MODEL MULTI-STATE DAN APLIKASINYA

Faihatuz Zuhairoh

Program Studi S3 Matematika

Departemen Matematika, FMIPA UGM

Yogyakarta, 1 Juni 2022

Faihatuz Zuhairoh Model Multi-state 1 / 53

OUTLINE

Denisi Model Multi-state

Jenis-jenis Model Multi-state
Rantai Markov
Model Multi-state dalam Penyebaran Penyakit Menular
Perhitungan Premi
Latihan Soal

Faihatuz Zuhairoh Model Multi-state 2 / 53

 Denisi Model Multi-state

DEFINISI

Apabila S adalah suatu ruang state berhingga dan melambangkan state-

state sebagai bilangan asli maka S = {1, 2, 3, . . . , N}. Kemudian jika
himpunan transisi langsung dilambangkan dengan T dan T adalah him-
punan bagian dari himpunan pasangan (i, j)

T ⊆ {(i, j)|i ̸= j; i, j ∈ S }

maka, pasangan (S , T ) disebut model multi-state.

Faihatuz Zuhairoh Model Multi-state 3 / 53

 Jenis-jenis Model Multi-state

MODEL HIDUP-MATI

0:Hidup 1:Meninggal

Model hidup-mati juga biasa disebut model single decrement dimana

transisi dari state 0 ke state 1 diperbolehkan, seperti yang ditunjukkan
oleh arah panah, tetapi transisi dalam arah yang berlawanan tidak dapat
terjadi.
Matriks intensitas transisi dan probabilitas transisi diberikan sebagai ber-
ikut:

−µ01 µ01 00 01
   
x+t x+t t px t px
Qx+t = t Px =
0 0 0 1

Faihatuz Zuhairoh Model Multi-state 4 / 53

 Jenis-jenis Model Multi-state

Model single decrement mempunyai force of mortality berikut.

d
dt Fx (t)
µx+t =
Sx (t)
1 t+h qx − t qx
= lim
Sx (t) h→0 h
Pr(t < Tx ≤ t + h)
=
h Pr(Tx > t)
h qx+t
=
h
atau dapat ditulis
h qx+t = µx+t h + o(h)

Faihatuz Zuhairoh Model Multi-state 5 / 53

 Jenis-jenis Model Multi-state

Untuk model hidup-mati, peluang (x) untuk tetap berada pada state 0
(hidup) selama periode t adalah
 Z t 
t px = exp − µx+s ds
0

Peluang (x) untuk memasuki state 1 (meninggal) pada atau sebelum

waktu t adalah Z t
t qx = s px µx+s ds
0

Faihatuz Zuhairoh Model Multi-state 6 / 53

 Jenis-jenis Model Multi-state

MODEL KEMATIAN KARENA KECELAKAAN

1:Meninggal-Kecelakaan

0:Hidup

2: Meninggal-karena sebab lain

Model Kematian karena Kecelakaan disebut juga model double decre-

ment yang merupakan pengembangan dari model hidup-mati tetapi se-
bab kematian dibagi 2 yaitu state 1 kematian karena kecelakaan dan
state 2 kematian karena sebab lain.
Faihatuz Zuhairoh Model Multi-state 7 / 53
 Jenis-jenis Model Multi-state

Matriks intensitas transisi dan probabilitas transisi diberikan sebagai ber-

ikut:

−µ01 02 µ01 µ02 00 01 02

   
x+t − µx+t x+t x+t t px t px t px
Qx+t =  0 0 0  t Px =  0 1 0 
0 0 0 0 0 1

Faihatuz Zuhairoh Model Multi-state 8 / 53

 Jenis-jenis Model Multi-state

MODEL CACAT PERMANEN

0: Sehat 1: Cacat

2: Meninggal

Hal penting dari model ini adalah bahwa kecacatan terjadi secara per-
manen maka tidak ada panah dari state 1 kembali ke state 0.
Matriks intensitas transisi dan probabilitas transisi diberikan sebagai ber-
ikut: 
−µ01 02 µ01 µ02 00 01 02
  
x+t − µx+t x+t x+t t px t px t px
Qx+t  0 −µ12
x+t
12
µx+t  t Px =  0 t x p 11 p 12 
t x
0 0 0 0 0 1
Faihatuz Zuhairoh Model Multi-state 9 / 53
 Jenis-jenis Model Multi-state

MODEL DISABILITY INCOME

µ01
x+t
0: Sehat 1: Sakit
µ10
x+t

µ02
x+t
µ12
x+t

2: Meninggal

Asuransi Model disability income mendapatkan manfaat selama periode

sakit; manfaat berhenti pada masa pemulihan dan premi dibayar keti-
ka orang itu [Link] Model ini dimungkinkan seseorang kembali ke
staus 0 (kembali sehat setelah sakit).

