Per 31 Desember MAIPARK, Statistik, 12/2015

Transkripsi

1 Per 31 Desember 2015

2 Kata Pengantar Foreword Dengan Hormat, Dengan mengucap Puji Syukur Kehadirat Tuhan Yang Maha Esa, buku Laporan Statistik Asuransi Gempa Bumi Indonesia (LSAGBI) Desember 2015 telah selesai disusun. Penyusunan LSAGBI ini selaras dengan salah satu Visi MAIPARK yaitu menjadi Center Of Excellence dan sebagai upaya dalam memberikan pelayanan yang terbaik bagi Industri Asuransi Umum di Indonesia khususnya mengenai statistik serta pengetahuan risiko gempa bumi. Sebagai salah satu publikasi rutin, LSAGBI ini memuat hasil kajian risiko-risiko gempa bumi terkait data exposure, premi nasional, jumlah risiko dan perkembangan risiko gempa bumi. Di dalam laporan ini kami juga menyajikan ulasan aktuaria dan risiko exposure dari sudut pandang asuransi gempa bumi Dukungan dari seluruh perusahaan asuransi umum sangat berarti bagi kami dalam upaya pengembangan laporan statistik ini. Kami menyadari kebutuhan penyempurnaan buku ini sangat tinggi sehingga kritik maupun saran sangat kami harapkan. Akhir kata, semoga laporan ini dapat menjadi referensi yang berkualitas dan dapat memberikan manfaat tidak hanya bagi perusahaan yang menangani asuransi gempa bumi, namun juga bagi Industri Asuransi Umum di Indonesia. Kami mohon maaf apabila masih ditemukan kesalahan data dan informasi yang disajikan dalam buku ini. Hormat Kami, Dear Sir / Madam, Our gratitude to God Almighty, the Indonesian Earthquake Insurance Statistic Report as at December 2015 is ready to publish. This report publication is aligned with MAIPARK s vision, which is to be a "Center of Excellence and also to provide the best service for the General Insurance Industry in Indonesia, especially statistic and earthquake risks knowledge. As a regular publication, it contains earthquake risks study related to the national Exposure, premium, number of risks and development of the earthquake risks management. We also include actuarial and Exposure risks reviews from earthquake insurance point of view. Support from the General Insurance Industry will be meaningful to us in order to improve this Statistic Report. We realize the need for improvement of this report is very high so that critics and suggestions are appreciate. Finally, we hope that this report could be used as a qualified reference and will be beneficial for all general insurance industries in Indonesia. We apologize for any possible data and information errorspresented in this report. Sincerely, Yasril Y. Rasyid President Director

3 Satu Dekade Pengelolaan Database Nasional Asuransi Gempa Bumi Dalam Mendukung Kemajuan Industri Asuransi A Decade of National Database Management of Earthquake Insurance to Support The Insurance Industry

4 DAFTAR ISI CONTENTS Hal. Kata pengantar... i Daftar Isi.iii Iktisar Statistik Asuransi Gempa Bumi Indonesia Desember 2015 A. Umum 1 B. Struktur Pasar.2 C. Premi Bruto dan Exposure.2 D. Jumlah Risiko..4 E. Incurred Claim...7 F. Analisis Exposure: Probable Maximum Loss (PML) Industri Asuransi Nasional - Kualitas Data Menentukan Kualitas Manajemen Risiko G. Ulasan Aktuaria: Truncation dan Modifikasi pada Nilai Nol..21 H. Ulasan Asuransi: Penetrasi Asuransi Gempabumi Indonesia - Peranan Industri Asuransi Melindungi Area Rawan Gempa...29 Page Content...i Foreword..iii Statistic Overview of Indonesian Earthquake Insurance December 2015 A. General...1 B. Market Structure 2 C. Gross Premium and Exposure 2 D. Number of Risk..4 E. Incurred Claim 7 F. Exposure Analysis: Probable Maximum Loss (PML) of National Insurance Industry - The data quality determines the risk management quality 13 G. Actuary Commentary: Truncation and Modification at Zero...21 H. Insurance Commentary: The penetration of Earthquake insurance in Indonesia - The Role of Insurance Industry in protecting the Earthquake Prone Areas 29 Peta Distribusi Exposure Gempa Bumi Indonesia per Provinsi, Underwriting Year 2015, per 31 Desember Distribusi Gempa Bumi Indonesia M > 5 dan Claim Incurred Distribusi Exposure Gempa Bumi Indonesia per Provinsi, Underwriting Year 2015, per 31 Desember 2015, Distribusi Gempa Bumi Indonesia M > 5 dan Claim Incurred UY Map Indonesian Earthquake Exposure Distribution by Province, Underwriting Year 2015, as at 31 December Indonesian Earthquake Distribution M > 5 and Claim Incurred Indonesian Earthquake Exposure Distribution by Province, Underwriting Year 2015, per 31 December 2015, Indonesian Earthquake Distribution M > 5 and Claim Incurred UY Exposure Asuransi Gempa Bumi Indonesia Indonesian Earthquake Insurance Exposure iii

5 Tabel 2.1. Exposure Per Cresta Zone..37 Tabel 2.2. Exposure Per Okupasi...39 Tabel 2.3. Exposure Per Interest...41 Tabel 2.4. Exposure Per Provinsi 43 Tabel 2.5. Exposure Per Kelas Konstruksi...44 Table 2.1. Exposure By Cresta Zone Table 2.2. Exposure By Occupation Table 2.3. Exposure By Interest Table 2.4. Exposure By Province...43 Table 2.5. Exposure By Class of Construction..44 Premi Bruto Asuransi Gempa Bumi Indonesia Tabel 3.1. Premi Bruto Per Cresta Zone.46 Tabel 3.2. Premi Bruto Per Okupasi 48 Tabel 3.3. Premi Bruto Per Interest...50 Tabel 3.4. Premi Bruto Per Provinsi Tabel 3.5. Premi Bruto Per Kelas Konstruksi Indonesian Earthquake Insurance Gross premium Table 3.1. Gross Premium by Cresta Zone 46 Table 3.2. Gross Premium by Occupation...48 Table 3.3. Gross Premium by Interest...50 Table 3.4. Gross Premium by Province.. 52 Table 3.5. Gross Premium by Class of Construction 53 Jumlah Risiko Asuransi Gempa Bumi Indonesia Tabel 4.1. Jumlah Risiko Per Cresta Zone.. 55 Tabel 4.2. Jumlah Risiko Per Okupasi Table 4.3. Jumlah Risiko Per Kelas Konstruksi Table 4.4. Jumlah Risiko Per Provinsi Indonesian Earthquake Insurance Number of Risk Table 4.1. Number of Risk By Cresta Zone Table 4.2. Number of Risk By Occupation Table 4.3. Number of Risk By Construction Class...59 Table 4.4. Number of Risk By Province Klaim Asuransi Gempa Bumi Indonesia Tabel 5.1. Frekuensi Klaim Per Cresta Zone.62 Tabel 5.2. Frekuensi Klaim Per Okupasi 64 Tabel 5.3. Frekuensi Klaim Per Provinsi 66 Tabel 5.4. Klaim Per Cresta Zone 67 Tabel 5.5. Klaim Per Okupasi..69 Tabel 5.6. Klaim Per Provinsi..71 Profil Risiko dan Klaim Indonesian Earthquake Insurance Claim Table 5.1. Claim Frequency By Cresta Zone..62 Table 5.2. Claim Frequency By Occupation 64 Table 5.3. Claim Frequency By Province 66 Table 5.4. Claim By Cresta Zone.67 Table 5.5. Claim By Occupation...69 Table 5.6. Claim By Province..71 Risk and Claim Profile Underwriting Year , Seluruh Okupasi.72 Underwriting Year 2015, Seluruh Okupasi 73 Underwriting Year , All Occupation..72 Underwriting Year 2015, All Occupation.73 iv

