Garuda - Garba Rujukan Digital

Mortality Projection on Indonesia's Abridged Life Table to Determine the EPV of Term Annuity Galuh Oktavia Siswono; Ulil Azmi; Wawan Hafid Syaifudin
Jurnal Varian Vol 4 No 2 (2021)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/varian.v4i2.1094

The life insurance industries usually use the Life Table for the valuation process, especially in calculating premiums and policy values of a policy. However, the Life Table is rarely updated; and it may even take years before they are updated. This happens because the insurers believe that the information in the Life Table is still related to the current state of a country and for the next several years. In fact, data and information related to mortality rates in a country are constantly changing and always being updated annually. Therefore, as an approach, researchers use the projection of mortality to approach the mortality rate in the future. Thus, future mortality data can be predicted so that better policies can be made by the governments or insurance industries. In this study, the Abridged Life Table of Indonesia is used in the projection of mortality for both sexes (male and female) of the population in Indonesia. The results of mortality projection are then used to calculate the Expected Present Value (EPV) of a term annuity-due under uniform distribution of deaths (UDD) for several values of and ages. The results obtained show that there is a decrease in the value of the mortality rate in the next few years. Therefore, it can be assumed that there is a possibility for longevity risk to occur in the future.

Proyeksi Tingkat Kematian di Indonesia Menggunakan Metode Holt-Winters Smoothing Exponential dan Moving Average Ulil Azmi; R Mohamad Atok; Wawan Hafid Syaifudin; Galuh Oktavia Siswono; Imam Safawi Ahmad; Nuri Wahyuningsih
Limits: Journal of Mathematics and Its Applications Vol 20, No 1 (2023)
Publisher : Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/limits.v20i1.8132

Inaccurate predictions would cause the insurance companies to incur huge losses and may lead to expensive premiums for which low-income consumers are unable to insure themselves. The ability to predict mortality rates accurately allows the insurance companies to take preventive steps to introduce new policies with reasonable prices. It is hoped that by carrying out mortality projections, losses caused by longevity risk in the life insurance industry would be minimized. This study used secondary data obtained from the World Health Organization (WHO) website in the Mortality and Global Health Estimates category with the sub-topic Life Table by Country Indonesia. In this paper, several models are used to predict the mortality rate in a case study population in Indonesia, namely the Moving Average and Exponential Smoothing forecasting methods. The results obtained are the best method for predicting mortality rates is by using the Exponential Smoothing method with the MAPE value of Exponential Smoothing is smaller than the MAPE value on the Moving Average. The results of this mortality projection will later be used to obtain the distribution of life expectations and the premium price of life annuities.

“Actuarial Science Online Short Course : A10 Financial Mathematics (ASOSC)” Sebagai Upaya Pemberian Dukungan Bagi Calon Peserta Ujian Profesi Aktuaris di Indonesia Ulil Azmi; Wawan Hafid Syaifudin; Galuh Oktavia Siswono; Raden Mohamad Atok; Imam Safawi Ahmad; Pratnya Paramitha Oktaviana; Checellya Maitriani
Sewagati Vol 6 No 3 (2022)
Publisher : Pusat Publikasi ITS

Profesi aktuaris sangat digemari oleh masyarakat Indonesia karena luasnya prospek kerja yang ditawarkan serta adanya peraturan Menteri Keuangan tahun 2016 yang mewajibkan penugasan dan laporan aktuaris di tandatangani oleh Aktuaris Publik. Seorang aktuaris memiliki syarat yaitu harus lulus pada 10 ujian sertifikasi yang diselenggarakan oleh Persatuan Aktuaris Indonesia (PAI). Tingginya kebutuhan tenaga aktuaris tidak diimbangi oleh peningkatan jumlah aktuaris di Indonesia. Salah satu penyebabnya adalah gagal dalam ujian PAI. Salah satu mata ujian yang diujikan oleh PAI adalah A10, yaitu matematika finansial. Mata ujian A10 merupakan materi paling dasar pada seluruh mata ujian profesi aktuaris. Apabila seorang peserta telah berhasil menyelesaikan mata ujian A10, maka peserta tersebut dapat melanjutkan ujian ke tingkat berikutnya yang lebih tinggi. Oleh karena itu, tim pengabdi mengidentifikasi bahwa salah satu cara untuk mendukung para peserta ujian PAI serta membantu pemerintah dalam meningkatkan jumlah aktuaris di Indonesia adalah dengan menyelenggarakan pelatihan/short course pada mata ujian A10. Metode yang digunakan pada kegiatan ini adalah observasi, bimbingan dan evaluasi yang diikuti oleh peserta selama empat hari dalam bentuk penyampaian konsep dasar materi oleh narasumber, pembahasan soal yang didampingi oleh asisten narasumber serta pre-test dan post-test. Kegiatan ini diharapkan dapat membantu peserta untuk lulus ujian PAI pada subjek A10.

