Pemodelan Besar Klaim Asuransi Kendaraan Bermotor Menggunakan Regresi Gamma

Abstract

Fenomena meningkatnya risiko kecelakaan lalu lintas menuntut perusahaan asuransi memiliki pemodelan yang akurat terhadap besar klaim asuransi kendaraan bermotor. Besar klaim bersifat kontinu, bernilai positif, dan cenderung berdistribusi miring ke kanan, sehingga pendekatan regresi klasik kurang sesuai dan diperlukan metode pemodelan yang lebih fleksibel. Penelitian ini bertujuan untuk memodelkan besar klaim asuransi kendaraan bermotor menggunakan regresi gamma. Data yang digunakan merupakan data asuransi kendaraan bermotor pada tahun 2023 di negara Kenya. Pengujian kesesuaian distribusi gamma pada variabel respon dilakukan menggunakan metode Cramér–von Mises. Hasil analisis menunjukkan bahwa variabel jenis kendaraan dan nilai kendaraan berpengaruh signifikan terhadap besar klaim asuransi kendaraan bermotor. Pemilihan model terbaik dilakukan dengan membandingkan beberapa alternatif model berdasarkan nilai deviance. Hasil evaluasi menunjukkan bahwa model yang memuat variabel jenis kendaraan dan nilai kendaraan dipilih sebagai model terbaik karena memiliki tingkat kesesuaian yang baik dengan struktur yang lebih sederhana.

The increasing risk of traffic accidents requires insurance companies to develop accurate models for motor vehicle insurance claim amounts. Claim amounts are continuous, strictly positive, and tend to be right-skewed, making classical regression approaches less suitable and requiring more flexible modeling methods. This study aims to model motor vehicle insurance claim amounts using gamma regression. The data used consist of motor vehicle insurance data from 2023 in Kenya. The suitability of the gamma distribution for the response variable is evaluated using the Cramér–von Mises test. The results show that vehicle type and vehicle value have a significant effect on the claim amount. Model selection is conducted by comparing several alternative models based on the deviance. The evaluation results indicate that the model including vehicle type and vehicle value is selected as the best model, as it provides a good level of model fit with a simpler structure.