6 Underwriting Year 2014, Seluruh Okupasi 74 Underwriting Year 2013, Seluruh Okupasi 75 Underwriting Year 2012, Seluruh Okupasi 76 Underwriting Year 2011, Seluruh Okupasi 77 Underwriting Year 2014, All Occupation.74 Underwriting Year 2013, All Occupation.75 Underwriting Year 2012, All Occupation 76 Underwriting Year 2011, All Occupation.77 Profil Risiko dan Klaim Underwriting Year Per Okupasi 2015 Okupasi Agrikultural.78 Okupasi Komersial..79 Okupasi Industrial 80 Okupasi Residensial 81 Risk and Profile Claim Underwriting Year 2015 By Occupation Occupation Agricultural.78 Occupation Commercial...79 Occupation Industrial 80 Occupation Residential.81 Profil Risiko dan Klaim Underwriting Year Per Okupasi 2014 Okupasi Agrikultural.82 Okupasi Komersial..83 Okupasi Industrial 84 Okupasi Residensial 85 Risk and Profile Claim Underwriting Year 2014 By Occupation Occupation Agricultural.82 Occupation Commercial...83 Occupation Industrial 84 Occupation Residential.85 Profil Risiko dan Klaim Underwriting Year Per Okupasi 2013 Okupasi Agrikultural.86 Okupasi Komersial..87 Okupasi Industrial 88 Okupasi Residensial 89 Risk and Profile Claim Underwriting Year 2013 By Occupation Occupation Agricultural.86 Occupation Commercial...87 Occupation Industrial 88 Occupation Residential.89 Profil Risiko dan Klaim Underwriting Year Per Okupasi 2012 Okupasi Agrikultural.90 Okupasi Komersial..91 Okupasi Industrial 92 Okupasi Residensial...93 Risk and Profile Claim Underwriting Year 2012 By Occupation Occupation Agricultural.90 Occupation Commercial...91 Occupation Industrial 92 Occupation Residential 93 Profil Risiko dan Klaim Underwriting Year Per Okupasi 2011 Risk and Profile Claim Underwriting Year 2011 By Occupation v

7 Okupasi Agrikultural.94 Okupasi Komersial...95 Okupasi Industrial.96 Okupasi Residensial Occupation Agricultural.94 Occupation Commercial...95 Occupation Industrial 96 Occupation Residential.97 Exposure, Premi Bruto, Jumlah Risko dan Klaim Asuransi Gempa Bumi Indonesia Per Cresta Zone Exposure, Premi Bruto, Jumlah Risiko & Klaim per Cresta Zone, Underwriting Year Exposure, Premi Bruto, Jumlah Risiko & Klaim per Cresta Zone, Underwriting Year Exposure, Premi Bruto, Jumlah Risiko & Klaim per Cresta Zone, Underwriting Year Exposure, Premi Bruto, Jumlah Risiko & Klaim per Cresta Zone, Underwriting Year Exposure, Premi Bruto, Jumlah Risiko & Klaim per Cresta Zone, Underwriting Year Indonesian Earthquake Insurance Exposure, Gross Premium, Number of Risk and Claim By Cresta Zone Exposure, Gross Premium, Number of Risk & Claim by Cresta Zone, Underwriting Year Exposure, Gross Premium, Number of Risk & Claim by Cresta Zone, Underwriting Year Exposure, Gross Premium, Number of Risk & Claim by Cresta Zone, Underwriting Year Exposure, Gross Premium, Number of Risk & Claim by Cresta Zone, Underwriting Year Exposure, Gross Premium, Number of Risk & Claim by Cresta Zone, Underwriting Year Exposure, Premi Bruto, Jumlah Risko dan Klaim Asuransi Gempa Bumi Indonesia Per Okupasi Indonesian Earthquake Insurance Exposure, Gross Premium, Number of Risk and Claim By Occupation Exposure, Premi Bruto, Jumlah Risiko & Klaim per Okupasi, Underwriting Year Exposure, Premi Bruto, Jumlah Risiko & Klaim per Okupasi, Underwriting Year Exposure, Premi Bruto, Jumlah Risiko & Klaim per Okupasi, Underwriting Year Exposure, Premi Bruto, Jumlah Risiko & Klaim per Okupasi, Underwriting Year Exposure, Gross Premium, Number of Risk & Claim by Occupation, Underwriting Year Exposure, Gross Premium, Number of Risk & Claim by Occupation, Underwriting Year Exposure, Gross Premium, Number of Risk & Claim by Occupation, Underwriting Year Exposure, Gross Premium, Number of Risk & Claim by Occupation, Underwriting Year vi

8 Exposure, Premi Bruto, Jumlah Risiko & Klaim per Okupasi, Underwriting Year Exposure, Gross Premium, Number of Risk & Claim by Occupation, Underwriting Year Exposure, Premi Bruto, Jumlah Risko dan Klaim Asuransi Gempa Bumi Indonesia Per Provinsi Indonesian Earthquake Insurance Exposure, Gross Premium, Number of Risk and Claim By Province Exposure, Premi Bruto, Jumlah Risiko & Klaim per Provinsi, Underwriting Year Exposure, Premi Bruto, Jumlah Risiko & Klaim per Provinsi, Underwriting Year Exposure, Premi Bruto, Jumlah Risiko & Klaim per Provinsi, Underwriting Year Exposure, Premi Bruto, Jumlah Risiko & Klaim per Provinsi, Underwriting Year Exposure, Premi Bruto, Jumlah Risiko & Klaim per Provinsi, Underwriting Year Exposure, Premi Bruto, Jumlah Risiko & Klaim per Provinsi, Underwriting Year Exposure, Premi Bruto, Jumlah Risiko & Klaim per Provinsi, Underwriting Year Exposure, Premi Bruto, Jumlah Risiko & Klaim per Provinsi, Underwriting Year Exposure, Premi Bruto, Jumlah Risiko & Klaim per Provinsi, Underwriting Year Exposure, Premi Bruto, Jumlah Risiko & Klaim per Provinsi, Underwriting Year Lampiran 1. Daftar Istilah Tarif asuransi Gempa Bumi Indonesia Zona Asuransi Gempa Bumi Indonesia Cresta Zone Indonesia Skala First Loss Tabel Short Periode kurang dari 1 tahun Skala Indemnity Period Attachment 1.Glossaries Indonesian Earthquake Insurance Tariff Cresta Zone and Zone Table Indonesia Cresta Zone First Loss Scale Short Period Table Less Than One Year Period Indemnity Period Scale Referensi 1. Otoritas Jasa Keuangan (OJK). 2. Badan Pusat Statistik (BPS). Reference 1. Financial Service Authority (OJK). 2. Central of Statistic Bureau (BPS). vii

9 *) Laporan Statistik ini dapat diperoleh di website PT Reasuransi MAIPARK Indonesia *) Statistic report is available on PT Reasuransi MAIPARK Indonesia website viii

