BAB II

DASAR TEORI

2.1 Peubah Acak

Peubah acak adalah suatu fungsi bernilai riil yang
didefinisikan pada suatu ruang sampel. Contohnya pada suatu
percobaan, maka akan terdapat fungsi dari hasil percobaan dan hasil
percobaan sebenarnya. Karena nilai dari suatu peubah acak
ditentukan dari hasil percobaan, maka dibentuk peluang-peluang
kemungkinan dari nilai-nilai peubah acak.
Suatu peubah acak memiliki fungsi kepadatan peluang,
dinotasikan p(x), yaitu menyatakan besarnya peluang pada suatu
ruang sampel. Selain itu juga terdapat fungsi distribusi kumulatif

𝐹(𝑥) = 𝑃*X ≤ 𝑥+; −∞ < 𝑥 < ∞ ,

Menyatakan untuk semua nilai riil x, peluang nilai dari peubah acak
adalah kurang dari sama dengan x.

2.1.1 Ekspektasi
Salah satu konsep penting dalam teori peluang adalah nilai
ekspektasi. Misalkan X adalah suatu peubah acak dengan fungsi
kepadatan peluang p(x), maka nilai ekspektasinya dinotasikan
dengan E[X] didefinisikan sebagai

𝐸,X- = ∑𝑥:𝑝(𝑥)>0 𝑥𝑝(𝑥) ,

untuk peubah acak diskrit, dan untuk peubah acak kontinu

didefinisikan sebagai berikut

𝐸,X- = ∫𝑥 𝑥𝑝(𝑥)𝑑𝑥 .

Nilai ekspektasi dari X adalah rata rata nilai kemungkinan yang

dapat dimuat oleh X.

1
2.1.2 Variansi
Diberikan suatu peubah acak X dengan fungsi distribusi F.
Untuk mengetahui sifat-sifat dari peubah acak dibutuhkan suatu
ukuran yang cocok. Ekspektasi merupakan salah satu ukuran yang
dapat digunakan untuk mengetahui sifat peubah acak, namun
ekspektasi tidak menjelaskan tentang variasi atau sebaran data dari
suatu peubah acak.
Variansi digunakan untuk mengetahui seberapa jauh sebaran
nilai-nilai X dari nilai rata ratanya. Variansi didefinisikan sebagai

𝑉𝑎𝑟(X) = 𝐸,(X − 𝜇)2-, atau

𝑉𝑎𝑟(X) = 𝐸,X2- − 𝐸,X-2 ,

dengan X merupakan suatu peubah acak dengan rata-rata 𝜇.

Fungsi pembangkit momen 𝑀𝑥(𝑡) dari peubah acak X, jika

2.1.3 Fungsi pembangkit momen

ada didefinisikan untuk setiap nilai riil dari t sebagai berikut

𝑀𝑥(𝑡) = 𝐸,𝑒𝑡𝑥-; −∞ < 𝑡 < ∞ . (2.1)

𝑀𝑥(𝑡) disebut fungsi pembangkit momen karena semua momen

dari X dapat diperoleh dengan menurunkan 𝑀𝑥(𝑡) dan
mengevaluasi hasilnya pada 𝑡 = 0.
(Ross, 2010)

Proses stokastik 𝐺 = *𝐺(𝑡), 𝑡 ∈ 𝑇+ merupakan kumpulan dari

2.2 Proses Stokastik

peubah acak, yaitu untuk setiap t pada indeks T, G(t) merupakan

peubah acak. Biasanya diinterpretasikan t sebagai waktu, dan G(t)
adalah keadaan proses pada waktu t. Indeks T dibedakan menjadi dua,
jika T merupakan deretan yang dapat dihitung maka G disebut
proses stokastik waktu diskrit, dan jika T merupakan suatu deretan
yang kontinu maka G disebut proses stokastik waktu kontinu.
Dalam proses stokastik terdapat kenaikan bebas dan kenaikan
stasioner. Kenaikan bebas yaitu bila kejadian-kejadian yang terjadi
2
stokastik dengan parameter kontinu *𝐺(𝑡), 𝑡 ≥ 0+ adalah bebas.
pada interval yang berbeda dan tidak beririsan pada suatu proses

Suatu proses stokastik berparameter kontinu *𝐺(𝑡), 𝑡 ≥ 0+ memiliki

kenaikan stasioner bila 𝐺(𝑡 + ℎ) − 𝐺(𝑠 + ℎ) memiliki
distribusi yang sama dengan 𝐺(𝑡) − 𝐺(𝑠) untuk setiap nilai s dan
t, namun tidak pada suatu nilai tertentu s.
(Ross, 1996)

