ke-𝑖 dan dibayarkan sampai dengan tahun
penundaan ke-𝑗. Run-off triangle data dalam bentuk kumulatif disajikan dalam
Tabel 2. Besarnya klaim kumulatif sampai dengan tahun penundaan ke-𝑛, yaitu
𝑛

𝐶𝑖,𝑛 = ∑ 𝐷𝑖,𝑘
𝑘=1

untuk 𝑖 = 2,3, … , 𝑛, disebut ultimate claims (Mack 1993).

Tabel 2 Run-off triangle data dan future triangle data dalam bentuk kumulatif
Tahun Tahun penundaan
kejadian 1 2 … 𝑗 … 𝑛−1 𝑛
1 𝐶1,1 𝐶1,2 … 𝐶1,𝑗 … 𝐶1,𝑛−1 𝐶1,𝑛
2 𝐶2,1 𝐶2,2 … 𝐶2,𝑗 … 𝐶2,𝑛−1 𝐶2,𝑛

𝑖 𝐶𝑖,1 𝐶𝑖,2 … 𝐶𝑖,𝑗 … 𝐶𝑖,𝑛−1 𝐶𝑖,𝑛

𝑛−1 𝐶𝑛−1,1 𝐶𝑛−1,2 … 𝐶𝑛−1,𝑗 … 𝐶𝑛−1,𝑛−1 𝐶𝑛−1,𝑛

𝑛 𝐶𝑛,1 𝐶𝑛,2 … 𝐶𝑛,𝑗 … 𝐶𝑛,𝑛−1 𝐶𝑛,𝑛
 5

Outstanding claims liability untuk tahun kecelakaan ke-𝑖 (𝑅𝑖 ) didefinisikan

sebagai
𝑛

𝑅𝑖 = ∑ 𝐷𝑖,𝑘
𝑘=𝑛+2−𝑖

atau 𝑅𝑖 = 𝐶𝑖,𝑛 − 𝐶𝑖,𝑛+1−𝑖 , untuk 𝑖 = 2,3, … , 𝑛.

Outstanding claims liability untuk tahun kecelakaan ke- 𝑖 merupakan
penjumlahan sel-sel 𝐷𝑖,𝑗 di baris 𝑖 yang ada pada future triangle, sedangkan total
outstanding claims liability (𝑅) didefinisikan sebagai penjumlahan outstanding
claims liability untuk semua tahun kecelakaan 𝑖 (𝑖 = 2,3, … , 𝑛), yaitu
𝑛 𝑛

𝑅=∑ ∑ 𝐷𝑖,𝑘
𝑖=2 𝑘=𝑛+2−𝑖

dengan kata lain, total outstanding claims liability (𝑅), merupakaan jumlah semua
𝐷𝑖,𝑗 dalam future triangle (Mack 1993).

Teknik Chain-Ladder

Misalkan 𝐶𝑖,𝑗 menunjukkan total klaim yang diakumulasikan dari waktu

kejadian 𝑖, untuk 𝑖 = 1,2, … , 𝑛, yang dilaporkan sampai dengan waktu penundaan
j, untuk 𝑗 = 1,2, … , 𝑛. Jika 𝑖 = 1,2, … , 𝑛 dan 𝑗 = 1,2, … , 𝑛 − 𝑖 + 1 maka besarnya
𝐶𝑖,𝑗 diketahui. Tujuan yang ingin dicapai adalah untuk memberikan estimasi total
klaim 𝐶𝑖,𝑛 untuk waktu kejadian 𝑖 = 1,2, … , 𝑛 dan total besarnya klaim 𝐶𝑖,𝑗 untuk
𝑖 = 1,2, … , 𝑛 dan 𝑗 = 𝑛 − 𝑖 + 2, … , 𝑛.
Asumsi dasar untuk teknik chain-ladder adalah terdapat nilai faktor
penundaan (development factor) 𝜆2 , 𝜆3 , … , 𝜆𝑛 dengan

𝐸(𝐶𝑖,𝑗+1|𝐶𝑖,1 , 𝐶𝑖,2 , … , 𝐶𝑖,𝑗 ) = 𝐶𝑖,𝑗 𝜆𝑗 ,

untuk 𝑖 = 1,2, … , 𝑛 dan 𝑗 = 1,2, … , 𝑛 − 𝑖 + 1 . Teknik chain-ladder terdiri atas

estimasi 𝜆𝑗 dengan

∑𝑛−𝑗+1
𝑖=1 𝐶𝑖,𝑗
𝜆̂𝑗 =
∑𝑛−𝑗+1
𝑖=1 𝐶𝑖,𝑗−1
dan estimasi total besarnya klaim oleh

𝐶𝑛−𝑗+1,𝑛 = 𝐶𝑛−𝑗+1,𝑗 𝜆𝑗+1 𝜆𝑗+2 … 𝜆𝑛

untuk 𝑗 = 1,2, … , 𝑛 atau dengan bentuk lain untuk 𝑖 = 2,3, … , 𝑛 berikut:

𝐶̂𝑖,𝑛 = 𝐶𝑖,𝑛−𝑖+1 𝜆𝑛−𝑖+2 … 𝜆𝑛

(Mack 1993).
6

HASIL DAN PEMBAHASAN

Metode Chain-Ladder

Pertama-tama akan diperkenalkan beberapa notasi dan kemudian

merumuskan asumsi dari metode chain-ladder (CL).

Notasi
Misalkan 𝑛 ∈ ℕ adalah tahun terjadinya kecelakaan dan 𝑚 ∈ ℕ adalah
tahun penundaan (biasanya 𝑚 = 𝑛 ). Untuk 𝑖 = 1,2, … , 𝑛 , misalkan 𝑃𝑖 adalah
kerugian yang dibayarkan (paid) oleh perusahaan asuransi pada tahun kecelakaan
ke- 𝑖 dan 𝐼𝑖 adalah kerugian yang terjadi (incurred) pada waktu ke- 𝑖 . Dengan
demikian, 𝑃𝑖,𝑡 menyatakan kerugian yang dibayarkan pada tahun kecelakaan ke-𝑖
yang mengalami penundaan selama 𝑡 tahun, dan 𝐼𝑖,𝑡 mengartikan kerugian yang
terjadi pada tahun kecelakaan ke-𝑖 yang mengalami penundaan selama 𝑡 tahun.
Selain itu, 𝒫𝑖 (𝑠) ≔ {𝑃𝑖,1 , … , 𝑃𝑖,𝑠 } menjelaskan kondisi bahwa waktu tunda
dari kerugian yang dibayarkan pada tahun kecelakaan ke-𝑖 diberikan sampai akhir
tahun penundaan ke-𝑠 dan ℐ𝑖 (𝑠) ≔ {𝐼𝑖,1 , … , 𝐼𝑖,𝑠 } menjelaskan kondisi bahwa waktu
tunda dari kerugian yang terjadi pada tahun kecelakaan ke-𝑖 diberikan sampai
akhir tahun penundaan ke-𝑠.

Asumsi Model
Beberapa asumsi dalam proses metode CL untuk kerugian yang dibayarkan
dan kerugian yang terjadi.

1. Asumsi model untuk kerugian yang dibayarkan (P)

PE (Asumsi Nilai Harapan)

𝑃
Untuk 𝑠, 𝑡 ∈ 𝑇 dengan 𝑡 = 𝑠 + 1, terdapat faktor penundaan 𝑓𝑠→𝑡 >0
sehingga untuk setiap 𝑖 = 1,2, … , 𝑛,

𝑃𝑖,𝑡 𝑃
𝐸( |𝒫 (𝑠)) = 𝑓𝑠→𝑡 .
𝑃𝑖,𝑠 𝑖

PV (Asumsi Ragam)
𝑃
Untuk 𝑠, 𝑡 ∈ 𝑇 dengan 𝑡 = 𝑠 + 1, terdapat proporsi konstan 𝜎𝑠→𝑡 ≥0
sehingga untuk setiap 𝑖 = 1,2, … , 𝑛,

𝑃 )2
(𝜎𝑠→𝑡
𝑃𝑖,𝑡
var ( |𝒫𝑖 (𝑠)) = .
𝑃𝑖,𝑠 𝑃𝑖,𝑠

PU (Asumsi Kebebasan)
Berbagai tahun kerugian yang independen, yaitu
{𝑃1,𝑡 |𝑡 ∈ 𝑇}, {𝑃2,𝑡 |𝑡 ∈ 𝑇}, … , {𝑃𝑛,𝑡 |𝑡 ∈ 𝑇} bebas stokastik.
 7

2. Asumsi model untuk kerugian yang terjadi (I)

IE (Asumsi Nilai Harapan)

𝐼
Untuk 𝑠, 𝑡 ∈ 𝑇 dengan 𝑡 = 𝑠 + 1, terdapat faktor penundaan 𝑓𝑠→𝑡 >0
sehingga untuk setiap 𝑖 = 1,2, … , 𝑛,

𝐼𝑖,𝑡 𝐼
𝐸( |ℐ (𝑠)) = 𝑓𝑠→𝑡 .
𝐼𝑖,𝑠 𝑖

IV (Asumsi Ragam)
𝐼
Untuk 𝑠, 𝑡 ∈ 𝑇 dengan 𝑡 = 𝑠 + 1, terdapat proporsi konstan 𝜎𝑠→𝑡 ≥0
sehingga untuk setiap 𝑖 = 1,2, … , 𝑛,

𝐼 )2
(𝜎𝑠→𝑡
𝐼𝑖,𝑡
var ( |ℐ𝑖 (𝑠)) = .
𝐼𝑖,𝑠 𝐼𝑖,𝑠

IU (Asumsi Kebebasan)
Berbagai tahun kerugian yang independen, yaitu
{𝐼1,𝑡 |𝑡 ∈ 𝑇}, {𝐼2,𝑡 |𝑡 ∈ 𝑇}, … , {𝐼𝑛,𝑡 |𝑡 ∈ 𝑇} bebas stokastik.

Dengan demikian, asumsi metode CL menjelaskan bahwa tahun

kecelakaan yang stokastik independen, tetapi memiliki faktor penundaan yang
sama dan parameter σ setiap tahun penundaan. Asumsi di atas dirancang untuk
proyeksi segitiga bawah dan untuk menjelaskan tentang hubungan antara proses
kerugian yang dibayarkan dan terjadi. Ekspektasi bersyarat menggambarkan
kemungkinan terbaik peramalan 𝑃𝑖,𝑡 jika hanya diketahui proses kerugian yang
dibayar dari tahun kecelakaan, sampai dengan saat ini. Hal ini berlaku analog
dengan proses kerugian yang terjadi

𝑃 𝐼
𝐸 (𝑃𝑖,𝑡 |ℬ𝑖 (𝑠)) dan 𝐸 (𝐼𝑖,𝑡 |ℬ𝑖 (𝑠))
𝑖,𝑠 𝑖,𝑠

dengan ℬ𝑖 (𝑠) = {𝑃𝑖,1 , 𝑃𝑖,2 , … , 𝑃𝑖,𝑠 , 𝐼𝑖,1 , 𝐼𝑖,2 , … , 𝐼𝑖,𝑠 } adalah himpunan waktu
penundaan yang diketahui hingga akhir tahun penundaan 𝑠 dari proses kerugian
yang dibayarkan dan kerugian yang terjadi.

Metode Munich Chain-Ladder

Untuk metode Munich chain-ladder (MCL), asumsi independensi PU dan

IU dari metode chain-ladder diperluas, yaitu dengan menambahkan asumsi PIU
(kebebasan dari tahun kerugian yang dibayarkan dan dari tahun kerugian yang
terjadi). Set kebebasan stokastik untuk asumsi kebebasan PIU adalah
{𝑃1,𝑡 , 𝐼1,𝑡 |𝑡 ∈ 𝑇}, {𝑃2𝑡 , 𝐼2,𝑡 |𝑡 ∈ 𝑇}, … , {𝑃𝑛,𝑡 , 𝐼𝑛,𝑡 |𝑡 ∈ 𝑇}. Didefinisikan

𝑃𝑖 𝑃 𝐼 𝐼
𝑄𝑖 = = ( 𝐼 𝑖,𝑡 ) dan 𝑄𝑖 −1 = 𝑃𝑖 = (𝑃𝑖,𝑡 )
𝐼𝑖 𝑖,𝑡 𝑖 𝑖,𝑡
𝑡∈𝑇 𝑡∈𝑇
8

untuk menjelaskan rasio (P/I) dan rasio (I/P).