10 Ikhtisar Statistik Asuransi Gempa Bumi Indonesia Desember 2015 Statistic Overview of Indonesia Earthquake Insurance December 2015 A. Umum A. General Berdasarkan data Badan Pusat Statistik, Perekonomian Indonesia pada tahun 2015 sebagaimana diukur dari Produk Domestik Bruto (PDB), tumbuh sebesar 4,79% dibandingkan tahun Nilai PDB Indonesia atas dasar harga konstan 2010 pada tahun 2015 mencapai Rp8.976,9 triliun sedangkan pada tahun 2014 sebesar Rp8.566,3 triliun. Bila dilihat berdasarkan harga berlaku, PDB tahun 2015 adalah sebesar Rp11.540,8 triliun sedangkan tahun 2014 adalah Rp10.565,8 triliun. Sampai dengan kuartal ke empat tahun 2015, sesuai data Asosiasi Asuransi Umum Indonesia (AAUI), pencapaian Premi Brutto untuk seluruh lini usaha Asuransi Umum adalah sebesar Rp58.888,28 miliar. Sedangkan Premi Brutto khusus untuk Lini Usaha Harta Benda mencapai Rp17.673,93 miliar. Pertumbuhan Premi Brutto lini usaha Harta Benda kuartal ke tiga tahun 2015 dibandingkan dengan kuartal ketiga tahun 2014 adalah sebesar 6,7%, sedangkan pertumbuhan klaimnya sebesar 22,2%. Sesuai Surat Edaran Otoritas Jasa Keuangan (OJK) Nomor 21/SEOJK.05/2015, tanggal 30 Juni 2015, menetapkan zona dan tarif asuransi gempa bumi Indonesia, revisi dari regulasi sebelumnya (SE OJK No. 06/D.05/2013, tanggal 31 Desember 2013). Based on Central of Statistics Bureau Data, Indonesian economic in 2015 as measured by Gross Domestic Product (GDP) increased by 4.79 % compared to GDP based on Constant Price 2010 in 2015 reached the amount of Rp8,976.9 trillion while in 2014 was Rp8,566.3 trillion. If it is based on Current Market Price, GDP in 2015 was Rp11,540.9 trillion while in 2014 was Rp10,565.8 trillion. Until fourth quarter of 2015, according to the General Insurance Indonesia Asociation (AAUI) data, General Insurance gross premium achievement for all business line was Rp58, billion. Whereas gross premium especially for property business line was Rp17, billion. The Gross Premium growth for property business line in third quarter 2015 to third quarter 2014 was 6.7%, whereas the claims growth by 22.2%. In accordance to Financial Services Authority (OJK) Circular Letter No 21/SEOJK.05/2015, 30 June 2015, there are some changes in earthquake rate zone for regency related to the previous circular letter (No. 06/D.05/2013, 31 December 2013). 1

11 Pada SE OJK 2015 (terbaru), sebanyak 134 Daerah Tingkat II (Kota/Kabupaten) mengalami peningkatan risiko dan berpindah naik ke level zona di atasnya dibandingkan dengan SE OJK Sedangkan 104 Daerah Tingkat II lainnya mengalami penurunan. Sedangkan tarif mengalami penurunan pada Zona I IV dalam kisaran 4%-21% sedangkan tarif pada Zona V tidak ada perubahan (Lampiran xx). Selama tahun 2015, OJK telah menerbitkan regulasi terkait Gempa Bumi yaitu: Surat Edaran Otoritas Jasa Keuangan Nomor 21/SEOJK.05/2015, tentang Penetapan Tarif Premi Atau Kontribusi Pada Lini Usaha Asuransi Harta Benda Dan Asuransi Kendaraan Bermotor Tahun 2015, tanggal 30 Juni According to SE OJK on 2015 (the latest), 134 regency (City/District) have increased the risk and shifts the level up compared to the previous zone in the SE OJK While other 104 regency have change the rate zone (drop). Premium rate have drops in the range 4%-21% for Zona I-IV while constant or no change in zona V. During 2015, OJK has issued regulations related to Earthquake i.e.: Financial Service Authority Service Circular Letter No 21/SEOJK.05/2015, about Premium tarrif arrangement or Property lines of business contribution and Motor Vehicle Insurance 2015, date June B. Struktur Pasar B. Market Structure Berdasarkan data OJK pada buku Direktori 2015: Industri Keuangan Non Bank, terdapat 76 perusahaan asuransi umum, 6 perusahaan reasuransi, 2 asuransi sosial, dan 3 perusahaan asuransi wajib yang memiliki izin beroperasi di Indonesia. Based on OJK data in the book of Directory 2015: Non Bank Financial Institution, there are 76 general insurance companies, 6 reinsurance companies, 2 social insurance companies, and 3 mandatory insurance companies having operating licenses in Indonesia. C. Premi Bruto C. Gross Premium Sampai dengan 31 Desember 2015, premi bruto asuransi gempa bumi Underwriting Year 2011 adalah sebesar Rp2.823,4 miliar. Premi bruto untuk Underwriting Year 2012 As at 30 June 2015, earthquake gross premium for Underwriting Year 2011 was Rp2,823.4 billion. Gross premium for Underwriting Year 2012 was recorded 2

12 tercatat Rp2.719,6 miliar, sedangkan untuk Underwriting Year 2013 adalah Rp4.530,3 miliar. Untuk Underwriting Year 2014 dan 2015 adalah Rp5.004,5 miliar dan Rp2.634,9 miliar. Angka angka ini akan terus bergerak naik terutama untuk Underwriting Year 2014 dan Tabel 1.1 menyajikan rincian premi bruto berdasarkan jenis okupasi dari Underwriting Year 2011 hingga Underwriting Year Prosentase okupasi Industrial selalu berada pada posisi pendapatan tertinggi dibanding 3 (tiga) okupasi lainnya (Agrikultural, Komersial, Residensial), yaitu di atas 48% dari total premi. Meskipun okupasi Komersial, Residensial dan Agrikultural tidak memberikan kontribusi premi sebesar okupasi Industrial, namun ketiga okupasi tersebut memperlihatkan pertumbuhan premi yang cukup signifikan. Hal ini terlihat terutama pada premi okupasi Residensial pada Underwriting Year 2014 yang meningkat sebesar 35,21% dari Rp ,42 juta di Underwriting Year 2013 menjadi Rp ,49 juta. Faktor yang paling mempengaruhi angka tersebut adalah kenaikan yang signifikan di Provinsi Jawa Tengah dan Jawa Timur, terutama Kabupaten Semarang dan Kota Surabaya. Kenaikan ini di duga diakibatkan oleh peletusan Gunung Kelud pada 13 Februari 2014 di daerah Jawa Timur dimana abu hasil peletusan menyebar hingga ke Kota/ Kabupaten di Jawa Tengah dan Jawa Timur (Ulasan Rp2,719.6 billion, while for Underwriting Year 2013 was Rp4,530.3 billion. For Underwriting Year 2014 and 2015 were Rp5,004.5 billion and Rp2,634.9 billion. These figures would certainly increase especially for Underwriting Year 2014 and The table 1.1 shows the details of gross premium based on occupation from Underwriting Year 2011 to Underwriting Year Industrial occupation always has the biggest percentage income compared to 3 (three) remaining occupations (Agricultural, Commercial, Residential), that is above 48 % from premium total. Although occupation of Commercial, Residential and Agricultural do not contribute premium as much as Industrial occupation, those three occupation show significant premium growth. In this case, the premium under Residential occupation in Underwriting Year 2014 increased by 35.21% from Rp473, million in Underwriting Year 2013 to Rp639, million. The most affected factor to number of risks is due to the significant increasing in the Central Java and East Java province, especially in Disctrict of Semarang and City of Surabaya. This increase was suspected due to Kelud eruption at 13 February 2014 in East Java Province area where the volcanic ash spread to city/district in Central Java and East Java. (Insurance Commentary: The penetration of 3