Suatu fungsi f dikatakan sebagai 𝑜(ℎ) jika

2.2.1 Proses Poisson

ƒ(ℎ)
lim = 0,
ℎ→0 ℎ
Yaitu untuk nilai h yang kecil, nilai dari ƒ(ℎ) lebih kecil. Diketahui
suatu kejadian terjadi pada suatu waktu yang acak, dan 𝑁(𝑡)
merupakan banyaknya kejadian yang terjadi pada suatu interval ,0,
𝑡-. Kumpulan peubah acak *𝑁(𝑡), 𝑡 ≥ 0+ merupakan Proses Poisson
dengan parameter 𝜆, 𝜆 > 0, jika
i. 𝑁(0) = 0.
ii. Kejadian yang terjadi pada interval waktu yang tidak
beririsan saling bebas.
iii. Distribusi banyaknya kejadian pada suatu interval waktu
hanya bergantung pada lamanya interval waktu tersebut,
tidak bergantung pada letaknya.

adalah 𝜆ℎ + 𝑜(ℎ)2, yaitu bahwa 𝑃,𝑁(ℎ) = 1- = 𝜆ℎ +

iv. Peluang kemunculan tepat satu kejadian dalam interval h

𝑜(ℎ)2.

interval h adalah 𝑜(ℎ), yaitu bahwa 𝑃,𝑁(ℎ) > 1- =

v. Peluang kemunculan lebih dari satu kejadian dalam suatu

𝑜(ℎ).
Poin (i) menyatakan bahwa proses dimulai pada waktu 𝑡 = 0. Poin
(ii) menyatakan kenaikan bebas, dan poin (iii) menyatakan kenaikan
stasioner.
Lemma 2.2.1
Untuk Proses Poisson dengan parameter λ

𝑃*𝑁(𝑡) = 0+ = 𝑒− 𝑡

3
Diberikan 𝑃0(𝑡) = 𝑃*𝑁(𝑡) = 0+, sehingga
Bukti

4
 𝑃0(𝑡 + ℎ) = 𝑃*𝑁(𝑡 + ℎ) = 0+
= 𝑃*𝑁(𝑡) = 0, 𝑁(𝑡 + ℎ) − 𝑁(𝑡) = 0+
= 𝑃*𝑁(𝑡) = 0+𝑃*𝑁(𝑡 + ℎ) − 𝑁(𝑡) = 0+
= 𝑃0(𝑡),1 − 𝜆ℎ + 𝑜(ℎ)- ,

dengan demikian

𝑃0(𝑡 + ℎ) − 𝑃0(𝑡) 𝑜(ℎ)

= −𝜆𝑃 (𝑡) + ,
Dan ℎ 0
ℎ

𝑃 0(𝑡 + ℎ) − 𝑃0(𝑡)
′ (𝑡),
lim𝑃
=
ℎ→0 ℎ 0

Sehingga

𝑃′0(𝑡) = −𝜆𝑃0(𝑡)
𝑃𝘍0(𝑡)
𝑃0(𝑡)= −𝜆
ln 𝑃0(𝑡) = − 𝜆𝑡 + 𝑐
𝑃0(𝑡) = 𝑐𝑒− 𝑡 .

Karena 𝑃0(0) = 𝑃(𝑁(0) = 0) = 1 , maka P(𝑁(𝑡) = 0) = 𝑒− 𝑡

, artinya: peluang tidak ada kejadian hingga waktu t adalah 𝑒− 𝑡 atau

𝑃*𝑁(𝑡) = 0+ = 𝑒− 𝑡.

Untuk 𝑛 ≥ 1

𝑃𝑛(𝑡 + ℎ) = 𝑃*𝑁(𝑡 + ℎ) = 𝑛+
= 𝑃*𝑁(𝑡) = 𝑛, 𝑁(𝑡 + ℎ) − 𝑁(𝑡) = 0+ +
𝑃*𝑁(𝑡) = 𝑛 − 1, 𝑁(𝑡 + ℎ) − 𝑁(𝑡) = 1+ +
𝑃*𝑁(𝑡 + ℎ) = 𝑛, 𝑁(𝑡 + ℎ) − 𝑁(𝑡) ≥ 2+
= 𝑃𝑛(𝑡)𝑃0(ℎ) + 𝑃𝑛−1(𝑡)𝑃1(ℎ) + 𝑜(ℎ)
= (1 − 𝜆ℎ)𝑃𝑛(𝑡) + 𝜆ℎ𝑃𝑛−1(𝑡) +
𝑜(ℎ) , dengan demikian
5
 𝑃𝑛(𝑡 + ℎ) − 𝑃𝑛(𝑡) 𝑜(ℎ)
= −𝜆𝑃 (𝑡) + ,
(𝑡) + 𝜆𝑃
ℎ 𝑛 𝑛−1
ℎ
dan

