Kajian Metode Commissioners, Illinois dan Canadian dalam Menentukan Cadangan Pada Asuransi Jiwa Dwiguna
Bibliographic record
Abstract
Saat ini industri asuransi berkembang selaras dengan perkembangan dunia usaha pada umumnya. Telah banyak masyarakat di Indonesia yang sudah menyadari betapa pentingnya asuransi, meskipun jika dibandingkan dengan negara lain, Indonesia masih kalah jauh. Kebanyakan masyarakat mengikuti asuransi jiwa karena ingin mengurangi resiko kerugian finansial. Di sisi lain, perusahaan asuransi bisa saja mengalami kerugian ketika terdapat pemegang polis (tertanggung) yang meninggal dunia dan pada saat itu perusahaan tidak mempunyai dana, sedangkan perusahaan tersebut harus mengeluarkan sejumlah dana untuk uang santunan. Oleh karena itu, untuk mengantisipasi kerugian perusahaan, maka sebagian dari premi yang diterima oleh perusahaan harus dicadangkan perusahaan sebagai cadangan premi sehingga bila di masa yang akan datang terjadi klaim maka perusahaan tidak kesulitan membayarnya. Penelitian ini bertujuan untuk menentukan besarnya cadangan yang diperoleh dengan menggunakan metode cadangan yang merupakan perluasan dari cadangan prospektif yaitu cadangan Commissioners, Illinois dan Canadian pada asuransi jiwa Dwiguna. Pada penelitian ini diberikan ilustrasi kasus. Langkah-langkahnya adalah dengan menghitung nilai anuitas awal, premi tahunan bersih, menghitung besarnya premi tahunan yang dimodifikasi, dan menghitung besar cadangan premi di akhir tahun ke-t. Dari hasil analisa perhitungan cadangan premi, walaupun besarnya cadangan premi baik itu cadangan Commissioners,Illinois dan Canadian yang besarnya berbeda beda pada setiap tahunnya tetapi pada akhir periode polis, besarnya cadangan premi adalah sama dan cukup untuk membayarkan uang santunan.Kata Kunci: Cadangan premi, cadangan prospektif, metode Commissioners, metode Illinois dan metode Canadian
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.010 | 0.002 |
| Scholarly communication | 0.005 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.042 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".