13 Asuransi: Penetrasi Asuransi Gempabumi Indonesia - Peranan Industri Asuransi Melindungi Area Rawan Gempa). Earthquake insurance in Indonesia - The Role of Insurance Industry in protecting the Earthquake Prone Areas) Tabel 1.1 Premi Bruto dan Rasio Berdasarkan Okupasi per 31 Desember 2015 Table 1.1 Gross Premium and Ratio By Occupation as at 31 December 2015 Underwriting Year Okupasi / Occupation Agrikultural / Agricultural Komersial / Commercial Industri / Industrial Residensial / Residential Dalam Jutaan Rupiah In Million Rupiah , % 758, % 1,698, % 342, % 2,823, , % 657, % 1,685, % 346, % 2,719, , % 1,812, % 2,209, % 473, % 4,530, , % 1,084, % 3,251, % 639, % 5,004, , % 821, % 1,440, % 357, % 2,634, T O T A L 131, ,134, ,287, ,159, ,712, Total D. Jumlah Risiko D. Number of Risk Tabel 1.2 menyajikan jumlah risiko pada Underwriting Year 2011 hingga Underwriting Year 2015 yang tercatat sampai dengan 31 Table 1.2 shows the number of risks from Underwriting Year 2011 to Underwriting Year 2015 recorded until 31 December Desember Tabel 1.2 Jumlah Risiko Berdasarkan Okupasi per 31 Desember 2015 Table 1.2 Number of Risk By Occupation as at 31 December 2015 Okupasi U/Y 2011 U/Y 2012 U/Y 2013 U/Y 2014 U/Y 2015 Occupation Jumlah / Total % Jumlah / Total % Jumlah / Total % Jumlah / Total % Jumlah / Total % Agricultural / Agricultural A Komersial / Commercial C 91, , , , , Industrial / Industrial I 14, , , , , Residensial / Residential R 59, , , , , Jumlah / Total 165, , , , ,

14 Number of Risk By Occupation As at 31 Dec 2015 Agricultural Industrial Commercial Residential 140, , , , , , , Jumlah risiko terbesar untuk setiap Underwriting Year, dalam hal ini dari Underwriting Year 2011 sampai dengan Underwriting Year 2015 ada pada okupasi Komersial, yaitu selalu berada pada rasio di atas 49% dari total risiko. Kemudian diikuti oleh okupasi Residensial dengan rasio di atas The highest number of risks for each Underwriting Year, in this case from Underwriting Year 2011 to Underwriting Year 2015, is under Commercial occupation, which is always on the ratio above 49% from the total risk. Then, it is followed by Residential occupation with ratio above 35%. 35%. Jika terdapat asosiasi antara kontribusi premi dengan banyaknya risiko maka belum tentu asosiasi tersebut berbentuk linear dan positif. Hal ini dibuktikan dengan apabila If there is any association between the premium contribution and the number of risks then the association is not necessarily linear nor positive. This is proved which the highest gross 5

15 melihat dari premi bruto tertinggi berada di okupasi industrial sedangkan banyak risiko premium is on the industrial occupation while the highest total risk is under commercial occupation. tertinggi berada pada okupasi komersial. Berdasarkan data okupasi, okupasi Komersial terdiri dari beberapa kode okupasi. Jumlah risiko terbesar berdasarkan kode okupasi di Underwriting Year Based on occupation data, Commercial occupation consist of several occupation codes. The highest number of risks by occupation code in Underwriting Year are as follows: adalah sebagai berikut: Jumlah Risiko Terbesar pada Okupasi Komersial Berdasarkan Kode Okupasi per 31 Desember 2015 The Highest Number Of Risk in Commercial Occupation as at 31 December 2015 by Occupation Code Deskripsi & Kode Okupasi Description & Occupation Code U/Y 2011 U/Y 2012 U/Y 2013 U/Y 2014 U/Y 2015 Jumlah / Total Jumlah / Total Jumlah / Total Jumlah / Total Jumlah / Total Shops ,917 16,792 Shops - Subject to Waranty A ,158 22,998 15, Private Warehouses and Storehouses - Subject to Warranty A ,800 13,061 14, Veem and Bonded Warehouses - Subject to Warranty A Jumlah / Total ,959 36,061 30,325 27,917 16,792 Okupasi Residensial terdiri dari beberapa kode okupasi. Jumlah risiko terbesar berdasarkan kode okupasi di Underwriting Year adalah sebagai berikut: Residential occupation consist of several occupation codes. The highest number of risks by occupation code in Underwriting Year are as follows: Jumlah Risiko Terbesar pada Okupasi Residensial Berdasarkan Kode Okupasi per 31 Desember 2015 The Highest Number Of Risk in Residential Occupation as at 31 December 2015 by Occupation Code Deskripsi & Kode Okupasi Description & Occupation Code U/Y 2011 U/Y 2012 U/Y 2013 U/Y 2014 U/Y 2015 Jumlah / Total Jumlah / Total Jumlah / Total Jumlah / Total Jumlah / Total Dwelling Houses, not classified as Shop-Houses (Ruko), not exceeding 3 storeys ,956 35,388 34,149 48,291 37,268 Jumlah / Total 35,956 35,388 34,149 48,291 37,268 6

16 E. Incurred Claim E. Incurred Claim Berdasarkan tabel 1.3, frekuensi klaim gempa bumi paling banyak terjadi di Underwriting Year 2011 yaitu sebanyak 89 klaim dan didominasi okupasi Komersial sebanyak 64 klaim. Hal ini disebabkan oleh kejadian gempa bumi di 2011 yaitu Gempa Bumi Nusa Dua pada tanggal 13 Oktober 2011 dengan kekuatan 6,8 S.R dan Gempa Bumi Sibolga pada tanggal 6 November 2011 dengan kekuatan 6,7 S.R. Based on table 1.3, the highest earthquake claim frequency occurred in Underwriting Year 2011 was 89 claims and it dominated by Commercial occupation of 64 claims. It was caused by Earthquakes in 2011 namely Nusa Dua Earthquake on 13 October 2011 with a magnitude of 6.8 S.R and Sibolga Earthquake on 6 November 2011 with a magnitude of 6.7 S.R. Tabel 1.3 Frekwensi Klaim Berdasarkan Okupasi per 31 Desember 2015 Table 1.3 Claim Frequency By Occupation as at 31 December 2015 Okupasi Occupation Underwriting Year Agrikultural / Agricultural A Komersial / Commercial C Industrial / Industrial I Residensial / Residential R Jumlah / Total Berdasarkan Tabel 1.4 dan grafik terlihat bahwa untuk frekuensi klaim tinggi berada pada Total Incurred Claim yang relatife kecil, sedangkan untuk frekuensi klaim kecil berada pada Total Incurred Claim yang relative besar. Based on table 1.4 and graph below it can be seen that the high frequency claims lies in relatively small Total Claim Incurred, while low frequency claims lies in relatively big Total Claim Incurred. 7