𝑃 𝑛(𝑡 + ℎ) − 𝑃𝑛(𝑡)
(𝑡),
′
lim𝑃
=
ℎ→0 ℎ 𝑛

sehingga

𝑃′𝑛(𝑡) = −𝜆𝑃𝑛(𝑡) + 𝜆𝑃𝑛−1(𝑡)

𝑒 𝑡(𝑃′𝑛(𝑡) + 𝜆𝑃𝑛(𝑡)) = 𝜆𝑒 𝑡𝑃𝑛−1(𝑡)
𝑑
.𝑒 𝑡
𝑃𝑛 (𝑡)/ = 𝜆𝑒 𝑡
𝑃𝑛−1 (𝑡).
�

Ketika n=1

.𝑒 𝑃 (𝑡)/ = 𝜆, dan
diperoleh
𝑑 𝑡
𝑑𝑡 1

𝑃1(𝑡) = (𝜆𝑡 + 𝑐)𝑒− 𝑡,

karena 𝑃1(0) = 0 maka 𝑐 = 0 , sehingga terdapat satu kejadian

hingga waktu t adalah 𝑃1(𝑡) = 𝜆𝑡𝑒− 𝑡 . Maka secara umum dapat
dirumuskan

𝑒−
𝑃𝑛 (𝑡 𝑡
(𝜆𝑡)𝑛
) =
𝑛!
. (Ross, 2010)

Suatu proses stokastik *𝐺(𝑡), 𝑡 ≥ 0+ disebut Proses Poisson

2.2.2 Proses Poisson majemuk

majemuk jika untuk 𝑡 ≥ 0

𝑁(𝑡)
𝐺(𝑡) = ∑ 𝐺i,
i=1

6
dimana *𝑁(𝑡), 𝑡 ≥ 0+ merupakan proses Poisson, dan *𝐺i, i = 1,2,
…} merupakan distribusi peubah acak yang bersifat independen dan
identik serta bebas dari proses *𝑁(𝑡), 𝑡 ≥ 0+ . Sehingga jika

7
*𝐺(𝑡), 𝑡 ≥ 0+ merupakan proses Poisson majemuk, maka 𝐺(𝑡)
merupakan peubah acak Poisson.
Contoh dari proses Poisson majemuk, dimisalkan waktu
kedatangan pengunjung pada suatu toko mengikuti distribusi Poisson
dengan parameter λ. Selain itu, jumlah uang yang akan dibelanjakan
oleh masing-masing pengunjung juga membentuk sautu peubah acak
yang bersifat independen dan identik yang bebas terhadap waktu
kedatangan pengunjung.

Diberikan suatu barisan peubah acak X0, X1, X2, … , X𝑛,

2.2.3 Rantai Markov

dan nilai yang mungkin dari peubah acak adalah {0,1,2,...,M}. X𝑛

keadaan suatu sistem tersebut adalah i pada waktu n jika X𝑛 = i.

diinterpretasikan sebagai keadaan suatu sistem pada waktu n, dan

setiap sistem berada di keadaan i, terdapat suatu peluang 𝑃ij,

Suatu barisan peubah acak membentuk suatu Rantai Markov jika

semua i0, … , i𝑛−1, i, j berlaku

yaitu selanjutnya sistem akan berada di keadaan j. Sehingga untuk

𝑃*X𝑛+1 = j|X𝑛 = i, X𝑛−1 = i𝑛−1 , … , X1 = i1 , X0 = i0 + =

𝑃ij .

Dengan 𝑃ij, 0 ≤ i ≤ 𝑀, 0 ≤ j ≤ 𝑁, disebut sebagai peluang

transisi dari Rantai markov, dimana
𝑀
𝑃ij ≥ 0; ∑ 𝑃ij = 1; i = 0,1, … , 𝑀
j=0

terpenuhi. Akan sangat memudahkan untuk menyusun suatu peluang

transisi dari Rantai Markov menjadi suatu matriks persegi
𝑃00 … 𝑃0𝑀
[ ⁝ ⁝ ],
𝑃𝑀0 … 𝑃𝑀𝑀

disebut matriks transisi. Notasi untuk peluang transisi dari keadaan i

menuju keadaan j dalam n langkah adalah didefinisikan sebagai

𝑃𝑛 = 𝑃*X𝑛+𝑘 = j|X𝑘 = i+.

i

8
 Sehingga untuk n langkah matriks transisi dilakukan sebanyak n
faktor dari P, atau

𝑃𝑛 = 𝑃 × 𝑃𝑛−1 = 𝑃 × 𝑃 × 𝑃𝑛−2 = ⋯ = 𝑃 × 𝑃 × 𝑃 × … × 𝑃.

