MODEL MULTIPLE DECREMENT DALAM PENENTUAN PREMI ASURANSI JIWA
Bibliographic record
Abstract
Asuransi jiwa adalah satu diantara produk asuransi yang umum dikenal, biasanya memiliki satu penyebab klaim yaitu kematian. Model produk asuransi jiwa dapat dimodifikasi dengan menambah penyebab-penyebab klaim lainnya, sehingga menjadi model asuransi dengan lebih dari satu penyebab klaim (multiple decrement). Model multiple decrement merupakan salah satu model aktuaria yang digunakan sebagai acuan dalam merancang suatu produk asuransi. Penelitian ini menggunakan 3 decrement sebagai penyebab terjadinya klaim yang terdiri dari kematian, cacat permanen dan mengundurkan diri. Data associated single decrement table menggunakan informasi dari Negara Canada Tahun 1968 yang diperoleh dari Software Table Manager 3.01. Studi kasus yang digunakan dalam penelitian ini yaitu seorang berusia 30 tahun mengikuti suatu asuransi jiwa multiple decrement berjangka selama 34 tahun. Diketahui bahwa nilai santunan ketika seorang tersebut mengalami kematian adalah Rp100.000.000, Rp50.000.000 bila mengalami kondisi cacat permanen, sedangkan Rp10.000.000 bila kondisi mengundurkan diri dari perusahaan. Suku bunga yang digunakan adalah 6% berdasarkan BI Rate. Hasil perhitungan diperoleh premi tahunan untuk asuransi jiwa berjangka multiple decrement ini yaitu sebesar Rp317.946. Kemudian, jika tingkat suku bunga semakin tinggi maka nilai premi yang dibayarkan semakin murah. Hal ini dikarenakan tingkat suku bunga merupakan variabel dari fungsi diskonto, dimana semakin tinggi tingkat suku bunga, maka semakin kecil nilai dari fungsi diskonto. Premi akan semakin mahal jika usia nasabah ketika mengikuti asuransi semakin tinggi. Hal ini karena dipengaruhi peluang kematian seseorang yang semakin tinggi dengan bertambahnya usia. Kata Kunci: multiple decrement, associated single decrement.
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 | 0.003 | 0.009 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.020 | 0.004 |
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".