17 Frequency PT REASURANSI MAIPARK INDONESIA DESEMBER 2015 Tabel 1.4 Frekuensi Incurred Claim Underwriting Year 2015 Per 31 Desember 2015 Table 1.4 Frequency Incurred Claim Underwriting Year 2015 as at 31 December 2015 Incurred Claim () *) Claim Incurred ()*) *) Dalam Rupiah Frekuensi Jumlah Incurred Claim Rata-rata Incurred Claim Incurred Claim Tertinggi Inccured Claim Terendah Frequency Total Claim Incurred Average Claim Incurred Highest Claim Incurred Lowest Claim Incurred ,368,250 14,873,650 30,000,000 5,000, ,550,003 71,650, ,000,000 50,000, ,500, ,250, ,500, ,000, ,101,924, ,481, ,000, ,500, ,000, ,000, ,000, ,000, ,262, ,262, ,262, ,262, , ,000-1, ,100,000,000 1,100,000,000 1,100,000,000 1,100,000,000 1,500-2, ,000-2, ,500-3, ,000-4, ,000-5, ,000-7, ,500-10, ,000-20, ,000-50, , , , , ,000 - up Jumlah / Total 21 4,286,604,753 *) In IDR 10 FREQUENCY INCURRED CLAIM UY 2015 as at 31 Desember Frekuensi Frequency , ,500-1, ,000-1,500 2,500-2, ,000-2,500 4,000-3,000 Incurred Claim (Band) in million IDR 0 5,000-4, ,500-5, ,000-7, ,000-10, ,000-20, ,000-50, , ,000 0 up - 500,000 8

18 Dengan melihat tabel 1.5 tampak bahwa jumlah klaim terbesar berada pada Underwriting Year Klaim yang terbesar adalah pada okupasi Komersial, yaitu 99.66% dari total klaim di Underwriting Year 2013 atau Looking at table 1.5 below, it shows that the largest claim is in the Underwriting Year The largest claim is under Commercial occupation that is 99.66% of the total claim in Underwriting Year 2013 or Rp286.9 billion. sebesar Rp286,9 miliar. Tabel 1.5 Jumlah Klaim Berdasarkan Okupasi per 31 Desember 2015 Table 1.5 Claim Amount By Occupation as at 31 December 2015 Dalam Rupiah In IDR Underwriting Year Okupasi / Occupation Jumlah / Total % Jumlah / Total % Jumlah / Total % Jumlah / Total % Jumlah / Total % Agrikultural / Agricultural A Komersial / Commercial C 9,686,155, ,877,689, ,901,665, ,550, ,378,130, Industrial / Industrial I ,057, ,000, Residensial / Residential R 279,190, ,314, ,882, ,464, ,474, Jumlah / Total 9,965,345, ,906,003, ,881,606, ,015, ,236,604, Tabel 1.6 menyajikan kejadian Gempa Bumi Tahun 2015 dan Incurred Claim sampai dengan 31 Desember Table 1.6 shows earthquake events occurred in 2015 and the corresponding incurred claims as at 31 December Tabel 1.6 Kejadian Gempa Bumi Tahun 2015 dan Klaim per 31 Desember 2015 Table 1.6 Earthquake Event in 2015 and Claim as at 31 December 2015 Dalam Rupiah In IDR Kejadian Tanggal Kejadian Kekuatan Gempa (S.R) Event Date of Loss Magnitude (S.R) Klaim Claim Manado 19-Mar SR 15,832, Sorong 24-Sep SR 3,283,842, Pandeglang 4-Nov SR 1,100,000,

19 Gambar 3. Peta Intensitas dan ShakeMap Gempa Manado dan Sorong setelah kejadian (sumber peta intensitas: Picture 3. Intensity Map and ShakeMap Manado and Sorong Earthquake after event (intensity map sources: 10

20 Tabel 1.7 menyajikan klaim untuk event Manado, Sorong, Pandeglang perjenis okupasi. Table 1.7 shows Manado, Sorong, Pandeglang event by occupation. Tabel 1.7 Kejadian Gempa Bumi Tahun 2015 dan Klaim per Okupasi per 31 Desember 2015 Table 1.7 Earthquake Event in 2015 and Claim per Occupation as at 31 December 2015 Okupasi Occupation Kejadian Tanggal Kejadian Frekuensi / Frequency Jumlah (Dalam Rupiah) / Amount (In IDR) Event Date of Loss Agrikultural / Komersial / Industrial / Residensial / Agrikultural / Komersial / Industrial / Residensial / Agricultural Commercial Industrial Residential Agricultural Commercial Industrial Residential Manado 19-Mar ,832, Sorong 24-Sep ,175,368, ,000, ,474, Pandeglang 4-Nov ,100,000, Tabel di bawah ini adalah daftar klaim terbesar sampai dengan tanggal 31 Desember The table below is a list of the largest claims as at 31 December Daftar Klaim - Klaim Terbesar Posisi 31 Desember 2015 List of The Largest Claims as at 31 December 2015 Dalam Rupiah No. Kejadian Tanggal Kejadian Kekuatan Gempa (S.R) Klaim Event Date of Loss Magnitude (S.R) Claim 1 ACEH ,824,800, YOGYA ,242,751, PADANG ,480,129, BENGKULU ,986,738, PADANG ,782,942, TASIKMALAYA ,310,815, PARIAMAN ,083,832,055, BIMA ,046,593, MERAPI *) 27,499,741, KELUD *) 247,196,101, In IDR *) Penyebab terkait letusan gunung berapi *) Caused by volcanic eruption Tabel 1.8 menyajikan data jumlah polis dan loss ratio per 31 Desember Tabel tersebut menunjukkan bahwa loss ratio tertinggi berada pada Underwriting Year 2013 sebesar 6.35%. Hal Table 1.8 shows number of policies, and loss ratio as at 31 December The table show that the biggest loss ratio was at Underwriting Year 2013 i.e. 6.35%. It was 11

21 ini dipengaruhi oleh nilai klaim yang cukup tinggi yang mayoritas disebabkan dari Erupsi Gunung Kelud tahun influenced by large amount of claim that majority resulting from Kelud Eruption in Tabel 1.8 Jumlah Polis dan Loss Ratio per 31 Desember 2015 Table 1.8 Number of Policies and Loss Ratio as at 31 December 2015 Underwriting Jumlah Polis Premi *) Frekwensi Klaim Jumlah Klaim *) Year Number of Policies Premium *) Claim Frequency Incurred Claim *) Loss Ratio ,940 2,823,356,200, ,965,345, % ,274 2,719,609,848, ,906,003, % ,172 4,530,302,148, ,881,606, % ,621 5,004,519,735, ,015, % ,260 2,634,851,214, ,236,604, % Keterangan : *) Dalam Rupiah *) In IDR Tabel 1.9 menyajikan Premi dan Exposure per 31 Desember Table 1.9 shows Premium and Exposure as at 31 December Tabel 1.9 Premi dan Exposure per 31 Desember 2015 Table 1.9 Premium and Exposure as at 31 December 2015 Underwriting Year Premi Premium Dalam Jutaan Rupiah In Million IDR Exposure Exposure ,823, ,155,987, ,719, ,973,099, ,530, ,758,609, ,004, ,129,630, ,634, ,822,722, T O T A L 17,712, ,840,049,