Selanjutnya, dengan menambahkan konsep residual bersyarat: jika 𝑋 adalah
peubah acak, dengan syarat 𝐶, maka

𝜎(𝑋|𝐶) = √var(𝑋|𝐶)

menjelaskan standar deviasi bersyarat dari 𝑋 oleh 𝐶, dan

𝑋 − 𝐸(𝑋|𝐶)
res(𝑋|𝐶) =
𝜎(𝑋|𝐶)

menjelaskan residual bersyarat 𝑋 oleh 𝐶. Residual bersyarat adalah standardisasi

yang berkaitan dengan nilai harapan bersyarat dan ragam bersyarat, dengan

𝐸(res(𝑋|𝐶)|𝐶) = 0 dan var(res(𝑋|𝐶)|𝐶) = 1.

Asumsi Model
Mengacu pada asumsi model oleh Mack, dilakukan analisis lebih lanjut
untuk menghitung faktor nilai harapan bersyarat dari penundaan proses kerugian
yang dibayarkan dan kerugian yang terjadi guna mendapatkan residual masing-
masingnya, dengan

𝑃𝑖,𝑡 𝐼𝑖,𝑡
res ( |𝒫𝑖 (𝑠)) dan res ( |ℐ𝑖 (𝑠)).
𝑃𝑖,𝑠 𝐼𝑖,𝑠

Dibandingkan dengan model CL, kelebihan dari model Munich chain-

ladder (MCL) yang menentukan adalah merumuskan asumsi untuk istilah-istilah
berikut, yaitu

𝑃 𝐼
𝐸 (res (𝑃𝑖,𝑡 |𝒫𝑖 (𝑠)) |ℬ𝑖 (𝑠)) dan 𝐸 (res (𝐼𝑖,𝑡 |ℐ𝑖 (𝑠)) |ℬ𝑖 (𝑠)).
𝑖,𝑠 𝑖,𝑠

dan residual dari rasio (I/P) dan rasio (P/I), didefinisikan

−1
res(𝑄𝑖,𝑠 |𝒫𝑖 (𝑠)) atau res(𝑄𝑖,𝑠 |ℐ𝑖 (𝑠)).

Asumsi tambahan untuk rasio (P/I) dan rasio (I/P)

PQ
Terdapat konstanta 𝜆𝑃 untuk 𝑠, 𝑡 ∈ 𝑇 dengan 𝑡 = 𝑠 + 1 sehingga untuk
setiap 𝑖 = 1,2 … , 𝑛,

𝑃𝑖,𝑡 −1
𝐸 (res ( |𝒫 (𝑠)) |ℬ𝑖 (𝑠)) = 𝜆𝑃 res(𝑄𝑖,𝑠 |𝒫𝑖 (𝑠))
𝑃𝑖,𝑠 𝑖

yang ekuivalen dengan

 9

𝑃
𝑃𝑖,𝑡 𝜎 (𝑃𝑖,𝑡 |𝒫𝑖 (𝑠))
𝑃
𝐸 ( |ℬ𝑖 (𝑠)) = 𝑓𝑠→𝑡 + 𝜆𝑃 𝑖,𝑠 −1
(𝑄𝑖,𝑠 −1
− 𝐸(𝑄𝑖,𝑠 |𝒫𝑖 (𝑠))). (1)
𝑃𝑖,𝑠 −1
𝜎(𝑄𝑖,𝑠 |𝒫𝑖 (𝑠))

IQ
Terdapat konstanta 𝜆𝑃 untuk 𝑠, 𝑡 ∈ 𝑇 dengan 𝑡 = 𝑠 + 1 sehingga untuk
setiap 𝑖 = 1,2 … , 𝑛,

𝐼𝑖,𝑡
𝐸 (res ( |ℐ (𝑠)) |ℬ𝑖 (𝑠)) = 𝜆𝑃 res(𝑄𝑖,𝑠 |ℐ𝑖 (𝑠))
𝐼𝑖,𝑠 𝑖

yang ekuivalan dengan

𝐼
𝐼𝑖,𝑡 𝜎 (𝐼𝑖,𝑡 |ℐ𝑖 (𝑠))
𝐼
𝐸 ( |ℬ𝑖 (𝑠)) = 𝑓𝑠→𝑡 + 𝜆𝐼
𝑖,𝑠
(𝑄𝑖,𝑠 − 𝐸(𝑄𝑖,𝑠 |ℐ𝑖 (𝑠))). (2)
𝐼𝑖,𝑠 𝜎(𝑄𝑖,𝑠 |ℐ𝑖 (𝑠))

Parameter 𝜆𝑃 dan 𝜆𝐼 yang merupakan kemiringan garis regresi dari plot

residual masing-masing proses, tidak tergantung pada penundaan tahun ke- 𝑠 .
Persamaan (1) dan (2) mewakili harapan bersyarat untuk faktor penundaan
sebagai jumlah faktor dari chain-ladder dan koreksi dari kedua jenis data. Akan
dianalisis lebih rinci istilah tersebut pada bagian berikutnya.

Analisis Asumsi Model

Akan diperiksa lebih dekat model MCL dan khususnya persamaan bentuk
PQ dan IQ, dimisalkan 𝜆𝑃 , 𝜆𝐼 > 0. Kondisi nilai harapan yaitu faktor penundaan
dari proses kerugian yang terjadi akan digunakaan untuk proyeksi tahun
kecelakaan ke-𝑖 dari 𝑠 ke 𝑡, adalah monoton naik, fungsi linear dari rasio (P/I)
atau 𝑄𝑖,𝑠 . Hal ini menunjukkan bahwa pengamatan dari praktik dinyatakan sebagai
asumsi teoritis. Persamaan IQ merupakan ekspektasi bersyarat dari jumlah chain-
𝐼
ladder faktor penundaan 𝑓𝑠→𝑡 dan istilah linear dalam 𝑄𝑖,𝑠 . Terdapat tiga faktor
terkoreksi yang dijelaskan sebagai berikut:
 Faktor 𝜆𝐼 adalah koefisien korelasi dari residual faktor penundaan dan residual
rasio (P/I), yang akan dibuktikan pada bagian selanjutnya. Oleh karena itu 𝜆𝐼
sebagai fakor korelasi atau parameter korelasi. Nilai dari 𝜆𝐼 haruslah di antara
0 dan 1, dan mengukur keterkaitan faktor penundaan sebelumnya dari rasio
(P/I). Jika hampir tidak ada ketergantungan atau hubungan pada data, maka
𝜆𝐼 ≈ 0 dan faktor penundaan rata-rata diproyeksikan seperti pada metode CL.
 Faktor standar deviasi adalah hasil bagi dari standar deviasi bersyarat faktor
penundaan yang terjadi dan rasio (P/I). Hal ini menyebabkan penyimpangan
rasio (P/I) dari rata-rata yang diukur sebagai deviasi dari faktor penundaan.
Semakin besar standar deviasi dari faktor penundaan, semakin besar
kemungkinan akan menjadi deviasi yang signifikan dari rata-rata, dan semakin
besar terkoreksi. Semakin kecil standar deviasi dari rasio (P/I), akan semakin
untypical dan menyimpang signifikan dari rata-rata.
10

 Linear 𝑄𝑖,𝑠 − 𝐸(𝑄𝑖,𝑠 |ℐ𝑖 (𝑠)) meliputi proyeksi rasio (P/I). Jika rasio (P/I) di atas
rata-rata memiliki efek memperbaiki faktor penundaan ke atas, dan sebaliknya.
Semakin jauh rasio (P/I) dari rata-rata akan semakin besar koreksinya. Jika
rasio (P/I) berada pada rata-rata, faktor penundan yang digunakan akan
menjadi rata-rata dari data, seperti dalam metode CL. Berlaku untuk faktor
penundaan untuk rasio (I/P).
Parameter korelasi 𝜆𝑃 dan 𝜆𝐼 memperlihatkan hubungan antara segitiga dari
kerugian yang dibayarkan dan segitiga dari kerugian yang terjadi. Besarnya
parameter ini menunjukkan sejauh mana waktu penundaan dari kecelakaan yang
dibayarkan dan kecelakaan yang terjadi, dipengaruhi oleh jenis data masing-
masingnya, karenanya parameter ini sangat penting untuk ukuran proyeksi utama.
Karena pendekatan residual memungkinkan untuk mempertimbangkan semua
tahun penundaan, yaitu menyediakan jumlah yang cukup di titik data, estimasi ini
relatif stabil.
Selanjutnya akan dibuktikan formula 𝜆𝑃 dan 𝜆𝐼 sebagai parameter korelasi.
Menggunakan informasi cov 𝐶 (𝑋, 𝑌) ≔ cov(𝑋, 𝑌|𝐶) untuk koragam bersyarat dari
dua variabel acak 𝑋 dan 𝑌 dengan diberikan kondisi 𝐶

𝑃𝑖,𝑡 𝑃𝑖,𝑡
𝐸( |ℬ𝑖 (𝑠)) = .
𝑃𝑖,𝑠 𝑃𝑖,𝑠

𝑃𝑖,𝑡
Diketahui kondisi martingale jika adalah ℬ𝑖 (𝑠) yang terukur, maka
𝑃𝑖,𝑠

𝑃
cov 𝒫𝑖 (𝑠) (𝑄𝑖,𝑠
−1 𝑖,𝑡
,𝑃 )
𝑖,𝑠

𝑃
= cov 𝒫𝑖 (𝑠) (𝑄𝑖,𝑠
−1
, 𝐸 (𝑃𝑖,𝑡 |ℬ𝑖 (𝑠)))
𝑖,𝑠

𝑃𝑖,𝑡
𝜎( |𝒫 (𝑠))
𝒫𝑖 (𝑠) −1 𝑃 𝑃 𝑃𝑖,𝑠 𝑖 −1 −1
= cov (𝑄𝑖,𝑠 , 𝑓𝑠→𝑡 +𝜆 −1
𝜎(𝑄𝑖,𝑠 |𝒫𝑖 (𝑠))
(𝑄𝑖,𝑠 − 𝐸(𝑄𝑖,𝑠 |𝒫𝑖 (𝑠))))

𝑃𝑖,𝑡
𝜎( |𝒫 (𝑠))
𝑃 𝑃𝑖,𝑠 𝑖 −1
= 𝜆 −1 var(𝑄𝑖,𝑠 |𝒫𝑖 (𝑠))
𝜎(𝑄𝑖,𝑠 |𝒫𝑖 (𝑠))
𝑃 −1
= 𝜆𝑃 𝜎 (𝑃𝑖,𝑡 |𝒫𝑖 (𝑠)) 𝜎(𝑄𝑖,𝑠 |𝒫𝑖 (𝑠)).
𝑖,𝑠

Mengacu ke pada bentuk berikut:

−1 𝑃𝑖,𝑡 𝐼
corr (𝑄𝑖,𝑠 ,( |𝒫𝑖 (𝑠))) = 𝜆𝑃 dan corr (𝑄𝑖,𝑠 , ( 𝑖,𝑡 |ℐ𝑖 (𝑠))) = 𝜆𝐼
𝑃𝑖,𝑠 𝐼𝑖,𝑠

untuk koefisien korelasi bersyarat, maka

−1
𝑃𝑖,𝑡
corr (res(𝑄𝑖,𝑠 |𝒫𝑖 (𝑠)), res ( |𝒫𝑖 (𝑠))) = 𝜆𝑃
𝑃𝑖,𝑠
 11

dan
𝐼𝑖,𝑡
corr (res(𝑄𝑖,𝑠 |ℐ𝑖 (𝑠)), res ( |ℐ (𝑠))) = 𝜆𝐼 .
𝐼𝑖,𝑠 𝑖

Dengan demikian, parameter λ model MCL sebagai korelasi antara run-off

triangle untuk kerugian yang dibayarkan dan kerugian yang terjadi. Pada
pembahasannya selanjutnya akan dijelaskan perkiraan nilai parameter yang
digunakan untuk memperoleh residual masing-masing data serta cara memperoleh
nilai λ.