Faihatuz Zuhairoh Model Multi-state 10 / 53

 Jenis-jenis Model Multi-state

Matriks intensitas transisi dan probabilitas transisi diberikan sebagai ber-

ikut:
 01
−µx+t − µ02 µ01 µ02

x+t x+t x+t
Qx+t = −µ10
x+t µ10 12
x+t − µx+t µ12
x+t

0 0 0
00 01 02
 
t px t px t px
10 p 11 12 
t Px = t px t x t px
0 0 1

Faihatuz Zuhairoh Model Multi-state 11 / 53

 Jenis-jenis Model Multi-state

Dalam model double decrement, dapat diperhatikan 2 hal berikut.

1 Waktu bagi individu untuk meninggalkan state 0,

2 Keadaan bahwa individu akan masuk kembali setelah

meninggalkan state 0.
Sehingga force of mortality-nya dapat dituliskan sebagai berikut.

(j) Pr(t < Tx ≤ t + h, Jx = j|Tx > t)

µx+t = lim
h→0 h
(j)
h qx+t
= lim
h→0 h
artinya
(1) (1) (2) (2)
h qx+t = µx+t h + o(h), h qx+t = µx+t h + o(h)

Faihatuz Zuhairoh Model Multi-state 12 / 53

 Jenis-jenis Model Multi-state

Total force of decrement adalah

(τ ) (1) (2)
µx+t = µx+t + µx+t

dan probabilitas menetap di suatu state tertentu adalah

 Z t 
(τ ) (τ )
t px = exp − µx+s ds
0

Probabilita transisi
Z t Z t
(1) (τ ) (1) (2) (τ ) (2)
t qx = s px µx+s ds, t qx = s px µx+s ds
0 0

Faihatuz Zuhairoh Model Multi-state 13 / 53

 Rantai Markov

RANTAI MARKOV WAKTU DISKRIT

Misalkan terdapat ruang state, di mana himpunan semua kemungkinan

state disebut himpunan S . Sebagai contoh, model disability income
dengan S = 0, 1, 2 dan Y0 = 0. Perjalanan statusnya diberikan pada
gambar berikut.

Faihatuz Zuhairoh Model Multi-state 14 / 53

 Rantai Markov

PROBABILITAS TRANSISI

Untuk rantai markov waktu diskrit, diasumsikan bahwa proses pada state
i pada waktu t , akan berpindah ke state j pada waktu t + 1 ditulis dengan
ptij .

Pr (Yt+1 = j|Yt = i) = ptij

Dapatditulis dalam bentuk matrikstransisi berikut.
pt00 pt01 pt02 · · · pt0n
 pt10 pt11 pt12 · · · pt1n 
pt20 pt21 pt22 · · · pt2n
 
Pt = 
 
.. .. .. .. .. 

. . . . . 


ptn0 ptn1 ptn2 ··· ptnn
Jumlah probabilitas dari setiap baris sama dengan 1.

Faihatuz Zuhairoh Model Multi-state 15 / 53

 Rantai Markov

SIFAT MARKOV

Pr (Yt+1 = j|Yt = i, Yt−1 = it−1 , Yt−2 = it−2 , ...) = Pr (Yt+1 = j|Yt = i)

Jika Pt konstan terhadap t maka Rantai Markov disebut homogen. Jika

Pt waktu dependen maka Rantai Markov disebut inhomogen.

Untuk status terserap (absorbing state ), semua elemen pada baris adalah
0, kecuali diagonal utama. Diagonal utama sama dengan 1.

Faihatuz Zuhairoh Model Multi-state 16 / 53

 Rantai Markov

Contoh

Pemodelan Kevin dan Kira untuk future lifetime dari (60).