22 Analisis Exposure/ Exposure Analysis Probable Maximum Loss (PML) Industri Asuransi Nasional Kualitas Data Menentukan Kualitas Manajemen Risiko Probable Maximum Loss (PML) of National Insurance Industry The data quality determines the risk management quality Sejarah Catastrophe Model Catastrophe model telah digunakan secara intensif di industri asuransi dan reasuransi pada satu dekade terakhir untuk melakukan penghitungan ekspektasi kerugian asuransi pada suatu kejadian bencana alam. Sebelum adanya catastrophe model, industri asuransi sudah melakukan estimasi atas kemungkinan kerugian dari total sum insured di suatu area yang dapat terjadi karena suatu kejadian gempa. Estimasi ini biasanya berdasarkan pengetahuan dan pengalaman atas kejadian gempa atau terkadang berdasarkan judgement subjektif. Namun demikian, estimasi dengan cara-cara tersebut tentu saja tidak dapat memberikan angka kemungkinan kerugian yang baik. Secara global, awal penerapan catastrophe model di industri asuransi dimulai pada akhir 1980an. Implementasi diawali di industri asuransi Amerika Serikat yang pada saat itu langsung dikalibrasi dengan terjadinya Badai Hugo pada 21 September 1989 di South Carolina dan Kejadian Gempa Loma Prieta, San Fransisco pada 17 Oktober Sampai dengan saat ini, catastrophe The History of Catastrophe Model Catastrophe model has been used intensively in insurance and reinsurance industry over the last decade to calculate the loss expectation from catastrophe events. Prior the existence of catastrophe model, insurance industry made estimation of the probable loss of total sum insured in a region when the catastrophe event struck. The estimation was made by experience and knowledge from historical earthquake event or occasionally by subjective judgement. Yet, it surely can t give the best figures of probable loss. Globally, early implementation of catastrophe model in insurance industry starts at late 1980s. It begins in United States which directly test by Hurricane Hugo at 21 September 1989 in South Carolina and followed by Loma Prieta earthquake in San Francisco at 17 October Until now, catastrophe model continue to evolve and improve. 13

23 model terus berkembang dan terus mengalami peningkatan. Perkembangan yang paling signifikan adalah tingkat penggunaan komputer dengan kemampuan komputasi yang tinggi dan penggunaan platform sistem informasi geografis (SIG) yang juga sangat membantu dalam melakukan disagregasi portofolio. Perusahaan asuransi di Indonesia, secara teori, mutlak memerlukan dan membutuhkan catastrophe model sebagai alat dalam mengelola risiko. Kejadian gempa selama 10 tahun terakhir adalah gambaran bahwa tingkat urgensi pemanfaatan catastrophe model dalam kegiatan manajemen risiko sudah tidak dapat ditunda. Untuk mengarah ke sana, pada tahap awal ini industri asuransi memerlukan basis data sum insured dengan resolusi tinggi. Selain itu pengembangan basis data katalog gempa dan penelitian ilmu kegempaan yang terus ditingkatkan. Peran Catastrophe Model Dalam Pengambilan Keputusan Proses yang terjadi di dalam catastrophe model secara sederhana dapat dijelaskan dalam tiga tahapan utama. Pertama adalah analisis tingkat bencana (hazard), dimana proses dimulai dengan pembuatan rangkaian gempa sintetis berdasarkan katalog histori dan analisis aktivitas patahan secara independen. Most significant developments are the level of computer used with high computing capabilities and the use of Geographic Information System (GIS) which very helpful in portfolio disaggregation. Theoretically, catastrophe model is a must for insurance companies in Indonesia as a risk management tool. Earthquake event in the last decade shows the urgency of catastrophe model in managing risk. At early stage, the insurance industry needs database of sum insured with high resolution. Else, the development of earthquake catalog and research in seismology. Role of Catastrophe Model in Decision Making Simply put, the process in catastrophe model is best explain in three major steps. First, the hazard analysis where it begins with the making of sequential synthetic earthquake based on historical catalog and fault activity analysis independently. This synthetic earthquake then 14

24 Gempa sintetis ini kemudian disimulasikan dan dihitung efeknya di permukaan tanah dengan memperhitungkan faktor-faktor - seperti origin gempa, jenis gempa yang dihasilkan dan jenis tanah di titik pengamatan. Proses kedua adalah manajemen eksposur. Di dalam modul ini, pengguna harus mendefiniskan lokasi dari tertanggung dengan sangat akurat. Lalu kemudian mendefinisikan kurva kerentanan sesuai dengan jenis bangunan itu sendiri. Modul ketiga adalah modul manajemen finansial dimana persilangan dua proses sebelumnya menimbulkan ekspektasi kerugian baik karena kerusakan bangunan, kerusakan content dan juga karena bussiness interuption. Sifat dari penghitungan yang sedari awal dilakukan secara probabilistik menghasilkan nilai kerugian yang juga probabilistik dalam bentuk kurva exceedence probability atau biasa dikonversi ke kurva PML pada periode ulang (return period). Keluaran catastrophe model berupa PML ini digunakan sebagai estimasi kemungkinan terburuk atas kerugian yang dapat terjadi. Nilai ini biasanya digunakan oleh perusahaan asuransi untuk menentukan batas atas dan retensi dari cover proteksi atas risiko yang kemudian diretrosesikan ke perusahaan reasuransi. Selain itu keluaran dari catastrophe model adalah average annual loss (AAL) yang secara sederhana dapat simulated and its effect is calculated on the soil surface with taking into account factors such as the origin of earthquake, the type of earthquake, and the type of soil in observation point. The second step is Exposure management. In this module, the user must define accurately the location of insured. Then, define the sensitivity curve accordance with the type of building construction. Third, financial module in which the crosses of two previous process create loss expectation either because of damage to the building, content, and also business interruption. The probabilistic nature of the calculation creates loss figure in exceedance probability curve and converted into PML curve at return period. PML as the output of catastrophe model is use to estimate the worst probable loss. The figure then used by insurance company to determine upper limit of own retention before purchasing reinsurance cover. Other output of catastrophe model is the average annual loss (AAL) which can be define as the minimum of annual premium collected by insurance company to cover probable loss. AAL is often serve as technical price of coverage portfolio and the comparison with the 15

25 diartikan sebagai premium tahunan minimum yang harus dikumpulkan oleh perusahaan asuransi untuk menutupi kerugian yang mungkin terjadi. AAL ini juga biasa disebut sebagai technical price atas portfolio yang ditanggung sehingga perbandingan antara nilai AAL dengan nilai produksi premi perusahaan di tahun tersebut dapat membantu perusahaan asuransi melakukan kontrol tentang seberapa baik penentuan harga yang sudah mereka lakukan dan seberapa cukup dana yang dicadangkan. Pada akhirnya, hal ini juga memungkinkan perusahaan asuransi untuk menunjukkan kecukupan modal untuk lembaga pemeringkat dengan judgement yang lebih baik. Tingkat Akurasi Data Alasan paling utama mengapa sering terjadinya kesalahan estimasi dalam penentuan kerugian akibat suatu kejadian gempabumi (atau peril lainnya) adalah kualitas data yang dimasukkan ke dalam catastrophe model tadi. Pelajaran terbaru untuk kasus ini adalah estimasi kerugian dari Badai Katrina yang terjadi pada tahun 2011 di New Orleans, Amerika Serikat (AS). Simulasi catastrophe model dengan tingkat resolusi per aggregate (per cresta) memunculkan angka potensial kerugian di bawah ekspektasi industri asuransi AS. Sehingga industri asuransi mengalami tuntutan klaim yang tidak pernah mereka duga sebelumnya. Hal ini memicu perubahan premium production can be used to control both pricing and fund reserve. Eventually, this allow insurance company to show capital adequacy with better judgement to the rating company. Level of Data Accuracy The main reason of frequent error in loss estimation of earthquake event (or other perils) is the quality of data input in the catastrophe model. Latest issue is the loss estimation of Hurricane Catrina in 2011 at New Orleans, United States. Catastrophe model simulation with resolution level per aggregate (per cresta) shows potential loss figure below expectation from insurance industry in United States. This drives practice transformation in insurance industry (i.e. tighten of peril definition in policy wording) and the application of catastrophe modeling where data input now focus on per risk basis. 16