Pengukuran Value at Risk pada Portofolio Saham Optimal Menggunakan Copula-GARCH dengan Pendekatan Single Index Model Siti Firdaus; Ulil Azmi; Galuh Oktavia Siswono
Jurnal Sains dan Seni ITS Vol 11, No 6 (2022)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v11i6.88956

Investasi merupakan penanaman uang atau modal dalam suatu perusahaan atau proyek guna memperoleh keuntungan. Diantara sekian banyak sekuritas yang ada, saham menjadi sekuritas yang mengalami kenaikan jumlah investor secara signifikan karena dapat memberikan keuntungan yang cukup besar. Dibalik keuntungan yang besar, terdapat risiko yang harus dihadapi oleh investor. Sehingga, investor perlu menerapkan strategi yang dapat meminimalkan risiko serta mengukur risiko pada portofolio. Dalam penelitian ini dilakukan diversifikasi dan estimasi risiko dengan menggunakan pendekatan Single Index Model, Copula-GARCH, dan Value at Risk. Data yang digunakan adalah data harga penutupan saham bulanan pada saham yang terdaftar pada LQ45 selama periode 1 Desember 2010 hingga 31 Desember 2021. Berdasarkan metode Single Index Model, didapatkan tujuh saham yang masuk dalam portofolio optimal yang terdiri atas saham BBCA (10,48%), BBNI (4,22%), BBRI (24,88%), BBTN (2,41%), BMRI (8,53%), KLBF (21,90%), dan TLKM (27,58%). Setelah itu dilakukan pemodelan Copula-GARCH pada harga penutupan saham bulanan menggunakan lima jenis copula yang terdiri atas Copula Normal, Student-t, Gumbel, Frank, dan Clayton. Didapatkan model copula terbaik untuk ketujuh saham yaitu Copula Student-t dengan nilai maximum log-likelihood sebesar 92,42. Hasil estimasi Value at Risk pada tingkat kepercayaan 95% menggunakan simulasi Monte Carlo berdasarkan model Copula Student-t menunjukkan angka kerugian maksimum sebesar 0,0439. Hal ini berarti bahwa kemungkinan kerugian yang dihadapi investor tidak akan melebihi 0,0439 bagian dari modal investasi. Semakin besar tingkat kepercayaan yang digunakan, maka semakin besar pula nilai Value at Risk.

Pendugaan Tingkat Risiko Banjir dengan Menggunakan Extreme Learning Machine dan Extreme Value Theory Rr. Andriana Ajeng Ayumurti; Galuh Oktavia Siswono
Jurnal Sains dan Seni ITS Vol 12, No 1 (2023)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v12i1.97672

Banjir merupakan salah satu permasalahan yang sering terjadi di Indonesia, khususnya Surabaya. Banjir yang terjadi baik dalam skala kecil maupun skala besar membawa dampak negatif bagi lingkungan sekitar. Surabaya merupakan salah satu kota dengan tingkat banjir tertinggi di Indonesia, akibatnya beberapa wilayah di Surabaya terendam banjir yang cukup dalam dan menghambat aktivitas warga sekitar. Pada penelitian ini, digunakan data dasarian curah hujan dari salah satu stasiun di Surabaya dengan periode waktu dari Januari 2017 hingga Desember 2021. Pendugaan tingkat risiko pada penelitian ini menggunakan Value at Risk (VaR) dengan pendekatan Extreme Value Theory (EVT). Data penelitian berupa curah hujan akan dilakukan pra-pemrosesan data dengan mengidentifikasi missing value, observasi pencilan (outlier), dan observasi yang tidak sesuai dari data curah hujan di Surabaya. Kemudian mengidentifikasi karakteristik data curah hujan dengan statistika deskriptif dan pola sebaran curah hujan. Setelah didapatkan karakteristik data curah hujan, dilakukan peramalan dengan ELM yaitu data dibagi menjadi beberapa fitur dan target terlebih dahulu, setelah itu dilakukan normalisasi data. Data kemudian dibagi menjadi data training dan data testing untuk proses training dan testing. Kemudian dilakukan pengambilan sampel data ekstrim dengan metode Peaks Over Threshold dan Block Maxima. Lalu dilakukan perhitungan risiko dengan Value at Risk (VaR). Penelitian ini bertujuan untuk menduga tingkat risiko banjir serta menganalisis pengaruh yang dimiliki antara curah hujan dan banjir. Hasil penelitian didapat bahwa model terbaik didapat dengan MAPE data pengujian sebesar 9,81230 dibawah 10%. Data hasil ramalan menunjukan bahwa curah hujan tertinggi terjadi di bulan Februari 2022. Tingkat risiko banjir dapat dilihat dari hasil VaR pada tingkat kepercayaan 90%, 95%, dan 99% yaitu pada GEV secara berturut-turut sebesar 143,9767, 145,1391118, 147,1209043 dan pada GPD sevcara berturut-turut sebesar 334,98, 340,3271661, 354,6074338 sehingga pemerintah Surabaya dapat membuat kebijakan terkait dengan kapasitas drainase atau penampungan air hujan sesuai dengan nilai VaR yang telah diperoleh.