(i) Kevin menggunakan model double decrement:
(τ ) (1) (2)
Usia lx dx dx
60 1000 120 80
61 800 160 80
62 560 - -
(ii) Kira menggunakan model markov non-homogen
(a) Status 0 (hidup), 1 (Meninggal karena sebab 1), 2(Meninggal
karena sebab 2)
(b) P60 adalah matriks transisi dari usia 60 sampai 61; P61 adalah
matriks transisi dari usia 61 sampai 62.

Kedua model menghasilkan probabilitas decrement yang sama

(iii)

Hitunglah P61

Faihatuz Zuhairoh Model Multi-state 17 / 53

 Rantai Markov

Jawab

Dari soal, jelas bahwa status 1 dan 2 menyerap (absorbing ). Untuk usia
(61) probabilitas dia tetap hidup setelah 1 tahun adalah
560(τ )
= 0.7
p61 =
800
Probabilitas bahwa dia akan meninggal karena sebab 1 dan sebab 2 dalam
tahun itu adalah

(1) 160 (2) 80

q61 = = 0.2 dan q61 = = 0.1
800 800
Jadi, diperoleh

0.70 0.20 0.10

 

P61 =  0 1.00 0 
0 0 1.00

Faihatuz Zuhairoh Model Multi-state 18 / 53

 Rantai Markov

PERSAMAAN CHAPMAN-KOLMOGOROV

Sehingga dapat digeneralisasi sebagai berikut.

s px = px px+1 px+2 px+3 . . . px+s−1

Persamaan Chapman-Kolmogorov

t+s Px = t Px s Px+t

Faihatuz Zuhairoh Model Multi-state 19 / 53

 Rantai Markov

Contoh

Untuk model multi status dengan 3 status, Sehat (0), cacat (1), dan
Meninggal (2)
(i) Untuk k = 0, 1;
(00) (01) (10) (12)
px+k = 0.7, px+k = 0.2, px+k = 0.1, px+k = 0.25
(ii)Terdapat 100 orang di awal, semuanya sehat. Status masa depan
mereka independen.
Hitunglah variansi dari 100 orang tersebut yang meninggal dalam dua
tahun pertama.

Faihatuz Zuhairoh Model Multi-state 20 / 53

 Rantai Markov

Jawab

Diketahui dari soal

0.7 0.2 ?
 

Px = Px+1 =  0.1 ? 0.25 

? ? ?
Karena status 2 adalah status yang menyerap, maka baris terakhir harus
[0 0 1]. Seperti yang diketahui bahwa jumlah baris dari matriks proba-
bilitas transisi berjumlah 1, maka diperoleh:

0.7 0.2 0.1

 

Px = Px+1 =  0.1 0.65 0.25 

0 0 1

Faihatuz Zuhairoh Model Multi-state 21 / 53

 Rantai Markov

Jawab

Dengan menggunakan persamaan Chapman-kolmogorov, diperoleh:

0.7 0.2 0.1 0.7 0.2 0.1

  

2 Px = Px Px+1 = 0.1 0.65 0.25

   0.1 0.65 0.25 
0 0 1 0 0 1

0.5100 0.2700 0.2200

 

=  0.1350 0.4425 0.4225 

0.0000 0.0000 1.0000
Untuk single life, probabilitas bahwa seseorang akan meninggal dalam
dua tahun pertama adalah 0.22. Jika terdapat 100 orang independen,
misalkan 2 D0 sebagai jumlah kematian dalam dua tahun pertama. Maka

2 D0 ∼ B(100, 0.22)

Faihatuz Zuhairoh Model Multi-state 22 / 53

 Rantai Markov

Jawab

(B(n, p) disini berarti distribusi binomial dengan jumlah percobaan n

dan probabilitas keberhasilan p ) dan karenanya variansinya diperoleh

Var (2 D0 ) = 100 × 0.22 × (1 − 0.22) = 17

Faihatuz Zuhairoh Model Multi-state 23 / 53

 Rantai Markov

Menghitung APV dan Arus Kas

Ada dua jenis arus kas yang terkait dengan rantai Markov waktu diskrit,
yaitu:
1 Arus kas yang timbul karena berada dalam state tertentu.