Selain itu juga terdapat suatu kondisi awal Rantai Markov

𝜋0(𝑥) = 𝑃(X0=𝑥), ∑ 𝜋0(𝑥) = 1,

𝑥∈𝑆

dengan 𝜋0 merupakan suatu vektor baris yang menyatakan peluang

peluang dari suatu keadaan yang nantinya dapat berpindah atau tetap
pada keadaan tersebut bergantung pada matriks transisinya

[Link] Distribusi stasioner

Jika diketahui Rantai Markov dengan ruang keadaan S dan
matriks transisi P, terdapat distribusi dari keadaan dimana

𝜋 = 𝜋𝑃, dan

𝜋j = ∑ 𝜋i 𝑃ij ; ✯j ∈ 𝑆,
i

disebut sebagai distribusi stasioner.

[Link] Rata-rata kunjungan pada keadaan stasioner

distribusi stasioner 𝜋,dengan peluang transisi

Diberikan suatu keadaan awal suatu rantai Markov merupakan

𝑃(𝑥, 𝑥) = 𝑟𝑥 = 0, 𝑥 ∈ 𝜑.

Setiap transisi akan berpindah antara satu langkah ke kanan atau

satu langkah ke kiri. Maka, rantai Markov akan berada pada kondisi
awal yaitu pada keadaan stasioner setelah melakukan langkah

Dengan kata lain 𝑃𝑛(𝑥, 𝑥) = 0 untuk n bilangan ganjil, dan

genap.

lim 𝑃𝑛(𝑥, 𝑦) = 𝜋(𝑦), 𝑦 ∈ 𝜑, 𝜑: ruang keadaan,

𝑛→∞

9
tidak berlaku.

1
 Berdasarkan ilustrasi tersebut, diberikan 𝑎𝑛, 𝑛 ≥ 0, merupakan
suatu deret bilangan. Jika

lim𝑛→∞ 𝑎𝑛 = 𝐿 (2.2)

untuk L merupakan suatu bilangan berhingga, maka

lim
∑𝑛 𝑛→∞
1
𝑎𝑚 = 𝐿. (2.3)
𝑛 𝑚=1

Berdasarkan (2.2) dan (2.3) akan ditunjukkan bahwa

lim 1 ∑𝑚𝑛
(𝑥, 𝑦)
𝑃
𝑛→∞ 𝑛 𝑚=1

ada untuk setiap pasangan keadaan x, y pada sebarang rantai Markov.

1, 𝑧 = 𝑦,
Mengingat kembali
1𝑦(𝑧) {
0, 𝑧 G 𝑦,

dan

𝐸𝑥 .1𝑦 (X𝑛 )/ = 𝑃𝑥 (X𝑛 = 𝑦) =

𝑃𝑛 (𝑥, 𝑦),

Dengan 𝐸𝑥 .1𝑦 (X𝑛 )/ menyatakan ekspektasi transisi dari keadaan x

menuju keadaan y dalam n langkah. Selanjutnya diberikan
𝑛
𝑁𝑛(𝑦) = ∑ 1𝑦(X𝑚)
𝑚=1

dan
𝑛
𝐺𝑛(𝑥, 𝑦) = ∑𝑃𝑚(𝑥, 𝑦).
𝑚=1

𝑁𝑛(𝑦) menyatakan jumlah kunjungan pada keadaan y selama waktu

m=1,2,3,...,n, dan nilai ekspektasinya adalah

11
𝐸𝑥(𝑁𝑛(𝑦)) = 𝐺𝑛(𝑥, 𝑦).

1
 Dimisalkan y merupakan keadaan sementara, maka
lim 𝑁 (𝑦) = 𝑁 (𝑦) < ∞
𝑛→∞ 𝑛 𝑛

dengan peluang satu, dan

lim 𝐺 (𝑥, 𝑦) = 𝐺 (𝑥, 𝑦) < ∞ ; 𝑥, 𝑦 ∈ 𝜑.
𝑛→∞ 𝑛 𝑛

Maka dari itu

𝑁𝑛(𝑦)
lim =0
𝑛→∞ 𝑛

𝐺𝑛(𝑥, 𝑦)
dengan peluang satu, dan

lim = 0 ; 𝑥, 𝑦 ∈ 𝜑.
𝑛→∞ 𝑛
Perhatikan bahwa 𝑁𝑛(𝑦) merupakan suatu bagian dari n unit waktu
𝑛
𝐺𝑛(𝑥,𝑦)
𝑛
pertama rantai Markov berada di state y dan menyatakan

Dimisalkan y adalah kondisi berulang, dan 𝑚𝑦 = 𝐸𝑦(𝑇𝑦)

ekspektasi dari waktu suatu rantai markov berada di keadaan y.

dimulai dari keadaan y jika 𝑚𝑦 memiliki nilai ekspektasi yang

menyatakan mean return time menuju keadaan y dari suatu rantai

positif, jika tidak maka 𝑚𝑦 = ∞. Diberikan 1(𝑇𝑦<∞) menyatakan

peubah acak yang bernilai 1 jika 𝑇𝑦 < ∞ dan 0 jika 𝑇𝑦 = ∞.