Penilaian CAPM Menggunakan Metode Two Pass Regression dan Teknik Rolling Window Regression (Studi Kasus pada Saham Bursa Efek Indonesia Periode 2017-2021) Clarissa Nathania; Galuh Oktavia Siswono; Wawan Hafid Syaifudin
Jurnal Sains dan Seni ITS Vol 12, No 1 (2023)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v12i1.98308

Salah satu sarana investasi yang berkembang pesat di Indonesia akhir-akhir ini adalah pasar modal. Hal paling mendasar yang harus diketahui oleh seorang investor adalah adanya risiko yang selalu mengikuti return. Oleh karena itu, investor perlu memprediksi return yang diharapkan supaya dapat memaksimalkan keuntungan pada tingkat risiko tertentu. Salah satu cara paling populer untuk memprediksinya adalah CAPM (Capital Asset Pricing Model). Karena pasar modal Indonesia saat ini sudah berkembang pesat dan minat investor untuk berinvestasi juga tinggi, penelitian ini dilakukan untuk menilai kembali berlakunya CAPM di pasar modal Indonesia. Penelitian dilakukan dengan menggunakan metode two pass regression dan teknik rolling window regression, serta dengan menerapkan pendekatan berupa pembentukan portofolio berdasarkan urutan peringkat beta. Selain itu, tahap kedua regresi dilakukan sebanyak dua kali, yaitu dengan intercept dan tanpa intercept, untuk melihat pengaruh adanya intercept terhadap kinerja CAPM di pasar modal Indonesia. Data yang digunakan dalam penelitian ini adalah data saham 50 perusahaan Bursa Efek Indonesia (BEI) dengan kapitalisasi pasar tertinggi selama tahun 2017 hingga tahun 2021. Hasil yang ditemukan dari penelitian ini adalah CAPM tanpa intercept signifikan untuk 59,18% subperiode dengan pemenuhan syarat market risk premium harus signifikan dan bernilai positif sebesar 51,72% dan pemenuhan syarat intercept harus bernilai 0 atau tidak signifikan sebesar 100%. Sementara itu, CAPM dengan intercept sama sekali tidak signifikan dengan tidak ada satu pun syarat yang terpenuhi. Oleh karena itu, CAPM tanpa intercept terbukti jauh lebih baik daripada CAPM dengan intercept. Berdasarkan model tersebut, sekitar 35,2% hingga 80,79% keragaman pada return yang diharapkan dari saham BEI mampu dijelaskan oleh beta yang mewakili risiko sistematisnya, sedangkan sisanya dijelaskan oleh faktor lain. Meskipun hal ini belum sepenuhnya sesuai dengan prinsip CAPM, CAPM masih bisa digunakan dengan baik pada saham BEI dengan menghilangkan intercept pada regresi tahap kedua.

Penerapan Metode Peramalan Long Short Term Memory (LSTM) pada Faktor-Faktor Penyebab Badai di Indonesia Galuh Oktavia Siswono; Yeni April Lina; Verencia Pricila
Jurnal Matematika, Statistika dan Komputasi Vol. 20 No. 1 (2023): SEPTEMBER, 2023
Publisher : Department of Mathematics, Hasanuddin University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20956/j.v20i1.27151

Effective disaster mitigation strategies are paramount in the realm of risk management concerning natural calamities, with the primary objective of mitigating potential devastation. A pragmatic and impactful method involves predicting the contributory aspects of such disasters, encompassing variables such as torrential rainfall and formidable wind velocities that tropical cyclones bring. In this study, a comparative analysis of forecasting methodologies is undertaken, precisely the Long Short-Term Memory (LSTM) technique and the Holt Winter approach, both directed toward gauging the impact of tropical cyclones. This investigation focuses on two critical factors: the forecast of precipitation intensity and the estimation of maximum wind speed. The outcomes underscore the superior predictive capabilities of the LSTM method, unequivocally revealing its aptitude for predicting rainfall and wind speed. Impressively, the LSTM method yields remarkable precision levels of 97.433% for rainfall and an even higher accuracy of 99.018% for maximum wind speed forecasting. In essence, this study highlights LSTM's efficacy in disaster prediction with substantial accuracy.