2 Arus kas yang timbul dari transisi antar state.

Faihatuz Zuhairoh Model Multi-state 24 / 53

 Rantai Markov

Contoh

0.4 0.6
 
Terdapat rantai Markov waktu diskrit homogen dengan P = .
0.8 0.2
Ruang state-nya adalah E = {0, 1}. Subjek sekarang dalam state 0, dan
i = 5%.
a. Misalkan terdapat arus kas 1 untuk state 0 sekarang dan awal dua
tahun ke depan. Tentukan APV dari aliran arus kas.
b. Misalkan terdapat arus kas 1 jika transisi dari state 1 ke state 0
terjadi pada akhir tahun pertama, kedua dan ketiga. Tentukan
APV dari aliran arus kas.

Faihatuz Zuhairoh Model Multi-state 25 / 53

 Rantai Markov

Jawab

a. Pr(Y1 = 0|Y0 = 0) = p000 = 0.4

00
Pr(Y2 = 0|Y0 = 0) = 2 p0
= Pr(0 → 0 → 0) + Pr(0 → 1 → 0)
= 0.4 × 0.4 + 0.6 × 0.8
= 0.64

Maka APV dari aliran arus kas adalah

0.4 0.64
1+ + = 1.96145
1.05 1.052

Faihatuz Zuhairoh Model Multi-state 26 / 53

 Rantai Markov

Jawab

b. Pr(Y0 = 1, Y1 = 0|Y0 = 0) = 0

Pr(Y1 = 1, Y2 = 0|Y0 = 0) = Pr(0 → 1 → 0)

= 0.6 × 0.8
= 0.48

Pr(Y2 = 1, Y3 = 0|Y0 = 0) = Pr(Y2 = 1|Y0 = 0) Pr(Y3 = 0|Y2 = 1)

= (1 − 0.64) × 0.8
= 0.288

Maka APV dari aliran arus kas adalah

0 0.48 0.288
+ 2
+ = 0.684159
1.05 1.05 1.053
Faihatuz Zuhairoh Model Multi-state 27 / 53
 Rantai Markov

RANTAI MARKOV WAKTU KONTINU

Asumsi rantai markov waktu kontinu:

1. Diasumsikan bahwa untuk setiap status i dan j dan setiap waktu t
dan t + s , dimana s ≥ 0, probabilitas bersyarat
Pr[Y (t + s) = j|Y (t) = i] terdenisi dengan baik dalam arti
bahwa nilainya tidak tergantung pada informasi dari proses
sebelum waktu t.
2. Diasumsikan bahwa untuk setiap interval positif dari waktu h, Pr[2
atau lebih transisi dalam periode waktu sepanjang h] = o(h).
3. Untuk setiap status i dan j dan semua usia x ≥ 0, diasumsikan
bahwa t pxij adalah fungsi yang terdiferensiasi di t .

Faihatuz Zuhairoh Model Multi-state 28 / 53

 Rantai Markov

INTENSITAS DAN PROBABILITAS TRANSISI

Sama seperti dalam multi decrement, dalam input Rantai Markov Waktu
Kontinu adalah intensitas transisi. Misalkan ada n+ 1 status yang mung-
kin (n > 0) sedemikian sehingga ruang state E adalah 0, 1, 2, . . . , n.
Untuk i, j ∈ E dan t ≥ 0.

Faihatuz Zuhairoh Model Multi-state 29 / 53

 Rantai Markov

ij
h px
µijx+t = limh→0+ laju transisi sesaat-t dari state i ke j untuk i ̸= j .
h

x+t menjadi tingkat keluar pada waktu t pada status

i
Pn
vx+t = k=0,k̸=i µik
i.
Matriks intensitas transisi (Q):
0 µ01 µ02 µ0x+t
n
 
−vx+t x+t x+t ···
 10
µx+t 1
−vx+t µ12 ··· 1
µx+tn 
x+t
µ20 µ21 2 µx + t 2n
 
Qx+t =

x+t x+t −vx+t ··· 
.. .. .. .. ..

. . . . .
 