Implementasi Praktis

Pada bagian ini, akan dijelaskan lebih rinci tentang semua perkiraan
parameter yang diperlukan untuk Metode MCL, sebelum melakukan perhitungan
MCL lengkap untuk contoh konkret.

Mengestimasi Parameter
Untuk menghitung residual dan nilai harapan faktor penundaan, harus
diperkirakan setiap parameter dari Model MCL.

Parameter Metode Chain-Ladder

𝑃 𝐼
Untuk setiap 𝑡 = 𝑠 + 1 , faktor penundaan 𝑓𝑠→𝑡 dan 𝑓𝑠→𝑡 untuk 𝑠 =
1,2, … , 𝑛 − 1 digunakan estimasi Metode chain-ladder
𝑛−𝑠
̂𝑃
1 𝑃𝑖,𝑡 ∑𝑛−𝑠
𝑖=1 𝑃𝑖,𝑡
𝑓𝑠→𝑡 = ∑ 𝑃𝑖,𝑠 = 𝑛−𝑠
∑𝑛−𝑠
𝑖=1 𝑃𝑖,𝑠 𝑃𝑖,𝑠 ∑𝑖=1 𝑃𝑖,𝑠 (3)
𝑖=1

dan
𝑛−𝑠
̂𝐼
1 𝐼𝑖,𝑡 ∑𝑛−𝑠
𝑖=1 𝐼𝑖,𝑡
𝑓𝑠→𝑡 = ∑ 𝐼𝑖,𝑠 = 𝑛−𝑠 (4)
∑𝑛−𝑠
𝑖=1 𝐼𝑖,𝑠 𝐼𝑖,𝑠 ∑𝑖=1 𝐼𝑖,𝑠
𝑖=1

untuk = 1,2, … , 𝑛 − 2. Paramter 𝜎 juga diestimasi sebagai berikut:

𝑛−𝑠 2
̂ 𝑃
2 1 𝑃𝑖,𝑡 ̂𝑃
(𝜎𝑠→𝑡 ) = ∑ 𝑃𝑖,𝑠 ( − 𝑓𝑠→𝑡 ) (5)
𝑛−𝑠−1 𝑃𝑖,𝑠
𝑖=1

dan
𝑛−𝑠 2
̂ 𝐼
2 1 𝐼𝑖,𝑡 ̂
𝐼
(𝜎𝑠→𝑡 ) = ∑ 𝐼𝑖,𝑠 ( − 𝑓𝑠→𝑡 ) (6)
𝑛−𝑠−1 𝐼𝑖,𝑠
𝑖=1

2 2
̂
dengan standar deviasinya 𝜎 𝑃 √ ̂𝑃 ̂𝐼 √ ̂𝐼
𝑠→𝑡 = (𝜎𝑠→𝑡 ) dan 𝜎𝑠→𝑡 = (𝜎𝑠→𝑡 ) .
12

Parameter Metode Munich Chain-Ladder

Untuk menghitung residual bersyarat dari rasio (P/I) dan (I/P), perlu
−1
pendugaan untuk nilai harapan bersyarat 𝐸 (𝑄𝑖,𝑠 |ℐ𝑖 (𝑠)) dan 𝐸 (𝑄𝑖,𝑠 |𝒫𝑖 (𝑠)) dan
−1
standar deviasi bersyarat 𝜎 (𝑄𝑖,𝑠 |ℐ𝑖 (𝑠)) dan 𝜎 (𝑄𝑖,𝑠 |𝒫𝑖 (𝑠)). Asumsi pertama
bahwa 𝐸 (𝑄𝑖,𝑠 |ℐ𝑖 (𝑠)) adalah konstan, analog dengan model IE chain-ladder untuk
kerugian yang terjadi. Selanjutnya, diasumsikan keterkaitan ragam bersyarat dari
rasio (P/I) pada kerugian yang terjadi, analog dengan kondisi IV. Untuk 𝑠 =
1,2, … , 𝑛, asumsi berikut untuk nilai harapan bersyarat dan ragam bersyarat dari
rasio (P/I). Estimasi nilai harapan bersyarat 𝐸 (𝑄𝑖,𝑠 |ℐ𝑖 (𝑠)) adalah sebagai berikut:

𝑛−𝑠+1
1 ∑𝑛−𝑠+1
𝑖=1 𝑃𝑖,𝑠
𝑞̂𝑠 = ∑ 𝐼𝑖,𝑠 𝑄𝑖,𝑠 = (7)
∑𝑛−𝑠+1
𝑖=1 𝐼𝑖,𝑠 𝑛−𝑠+1
∑𝑖=1 𝐼𝑖,𝑠
𝑖=1

berlaku sama untuk semua tahun terjadinya kecelakaan. Estimasi untuk

𝜎 (𝑄𝑖,𝑠 |ℐ𝑖 (𝑠)) yaitu

𝜌̂𝑠𝐼
√𝐼𝑖,𝑠
dengan 𝜌̂𝑠𝐼 didefinisikan
𝑛−𝑠+1
2 1 2
𝜌̂𝑠𝐼 = ∑ 𝐼𝑗,𝑠 (𝑄𝑗,𝑠 − 𝑞̂𝑠 ) (8)
𝑛−𝑠
𝑖=1

untuk setiap 𝑠 = 1,2, … , 𝑛, dengan 𝜌̂𝑠𝐼 bersifat bebas dari tahun kecelakaan ke-𝑖.
Kemudian diasumsikan bahwa estimasi untuk rasio (P/I) berlaku analog
dengan nilai harapan bersyarat dan ragam dari rasio (I/P) dengan mengestimasi
−1
nilai harapan bersyarat 𝐸 (𝑄𝑖,𝑠 |𝒫𝑖 (𝑠)) sebagai berikut:

𝑛−𝑠+1
−1 1 −1
∑𝑛−𝑠+1
𝑖=1 𝐼𝑖,𝑠
𝑞̂𝑠 = ∑ 𝑃𝑖,𝑠 𝑄𝑖,𝑠 = 𝑛−𝑠+1 (9)
∑𝑛−𝑠+1
𝑖=1 𝑃𝑖,𝑠 ∑𝑖=1 𝑃𝑖,𝑠
𝑖=1

−1
serta mengestimasi 𝜎 (𝑄𝑖,𝑠 |𝒫𝑖 (𝑠)) yaitu

𝜌̂
𝑠
𝑃

√𝑃𝑖,𝑠
dengan 𝜌̂
𝑠
𝑃 didefinisikan
𝑛−𝑠+1
2 1 2
𝜌̂𝑃
𝑠 =
−1
∑ 𝑃𝑖,𝑠 (𝑄𝑖,𝑠 − 𝑞̂𝑠 −1 ) . (10)
𝑛−𝑠
𝑖=1
 13

Masalah akan timbul karena mengikuti kondisi bahwa kedua nilai harapan
−1
bersyarat 𝐸 (𝑄𝑖,𝑠 |ℐ𝑖 (𝑠)) dan 𝐸 (𝑄𝑖,𝑠 |𝒫𝑖 (𝑠)) menjadi konstan dengan 𝑄𝑖,𝑠 yang
sudah konstan, ini bertentangan dengan kenyataan di lapangan. Oleh karena itu,
hal ini tidak dapat diasumsikan, harus ada struktur ketergantungan yang lebih
rumit dari nilai harapan yang keduanya tergantung pada ℐ𝑖 (𝑠) dan 𝒫𝑖 (𝑠).
Akan diperkirakan 𝐸 (𝑄𝑖,𝑠 |ℐ𝑖 (𝑠)) dengan rata-rata di atas rasio (P/I) dari
𝑄𝑗,𝑠 dari kerugian yang terjadi pada tahun ke-𝑗 untuk ℐ𝑗 (𝑠) serupa dengan ℐ𝑖 (𝑠).
Pada aturan chain-ladder, serupa berarti tingkat 𝐼𝑗,𝑠 dekat dengan 𝐼𝑖,𝑠 , atau faktor
penundaan 𝐼𝑗,𝑠 /𝐼𝑗,𝑠−1 dekat dengan 𝐼𝑖,𝑠 /𝐼𝑖,𝑠−1 . Setidaknya, akan terjadi kecelakaan
tahun ke-𝑗 dimana ℐ𝑗 (𝑠) jelas berbeda dengan ℐ𝑖 (𝑠). Tentu saja, konsep ini berlaku
−1
analog dengan 𝐸 (𝑄𝑖,𝑠 |𝒫𝑖 (𝑠)). Pendekatan ini akan menghasilkan perkiraan untuk
nilai harapan bersyarat yang tidak timbal balik dengan definisi dan dengan
kecelakaan setiap tahun.
Begitupun untuk ragam bersyarat dengan situasi serupa. Data yang cukup
diberikan dari struktur ketergantungan lebih rumit untuk ragam bersyarat dari 𝑄𝑖,𝑠
−1
dan 𝑄𝑖,𝑠 pada ℐ𝑖 (𝑠) dan 𝒫𝑖 (𝑠), sehingga masing-masing dapat diperhitungkan.
−1
Kesederhanaan uraian benar jika 𝐸 (𝑄𝑖,𝑠 |ℐ𝑖 (𝑠)) dan 𝐸 (𝑄𝑖,𝑠 |𝒫𝑖 (𝑠)) adalah fungsi
tidak konstan terhadap ℐ𝑖 (𝑠) dan 𝒫𝑖 (𝑠). Akan diperkirakan residual bersyarat dari

𝑃𝑖,𝑡 𝐼𝑖,𝑡 −1
res ( |𝒫𝑖 (𝑠)) , res ( |ℐ𝑖 (𝑠)) , res (𝑄𝑖,𝑠 |𝒫𝑖 (𝑠)) , res (𝑄𝑖,𝑠 |ℐ𝑖 (𝑠))
𝑃𝑖,𝑠 𝐼𝑖,𝑠

−1
dengan penyederhanaan notasi res
̂ (𝑃𝑖,𝑡 ), res
̂ (𝐼𝑖,𝑡 ), res
̂ (𝑄𝑖,𝑠 ), dan res
̂ (𝑄𝑖,𝑠 ),
sehingga

𝑃𝑖,𝑡 ̂𝑃
− 𝑓𝑠→𝑡
𝑃𝑖,𝑠
res
̂ (𝑃𝑖,𝑡 ) = √𝑃𝑖,𝑠 (11)
̂
𝜎 𝑃
𝑠→𝑡

𝐼𝑖,𝑡 ̂𝐼
− 𝑓𝑠→𝑡
𝐼𝑖,𝑠
res
̂ (𝐼𝑖,𝑡 ) = √𝐼𝑖,𝑠 (12)
̂
𝜎 𝐼
𝑠→𝑡

dan
−1
−1
𝑄𝑖,𝑠 − 𝑞̂𝑠 −1 (13)
res
̂ (𝑄𝑖,𝑠 ) = √𝑃𝑖,𝑠
𝜌̂𝑃
𝑠

𝑄𝑖,𝑠 − 𝑞̂𝑠
res
̂ (𝑄𝑖,𝑠 ) = √𝐼𝑖,𝑠 . (14)
𝜌̂𝑠𝐼
14

Diestimasikan nilai dugaan 𝜆𝑃 dan 𝜆𝐼 sebagai berikut:

−1
1 2 res
̂ (𝑃𝑖,𝑡 ) ∑𝑖,𝑠 res
̂ (𝑄𝑖,𝑠 ) res
̂ (𝑃𝑖,𝑡 )
𝜆̂𝑃 = 2 ∑ res −1
̂ (𝑄𝑖,𝑠 ) −1
= 2
∑𝑖,𝑠 res −1
̂ (𝑄𝑖,𝑠 ) res
̂ (𝑄𝑖,𝑠 ) ∑𝑖,𝑠 res −1
̂ (𝑄𝑖,𝑠 )
𝑖,𝑠

dan

1 2 res
̂ (𝐼𝑖,𝑡 ) ∑𝑖,𝑠 res
̂ (𝑄𝑖,𝑠 ) res
̂ (𝐼𝑖,𝑡 )
𝜆̂𝐼 = 2 ∑ res
̂ (𝑄𝑖,𝑠 ) = 2
∑𝑖,𝑠 res
̂ (𝑄𝑖,𝑠 ) res
̂ (𝑄𝑖,𝑠 ) ∑𝑖,𝑠 res
̂ (𝑄𝑖,𝑠 )
𝑖,𝑠