26 praktik industri asuransi secara umum (misalnya pengetatan definisi peril di policy wording) dan praktik aplikasi catastrophe modeling secara khusus dimana input data yang tadinya per aggregate basis difokuskan menjadi per risk basis. Perusahaan asuransi AS akhirnya mengambil tindakan serius untuk menangani hal ini. Perusahaan asuransi berinvestasi secara masif untuk memastikan atribut dan kelengkapan informasi tertanggung seperti geo-lokasi (bujur dan lintang), jenis bangunan, jenis atap, umur bangunan dan bahkan sampai ke detail karakteristik sekunder bangunan seperti kekuatan pondasi, moment resisting frame, moment resisting wall dan lainnya. Hal ini dilakukan sebagai kompensasi atas praktik asuransi di tingkat akar rumput yang belum sensitif dan belum terbiasa dengan pengumpulan data yang baik dari para pemegang polis/ tertanggung. Di Indonesia, sejak tahun 2007 MAIPARK telah memperkenalkan template standar yang mengharuskan data tertanggung diisi sampai dengan detail kode pos. Namun demikian, secara praktik hal ini tidak berlangsung dengan baik. Sebelum sampai kepada kejadian bencana gempa di area high Exposure seperti Jakarta dan Bandung (knocking on wood), ada baiknya industri asuransi di Indonesia mulai diarahkan ke jalur Insurance companies in United States take serious action of this issue. They invested massively on catastrophe model to ensure the completeness of information i.e. geolocation (longitude and latitude), type of building, type of roof, age of building, and even to the detail of building s secondary characteristics such as the strength of foundation, moment resisting frame, moment resisting wall, etc. This action was taken as compensation of insurance practice at grass root which insensitive and unfamiliar with data collection from insured. In Indonesia, since 2007, MAIPARK has been introduced a standard template of which oblige the data of insured filled up to postal code. Although in practice it didn t go well. Before an earthquake event occurs in high Exposure region such as Jakarta and Bandung, it is better for Indonesia s insurance industry begin to improve data quality. It s time for insurance company to invest in equipment supporting data quality to help field agent fulfill the completeness of information from insured. 17

27 peningkatan kualitas data yang mempunyai tujuan utama adalah kontrol portofolio yang baik. Sudah saatnya perusahaan asuransi berinvestasi kepada peralatan pendukung kualitas data sehingga agen di lapangan dapat dengan mudah memenuhi informasi kelengkapan data tertanggung. Dengan berinvestasi dalam peningkatan kualitas data, perusahaan asuransi secara langsung telah meningkatkan kualitas risk management dan kontrol atas portofolio, dan secara tidak langsung menambah tingkat kepercayaan terhadap PML, meningkatkan efektifitas pembelian proteksi reasuransi, mereduksi perkiraan AAL yang pada akhirnya menghemat pengeluaran perusahaan. Analisis Eksposur Asuransi Gempabumi 2015 Pengembangan basis data dan analisis statistik asuransi gempabumi Indonesia adalah salah satu alasan utama pendirian MAIPARK. Perciptaan basis data yang baik dan reliable dinilai perlu untuk mendukung proses underwriting dan risk profilling asuransi gempabumi. Sejalan dengan waktu dan perkembangan teknologi, kebergantungan terhadap basis data dan statistik pun menjadi lebih tinggi. Beberapa perusahaan asuransi dan reasuransi Indonesia sudah sangat serius mempertimbangkan analisis statistik dan hasil By making such investment, insurance company will increase the quality of risk management and control over portfolio also adding confidence level of PML, increase the effectiveness of reinsurance cover, reduce the estimation of AAL, and eventually cut the cost of the company. Analysis of the Earthquake Insurance Exposure in 2015 The development of database and statistic analysis of earthquake insurance in Indonesia is one of the reason behind MAIPARK s establishment. Good and reliable database creation is a necessity to support underwriting process and risk profiling of earthquake insurance. As time evolve and the evolution of technology, dependency of database and statistic is higher than before. Several insurance and reinsurance companies take a serious consideration of statistic analysis and the output 18

28 cat-model sebagai dasar pengambilan keputusan untuk pengelolaan risiko gempabumi ini. Untuk tahun 2015 ini MAIPARK mencatat eksposur di tahun 2015 (on risk as at 31 Desember) adalah IDR 1,957,255,081,385,380,-. Penyebaran eksposur ini relatif sama dengan tahun-tahun sebelumnya. Gambar 1 memperlihatkan kepada kita bahwa distribusi eksposur terkonsentrasi di CRESTA 3 yang terdiri dari Provinsi DKI Jakarta, Jawa Barat dan Banten. Besaran eksposur di CRESTA 3 ini mencapai 57,22% atau sebesar 1,119,854,370,289,750.- Rupiah di tahun Dengan ketersedian data ini, MAIPARK melakukan simulasi catastrophe modelling secara nasional yang menghasilkan perkiraan kerugian dalam kurva PML seperti di gambar 1. from catastrophe modeling as the basis of decision making to manage earthquake risk. For 2015, MAIPARK records the Exposure on risk at IDR 1,957,255,081,385, The Exposure distribute relatively similar with the previous years. Figure 1 shows the Exposure distribution concentrate at CRESTA 3 which consist the Province of DKI Jakarta, West Java, and Banten. The Exposure in CRESTA 3 reach 57.22% or equal to IDR 1,119,854,370,289,750 in With this available data, MAIPARK simulated national catastrophe modelling that result approximately PML loss curve as in Picture 1. Gambar 1. Nilai PML ini adalah gambaran secara nasional semua portfolio asuransi gempabumi di tahun 2015, sehingga angka ini tidak dapat dijadikan acuan spesifik bagi satu perusahaan dikarenakan sebaran risiko dan nilai eksposur yang berbeda untuk tiap perusahaan. 19

29 Figure 1. The PML serve as a national illustration for all earthquake insurance portfolio in It can t be made as a specific reference for one company since the risk distribution and the Exposure amount is differ for each company. Nilai PML untuk skala nasional ini menggambarkan kemugkinan terjadinya kerugian akibat gempa-gempa yang mungkin terjadi di masa datang. Bila kita ambil satu titik di return period 500 tahun dimana nilai kemungkinan kerugian adalah 19.5 Trilyun atau 1.0% dari total eksposur, maka secara statistik hal ini dapat diinterpretasikan bahwa ada probabilitas 99.8% bahwa industri asuransi akan menderita kerugian sampai dengan Rp19.5 Trilyun dan ada 0.2% probabilitas industri asuransi akan mengalami kerugian lebih dari Rp19.5 Trilyun. Harus seberapa percayakah kita dengan PML tersebut? Hal ini dikembalikan lagi kepada akurasi data seperti yang dijelaskan pada bagian sebelumnya. Sebagaimana data yang diberikan dengan tingkat resolusi sampai dengan Kabupaten, maka perlu diperhitungkan juga uncertainty. Loading dengan bobot tertentu harus diberikan untuk mengantisipasi uncertainty yang muncul. The PML amount for national scale illustrates the probable loss in the future of earthquakes. Take one point in the return period of 500 years where the amount of probable loss is IDR 19.5 trillion or 1% of total Exposure, then statistically it can be interpreted there is a probability of 99.8% that the insurance industry will suffer of loss up to IDR 19.5 trillion and there is a probability of 0.2% that the insurance industry will suffer of loss more than Rp19.5 trillion. How confidence are we with PML? It all go back to the data accuracy as explained before. As the data given with resolution level up to District area, then the uncertainty must be taken into account. The loading with certain weight must be given to anticipate the uncertainty that might occur. 20