 
0
µnx+t 1
µnx+t
··· 2
µnx+t
n
−vx+t
Jumlah elemen di setiap baris matriks Qx+t adalah nol.
Matriks probabilitas transisi pada rantai markov waktu kontinu sama
dengan pada rantai markov waktu diskrit.

Faihatuz Zuhairoh Model Multi-state 30 / 53

 Rantai Markov

Contoh

00 ,
Hitunglah 10 p60 01 02
10 p60 dan 10 p60 untuk model cacat permanen jika di-
ketahui µx = 0.028, µx = 0.023 dan µ12
01 02
x = 0.032

Faihatuz Zuhairoh Model Multi-state 31 / 53

 Rantai Markov

Jawab

Pada kasus ini, semua intensitas transisi konstan. Matriks Q nya adalah:

−0.051 0.028 0.023

 

Qx+t =  0 −0.032 0.032 

0 0 0

 Z 10 
00
10 p60 = exp − 0.051dt
0
= e −0.51
= 0.60050

Faihatuz Zuhairoh Model Multi-state 32 / 53

 Rantai Markov

Jawab

Z t
01 00 01 11
t p60 = s p60 µ60+s t−s p60+s ds
Z0 t
= e 0.051s 0.028e 0.032(t−s) ds
0
1 − e −0.019t
= 0.028e −0.032t
0.019
01 −0.32 1 − e −0.19
t p60 = 0.028e
0.019
= 0.18517

Karena 00 01 02 02
10 p60 +10 p60 +10 p60 =1, maka 10 p60 =0.21433

Faihatuz Zuhairoh Model Multi-state 33 / 53

 Model Multi-state dalam Penyebaran Penyakit Menular

Model multi-state SIR

p11 p22 p33

p12 p23
1: Susceptible 2: Infected 3: Recovered

Faihatuz Zuhairoh Model Multi-state 34 / 53

 Model Multi-state dalam Penyebaran Penyakit Menular

Studi Kasus CTMC SIR

Dengan menggunakan data COVID-19 mulai dari 15 Maret sampai de-

ngan 31 Juli 2020 pada kasus COVID-19 di Daerah Istimewa Yogyakarta
(DIY). Model yang digunakan adalah CTMC SIR dengan asumsi inten-
sitas transisi konstan. Untuk menaksir parameter intensitas transisi dan
probabilitas transisi diperlukan data yang merepresentasikan banyaknya
orang yang bertransisi dari suatu state ke state yang lain pada suatu
satuan waktu.

Faihatuz Zuhairoh Model Multi-state 35 / 53

 Model Multi-state dalam Penyebaran Penyakit Menular

Transisi setiap pasien diamati serta total waktu pasien berada di setiap
state juga diamati. Berdasarkan Gambar model multi-state SIR yang
perlu diketahui adalah

t1 = total waktu seseorang berada dalam state rentan (hari)

t2 = total waktu seseorang berada dalam state terinfeksi (hari)
N11 = jumlah transisi dari state rentan ke rentan
N12 = jumlah transisi dari state rentan ke terinfeksi
N22 = jumlah transisi dari state terinfeksi ke terinfeksi
N23 = jumlah transisi dari state terinfeksi ke sembuh

dimana N = N11 + N12 + N22 + N23

Faihatuz Zuhairoh Model Multi-state 36 / 53

 Model Multi-state dalam Penyebaran Penyakit Menular

Diasumsikan intensitas transisi merupakan suatu fungsi konstan, yang

mengakibatkan bahwa waktu yang dihabiskan di setiap status berdistri-
busi eksponensial. Sehingga diperoleh estimator untuk µij adalah
nij
µ̂ij =
ti

Faihatuz Zuhairoh Model Multi-state 37 / 53

 Model Multi-state dalam Penyebaran Penyakit Menular

Sehingga dapat dihitung nilai µ12 dan µ23 dengan persamaan berikut.
N11 + N12 N22 + N23
µ12 = dan µ23 =
t1 t2
sehingga diperoleh matriks intensitas transisi (Q) berikut.