Diberikan £1, £2, … merupakan suatu barisan peubah acak

2.3 Hukum Bilangan Besar (Kuat)

yang independen dan identik. Jika peubah acak tersebut memiliki

rata-rata

yang berhingga 𝜇, maka

£1+£2+⋯+£𝑛
lim𝑛→∞ = 𝜇
�

dengan peluang satu. Jika peubah acak tersebut tidak negatif dan
13
terpenuhi, dan diasumsikan 𝜇 = +∞.
tidak memiliki nilai ekspektasi yang berhingga, limit di atas tetap

1
Teorema 2.3
Diberikan y merupakan kondisi stasioner. Maka
lim 1*𝑇𝑦<∞+
=
𝑁𝑛 (𝑦)
𝑛→∞ 𝑛 𝑚𝑦

dengan peluang satu, dan

lim 𝜌𝑥𝑦
= , 𝑥 ∈ 𝜑.
𝐺𝑛(𝑥,𝑦)
𝑛→∞ 𝑛 𝑚𝑦

𝜌𝑥𝑦menyatakan bahwa keadaan y akan tercapai jika proses berawal

dari keadaan x.

ke y dengan rata-rata setiap my satuan waktu. Sehingga jika 𝑇𝑦 < ∞

Saat sebuah rangkaian mencapai y, rangkaian tersebut kembali

rangkaian kejadian berada pada keadaan y adalah 1⁄𝑚𝑦 .

dan n adalah bilangan yang besar, dari sebanyak n satuan waktu,

Akibat wajar dari Teorema 2.3 adalah, diberikan C

merupakan himpunan tertutup tak tereduksi dari suatu kondisi

1𝐺𝑛(𝑥, 𝑦) , 𝑥, 𝑦 ∈ 𝐶,
berulang, maka
lim
=
𝑛→∞ 𝑛 𝑚𝑦

dan jika 𝑃(X0 ∈ 𝐶) = 1, maka dengan peluang satu

𝑁𝑛(𝑦)
1
lim = , 𝑦 ∈ 𝐶.
𝑛→∞ 𝑛 𝑚𝑦

Jika 𝑚𝑦 = ∞ maka 1
= 0, dan lim𝑛→∞ 𝑁𝑛(𝑦)
=0.
𝑚𝑦 𝑛
(Hoel,Port and Stone, 1972)

2.4 Model Risiko Kolektif

15
 Model risiko kolektif merupakan model risiko dimana pada
suatu portofolio terdapat beberapa polis asuransi, dan setiap polis

1
pada portofolio tersebut terdapat kemungkinan mengajukan lebih
dari satu kali klaim (jumlahnya tidak diketahui) pada suatu periode
asuransi. Secara umum dapat diformulasikan sebagai berikut

𝑆 = W1 + W2 + ⋯ + W𝑁. (2.4)

Dengan S menyatakan klaim agregasi pada suatu periode, N

menyatakan Jumlah klaim yang dihasilkan dari portofolio polis pada
suatu periode, dan WN menyatakan Besar klaim ke-N, dengan
N=1,2,3,...,n.
N merupakan peubah acak dan merupakan kumpulan dari
frekuensi klaim. W1, W2, W3, ... XN adalah peubah acak dan disebut
measure the severity of claims. Diasumsikan W1, W2, W3, ... WN
bersifat identik dan saling bebas.
(Riaman dkk., 2013)

2.5 Model Ruin Klasik

Diberikan U(t) adalah surplus pada waktu t dengan U(0)
adalah modal awal sebesar u, c(t) adalah premi yang didapatkan
hingga waktu t, dan S(t) adalah klaim agregasi hingga waktu t. Maka
fungsi surplus (U(t)) adalah

𝑈(𝑡) = 𝑢 + 𝑐(𝑡) − 𝑆(𝑡), 𝑡 ≥ 0 .

Dengan asumsi premi yang didapatkan konstan, grafik dari fungsi

surplus ditunjukkan pada Gambar 2.1 berikut.

