Undergraduate Theses on School of Data Science, Mathematic and Informatics http://repository.ipb.ac.id/handle/123456789/151168 2026-06-11T13:26:31Z 2026-06-11T13:26:31Z Susanto, Keiza Nayara http://repository.ipb.ac.id/handle/123456789/173349 2026-06-11T01:59:21Z 2026-01-01T00:00:00Z

Pemodelan Frekuensi Klaim Asuransi Kendaraan Menggunakan Binomial Negatif Bivariat Berbasis Copula Susanto, Keiza Nayara Pemodelan klaim asuransi merupakan komponen penting dalam penetapan premi karena mencerminkan tingkat risiko tertanggung. Penelitian ini menggunakan model binomial negatif bivariat berbasis copula untuk memodelkan dependensi antarklaim dalam satu polis asuransi kendaraan bermotor dengan 50000 observasi. Pendekatan copula dipilih karena mampu memisahkan distribusi marginal dan struktur dependensi secara fleksibel, sehingga hubungan antarpeubah dapat dimodelkan secara lebih akurat. Data klaim tetap mempertahankan outlier untuk mengidentifikasi ketergantungan pada ekor distribusi (tail dependence). Hasil pemodelan menunjukkan bahwa copula Gumbel memberikan kinerja yang lebih baik berdasarkan nilai AIC lebih rendah. Copula Gumbel memiliki koefisien upper tail dependence sebesar 0,3759 yang menunjukkan kemampuan lebih kuat dalam menangkap kejadian ekstrem pada ekor atas, sedangkan copula t-Student memiliki koefisien tail dependence simetris sebesar 0,2155 pada kedua ekor, yang menunjukkan kemampuannya dalam menangkap ketergantungan ekstrem secara lebih menyeluruh. Oleh karena itu, kedua copula memiliki kemampuan yang baik dalam memodelkan dependensi frekuensi klaim, namun masing-masing menunjukkan keunggulan pada karakteristik dependensi yang berbeda.; Insurance claim modeling is an important component in premium determination because it reflects the level of policyholder risk. This study employs a copula-based bivariate negative binomial model to capture dependence between claims within a single motor vehicle insurance policy using 50000 observations. The copula approach is chosen due to its flexibility in modeling the dependence structure by separating the marginal distributions from the dependence structure, allowing for a more accurate representation of the relationship between variables. The claim data retain the presence of outlier to identify tail dependence in the distribution. The results indicate that the Gumbel copula provides superior performance, as evidenced by a lower AIC value. The Gumbel copula has an upper tail dependence coefficient of 0.3759, indicating a stronger ability to capture extreme events in the upper tail, whereas the t-Student copula has a symmetric tail dependence coefficient of 0.2155 in both tails, demonstrating its ability to capture extreme dependence more comprehensively. Therefore, both copulas demonstrate strong capability in modeling the dependence of claim frequencies, however, each exhibits superior performance for different dependence characteristics.

2026-01-01T00:00:00Z Putra, Andra Dihat http://repository.ipb.ac.id/handle/123456789/173345 2026-06-11T00:16:36Z 2026-01-01T00:00:00Z

Pendekatan Machine Learning Berbasis Tabel Input-Output Untuk Analisis Economic Shock Makan Bergizi Gratis di Jawa Barat Putra, Andra Dihat Program Makan Bergizi Gratis dengan alokasi Rp335 triliun pada APBN 2026 merupakan intervensi fiskal noninfrastruktur terbesar dalam sejarah kebijakan publik Indonesia pascareformasi, namun dampak sektoralnya di tingkat regional belum pernah dikuantifikasi secara sistematis. Penelitian ini mengukur dampak economic shock sebesar Rp51,82 triliun dari 6.281 SPPG aktif di Jawa Barat terhadap 52 sektor perekonomian melalui simulasi matriks kebalikan Leontief, kemudian menerapkan pendekatan dual-cluster K-Means yang memisahkan klasterisasi respons shock dan klasterisasi kapasitas struktural ekonomi. Simulasi menghasilkan fiscal multiplier 1,5532 dengan total dampak output Rp80,48 triliun, tambahan pendapatan rumah tangga Rp17,00 triliun, dan tambahan penyerapan tenaga kerja 407.600 orang/tahun yang 95,7 persen terkonsentrasi pada 21 sektor rantai pasok pangan langsung. Sintesis dual-cluster mengidentifikasi 17 sektor pertanian dan distribusi berstatus Prioritas 2 yang terdampak tinggi namun berkapasitas rendah, sehingga memerlukan intervensi penguatan sisi suplai sebagai prasyarat agar fiscal multiplier dapat terealisasi penuh.