−0.01321 0.01321 0
 

Q= 0 −0.20971 0.20971

0 0 0

untuk membentuk matriks probabilitas transisi dapat digunakan per-

samaan Chapman-Kolmogorov, sehingga diperoleh matriks probabilitas
transisi berikut.
P11 P12 0 0.99 0.01 0
   

P= 0 P22 P23  =  0 0.35 0.65

0 0 1 0 0 1

Faihatuz Zuhairoh Model Multi-state 38 / 53

 Model Multi-state dalam Penyebaran Penyakit Menular

MODEL SIRD

µ31
3: Sembuh

µ23

µ12
1: Rentan 2: Terinfeksi

µ24

µ14
4: Meninggal

Faihatuz Zuhairoh Model Multi-state 39 / 53

 Model Multi-state dalam Penyebaran Penyakit Menular

 
p11 p12 p13 p14
p21 p22 p23 p24 
Pij =  
p31 p32 p33 p34 
0 0 0 1
0
 
−(µ12 + µ14 ) µ12 µ14
 0 −(µ23 + µ24 ) µ23 µ24 
Qij = 
0 −µ31 0 

 µ31
0 0 0 0

Faihatuz Zuhairoh Model Multi-state 40 / 53

 Perhitungan Premi

MENGHITUNG APV DARI ARUS KAS

Dalam model multi-state, arus kas dapat muncul dari berbagai situasi.
Misalnya, dalam program asuransi cacat permanen, beberapa atau semua
hal berikut mungkin disediakan:
anuitas sementara tertanggung dinonaktifkan (state 1)
jumlah sekaligus pada saat menjadi cacat (transisi dari state 0 ke
state 1)
jumlah sekaligus pada saat kematian (transisi ke state 2)

Faihatuz Zuhairoh Model Multi-state 41 / 53

 Perhitungan Premi

Secara umum, terdapat arus kas berikut dalam model multi status:
Benets cash ows:
1. Arus kas yang berasal dari transisi tertentu (mis. Transisi dari
status 1 ke status 2)
2. Arus kas yang timbul karena meninggalkan status tertentu (mis.
Setiap kali ketika Y meninggalkan status 0)
3. Arus kas yang muncul saat memasuki status tertentu (mis. Setiap
kali ketika Y memasuki status 1)
Premium cash ows:
4. Aliran uang yang muncul ketika Y berada dalam status tertentu
(mis. Ketika Y berada pada status 0 pada tahun pertama atau
pada awal setiap tahun)

Faihatuz Zuhairoh Model Multi-state 42 / 53

 Perhitungan Premi

Berikut diasumsikan orang yang berusia (x) dalam status i pada waktu
0.
1. Misalkan bt dibayarkan pada waktu t jika transisi dari status k ke
status l terjadi pada waktu t dengan t ≤ n. Probabilitas untuk
mendapatkan bt dalam (t, t + dt) adalah probabilitas bahwa ada
transisi dari status k ke status l dalam (t, t + dt), yaitu, t pxik µkl
x+t .
Jadi APV-nya adalah
Z n
bt v t t pxik µkl
x+t dt
0

2. Misalkan bt dibayarkan pada waktu t jika Y meninggalkan status k

pada waktu t untuk t ≤ n. Dengan memanfaatkan (1), APV-nya
adalah
XZ n Z n
t ik kl
bt v t px µx+t dt = bt v t t pxik vx+t
k
dt
l̸=k 0 0

Faihatuz Zuhairoh Model Multi-state 43 / 53

 Perhitungan Premi

3. Misalkan bt dibayarkan pada waktu t jika Y masuk ke status l pada

waktu t untuk t ≤ n. Dengan memanfaatkan (1), APV-nya adalah
XZ n
bt v t t pxik µkl
x+t dt
k̸=l 0

4. Misalkan terdapat anuitas sebesar 1 dibayar secara kontinu per ta-

hun selama n tahun sampai orang tersebut pindah ke status j . APV
dari anuitas ini dengan asumsi suku bunga konstan, adalah
Z ∞
ij
āx:n = v t t pxij dt
0

Demikian pula, jika anuitas dibayarkan pada awal setiap tahun, di-
peroleh:
n−1
ij
X
äx:n = v t t pxij
t=0

Faihatuz Zuhairoh Model Multi-state 44 / 53

 Perhitungan Premi

Contoh Soal

Terdapat model disability income dimana laju transisi konstan pada se-
mua usia dengan µ01 = 5%, µ02 = 3%, µ10 = 1% dan µ12 = 7, 5%.
Asumsikan bahwa suku bunga adalah 4%.
Hitung APV dari manfaat cacat sebesar 200 yang dibayarkan per tahun
secara kontinu untuk orang yang tepat berusia 40 tahun dan cacat, se-
lama periode cacat ini, dibayarkan hingga usia maksimum 60 tahun.