Gambar 2.1. Ilustrasi fungsi surplus U(t)

Seperti yang terlihat pada Gambar 2.1, nilai surplus akan

bernilai negatif pada suatu waktu tertentu. Saat hal ini terjadi untuk

17
pertama kali, kejadian ini disebut keadaan ruin dan didefinisikan

𝑇 = min*𝑡: 𝑡 ≥ 0 𝑑𝑎𝑛 𝑈(𝑡) < 0+,

sebagai

𝑇 = ∞ jika U(t) ≥ 0 untuk semua t. Sehingga peluang terjadinya ruin

yang merupakan waktu terjadinya ruin dengan pengertian bahwa

𝑇(𝑢, 𝑡) = 𝑃(𝑇 < 𝑡) .

adalah

2.5.1 Model ruin untuk waktu diskrit

Diberikan Un adalah surplus pada waktu ke-n, dengan
n=0,1,2,3,.......Maka seperti yang telah diketahui, fungsi surplus pada
waktu ke-n adalah

𝑈𝑛 = 𝑢 + 𝑛𝑐 − 𝑆𝑛 , (2.5)

Dengan u adalah modal awal. Premi yang diterima setiap periode

konstan dinotasikan dengan c. Sn merupakan klaim agregasi selama n
periode. Selanjutnya didefinisikan

𝑆𝑛 = W1 + W2 + W3 + ⋯ + W𝑛 , (2.6)

Dengan Wi adalah peubah acak yang menyatakan besar klaim pada

𝜇 = 𝐸,Wi- < 𝑐. Dengan mensubstitusikan (2.6) ke (2.5) maka Un

periode ke-i, dan W1, W2, ... bersifat independen identik dengan

dapat dinyatakan sebagai

𝑈𝑛 = 𝑢 + (𝑐 − W1) + (𝑐 − W2) + ⋯ + (𝑐 − W𝑛) .

Selanjutnya didefinisikan

𝑇̃ = min*𝑛: 𝑈𝑛 < 0+ ,

menyatakan waktu terjadinya ruin, dengan anggapan 𝑇̃ = ∞

jika Un ≥ 0 untuk semua n. Maka peluang ruin dalam konteks ini
didefinisikan sebagai

𝑇̃ (𝑢) = 𝑃( 𝑇̃ < ∞ ).

1
 Terdapat hubungan yang penting antara peluang ruin dengan

(𝑅̃ ) didefinisikan sebagai solusi positif dari persamaan

adjustment coefficient. Di mana adjustment coefficient

𝑀𝖶−𝑐(𝑟) = 𝐸[𝑒𝑟(𝖶−𝑐)] = 𝑒−𝑟𝑐𝑀w(𝑟) = 1,

atau log 𝑀𝖶(𝑟) = 𝑟𝑐. (2.7)

Untuk menunjukkan keberadaan dari 𝑅̃ , akan ditunjukkan

pada grafik dari 𝑒−𝑟𝑐 𝑀𝖶(𝑟) seperti yang ditunjukkan pada
Gambar 2.2 dapat ditelusuri dengan mengamati bahwa
𝑑
𝐸[𝑒𝑟(𝖶−𝑐)] = 𝐸,(W − 𝑐)𝑒𝑟(𝖶−𝑐), dan
𝑑𝑟

𝑑2
𝑑𝑟
𝑟(𝖶−
] = 𝐸,(W − 𝑟(𝖶−𝑐)
.
𝐸[𝑒
2
𝑐)
𝑐)2𝑒

Gambar 2.2. Grafik 𝑒 −𝑟𝑐 𝑀𝖶 (𝑟) untuk mendefinisikan 𝑅̃ .

𝑟 = 0 adalah 𝜇 − 𝑐 , merupakan suatu nilai yang negatif, serta

Pada Gambar 2.2 ditunjukkan bahwa kemiringan pada saat

grafiknya menghadap ke atas. Jika diberikan W memiliki peluang

untuk melebihi nilai c, pada turunan pertama, untuk nilai r yang
cukup besar W menjadi positif dan tetap positif. Maka dari itu

19
ditunjukkan pada Gambar 2.2, 𝐸,𝑒𝑟(𝖶−𝑐)- memiliki nilai
minimum

2
dan (2.7) memiliki sebuah akar positif. Akar positif ini disebut
adjustment coefficient.

normal 𝑁(𝜇, 𝜎2). Sebagaimana diketahui fungsi

Sebagai contoh, diketahui suatu klaim memiliki distribusi
𝜎2𝑡2 pembangkit momen
𝜇𝑡+
dari distribusi normal adalah 𝑀𝖶(𝑡) = 𝑒 2 . Berdasarkan (2.7)
nilai dari 𝑅̃ dapat dicari dengan cara sebagai berikut

log,𝑀𝖶(𝜎𝑟2)-
𝑟2 = 𝑟𝑐
𝜇𝑟+
log [𝑒 2 ] = 𝑟𝑐
𝑟
2 2
𝜇𝑟 + 𝜎
= 𝑟𝑐 .
2
(2.8)

Sehingga solusi positif dari (2.6) adalah

2(𝑐 − 𝜇)
𝑅̃ = 𝜎2 .