Dalam semua penjumlahan ini, indeks 𝑠 bergerak dari 1 sampai 𝑛 − 2 dan

indeks 𝑖 bergerak dari 1 sampai 𝑛 − 𝑠. Jika limpasan segitiga ini berakhir dalam
waktu kurang dari waktu penundaan 𝑛 tahun, akan lebih tepat untuk memilih
indeks 𝑠 yang diperpanjang hanya sampai akhir periode run-off.
Perubahan tahun penundaan dalam formula estimasi 𝜆𝑃 dan 𝜆𝐼
menyimpulkan hanya sejumlah 𝑖 menghasilkan perkiraan tahun penundaan untuk
parameter λ. Parameter λ untuk setiap tahun penundaan harus berfluktuasi secara
acak dan tidak menunjukkan trend yang akan melanggar asumsi model MCL, ini
biasanya terjadi dalam praktek.
Menurut asumsi PQ dan IQ, diperoleh formula rekursif untuk menduga 𝑃𝑖,𝑡
dan 𝐼𝑖,𝑡 , yaitu

̂
𝜎 𝑃
𝐼̂
𝑃̂ = ̂
𝑃 (𝑓̂𝑃
+ ̂
𝜆𝑃 𝑠→𝑡 ( 𝑖,𝑠 − 𝑞
̂𝑠 −1 ))
𝑖,𝑡 𝑖,𝑠 𝑠→𝑡
𝜌̂𝑃
𝑠 𝑃̂
𝑖,𝑠
(15)

dan
̂
𝜎 𝐼
𝑃̂
𝐼̂ = ̂
𝐼 (𝑓̂𝐼
+ ̂
𝜆𝐼 𝑠→𝑡 ( 𝑖,𝑠 − 𝑞
̂𝑠 ))
𝑖,𝑡 𝑖,𝑠 𝑠→𝑡
𝜌̂𝑠𝐼 𝐼̂
𝑖,𝑠
(16)

untuk 𝑠 ≥ 𝑛 − 𝑖 + 1 dengan nilai 𝑃̂ ̂

𝑖,𝑠 = 𝑃𝑖,𝑠 dan 𝐼𝑖,𝑠 = 𝐼𝑖,𝑠 .

Contoh Penerapan Metode Cadangan Klaim Munich Chain-Ladder

Metode Munich chain-ladder hanya diaplikasikan untuk asuransi kerugian,

contohnya asuransi kebakaran dan asuransi kendaraan. Pada bagian ini, akan
dilakukan perhitungan MCL lengkap untuk contoh konkret dari data oleh Quarg
dan Mack (2006), serta data dari perusahaan insurance market Llyod’s dengan
perhitungan lengkap pada Lampiran 3.
Pada data oleh Quarg dan Mack, diberikan data awal dari segitiga atas
kerugian yang dibayarkan (Tabel 3) dan kerugian yang terjadi (Tabel 4), yang
melibatkan 7 tahun waktu kejadian dan 7 tahun waktu penundaan.
 15

Tabel 3 Run-off triangle untuk kerugian yang dibayarkan dari data Quarg dan
Mack
Tahun Tahun penundaan
kejadian 1 2 3 4 5 6 7
1 576 1804 1970 2024 2074 2102 2131
2 866 1948 2162 2232 2284 2348
3 1412 3758 4252 4416 4494
4 2286 5292 5724 5850
5 1868 3778 4648
6 1442 4010
7 2044

Data run-off triangle pada Tabel 3 adalah klaim dalam bentuk besarnya
klaim. Sebagai contoh, ambil baris kedua dan kolom ketiga, besaran klaim
sejumlah 2162 merupakan total klaim yang dibayarkan dari akumulasi kejadian
pada tahun kecelakaan kedua yang dilaporkan sampai dengan tahun ketiga. Data
pada Tabel 3, terdapat bagian yang masih kosong berbentuk segitiga di sebelah
kanan bawah yang disebut future triangle, ini merupakan pembayaran klaim di
masa yang akan datang dan belum diketahui besarnya.

Tabel 4 Run-off triangle untuk kerugian yang terjadi dari data Quarg dan Mack
Tahun Tahun penundaan
kejadian 1 2 3 4 5 6 7
1 978 2104 2134 2144 2174 2182 2174
2 1844 2552 2466 2480 2508 2454
3 2904 4354 4698 4600 4644
4 3502 5958 6070 6142
5 2812 4882 4852
6 2642 4406
7 5022

Ambil contoh baris kedua dan kolom ketiga, besaran klaim sejumlah 2466
merupakan total klaim yang dilaporkan dari akumulasi kejadian pada tahun
kecelakaan kedua yang dilaporkan sampai dengan tahun ketiga. Jika dibandingkan
nilai-nilai total klaim pada run-off triangle kerugian yang dibayarkan dan
kerugian yang terjadi, total klaim pada run-off kerugian yang terjadi lebih besar
dari pada besaran klaim pada run-off kerugian yang dibayarkan. Hal ini terjadi
karena total klaim pada run-off kerugian yang terjadi adalah penjumlahan dari
klaim yang sudah dibayarkan dan klaim yang belum diselesaikan. Klaim yang
belum diselesaikan tersebut bisa jadi tidak dibayarkan oleh perusahaan karena
beberapa sebab, misalnya besaran klaim tersebut di bawah nilai minimal klaim
(deductible). Lain halnya dengan run-off triangle kerugian yang dibayarkan, data
klaim yang terdapat di dalamnya adalah penjumlahan dari besaran klaim yang
dilaporkan dan sudah dibayarkan oleh perusahaan. Kelebihan dari metode Munich
16

chain-ladder ini adalah mengurangi gap seminimal mungkin antara proyeksi

IBNR kerugian yang dibayarkan dan kerugian yang terjadi.

Menghitung faktor penundaan rata-rata dan parameter σ

Langkah pertama adalah mengestimasi parameter dengan metode Chain-
ladder, yakni menghitung faktor penundaan 𝑓𝑠→𝑡 ̂𝑃 ̂𝐼
dan 𝑓𝑠→𝑡 serta menghitung
̂ 𝑃 ̂ 𝑃
parameter 𝜎𝑠→𝑡 dan 𝜎𝑠→𝑡 .
Sebagai contoh, perhitungan ̂ 𝑃
𝑓2→3 dan ̂ 𝐼
𝑓2→3 dengan menggunakan
̂𝑃
persamaan (3) dan (4). 𝑓2→3 adalah estimasi faktor penundaan untuk kerugian
yang dibayarkan dari tahun penundaan ke-2 hingga tahun penundaan ke-3, dengan
diketahui infomasi 𝑃𝑖,2 adalah proses kerugian yang dibayarkan pada tahun
kecelakaan ke-2 dan 𝑃𝑖,3 proses kerugian yang dibayarkan pada tahun kecelakaan
ke-3, maka
7−2
̂ 𝑃
1 𝑃𝑖,3 ∑7−2
𝑖=1 𝑃𝑖,3
𝑓2→3 = ( ) (∑ 𝑃𝑖,2 ) = 7−2
∑7−2
𝑖=1 𝑃𝑖,2 𝑃𝑖,2 ∑𝑖=1 𝑃𝑖,2
𝑖=1
5
1 𝑃𝑖,3 ∑5𝑖=1 𝑃𝑖,3
=( 5 ) (∑ 𝑃𝑖,2 )= 5
∑𝑖=1 𝑃𝑖,2 𝑃𝑖,2 ∑𝑖=1 𝑃𝑖,2
𝑖=1
1970 + 2162 + 4252 + 5724 + 4648 18756
= = = 1.131.
1804 + 1948 + 3758 + 5292 + 3778 16580

Faktor ̂ 𝐼
𝑓2→3 adalah estimasi faktor penundaan untuk kerugian yang terjadi
dari tahun penundaan ke- 2 hingga tahun penundaan ke- 3 , dengan diketahui
infomasi 𝐼𝑖,2 adalah proses kerugian yang terjadi pada tahun kecelakaan ke-2 dan
𝐼𝑖,3 proses kerugian yang terjadi pada tahun kecelakaan ke-3, maka

7−2
̂ 𝐼
1 𝐼𝑖,3 ∑7−2
𝑖=1 𝐼𝑖,3
𝑓2→3 = ( 7−2 ) (∑ 𝐼𝑖,2 ) = 7−2
∑𝑖=1 𝐼𝑖,2 𝐼𝑖,2 ∑𝑖=1 𝐼𝑖,2
𝑖=1
5
1 𝐼𝑖,3 ∑5𝑖=1 𝐼𝑖,3
=( 5 ) (∑ 𝐼𝑖,2 ) = 5
∑𝑖=1 𝐼𝑖,2 𝐼𝑖,2 ∑𝑖=1 𝐼𝑖,2
𝑖=1
2134 + 2466 + 4698 + 6070 + 4852 20220
= = = 1.019.
2104 + 2552 + 4354 + 5958 + 4882 19850

Jadi, besarnya faktor penudaan dari tahun kejadian ke- 2 yang ditunda
hingga tahun ke- 3 adalah sebesar 1.131 untuk kerugian yang dibayarkan dan
1.019 untuk kerugian yang terjadi.
Sebagai contoh, perhitungan σ̂ 𝑃 ̂𝐼
2→3 dan σ2→3 dengan menggunakan
persamaan (5) dan (6). σ̂ 𝑃
2→3 adalah estimasi parameter 𝜎 untuk kerugian yang
dibayarkan dari tahun penundaan ke-2 hingga tahun penundaan ke-3, dengan
diketahui informasi 𝑓̂𝑃
2→3 yang telah diperoleh pada perhitungan sebelumnya, serta
𝑃𝑖,2 dan 𝑃𝑖,3 , maka
 17
7−2 2
̂ 𝑃
2 1 𝑃𝑖,3 ̂ 𝑃
(𝜎2→3 ) = ( ) ∑ 𝑃𝑖,2 ( − 𝑓2→3 )
7−2−1 𝑃𝑖,2
𝑖=1
5 2
1 𝑃𝑖,3
= ( ) ∑ 𝑃𝑖,2 ( − 1.131)
4 𝑃𝑖,2
𝑖=1
2 2
1 1970 4648
= ( ) [((1804) ( − 1.131) ) + ⋯ + ((3778) ( − 1.131) )]
4 1804 3778
2.776 + 0.891 + 0.0001 + 13.024 + 37.057 53.748
= = = 13.437.
4 4
̂
Jadi, 𝜎 𝑃
2→3 = √13.437 = 3.666.

Faktor σ̂
𝐼
2→3 adalah estimasi parameter 𝜎 untuk kerugian yang terjadi dari
tahun penundaan ke-2 hingga tahun penundaan ke-3, dengan diketahui informasi
̂
𝑓 𝐼
2→3 yang telah diperoleh pada perhitungan sebelumnya, serta 𝐼𝑖,2 dan 𝐼𝑖,3 , maka

7−2 2
̂ 2 1 𝐼𝑖,3
(𝜎 𝐼
2→3 ) = ( ) ∑ 𝐼𝑖,2 ( − ̂ 𝐼
𝑓2→3 )
7−2−1 𝐼𝑖,2
𝑖=1
5 2
1 𝐼𝑖,3
= ( ) ∑ 𝐼𝑖,2 ( − 1.019)
4 𝐼𝑖,2
𝑖=1
2 2
1 2134 4852
= ( ) [((2104) ( − 1.019) ) + ⋯ + ((4882) ( − 1.019) )]
4 2104 4882
0.04 + 6.991 + 15.867 + 0.00015 + 2.999 24.898
= = = 6.474.
4 4
̂
Jadi, 𝜎 𝐼
2→3 = √6.474 = 2.544.