Faihatuz Zuhairoh Model Multi-state 45 / 53

 Perhitungan Premi

Jawab

Intensitas transisi yang keluar dari state cacat adalah 0.085. Probabilitas
untuk pembayaran adalah t px11 ¯
= e −0.085t Jadi, diperoleh

Z 20
APV = 200 e −0.04t e −0.085t dt
0
200
= (1 − e −2.5 )
0.125
= 1468.664

Faihatuz Zuhairoh Model Multi-state 46 / 53

 Latihan Soal

SOAL

1. Terdapat model dengan 4 state yang diberi no 0, 1, 2, dan 3

dengan ketentuan berikut.
Kemungkinan transisi yang terjadi adalah 0 ke 1, 0 ke 2, dan 0 ke
3.
µ01
x+t = 0.3, t ≥ 0; µ02 03
x+t = 0.5, t ≥ 0; µx+t = 0.7, t ≥ 0
Hitunglah px02 .
2. Diketahui tabel double decrement berikut.
x px01 px02
55 0.05 0.11
56 0.07 0.08
Kedua decrement berdistribusi seragam dalam tabel decrement
tunggal yang terkait setiap tahun usia.
2 dan µ02
Hitunglah q55 55.7

Faihatuz Zuhairoh Model Multi-state 47 / 53

 Latihan Soal

SOAL

3. Terdapat model multi-state berikut.

µ01
x+t
0: Sehat 1: Cacat

µ02
µ03 µ12
x+t
x+t x+t

3: Withdrawn 2: Meninggal

Tentukan Probabilitas transisi berikut.

a. t px01
03
b. t px
02
c. t px

Faihatuz Zuhairoh Model Multi-state 48 / 53

 Latihan Soal

SOAL

4. Terdapat model cacat permanen dengan intensitas transisi µ01x =

0.028, µ02
x = 0 .023 , µ12 = 0.032. Diasumsikan bahwa suku bunga
x
efektif adalah 5% per tahun. Untuk usia (x ) tahun yang sehat,
hitunglah APV-nya.
a. asuransi membayar 1000 pada saat tertanggung menjadi cacat;
b. anuitas awal membayar 10 pada awal setiap bulan jika tertanggung
sehat, paling lama 10 tahun;

Faihatuz Zuhairoh Model Multi-state 49 / 53

 Latihan Soal

5. Diberikan model rantai Markov homogen berikut dengan 3 state,

yaitu healthy (0), disable (1), dan dead (2). Transisi antar state
terjadi pada akhir tahun. Probabilitas perpindahan di antara ber-
bagai state ini diberikan oleh matriks transisi berikut.

0.6 0.3 0.1

 

P=  0 0.6 0.4 
0 0 1

Sebuah perusahaan asuransi mengeluarkan asuransi 3 tahun. Man-

faat kematian sebesar $1,000 dibayarkan pada akhir tahun kema-
tian. Premi tahunan dibayarkan selama 3 tahun atau sampai ke-
matian terjadi, mana yang terjadi terlebih dahulu, kecuali premi
tersebut dibebaskan dalam keadaan cacat. Suku bunga adalah 6%
per tahun. Tentukan manfaat premi untuk kesehatan tertanggung
(t = 0).

Faihatuz Zuhairoh Model Multi-state 50 / 53

 Latihan Soal

JAWABAN

1. 0.2590
2. 0.112994 dan 0.122699
px01 = 0 s px00 µ01 11
Rt
3. a. t x+s t−s px+s ds
03 t 00 03
R
b. t px = 0 s px µx+s ds
01 00 01 03
c. t px = 1 − t px − t px − t px
4. a. 280.5888
b. 762.3716

5. 215.0459

Faihatuz Zuhairoh Model Multi-state 51 / 53

 Practice makes right, repetitions make perfect

Faihatuz Zuhairoh Model Multi-state 52 / 53