Secara umum peluang ruin dapat diperoleh dengan menggunakan

teorema 2.5.1 berikut

Diberikan Un = u + nc – ∑𝑛 Wi untuk n= 0,1,2,... dan W1, W2, ...

Teorema 2.5.1

independen identik dengan 𝐸i,Wi- = 𝜇 < 𝑐. Untuk U > 0 , maka

𝑇̃ (𝑢) =𝐸,exp(−𝑅̃ 𝑈 ̃ ) |
exp(−𝑅̃ 𝑢)
𝑇
𝑇̃ <∞-
.

(Bowers dkk., 1986)

2.6 Force of Interest

Suatu investasi dana dimana pada waktu t jumlahnya diberikan
pada fungsi A(t), yaitu suatu intensitas dimana bunga i beroperasi
pada suatu dana dalam waktu pembungaan. Satu-satunya faktor yang
yang beroperasi pada dana adalah pertumbuhan dana melalui bunga,
dengan catatan tidak ada dana pokok yang ditambahkan atau ditarik.
Intensitas dimana bunga beroperasi pada waktu t dihitung
21
dengan laju perubahan atau kemiringan dari fungsi A(t) pada waktu t.

2
Pada kalkulus dasar, kemiringan pada fungsi A(t) pada waktu t
didapatkan dengan menghitung turunan pada titik tersebut.
Namun dalam perhitungan bunga, A’(t) tidak memuaskan,
karena perhitungan bunga bergantung pada besarnya jumlah yang
diinvestasikan. Misalkan suatu dana sebesar 100 dan 200
diinvestasikan dalam kondisi yang sama, tingkat perubahan dana
sebesar 200 akan dua kali lebuh besar dibandingkan dana sebesar
100. Namun bunga tidak beroperasi dengan intensitas dua kali lebih
besar pada dana sebesar 200. Bunga pada kedua dana adalah sama
karena kedua dana baik 100 dan 200 diinvestasikan pada kondisi
yang sama.
Untuk mendapatkan intensitas bunga yang beroperasi pada
waktu t sebagai suatu tingkat pertumbuhan yang independen dari
besarnya dana awal, dapat dilakukan dengan membagi A’(t) dengan

pembungaan pada waktu t, dinotasikan dengan 𝛿𝑡 , didefinisikan

besarnya dana pada waktu t atau A(t). Dengan demikian, percepatan

sebagai berikut

𝐴′(𝑡) 𝑎′(𝑡)
𝛿𝑡 = 𝐴(𝑡) = 𝑎(𝑡) , atau
𝑑 𝑑
𝛿 = ln 𝐴(𝑡) = ln 𝑎(𝑡).
𝑡
𝑑𝑡 𝑑𝑡
Maka dengan mengintegralkan kedua sisi dengan batas 0 dan t
diperoleh
𝑡 𝑡
𝑑
∫ 𝛿𝑟 𝑑𝑟 = ∫ ln 𝐴(𝑟) 𝑑𝑟
0 0𝑑𝑟
= ln 𝐴(𝑟)|𝑡
0
𝐴(𝑡)
= ln𝐴(0) .

Sehingga
𝑡
ð 𝑑𝑟 𝐴(𝑡) 𝑎(𝑡)
𝑒∫0 r
= = = 𝑎(𝑡)
𝐴(0) 𝑎(0)
Dengan 𝑎(𝑡) = (1 + i)𝑡, 𝛿𝑡 dapat dinyatakan dalam i, diperoleh

23
 𝑎(𝑛) = (1 +
= 𝑒 ,
𝑛

i)
∫
𝑛 0 ðr

dengan sifat dari 𝛿t adalah sebagai berikut:

1. 𝛿𝑡 adalah suatu ukuran intensitas bunga tepat pada waktu t.
2. 𝛿𝑡 menyatakan ukuran tingkat perubahan per periode pengukuran.

(Kellison, 2009)

2.7 Dualitas
Suatu model persamaan dengan bentuk asli disebut sebagai
primal. Sedangkan bentuk kedua yang berhubungan dengan model
primal disebut sebagai dual yang merupakan model alternatif primal.
Suatu model dual merupakan pengembangan dari model primal yang
dirumuskan dan diinterpretasikan untuk mendapatkan informasi
informasi tambahan. Suatu model dual dibuat untuk menyelesaikan
masalah yang sulit diselesaikan dengan model primal.

Diketahui fungsi surplus 𝑈(𝑡) = 𝑢 + 𝑐(𝑡) − 𝑆(𝑡) .