Estimasi parameter 𝜎 untuk tahun kejadian ke-2 yang ditunda hingga tahun
ke- 3 adalah sebesar 3.666 untuk kerugian yang dibayarkan dan 2.544 untuk
kerugian yang terjadi. Secara keseluruhan faktor penundaan rata-rata dan
parameter σ akan disajikan pada Tabel 5.

Tabel 5 Estimasi faktor penundaan rata-rata dan parameter σ dari data Quarg
dan Mack
1→2 2→3 3→4 4→5 5→6 6→7
̂𝑃
𝑓𝑠→𝑡 2.437 1.131 1.029 1.021 1.021 1.014
𝑓̂𝐼
𝑠→𝑡 1.652 1.019 1.000 1.011 0.990 0.996
̂
𝜎 𝑃 13.456 3.666 0.482 0.210 0.479
𝑠→𝑡
̂𝐼
𝜎𝑠→𝑡 9.727 2.544 1.004 0.120 0.860
18

Menghitung rasio (P/I) dan (I/P) serta parameter ρ

Setelah diperoleh estimasi untuk faktor penudaan dan parameter 𝜎 untuk
masing-masing kecelakaan yang dibayarkan dan terjadi, selanjutnya akan dicari
parameter Metode MCL, dengan menghitung nilai harapan bersyarat dan standar
deviasi bersyarat.
Menghitung (P/I) atau 𝑞̂𝑠 serta (I/P) atau 𝑞̂𝑠 −1 dengan formula yang telah
diperoleh dari pembahsan parameter Metode MCL. Sebagai contoh perhitungan
𝑃 𝐼 −1
( 𝐼 ) atau 𝑞
̂2 dan (𝑃) = 𝑞
̂2 dengan menggunakan persamaan (7) dan (9). 𝑞
̂2
2 2
adalah nilai harapan bersyarat 𝐸 (𝑄𝑖,2 |ℐ𝑖 (2)) diperoleh dengan diketahui
informasi 𝑃𝑖,2 dan 𝐼𝑖,2 , maka

∑7−2+1
𝑖=1 𝑃𝑖,2 ∑6𝑖=1 𝑃𝑖,2
𝑞
̂2 = 7−2+1 = 6
∑𝑖=1 𝐼𝑖,2 ∑𝑖=1 𝐼𝑖,2
1804 + 1948 + 3758 + 5292 + 3778 + 4010 20590
= = = 0.849.
2104 + 2552 + 4354 + 5958 + 4882 + 4406 24256

̂2 −1 adalah nilai harapan bersyarat 𝐸 (𝑄𝑖,2

Nilai 𝑞 −1
|𝒫𝑖 (2)) diperoleh dengan
diketahui informasi 𝑃𝑖,2 dan 𝐼𝑖,2 , maka

−1 ∑7−2+1
𝑖=1 𝐼𝑖,2 ∑6𝑖=1 𝐼𝑖,2
𝑞
̂2 = 7−2+1 =
∑𝑖=1 𝑃𝑖,2 ∑6𝑖=1 𝑃𝑖,2
2104 + 2552 + 4354 + 5958 + 4882 + 4406 24256
= = = 1.178.
1804 + 1948 + 3758 + 5292 + 3778 + 4010 20590

Diperoleh nilai harapan bersyarat 𝐸 (𝑄𝑖,2 |ℐ𝑖 (2)) sebesar 0.849 dan
−1
𝐸 (𝑄𝑖,2 |𝒫𝑖 (2)) sebesar 1.178.
Setelah itu, akan dihitung parameter standar deviasi bersyarat ρ. Sebagai
contoh perhitungan 𝜌 ̂𝐼 2 dan 𝜌̂𝑃 2 dengan menggunakan persamaan (8) dan (10).
2 2

7−2+1
̂𝐼 2 = ( 1 ) ∑ 𝐼 (𝑄 − 𝑞
𝜌 ̂)
2
2 𝑗,2 𝑗,2 2
7−2
𝑗=1
6
1 2
= ( ) ∑ 𝐼𝑗,2 (𝑄𝑗,2 − 0.849)
5
𝑗=1
2 2
1 1804 4010
= ( ) [((2104) ( − 0.849) ) +. . . + ((4406) ( − 0.849) )]
5 2104 4406
0.154 + 18.673 + 0.884 + 9.228 + 27.461 + 16.535 72.935
= =
5 5
= 14.587.
̂𝐼 = √14.587 = 3.819.
Jadi, 𝜌2
 19
7−2+1
2 1 2
𝜌̂2𝑃 = ( −1
) ∑ 𝑃𝑗,2 (𝑄𝑖,2 ̂2 −1 )
−𝑞
7−2
𝑗=1
6
1 −1 2
= ( ) ∑ 𝐼𝑗,2 ∗ (𝑄𝑗,2 − 1.178)
5
𝑗=1
2 2
1 2104 4406
= ( ) [((1804) ( − 1,178) ) + ⋯ + ((4010) ( − 1,178) )]
5 1804 4010
0.249 + 33.949 + 1.422 + 14.418 + 49.256 + 25.213 124.498
= =
5 5
= 24.899.
Jadi, 𝜌̂2𝑃 = √24.899 = 4.990.

Diperoleh nilai harapan bersyarat 𝜎 (𝑄𝑖,2 |ℐ𝑖 (2)) sebesar 3.819 dan
−1
𝜎 (𝑄𝑖,2 |𝒫𝑖 (2)) sebesar 4.990. Secara keseluruhan, hasil perhitungan untuk nilai
harapan bersyarat dan standar deviasi bersyarat untuk kerugian yang dibayarkan
dan kerugian yang terjadi disajikan pada Tabel 6.

Tabel 6 Rasio (P/I) dan (I/P) serta parameter ρ dari data Quarg dan Mack
s 1 2 3 4 5 6 7
𝑞̂𝑠 53.3% 84.9% 92.8% 94.5% 94.9% 96.0% 98.0%
𝑞̂
−1
𝑠 187.8% 117.8% 107.8% 105.8% 105.4% 104.2% 102.0%
̂𝑃
𝜌 14.943 4.990 2.167 1.619 1.791 0.236
𝑠

𝜌̂𝑠𝐼 5.711 3.819 1.918 1.461 1.637 0.222

Menghitung residual masing-masing parameter

Langkah berikutnya adalah menghitung nilai residual masing-masing dari
−1
res
̂ (𝑃𝑖,𝑡 ), res
̂ (𝐼𝑖,𝑡 ), res
̂ (𝑄𝑖,𝑠 ), dan res
̂ (𝑄𝑖,𝑠 ).
Contoh untuk perhitungan res ̂ (𝑃𝑖,𝑡 ) dengan menggunakan persamaan (11),
akan dihitung res
̂ (𝑃2,3 ) dengan mengetahui informasi 𝑃2,3 ,𝑃2,2 ,𝑓 ̂ 𝑃 ̂𝑃
2→3 dan 𝜎2→3 .
Hasil perhitungan yang lengkap untuk res ̂ (𝑃𝑖,𝑡 ) tersaji pada Tabel 7.

𝑃2,3 ̂ 𝑃 2162
−𝑓2→3 − 1.131
𝑃2,2
res
̂ (𝑃2,3 ) = (√𝑃2,3 ) = 1948 (√1948) = −0.258.
̂
𝜎 𝑃 3.666
2→3
20

Tabel 7 Hasil perhitungan res

̂ (𝑃𝑖,𝑡 ) dari data Quarg dan Mack
P 1→2 2→3 3→4 4→5 5→6 6→7
1 1.240 -0.454 -0.178 0.846 -0.724
2 -0.410 -0.258 0.293 0.572 0.690
3 0.628 0.004 1.248 -0.979
4 -0.433 -0.985 -1.151
5 -1.330 1.661
6 0.971
7

Contoh untuk perhitungan res

̂ (𝐼𝑖,𝑡 ) dengan menggunakan persamaan (12),
̂ (𝐼2,3 ) dengan mengetahui informasi 𝐼2,3 , 𝐼2,2 , ̂
akan dihitung res 𝐼
𝑓2→3 ̂
dan 𝜎 𝐼
2→3 .
Hasil perhitungan yang lengkap untuk res
̂ (𝐼𝑖,𝑡 ) tersaji pada Tabel 8.

𝐼2,3 ̂ 𝐼 2466
𝐼2,2
−𝑓2→3 − 1.019
res
̂ (𝐼2,3 ) = (√𝐼2,2 ) = 2552 (√2552) = −1.039.
𝜎̂
𝐼
2→3
2.544

Tabel 8 Hasil perhitungan res

̂ (𝐼𝑖,𝑡 ) dari data Quarg dan Mack
I 1→2 2→3 3→4 4→5 5→6 6→7
1 1.605 -0.079 0.222 1.131 0.732
2 -1.184 -1.039 0.287 0.096 -0.681
3 -0.846 1.565 -1.415 -0.843
4 0.299 0.005 0.931
5 0.458 -0.681
6 0.082
7

−1
Contoh untuk perhitungan res
̂ (𝑄𝑖,𝑠 ) dengan menggunakan persamaan (13),
akan dihitung res −1
̂ (𝑄2,2 ) dengan mengetahui informasi 𝑄2,2 −1
̂2 −1 , 𝑃2,2 dan 𝜌̂2𝑃 .
,𝑞
−1
Hasil perhitungan yang lengkap untuk res
̂ (𝑄𝑖,𝑠 ) tersaji pada Tabel 9.

−1
𝑄2,2 −𝑞̂2 −1 1,310 − 1.178
̂ (𝑄2,2
Res −1
) = (√𝑃2,2 ) = (√1948) = 1.168.
𝜌̂𝑃 2
4.990
 21
−1
Tabel 9 Hasil perhitungan res
̂ (𝑄𝑖,𝑠 ) dari data Quarg dan Mack
I/P 1 2 3 4 5 6 7
1 -0.289 -0.100 0.106 0.033 -0.136 -0.726
2 0.496 1.168 1.343 1.547 1.188 0.687
3 0.450 -0.239 0.808 -0.675 -0.755
4 -1.106 -0.761 -0.615 -0.388
5 -1.077 1.406 -1.075
6 -0.116 -1.006
7 1.753

Contoh untuk perhitungan res

̂ (𝑄𝑖,𝑠 ) dengan menggunakan persamaan (14),
̂ (𝑄2,2 ) dengan mengetahui informasi 𝑄2,2 ,𝑞
akan dihitung res ̂,𝐼 ̂𝐼
2 2,2 dan 𝜌2 . Hasil
perhitungan yang lengkap untuk res
̂ (𝑄𝑖,𝑠 ) tersaji pada Tabel 10.