Estimasi Return Level pada Pemodelan Spatial Extreme Value Kecepatan Arus Laut Bali dengan Pendekatan Max-Stable Process Model Smith dan Brown-Resnick Nyoman Gede Trisna Sanjaya; Pratnya Paramitha Oktaviana; Galuh Oktavia Siswono
Jurnal Matematika, Statistika dan Komputasi Vol. 20 No. 1 (2023): SEPTEMBER, 2023
Publisher : Department of Mathematics, Hasanuddin University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20956/j.v20i1.27436

Bali is the world's second most popular tourist destination in 2023. One of the best tourisms is the beauty of its coasts. Even though it is the best tourism destination, it is not uncommon for disasters to occur in the coastal areas of Bali. One important factor in the occurrence of coastal disasters from waters such as tidal flooding and abrasion is ocean currents. Spatial analysis of sea currents velocity was carried out using the Smith and Brown-Resnick Max-Stable Process Approach. The purpose of this study was to determine parameter estimation and comparison of the results of Spatial Extreme Value modeling with the Smith and Brown-Resnick Max-Stable Process approach, and to determine the Return Level of Bali Sea current velocity for the same period after data testing with the best model. The data used is daily data for the period March 2, 2017 to December 30, 2020. Extreme data selection with Block Maxima uses 14 daily blocks, so there are 100 blocks for each water location. The proportion of training and testing data is 80:20. The training data follows the Generalized Extreme Value distribution and has no pattern trend (stationary). The results of the extremal coefficient measurements ranged from 1.18604 to 1.59485 indicating a fairly strong dependency between locations. The best trend surface model is a model that only has longitude coordinates on the location parameter and latitude on the scale parameter. The estimated value of the spatial parameters of the Smith model tends to be greater than that of the Brown-Resnick model. The Root Mean Square Error and Mean Absolute Percentage Error for the Smith model are 0.15503 and 7.75076%. Meanwhile, the Brown-Resnick model is 0.29576 and 14.12131%. Return Level values for the same period after data testing are classified as strong currents and are respectively 1.20586 m/s, 1.63592 m/s, 1.51322 m/s and 2.13233 m/s for Serangan, Gianyar, Nusa Dua, and Nusa Lembongan Waters. Information on estimated Return Levels is expected to be a consideration that can be used by related agencies such as the Coastal and Marine Resources Management Agency (BPSPL) and the Bali Province Regional Disaster Management Agency (BPBD) as a coastal disaster mitigation effort to make it more effective, efficient and on target.

Klasifikasi Financial Distress Menggunakan Feedforward Neural Network Berdasarkan Rasio Keuangan Altman dan Ohlson Annisa Salsabila Pratiwi; Galuh Oktavia Siswono; Prilyandari Dina Saputri
Jurnal Matematika, Statistika dan Komputasi Vol. 20 No. 1 (2023): SEPTEMBER, 2023
Publisher : Department of Mathematics, Hasanuddin University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20956/j.v20i1.27742

The ever-changing economy requires companies to anticipate future conditions in order to avoid financial distress, a continuous decline in financial conditions. The research focused on comparing Altman and Ohlson’s financial ratio in classifying financial distress on Property and Real Estate companies using the Feedforward Neural Network. The data used is the financial report data of 19 Property and Real Estate companies listed on the Indonesian Stock Exchange in 2016-2022, with the initial status of financial conditions based on earnings per share. (EPS). The study also used the Synthetic Minority Oversampling Technique (SMOTE) method to address class imbalances. The best financial ratio is selected based on accuracy values and Area Under Curve (AUC). Altman’s financial ratio with the FFNN model architecture (5-2-1) with a balance of 60:40 yields an accuracy of 84.62% and an AUC of 0.8325. The Ohlson Financial ratio with the 60:40 data balancing process and the FFNN model architecture (9-4-1) yields an accuracy of 93.27% and an AUC of 0.9045. Thus, in predicting financial distress in companies in the Property and Real Estate sector, Ohlson’s financial ratio with the predictor variables Corporate Size (SIZE), Total Liabilities to Total Assets (TLTA), Working Capital to Total Acts (WCTA), Current Liability to Current Asset (CLCA), OENEG, Net Income to total assets (NITA), Cash Flows Operating to Total Responsibilities (CFOTL), Net Revenue (INTWO), and Net Incoming Change (CHIN) yielded the best results. This best ratio can be used as a consideration in using alternative financial ratio to classify financial distress.

Title

Found 9 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 9 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 9 Documents
Search