2.7.1 Dualitas pada fungsi surplus

Berdasarkan fungsi surplus tersebut dibentuk suatu model dual, yaitu

merupakan fungsi kerugian atau loss function. Didefinisikan
agregate loss pada waktu t sebagai berikut

𝐿(𝑡) = 𝑆(𝑡) − 𝑐(𝑡), 𝑡 ≥ 0,

dan maximal agregate loss pada interval waktu 0 sampai t sebagai

berikut
𝑀(𝑡) = max 𝐿(𝑧), 𝑡 ≥ 0.
0≤𝑧≤𝑡

Maka peluang survival pada waktu t (sebuah fungsi dari surplus

awal) merupakan distribusi fungsi dari M(t), didefinisikan sebagai
berikut

1 − 𝑇(𝑢, 𝑡) = 𝑃(𝑀(𝑡) ≤ 𝑢).

Selanjutnya didefinisikan
𝐻(𝑡) = 𝐿(𝑡) − min 𝐿(𝑧),
2
0≤𝑧≤𝑡

25
proses {H(t)} didapatkan dari proses {L(t)} dengan membuat
nilainya selalu tidak negatif. Klaim yang terjadi pada proses {H(t)}
menjadi lompatan-lompatan sebagaimana ditunjukkan pada Gambar
2.3 berikut.

H(t)
t

L(t)

Gambar 2.3. Ilustrasi grafik H(t) dan L(t)

Diberikan

𝐹(𝑦, 𝑡) = 𝑃(𝐻(𝑡) ≤ 𝑦)

menyatakan distribusi fungsi dari H(t). Sehingga H(t) dapat

dinyatakan sebagai
𝐻(𝑡) = max *𝐿(𝑡) − 𝐿(𝑧)+.
0≤𝑧≤𝑡

Karena proses L(t) memiliki distribusi stasioner dan kenaikan yang

independen, mengakibatkan H(t) dan M(t) memiliki distribusi yang
sama. Oleh karena itu dapat disimpulkan

1 − 𝑇(𝑢, 𝑡) = 𝐹(𝑢, 𝑡). (2.9)

Dengan menyatakan distribusi stasioner dari {H(t)} sebagai

𝐹(𝑦) = lim𝑡→∞ 𝐹(𝑦, 𝑡), (2.10)

2
dan berdasarkan (2.9) menunjukkan bahwa F(u) dapat diperoleh
dengan efektif.

2.8 Penentuan Distribusi Stasioner

Distribusi dari F(Y) dapat diperoleh dengan melakukan
simulasi dengan cara berikut: Untuk suatu nilai tertentu y diberikan
D(y,t) menyatakan waktu total dari proses {H(z)} berada di bawah
tingkatan x sebelum waktu t. Sehingga dapat ditunjukkan bahwa
𝐷(𝑦,𝑡)
→ 𝐹(𝑦), untuk 𝑛 → ∞.
𝑇𝑛
(2.11)

Dengan 𝑇𝑛 menyatakan waktu lompatan ke-n. Hal ini merupakan

aplikasi dari Strong Law of Large Numbers atau Hukum Bilangan
Besar Kuat yang terdapat pada Hoel, Port and Stone (1972, bagian
2.3). Berdasarkan (2.10) dan (2.11) dapat dilihat bahwa besarnya
peluang ruin equivalen dengan distribusi stasioner, dan dapat
diperoleh dengan melakukan simulasi, dimana proses {H(t)} harus
disimulasikan.
(Dufresne and Gerber, 1989)

2.9 Relative Security Loading

Perusahaan asuransi ingin mengumpulkan sejumlah bagian
dana setara dengan persentil ke-95 dari distribusi total klaim.
Perusahaan asuransi mendapatkan dana tersebut dari setiap individu,
dimana jumlahnya proporsional dengan ekspektasi klaim setiap

sebanyak j individu dengan ekspektasi besar klaim 𝐸,Xj -

individu sebagai biaya tambahan premi. Suatu bagian dana dari

adalah (1 + 𝜃 )𝐸,Xj -. Biaya tambahan sebesar 𝜃𝐸,Xj -

merupakan security loading, dan 𝜃 adalah relative security

Relative security loading 𝜃 dapat dicari dengan cara

loading.

𝑆 − 𝐸,𝑆-
𝑃𝑟 [ ≤ ] = 0,95.
𝜃𝐸,𝑆-
√𝑉𝑎𝑟(𝑆) √𝑉𝑎𝑟(𝑆)

27
Mendekati distribusi dari
𝑆−𝐸,𝑆- dengan distribusi normal baku, dan
√𝑉𝑎𝑟(𝑆)
menggunakan persentil ke-95 didapatkan

𝜃𝐸,𝑆-
=
√𝑉𝑎𝑟(
1,645.
𝑆) (Bowers dkk., 1986)

2
29