𝑄2,2 − 𝑞
̂2 0.763 − 0.849
res
̂ (𝑄2,2 ) = (√𝐼2,2 ) = (√2552) = −1.131.
̂𝐼
𝜌 3.819
2

Tabel 10 Hasil perhitungan res

̂ (𝑄𝑖,𝑠 ) dari data Quarg dan Mack
P/I 1 2 3 4 5 6 7
1 0.309 0.103 -0.107 -0.033 0.137 0.728
2 -0.473 -1.131 -1.317 -1.537 -1.177 -0.686
3 -0.437 0.246 -0.805 0.693 0.771
4 1.245 0.795 0.626 0.396
5 1.223 -1.372 1.102
6 0.119 1.065
7 -1.558

Menggunakan hasil perhitungan residual dari kerugian yang dibayarkan dan

residual (I/P) dapat ditarik plot residual kerugian yang dibayarkan (Gambar 3).
Sisaan dari kerugian yang dibayarkan menunjukkkan korelasi sebesar 64%.
Estimasi slop dari garis regresi melalui titik asal 𝜆̂𝑃 = 0.64, yang menjelaskan 𝜆𝑃
sebagai parameter korelasi yang dijelaskan pada pembahasan sebelumnya.
Plot residual dari kerugian yang terjadi (Gambar 4), menunjukkan korelasi
45%. Namun nilai estimasi 𝜆̂𝐼 yang dipilih adalah sebesar 0.44 . 𝜆̂𝑃 dan 𝜆̂𝐼
memenuhi syarat dimana parameter 𝜆 bernilai antara 0 sampai 1.
22

Residual kerugian yang dibayarkan

2

1 y = 0.6479x - 0.0486

0
-2 -1 0 1 2

-1

-2
Gambar 1 Plot residual dari kerugian yang dibayarkan dari data Quarg dan Mack

Residual kerugian yang terjadi

2

1
y = 0.4558x + 0.0982

0
-2 -1 0 1 2

-1

-2
Gambar 2 Plot residual dari kerugian yang terjadi dari data Quarg dan Mack

Pada akhirnya digunakan metode Munich chain-ladder untuk proyeksi

kerugian yang akan dibayarkan dan kerugian yang akan terjadi. Dengan
menggunakan persamaan (15) dan (16) dilakukan perhitungan guna mencari
faktor pengali 𝑄 −1 dan 𝑄 untuk menduga 𝑃𝑖,𝑡 dan 𝐼𝑖,𝑡 . Sebagai faktor penundaan
dari kerugian yang dibayar terlebih dahulu, akan digunakan nilai rata-rata
̂𝑃
𝑓1→2 −1
= 2.473 untuk menghitung 𝑄7,2

̂
𝜎 𝑃
̂𝑃
𝑓1→2 𝑃 1→2 (𝑄 −1 − 𝑞
+ 𝜆̂ ̂1 −1 )
𝑃 7,1
𝜌1
13.456
= 2.473 + (0.64) ( ) (2.457 − 1.878) = 2.771.
14.943
 23

̂𝐼
sedangkan untuk kerugian yang terjadi dengan informasi 𝑓1→2 = 1.652 untuk
menghitung 𝑄7,2

̂
𝜎 𝐼
̂𝐼
𝑓1→2 + 𝜆̂𝐼
1→2
(𝑄7,1 − ̂)
𝑞1
𝜌1𝐼
9.727
= 1.652 + (0.44) ( ) (40.7% − 53.3%) = 1.558.
5.711
Hasil perhitungan lengkap, terdapat di Lampiran 1.
Hasil di atas sebagai estimasi untuk nilai 𝑃7,2 sebesar (2044)(2.771) =
5663 dan untuk nilai 𝐼7,2 sebesar (5022)(1.558) = 7824 . Untuk proyeksi di
tahun lainnya, tersaji di Tabel 11 untuk kerugian yang dibayarkan dan Tabel 12
untuk kerugian yang terjadi.

Tabel 11 Hasil proyeksi untuk kerugian yang dibayarkan dari data Quarg dan
Mack dengan metode Munich chain-ladder
Tahun Tahun penundaan
kejadian 1 2 3 4 5 6 7
1 576 1804 1970 2024 2074 2102 2131
2 866 1948 2162 2232 2284 2348 2383
3 1412 3758 4252 4416 4494 4573 4597
4 2286 5292 5724 5850 5967 6081 6119
5 1868 3778 4648 4762 4848 4922 4937
6 1442 4010 4387 4492 4573 4642 4655
7 2044 5663 6948 7180 7332 7487 7549

Tabel 11 merupakan hasil akhir dari proyeksi IBNR untuk kerugian yang
dibayarkan, dengan melengkapi segitiga bawah dari run-off sebelumnya. Sebagai
contoh, perhatikan baris ke-6 kolom ke-4, besarnya cadangan klaim yang harus
disediakan adalah sejumlah 4492, merupakan proyeksi total klaim yang
dibayarkan dari akumulasi kejadian pada tahun kecelakaan keenam yang
dilaporkan sampai dengan tahun keempat.

Tabel 12 Hasil proyeksi untuk kerugian yang terjadi dari data Quarg dan Mack
dengan metode Munich chain-ladder
Tahun Tahun penundaan
kejadian 1 2 3 4 5 6 7
1 978 2104 2134 2144 2174 2182 2174
2 1844 2552 2466 2480 2508 2454 2444
3 2904 4354 4698 4600 4644 4618 4629
4 3502 5958 6070 6142 6212 6167 6176
5 2812 4882 4852 4885 4945 4932 4951
6 2642 4406 4567 4601 4657 4647 4666
7 5022 7824 7683 7641 7724 7648 7649
24

Tabel 12 merupakan hasil akhir dari proyeksi IBNR untuk kerugian yang
terjadi, dengan melengkapi segitiga bawah dari run-off sebelumnya. Sebagai
contoh, perhatikan baris ke-6 kolom ke-4, besarnya cadangan klaim yang harus
disediakan adalah sejumlah 4601, merupakan proyeksi total klaim yang
dilaporkan dari akumulasi kejadian pada tahun kecelakaan keenam yang dilporkan
sampai dengan tahun keempat.
Langkah selanjutnya yaitu, melihat bagaiamana metode MCL dapat
mengurangi gap antara proyeksi IBNR kerugian yang dibayarkan dan kerugian
yang terjadi, sebagai kelebihan dari metode ini. Tabel 13, menjelaskan gap antara
proyeksi IBNR dari kerugian yang dibayarkan dan kerugian yang terjadi, kolom
berwarna putih menunjukkan data klaim sebelum dilakukan proyeksi, dan kolom
berwarna biru menunjukkan proyeksi klaim dengan metode MCL.

Tabel 13 Gap antara proyeksi untuk kerugian yang dibayarkan dan kerugian
yang terjadi dari data Quarg dan Mack dengan metode Munich chain-
ladder
Tahun Tahun penundaan
kejadian 1 2 3 4 5 6 7
1 402 300 164 120 100 80 43
2 978 604 304 248 224 106 61
3 1492 596 446 184 150 45 32
4 1216 666 346 292 244 87 57
5 944 1104 204 124 97 9 14
6 1200 396 180 109 84 5 11
7 2978 2161 735 461 392 161 100

Dibandingkan dengan hasil perhitungan menggunakan metode chain-ladder,

hasil proyeksi dari metode MCL jauh lebih baik dalam mengurangi gap antara
proyeksi IBNR kerugian yang terjadi dengan kerugian yang dibayarkan.
Perhitungan CL jauh lebih sederhana dibandingkan MCL, langkah perhitungan
lengkapnya tersaji pada Lampiran 2.
Dilihat dari Tabel 14, dengan metode CL gap antara proyeksi kerugian
yang dibayarkan dan kerugian yang terjadi terdapat nilai negatif. Artinya, ada
proyeksi dari kerugian yang dibayarkan lebih besar dibandingkan dengan proyeksi
dari kerugian yang terjadi. Hasil proyeksi ini tentu saja tidak sesuai dengan
prediksi yang diharapkan, karena hasil perhitungan dari metode CL menghasilkan
prediksi yang kurang baik.
 25

Tabel 14 Gap antara proyeksi kerugian yang dibayarkan dan kerugian yang
terjadi dari data Quarg dan Mack dengan metode chain-ladder
Tahun Tahun penundaan
kejadian 1 2 3 4 5 6 7
1 402 300 164 120 100 80 43
2 978 604 304 248 224 106 111
3 1492 596 446 184 150 75 78
4 1216 666 346 292 12 -104 -110
5 944 1104 204 -72 -331 -450 -472
6 1200 396 36 -244 -507 -631 -663
7 2978 2706 2589 2530 2456 2503 2628

Pada contoh kasus yang kedua, digunakan data dari perusahaan Lloyd’s.
Diberikan data awal dari run-off triangle untuk kerugian yang dibayarkan dan
kerugian yang terjadi yang melibatkan 10 tahun waktu kejadian dan 10 tahun
waktu penundaan. Dengan menggunakan metode MCL dilakukan perhitungan
mencari parameter yang diperlukan (perhitungan lengkapnya pada Lampiran 3).
Pada akhirnya, diperoleh estimasi untuk 𝜆𝑃 dari Gambar 5 sebesar 1.329 dan 𝜆𝐼
dari Gambar 6 sebesar −0.081. Estimasi ini tidak memenuhi syarat bahwa nilai 𝜆
harus berada antara 0 dan 1 , akibatnya metode MCL tidak dapat melakukan
proyeksi dengan baik karena tidak memenuhi syarat yang ditetapkan.
Residual kerugian yang dibayarkan
25

20

15

10

y = 1.3296x + 0.7009
5

0
-2 -1 0 1 2 3
-5
Gambar 3 Plot residual dari kerugian yang dibayarkan dari data Lloyd’s
26

Residual kerugian yang terjadi

12

10

2
y = -0.081x + 0.374
0
-2 -1 0 1 2
-2

-4
Gambar 4 Plot residual dari kerugian yang terjadi dari data Lloyd’s

Dilihat dari Tabel 17, gap antara proyeksi untuk kerugian yang dibayarkan
dan kerugian yang terjadi dengan metode MCL terdapat nilai negatif, artinya
metode MCL tidak cukup baik untuk memproyeksi cadangan klaim untuk data
tersebut. Oleh karena itu, diperlukan metode lain saat metode MCL tidak
menghasilkan proyeksi yang baik.

Tabel 17 Gap antara proyeksi untuk kerugian yang dibayarkan dan kerugian
yang terjadi dari data Lloyd’s dengan metode Munich chain-ladder
Tahun Tahun Penundaan
Kejadian 1 2 3 4 5 6 7 8 9 10
1 1346 6393 6816 6932 5942 1570 931 308 290 212
2 1350 4664 4960 2601 6383 2925 1485 934 342 193
3 1829 3863 7302 6041 7334 4511 2334 800 437 173
4 137 2381 7910 10288 10194 3441 2758 1943 -205 -369
5 1363 2668 2819 4193 5661 6984 5922 5398 -1371 -1523
6 247 5061 3790 6773 5768 3093 2211 1571 -175 -304
7 1195 2222 4207 5942 6340 3062 2168 1513 -151 -282
8 274 1751 2542 2708 3682 2542 1853 1361 -181 -281
9 1984 4670 6214 7015 7725 3963 2821 1990 -212 -379
10 1473 5023 7198 8088 9072 4808 3433 2435 -268 -469

SIMPULAN DAN SARAN

Simpulan

Metode cadangan klaim Munich chain-ladder (MCL) dalam aplikasinya

dapat mengurangi gap antara proyeksi IBNR berdasarkan kerugian yang
dibayarkan dan kerugian yang terjadi dengan memprediksi pembayaran klaim
dimasa yang akan datang. Metode MCL menunjukkan bahwa antara kerugian
yang dibayarkan dan kerugian yang terjadi hampir selalu ada korelasi. Dalam
 27

penerapannya, metode MCL menghasilkan proyeksi yang baik saat memenuhi

kriteria 𝜆 bernilai antara 0 sampai 1.
Perhitungan dengan metode chain-ladder (CL) lebih praktis dan sederhana
jika dibandingkan dengan perhitungan dengan metode MCL. Namun, proyeksi
yang dihasilkan oleh metode MCL lebih baik dan lebih dapat diandalkan
dibandingkan proyeksi yang dihasilkan oleh metode CL. Oleh karena itu, metode
MCL dapat diaplikasikan pada portofolio asuransi di Indonesia, khususnya
portofolio asuransi kerugian.

Saran

Langkah selanjutnya adalah menduga kesalahan prediksi klaim dari

perhitungan metode Munich chain-ladder dengan teknik bootstrap. Langkah ini
perlu untuk melihat ketepatan metode MCL dalam memproyeksikan pembayaran
klaim di masa yang akan datang, serta mengkaji metode lainnya yang dapat
digunakan saat metode MCL tidak menghasilkan poyeksi yang baik.