2026-01-01T00:00:00Z Wijaya, Antonius Aditya Rizky http://repository.ipb.ac.id/handle/123456789/173337 2026-06-11T00:05:47Z 2026-01-01T00:00:00Z

Penentuan Premi dan Cadangan Dana untuk Asuransi Decentralized Finance (DeFi) pada Jaringan Ethereum Wijaya, Antonius Aditya Rizky Perkembangan ekosistem Decentralized Finance (DeFi) pada jaringan Ethereum diikuti peningkatan risiko kerugian yang jarang namun berdampak besar. Penelitian ini memodelkan banyaknya dan besarnya kerugian serta membentuk sebaran kerugian agregat melalui collective risk model dan simulasi Monte Carlo menggunakan 174 data insiden kerugian pada periode Februari 2020-Januari 2026. Banyaknya kerugian dimodelkan dengan sebaran binomal negatif dan besarnya kerugian dimodelkan dengan lognormal-generelized Pareto distribution dengan threshold USD 27,000,000, yang terbukti lebih mampu menangkap perilaku ekor dibanding model lognormal tunggal. Simulasi Monte Carlo dengan 100,000 iterasi menghasilkan rata-rata kerugian agregat tahunan USD 646,775,532. Cadangan dana diperoleh sebesar USD 2,347,328,169 (moderat), dan USD 3,831,890,844 (konservatif). Premi diperoleh sebesar 2.52% dan 2.84% dari total nilai aset (berbasis rata-rata), serta meningkat menjadi 6.87% dan 11.21% (berbasis risiko ekor). Temuan ini menunjukkan implikasi signifikan dari ekor berat kerugian DeFi terhadap penentuan premi dan cadangan dana, sekaligus memberikan kerangka kuantitatif yang lebih komprehensif dalam pengelolaan risiko ekosistem DeFi.; The development of the Decentralized Finance (DeFi) ecosystem on the Ethereum network has been accompanied by an increasing risk of rare but high-impact losses. This study models loss frequency and severity and construct the aggregate loss distribution using a collective risk model and Monte Carlo simulation based on 174 loss incidents recorded between February 2020 and January 2026. Loss frequency is modeled using a negative binomial distribution and loss severity is modeled using a lognormal-generalized Pareto distribution with a threshold of USD 27,000,000, which proves more effective in capturing tail behavior than a single lognormal model. Monte Carlo simulation with 100,000 iterations produces an average annual aggregate loss of USD 646,775,532. Reserve funds are estimated at USD 2,347,328,169 (moderate), and USD 3,831,890,844 (conservative). Premium rates are estimated at 2.52% and 2.84% of total asset value (mean-based), and increasing to 6.87% and 11.21% (tail-risk-based). These findings demonstrate the significant implications of heavy-tailed DeFi losses on premium pricing and reserve determination, while providing a more comprehensive quantitative framework for risk management within the DeFi ecosystem.

2026-01-01T00:00:00Z Syahputra, Hadi Surya http://repository.ipb.ac.id/handle/123456789/173333 2026-06-10T07:32:00Z 2026-01-01T00:00:00Z

Perbandingan Model LSTM dan GRU dalam Peramalan Harga Cryptocurrency serta Pengukuran Risikonya dengan Value at Risk Syahputra, Hadi Surya Cryptocurrency memiliki volatilitas tinggi sehingga peramalan harga dan pengukuran risiko penting dalam pengambilan keputusan investasi. Penelitian ini bertujuan menganalisis karakteristik harga penutupan harian dan log return Bitcoin (BTC) dan Ethereum (ETH), membandingkan kinerja model long short-term memory (LSTM) dan gated recurrent unit (GRU) dalam peramalan harga, serta mengukur risiko pasar menggunakan Value at Risk (VaR). Data berupa harga penutupan harian BTC dan ETH periode 1 Januari 2021 hingga 31 Desember 2025 sebanyak 1.826 observasi per aset. Kinerja model dievaluasi menggunakan root mean square error (RMSE), mean absolute error (MAE), dan mean absolute percentage error (MAPE), sedangkan VaR dihitung dengan historical simulation. Hasil menunjukkan bahwa log return kedua aset stasioner, tidak normal, dan mengindikasikan fat tails, dengan volatilitas tahunan ETH lebih tinggi daripada BTC. Berdasarkan MAPE, GRU sedikit lebih baik daripada LSTM, dengan nilai terbaik 1.62% untuk BTC dan 3.16% untuk ETH. Nilai VaR dari return prediksi LSTM dan GRU lebih kecil secara absolut dibandingkan VaR empiris, yang menunjukkan bahwa return hasil prediksi cenderung menghasilkan estimasi risiko yang lebih rendah terhadap potensi kerugian ekstrem.; Cryptocurrencies are highly volatile assets, making price forecasting and risk measurement essential for investment decision-making. This study analyzes the daily closing prices and log returns of Bitcoin (BTC) and Ethereum (ETH), compares the performance of long short-term memory (LSTM) and gated recurrent unit (GRU) models for price forecasting, and measures market risk using Value at Risk (VaR). The data set consists of daily closing prices from 1 January 2021 to 31 December 2025, comprising 1,826 observations for each asset. Model performance is evaluated using root mean square error (RMSE), mean absolute error (MAE), and mean absolute percentage error (MAPE), while VaR is estimated using the historical simulation method. The results indicate that the log return series of both assets are stationary, non-normally distributed, and exhibit fat-tailed characteristics, with ETH showing higher annual volatility than BTC. Based on the MAPE criterion, the GRU model performs slightly better than the LSTM, model achieving the best MAPE values of 1.62% for BTC and 3.16% for ETH. Furthermore, the VaR values derived from LSTM- and GRU-predicted returns are lower in absolute terms than empirical VaR values, indicating that predicted returns tend to generate lower estimates of potential extreme losses. These findings suggest that GRU provides superior forcasting performance, while both models may underestimate extreme market risk in cryptocurrency returns

2026-01-01T00:00:00Z