DAFTAR PUSTAKA

Antonio K, Beirlant J, Hoedemakers T, dan Verlaak R. 2006. Lognormal mixed

models for reported claims reserves. North American Actuarial Journal.
10(1):30−[Link].1080/10920277.2006.10596238.
Hogg RV, McKean J, Craig AT. 2014. Introduction to Mathematical Statistics. Ed
ke-7. New Jersey (US): Prentice Hall Inc.
Hossack IB, Pollard JH, Zenwirth B. 1999. Introductory Statistics with
Applications in General Insurance. Ed ke-2. Cambridge (UK): University of
Cambride Press.
Mack T. 1993. Distribution-free calculation of the standard error of chain-ladder
reserve estimates. Astin Bulletin. 23(2):213-225.
Olofsson M. 2006. Stochastic loss reserving testing the new guidelines from the
Australian prudential regulation authority (APRA) on Swedish portfolio
data using a bootstrap simulation and distribution-free method by Thomas
Mack [tesis]. Stockholm (SE): Stockholm University.
Quarg G, Mack T. 2008. Munich chain-ladder:a reserving method that reduces the
gap between IBNR projections based on paid losses and IBNR projections
based on incurred losses. Variance. 2(2):266–[Link]: 10.1007/bf02808969.
Williams D. 1991. Probability with Martingales. Cambridge (UK): University of
Cambride Press.
Yunawan G. 2013. Model Stokastik Berdasarkan Teknik Chain-Ladder [skripsi].
Yogyakarta (ID): Universitas Gajah Mada.
28

Lampiran 1 Pengolahan data Quarg dan Mack dengan metode Munich chain-
ladder
−1 2
Hasil perhitungan res(𝑄𝑖,𝑠 ) dari data Quarg dan Mack
1 2 3 4 5 6 7
1 0.083 0.010 0.011 0.001 0.018 0.528
2 0.246 1.363 1.802 2.392 1.412 0.472
3 0.203 0.057 0.652 0.456 0.570
4 1.224 0.579 0.378 0.150
5 1.159 1.978 1.156
6 0.013 1.013
7 3.072

−1
(𝑄 Hasil
)* perhitungan
( ) res(𝑄𝑖,𝑠 )res(𝑃𝑖,𝑡 ) dari data Quarg dan Mack
1 2 3 4 5 6 7
1 -0.358 0.045 -0.019 0.027 0.098 0.000
2 -0.203 -0.301 0.393 0.884 0.820
3 0.283 -0.001 1.008 0.661
4 0.478 0.749 0.708
5 1.433 2.335
6 -0.112
7

Hasil perhitungan 𝑄 −1 dari data Quarg dan Mack

1 2 3 4 5 6 7
1 1.698 1.166 1.083 1.059 1.048 1.038 1.020
2 2.129 1.310 1.141 1.111 1.098 1.045 1.015
3 2.057 1.159 1.105 1.042 1.033 1.018 1.005
4 1.532 1.126 1.060 1.050 1.020 1.019 1.006
5 1.505 1.292 1.044 1.024 1.018 1.015 1.003
6 1.832 1.099 1.094 1.024 1.018 1.015 1.003
7 2.457 2.771 1.226 1.034 1.021 1.021 1.009

̂ 𝜎̂
𝑃
𝑃
Hasil perhitungan 𝑓𝑠→𝑡 + 𝜆̂𝑃 𝑠→𝑡 −1
(𝑄𝑖,𝑠 − 𝑞̂𝑠 −1 ) dari data Quarg dan Mack
𝜌𝑠𝑃
1 2 3 4 5 6 7
1
2 1.015
3 1.018 1.005
4 1.020 1.019 1.006
5 1.024 1.018 1.015 1.003
6 1.094 1.024 1.018 1.015 1.003
7 2.771 1.227 1.033 1.021 1.021 1.009
 29
2
( ) Hasil perhitungan res(𝑄𝑖,𝑠 ) dari data Quarg dan Mack
1 2 3 4 5 6 7
1 0.095 0.011 0.011 0.001 0.019 0.529
2 0.224 1.280 1.734 2.362 1.386 0.471
3 0.191 0.061 0.648 0.480 0.595
4 1.551 0.633 0.391 0.157
5 1.496 1.883 1.215
6 0.014 1.134
7 2.428

* perhitungan res(𝑄𝑖,𝑠 ) res(𝐼𝑖,𝑡 ) dari data Quarg dan Mack

Hasil
1 2 3 4 5 6 7
1 0.495 -0.008 -0.024 -0.037 0.101 0.000
2 0.560 1.176 -0.378 -0.148 0.802 0.000
3 0.370 0.385 1.139 -0.584 0.000
4 0.373 0.004 0.582 0.000
5 0.560 0.934 0.000
6 0.010 0.000
7 0.000

Hasil perhitungan Q dari data Quarg dan Mack

1 2 3 4 5 6 7
1 0.589 0.857 0.923 0.944 0.954 0.963 0.980
2 0.470 0.763 0.877 0.900 0.911 0.957 0.996
3 0.486 0.863 0.905 0.960 0.968 0.994 1.002
4 0.653 0.888 0.943 0.952 1.011 0.993 1.002
5 0.664 0.774 0.958 1.007 1.012 0.997 1.004
6 0.546 0.910 1.037 1.007 1.012 0.998 1.004
7 0.407 1.558 0.982 0.995 1.011 0.990 1.000

̂ 𝜎̂
𝐼
𝐼
Hasil perhitungan 𝑓𝑠→𝑡 + 𝜆̂𝐼 𝑠→𝑡
(𝑄𝑖,𝑠 − 𝑞̂𝑠 ) dari data Quarg dan Mack
𝜌𝑠𝐼
1 2 3 4 5 6 7
1
2 0.996
3 0.994 1.002
4 1.011 0.993 1.002
5 1.007 1.012 0.997 1.004
6 1.037 1.007 1.012 0.998 1.004
7 1.558 0.982 0.995 1.011 0.990 1.000
30

Lampiran 2 Pengolahan data Quarg dan Mack dengan metode chain-ladder

Hasil pembagi rasio run-off kerugian yang dibayarkan dari data Quarg dan Mack
1→2 2→3 3→4 4→5 5→6 6→7
1 3.132 1.092 1.027 1.025 1.014 1.014
2 2.249 1.110 1.032 1.023 1.028
3 2.661 1.131 1.039 1.018
4 2.315 1.082 1.022
5 2.022 1.230
6 2.781
7

Hasil perhitungan simple average, weighted average dan faktor pengali untuk
kerugian yang dibayarkan dari data Quarg dan Mack
P 1→2 2→3 3→4 4→5 5→6 6→7 Tail
Simple Average 2,527 1,129 1,030 1,022 1,021 1,014 1,050
Weighted Average 2,437 1,131 1,029 1,021 1,021 1,014 1,050
Selected 1,291 1,144 1,110 1,087 1,064 1,050 1,000
% Paid 77% 87% 90% 92% 94% 95% 100%

Hasil proyeksi untuk kerugian yang dibayarkan dari data Quarg dan Mack dengan
metode chain-ladder
Tahun Tahun penundaan
kejadian 1 2 3 4 5 6 7
1 576 1804 1970 2024 2074 2102 2131
2 866 1948 2162 2232 2284 2348 2465
3 1412 3758 4252 4416 4494 4784 5023
4 2286 5292 5724 5850 6357 6766 7105
5 1868 3778 4648 5161 5608 5969 6268
6 1442 4010 4587 5093 5534 5891 6185
7 2044 2640 3019 3352 3643 3878 4071

Hasil pembagi rasio dari run-off kerugian yang terjadi dari data Quarg dan Mack
1→2 2→3 3→4 4→5 5→6 6→7
1 2.151 1.014 1.005 1.014 1.004 0.996
2 1.384 0.966 1.006 1.011 0.978
3 1.499 1.079 0.979 1.010
4 1.701 1.019 1.012
5 1.736 0.994
6 1.668
7
 31

Hasil perhitungan simple average, weighted average dan faktor pengali untuk
kerugian yang diterjadi dari data Quarg dan Mack
I 1→2 2→3 3→4 4→5 5→6 6→7 Tail
Simple Average 1,690 1,014 1,000 1,012 0,991 0,996 1,050
Weighted Average 1,652 1,019 1,000 1,011 0,990 0,996 1,050
Selected 1,064 1,049 1,049 1,037 1,046 1,050 1,000
% Inc 94% 95% 95% 96% 96% 95% 100%

Hasil proyeksi untuk kerugian yang terjadi dari data Quarg dan Mack dengan
metode chain-ladder
Tahun Tahun penundaan
kejadian 1 2 3 4 5 6 7
1 978 2104 2134 2144 2174 2182 2174
2 1844 2552 2466 2480 2508 2454 2577
3 2904 4354 4698 4600 4644 4858 5101
4 3502 5958 6070 6142 6368 6662 6995
5 2812 4882 4852 5089 5276 5520 5796
6 2642 4406 4623 4849 5027 5259 5522
7 5022 5345 5608 5882 6099 6380 6699
32

Lampiran 3 Pengolahan data Lloyd’s dengan metode Munich chain-ladder

Estimasi faktor penundaan rata-rata dan parameter σ dari data Lloyd’s

1→2 2→3 3→4 4→5 5→6 6→7 7→8 8→9 9→10
𝑓̂𝑃
𝑠→𝑡 5.185 3.149 1.636 1.359 1.486 1.077 1.031 1.134 1.003
𝑓̂𝐼 3.776 1.858 1.351 1.248 1.096 1.002 0.983 1.105 0.996
𝑠→𝑡
̂
𝜎 𝑃 136.558 56.419 23.229 23.295 35.175 5.962 0.401 16.739
𝑠→𝑡
̂
𝜎 𝐼 131.142 56.711 22.110 19.288 15.944 6.239 1.791 13.455
𝑠→𝑡

Hasil perhitungan (P/I) dan (I/P) serta parameter ρ dari data Lloyd’s
1 2 3 4 5 6 7 8 9 10
𝑞̂𝑠 18.1% 25.0% 45.0% 52.7% 58.4% 79.3% 90.4% 96.5% 97.9% 97.9%
𝑞̂−1
𝑠 553.2% 400.0% 222.3% 189.8% 171.4% 126.1% 110.6% 103.6% 102.2% 102.1%
𝜌̂𝑠𝐼 5.049 9.221 14.118 21.925 17.846 17.167 4.684 2.264 0.881
̂
𝜌𝑃 110.962 101.386 134.467 755.971 465.824 678.318 246.217 119.428 26.556
𝑠

̂ (𝑃𝑖,𝑡 ) dari data Lloyd’s

Hasil perhitungan res
1→2 2→3 3→4 4→5 5→6 6→7 7→8 8→9 9→10
1 1.523 -1.212 -0.617 -0.694 -0.108 -0.005 0.148 -0.784
2 1.465 -0.836 1.762 -0.959 0.240 0.753 1.121 0.686
3 -0.631 2.745 -0.666 0.119 -0.897 -1.229 -0.887
4 0.041 1.924 -0.516 2.868 2.672 1.078
5 -1.009 -1.123 -0.934 0.093 -0.496
6 2.750 4.012 0.045 0.093
7 0.082 1.107 2.820
8 21.350 -1.072
9 2.782
10

−1
Hasil perhitungan res
̂ (𝑄𝑖,𝑠 ) dari data Lloyd’s
1 2 3 4 5 6 7 8 9 10
1 0.340 0.197 0.271 0.375 0.406 -0.122 -0.039 -0.044 0.278
2 0.469 -0.021 0.043 -0.669 0.014 -0.086 -0.045 0.239 -0.201
3 -0.428 -0.618 -0.411 -0.877 -1.225 -0.263 -0.192 -0.147
4 -0.183 0.659 0.893 1.899 1.532 -0.039 0.334
5 -0.836 -0.578 -0.187 0.005 0.287 0.777
6 0.283 1.606 -0.050 0.299 0.047
7 0.879 0.434 0.298 0.260
8 0.304 -0.840 -0.263
9 2.608 0.880
10 0.044
 33

−1 2
Hasil perhitungan res(𝑄𝑖,𝑠 ) dari data Lloyd’s
1 2 3 4 5 6 7 8 9 10
1 0.116 0.039 0.074 0.141 0.165 0.015 0.001 0.002 0.077
2 0.220 0.000 0.002 0.447 0.000 0.007 0.002 0.057 0.040
3 0.183 0.382 0.169 0.770 1.499 0.069 0.037 0.022
4 0.034 0.434 0.797 3.606 2.346 0.002 0.112
5 0.698 0.334 0.035 0.000 0.082 0.603
6 0.080 2.579 0.003 0.090 0.002
7 0.773 0.188 0.089 0.067
8 0.092 0.705 0.069
9 6.802 0.774
10 0.002

−1
Hasil perhitungan res(𝑄𝑖,𝑠 ) res(𝑃𝑖,𝑡 ) dari data Lloyd’s
1 2 3 4 5 6 7 8 9 10
1 0.518 -0.239 -0.167 -0.260 -0.044 0.001 -0.006 0.035 0.000
2 0.687 0.018 0.075 0.641 0.003 -0.064 -0.050 0.164 0.000
3 0.270 -1.697 0.274 -0.104 1.098 0.323 0.170 0.000
4 -0.008 1.268 -0.460 5.445 4.094 -0.042 0.000
5 0.843 0.649 0.174 0.000 -0.142 0.000
6 0.778 6.443 -0.002 0.028 0.000
7 0.072 0.480 0.842 0.000
8 6.490 0.900 0.000
9 7.255 0.000
10 0.000

Hasil perhitungan 𝑄 −1 dari data Lloyd’s

1 2 3 4 5 6 7 8 9 10
1 8.315 4.465 2.819 2.284 1.954 1.174 1.096 1.031 1.029 1.021
2 9.710 3.946 2.316 1.329 1.721 1.212 1.097 1.059 1.018 1.003
3 3.706 2.689 1.687 1.375 1.331 1.156 1.078 1.026 1.115 1.003
4 3.045 7.488 4.881 4.573 2.611 1.240 1.170 1.033 1.283 1.003
5 2.478 2.576 1.800 1.903 1.880 1.839 1.145 1.042 2.079 1.003
6 12.227 11.371 2.107 2.199 1.738 1.510 1.077 1.033 1.290 1.003
7 16.724 6.108 3.125 2.174 1.472 1.623 1.076 1.033 1.276 1.003
8 12.417 1.983 1.655 1.506 1.181 1.305 1.080 1.033 1.319 1.003
9 51.872 7.268 5.568 1.699 1.399 1.556 1.077 1.033 1.284 1.003
10 5.814 5.646 3.080 1.666 1.365 1.522 1.077 1.033 1.288 1.003

̂ 𝜎̂
𝑃
𝑃
Hasil perhitungan 𝑓𝑠→𝑡 + 𝜆̂𝑃 𝑠→𝑡 −1
(𝑄𝑖,𝑠 − 𝑞̂𝑠 −1 ) dari data Lloyd’s
𝜌𝑠𝑃
1 2 3 4 5 6 7 8 9 10
1
2 1.003
3 1.115 1.003
4 1.033 1.283 1.003
5 1.145 1.042 2.079 1.003
6 1.510 1.077 1.033 1.290 1.003
7 1.472 1.623 1.076 1.033 1.276 1.003
8 1.506 1.181 1.305 1.080 1.033 1.319 1.003
9 5.568 1.699 1.399 1.556 1.077 1.033 1.284 1.003
10 5.646 3.080 1.666 1.365 1.522 1.077 1.033 1.288 1.003
34

Hasil proyeksi untuk kerugian yang dibayarkan dari data Lloyd’s dengan metode
Munich chain-ladder
Tahun Tahun penundaan
kejadian 1 2 3 4 5 6 7 8 9 10
1 184 1845 3748 5400 6231 9006 9699 10008 10035 10068
2 155 1583 3768 7899 8858 13795 15360 15895 19333 19397
3 676 2287 10635 16102 22177 28825 29828 30700 34233 34346
4 67 367 2038 2879 6329 14366 16201 16730 21465 21535
5 922 1693 3523 4641 6431 8325 9530 9934 20658 20726
6 22 488 3424 5649 7813 11799 12711 13127 16929 16985
7 76 435 1980 5062 7450 12094 13017 13441 17156 17212
8 24 1782 3881 5843 6898 9001 9718 10039 13245 13289
9 39 745 4148 7048 9858 15336 16515 17055 21899 21971
10 306 1728 5321 8864 12096 18410 19831 20480 26381 26468

̂ (𝐼𝑖,𝑡 ) dari data Lloyd’s

Hasil perhitungan res
1→2 2→3 3→4 4→5 5→6 6→7 7→8 8→9 9→10
1 1.113 -1.043 -0.922 -1.495 -1.465 0.051 -0.732 -0.788
2 0.226 -0.759 -0.685 1.300 0.009 0.114 1.136 0.667
3 -0.790 2.501 -0.783 0.751 0.385 -1.070 -0.391
4 3.875 3.100 -0.142 0.043 -0.153 1.384
5 -0.940 -0.566 0.179 0.686 1.320
6 9.572 -0.835 1.870 -0.937
7 -0.663 0.653 2.029
8 3.662 -0.056
9 -0.617
10

̂ (𝑄𝑖,𝑠 ) dari data Lloyd’s

Hasil perhitungan res
1 2 3 4 5 6 7 8 9 10
1 -0.469 -0.256 -0.692 -0.451 -0.443 0.352 0.175 0.223 -0.810
2 -0.598 0.029 -0.120 1.053 -0.016 0.244 0.204 -1.185 0.587
3 0.883 1.036 1.357 1.359 1.617 0.765 0.879 0.739
4 0.418 -0.662 -1.731 -1.613 -1.444 0.109 -1.468
5 2.108 0.990 0.596 -0.007 -0.318 -1.794
6 -0.321 -1.309 0.149 -0.367 -0.054
7 -0.854 -0.482 -0.724 -0.320
8 -0.343 1.640 0.876
9 -1.438 -0.897
10 -0.073

2
Hasil perhitungan res(𝑄𝑖,𝑠 ) dari data Lloyd’s
1 2 3 4 5 6 7 8 9 10
1 0.220 0.066 0.479 0.203 0.196 0.124 0.031 0.050 0.656
2 0.357 0.001 0.014 1.110 0.000 0.059 0.042 1.405 0.344
3 0.780 1.074 1.841 1.848 2.614 0.586 0.772 0.546
4 0.174 0.438 2.997 2.602 2.085 0.012 2.155
5 4.445 0.980 0.355 0.000 0.101 3.219
6 0.103 1.714 0.022 0.134 0.003
7 0.729 0.233 0.524 0.102
8 0.117 2.689 0.768
9 2.069 0.805
10 0.005
 35

Hasil perhitungan res(𝑄𝑖,𝑠 ) res(𝐼𝑖,𝑡 ) dari data Lloyd’s

1 2 3 4 5 6 7 8 9 10
1 -0.522 0.267 0.638 0.674 0.649 0.018 -0.128 -0.175 0.000
2 -0.135 -0.022 0.082 1.369 0.000 0.028 0.232 -0.790 0.000
3 -0.697 2.592 -1.063 1.021 0.623 -0.819 -0.344 0.000
4 1.618 -2.052 0.245 -0.070 0.221 0.151 0.000
5 -1.983 -0.561 0.106 -0.005 -0.420 0.000
6 -3.077 1.093 0.278 0.344 0.000
7 0.566 -0.315 -1.468 0.000
8 -1.255 -0.092 0.000
9 0.887 0.000
10 0.000

Hasil perhitungan Q dari data Lloyd’s

1 2 3 4 5 6 7 8 9 10
1 0.120 0.224 0.355 0.438 0.512 0.852 0.912 0.970 0.972 0.979
2 0.103 0.253 0.432 0.752 0.581 0.825 0.912 0.945 0.983 0.996
3 0.270 0.372 0.593 0.727 0.751 0.865 0.927 0.975 1.101 0.996
4 0.328 0.134 0.205 0.219 0.383 0.807 0.855 0.985 1.139 0.996
5 0.404 0.388 0.556 0.525 0.532 0.544 1.009 0.992 1.258 0.996
6 0.082 0.088 0.475 0.455 0.575 1.097 1.002 0.985 1.140 0.996
7 0.060 0.164 0.320 0.460 1.253 1.099 1.002 0.985 1.137 0.996
8 0.081 0.504 0.604 0.996 1.237 1.091 1.002 0.985 1.146 0.996
9 0.019 0.138 1.914 0.996 1.250 1.098 1.002 0.985 1.139 0.996
10 0.172 3.795 1.855 0.996 1.249 1.097 1.002 0.985 1.140 0.996

̂ 𝜎̂
𝐼
𝐼
Hasil perhitungan 𝑓𝑠→𝑡 + 𝜆̂𝐼 𝑠→𝑡
(𝑄𝑖,𝑠 − 𝑞̂𝑠 ) dari data Lloyd’s
𝜌𝑠𝐼
1 2 3 4 5 6 7 8 9 10
1
2 0.996
3 1.101 0.996
4 0.985 1.139 0.996
5 1.009 0.992 1.258 0.996
6 1.097 1.002 0.985 1.140 0.996
7 1.253 1.099 1.002 0.985 1.137 0.996
8 1.331 1.237 1.091 1.002 0.985 1.146 0.996
9 1.914 1.357 1.250 1.098 1.002 0.985 1.139 0.996
10 3.795 1.855 1.354 1.249 1.097 1.002 0.985 1.140 0.996

Hasil proyeksi untuk kerugian yang terjadi dari data Lloyd’s dengan metode
Munich chain-ladder
Tahun Tahun penundaan
kejadian 1 2 3 4 5 6 7 8 9 10
1 1530 8238 10564 12332 12173 10576 10630 10316 10325 10280
2 1505 6247 8728 10500 15241 16720 16845 16829 19675 19589
3 2505 6150 17937 22143 29511 33336 32162 31500 34670 34519
4 204 2748 9948 13167 16523 17807 18959 18673 21259 21167
5 2285 4361 6342 8834 12092 15309 15452 15332 19287 19203
6 269 5549 7214 12422 13581 14892 14922 14698 16754 16681
7 1271 2657 6187 11004 13790 15156 15184 14954 17005 16930
8 298 3533 6423 8551 10580 11543 11570 11401 13064 13007
9 2023 5415 10362 14063 17583 19299 19336 19045 21687 21592
10 1779 6751 12520 16952 21168 23218 23264 22915 26113 25999
36

RIWAYAT HIDUP
Penulis dilahirkan pada hari Rabu, 26 Januari 1994 di Padang. Penulis
merupakan putra pertama dari Bapak Agus Darusman dan Ibu Mardiana. Tahun
2011 penulis lulus dari SMA Negeri 10 Kota Padang dan lulus seleksi masuk
Institut Pertanian Bogor melalu Seleksi Nasional Masuk Perguruan Tinggi Negeri
(SNMPTN) jalur undangan. Penulis diterima di Departemen Matematika Fakultas
Matematika dan Ilmu Pengetahuan Alam. Selain mengikuti perkuliahan pada
mayor Matematika, penulis juga mengikuti perkuliahan minor Statistika Terapan.
Selama mengikuti perkuliahan, penulis aktif dalam kegiatan berorganisasi.
Di tahun pertama penulis aktif menjadi anggota Koperasi Mahasiswa (Kopma)
IPB, aktif di Organisasi Mahasiswa Daerah (OMDA) yakni Ikatan Pelajar
Mahasiswa Minang (IPMM) dan Himpunan Mahasiswa Padang (HIMAPD).
Penulis pernah menjabat sebagai Vice President External Relation (VP-ER) di
Unit Kegiatan Mahasiswa (UKM) AIESEC IPB, dan menjadi Ketua Departemen
Public Relation di Gugus Mahasiswa Matematika (Gumatika) IPB. Penulis juga
pernah menjadi panitia di beberapa kegiatan, di antaranya menjadi ketua
pelaksana The 3𝑟𝑑 IPB Mathematics Challenges 2014, ketua Divisi Sponsorship
Matematika Ria 2014, dan anggota divisi di beberapa kegiatan Gumatika IPB.
Penulis juga pernah tampil bersama grup akustik Elipsoid dan grup nasyid Guma-
voice di beberapa seminar nasional dan acara fakultas.
Penulis pernah menjadi asisten mata kuliah Kalkulus II selama dua periode
yaitu periode Semester Ganjil Tahun Ajaran 2013/2014 dan 2014/2015 serta mata
kuliah Pemrograman Linear pada periode Semester Genap Tahun Ajaran
2013/2014. Penulis pernah mengikuti program magang profesi di bagian
Departemen Aktuaria PT. Asuransi Jiwa Manulife Indonesia selama tiga bulan
(Juni-Agustus 2014).
Selama perkuliahan, penulis pernah mendapatkan beasiswa Peningkatan
Prestasi Akademik (PPA) dari DIKTI. Penulis juga memperoleh beasiswa AIA
Future Actuaries Program yang diberikan oleh PT. AIA Financial.