30 Ulasan Aktuaria / Actuarial Commentary Truncation dan Modifikasi pada Nilai Nol Truncation and Modification at Zero Misalkan seorang aktuaris ingin memodelkan distribusi peluang suatu peubah acak diskrit N yang menyatakan frekuensi atau banyak klaim yang diajukan suatu risiko atau pemegang polis dalam suatu periode asuransi (misalnya satu tahun). Dapat saja terjadi bahwa tidak terdapat pengamatan bernilai nol atau Pr (N = 0) = 0 pada periode tersebut; berarti tiap risiko mengajukan klaim paling sedikit satu kali. Sebaliknya, dapat saja terjadi bahwa sangat banyak risiko atau pemegang polis yang tidak mengajukan klaim; dengan kata lain, peluang peubah acak N bernilai nol sangat besar. Oleh karena itu, penentuan model distribusi peluang dengan memodifikasi nilai peluang di titik nol menjadi salah satu perhatian penting dan akan dibahas pada ulasan aktuaria berikut ini. Mengikuti definisi peubah acak N seperti tersebut di atas, misalkan fungsi massa peluang perubah acak N adalah Suppose an actuary desires to model the probability distribution of a discrete random variable N denotes frequency or the number of claims reported by risks or policyholders within a period of insurance (e.g. one year). The possibilities are no observation at zero or Pr(N = 0) = 0 during the period; i.e. any risks claimed at least one. Otherwise, it may be numerous risks or policyholders are not claimed; i.e. the probability of a random variable N at zero has the largest value. Therefore, the probability distribution model selection by modifying probability value at zero play special attention and it will be discussed in this actuarial review section. Consider a random variable N defined above, suppose the probability mass function of a random variable N is p k = Pr(N = k), Definisi 1 Misalkan p k suatu fungsi massa peluang dari suatu peubah acak diskrit. Suatu distribusi peluang diskrit dikatakan termasuk ke k = 0,1,2, Definition 1 let p_k be the probability mass function of a discrete random variable.it is a member of the (a,b,0) class of distributions 21

31 dalam kelas (a, b, 0) apabila terdapat konstanta a dan b sedemikian sehingga, provided that there exists constants a and b such that, p k p k 1 = a + b k Beberapa distribusi peluang yang termasuk ke dalam kelas (a, b, 0) adalah distribusi Poisson, binomial, binomial negatif, dan geometri. Nilai a dan b untuk keempat distribusi tersebut diberikan pada Tabel 1., k = 1, 2, 3, The Poisson, binomial, negative binomial, and geometric distributions belong to a class (a, b, 0). The values of a and b for the four distributions are summarized in Table 1. Tabel 1 : Kelas Distribusi (a, b, 0) Table 1 : The (a, b, 0) Class Distributions Distribution a b p 0 Poisson (λ) 0 λ e λ Binomial (q, m) q q (m + 1) (1 q) m 1 q 1 q Binomial Negatif (r, β) β β (1 + β) r (r 1) 1 + β 1 + β Geometri (β) β 1 + β 0 (1 + β) 1 Jika p 0 pada distribusi peluang yang termasuk ke dalam kelas (a, b, 0) dimodifikasi, maka distribusi peluang yang bersangkutan masuk ke dalam kelas distribusi (a, b, 1). Definisi 2 Misalkan p k suatu fungsi massa peluang dari peubah acak diskrit. Suatu distribusi diskrit dikatakan termasuk dalam kelas (a, b, 1) apabila terdapat konstanta a dan b sedemikian sehingga, If p 0 in probability distributions belong to the (a, b, 0) class has been modified, then its probability distribution belong to the (a, b, 1) class. Definition 2 Let p_k be the probability mass function of a discrete random variable.it is a member of he (a,b,1) class of distributions provided that there exists constants a and b such that, p k p k 1 = a + b k, k = 2, 3, 4, 22

32 Apabila untuk suatu distribusi peluang di kelas (a, b, 0), nilai p 0 dimodifikasi menjadi suatu nilai p 0 > 0 yang ditentukan dari data (sampel) yang diperoleh, maka distribusi peluang di kelas (a, b, 1) disebut distribusi zero modified. Apabila sampel menunjukkan bahwa tidak ada observasi bernilai nol atau p 0 = 0, maka distribusi peluang di kelas (a, b, 1) disebut distribusi zero truncated. Distribusi peluang M zero modified diberi notasi p k dan distribusi peluang zero truncated diberi T M notasi p k. Hubungan antara p k dan p k adalah: When the value of p 0 in the (a, b, 0) class has been modified become certain value p 0 > 0 based on data (sample), the probability distribution in the (a, b, 1) class is called the zero-modified distribution. If the sample represented no observation at zero or p 0 = 0, then the probability distribution in the (a, b, 1) class is called the zero-truncated distribution. The notation for zero-modified M distribution will use p k and zero-truncated distribution will use p T M k. p k is related to p k as follows : p k M = c p k, dengan c > 0, k = 1, 2, 3, dapat ditunjukkan bahwa it can be shown that c = 1 p 0 M 1 p 0 karena untuk distribusi zero truncated nilai p 0 M = 0, maka since p 0 M = 0 for zero-truncated distribution, then p k T = Anggota distribusi peluang diskrit untuk kelas (a, b, 1) seperti tertera pada Tabel 2. p k 1 p 0, for k = 1, 2, 3,. The members of discrete probability distribution belong to the (a, b, 1) class are summarized in Table 2. 23

33 Tabel 2 : Kelas Distribusi (a, b, 1) Table 2 : The (a, b, 1) class Distribution p 0 a b Parameter space Poisson (λ) e λ 0 λ λ > 0 ZT Poisson 0 0 λ λ > 0 ZM Poisson Arbitrary 0 λ λ > 0 Binomial (q, m) (1 q) m q q (m + 1) 0 < q < 1 1 q 1 q ZT Binomial 0 q q (m + 1) 0 < q < 1 1 q 1 q ZM Binomial Arbitrary q q (m + 1) 0 < q < 1 1 q 1 q Negative Binomial (β, r) (1 + β) r β β r > 0, β > 0 (r 1) 1 + β 1 + β ETNB 0 β β r > 1, β > 0 (r 1) 1 + β 1 + β ZM ETNB Arbitrary β β r > 1, β > 0 (r 1) 1 + β 1 + β Geometric (β) (1 + β) 1 β 0 β > β ZT Geometric 0 β 0 β > β ZM Geometric Arbitrary β 1 + β 0 β > 0 Logarithmic 0 β β β > β 1 + β ZM Logarithmic Arbitrary β β β > β 1 + β ZT : Zero-Truncated; ZM : Zero-Modified; ETNB: Extended Truncated Negative Binomial Misalkan N adalah peubah acak dengan peluang di titik nol sudah dimodifikasi; dengan kata lain, distribusi peluang N termasuk ke dalam kelas (a, b, 1). Maka untuk menentukan mean dan variansi dari N, digunakan definisi momen ke r sebagai berikut: Let N be a random variable with probability at zero has been modified; in other words, the probability distribution of N belong to (a, b, 1) class. To compute the mean and variance of N used definition of the rth moment as follows: E[(N ) r ] = k r p k M k=0 = k r M p k = c k r p k = c E(N r ) k=1 k=1 24

34 Contoh Misalkan N adalah peubah acak yang menyatakan frekuensi klaim di suatu perusahaan asuransi XYZ. Setelah dilakukan model fitting, diperoleh N ~ Binomial (0,3 ; 4). Fungsi massa peluang suatu distribusi binomial dengan parameter q dan m adalah: Example Suppose N be a random variable denotes the frequency claim in insurance company XYZ. Let N ~ Binomial (0.3 ; 4) after model fitting. The probability mass function of binomial distribution with parameters are q and m is Pr(N = k) = p k = ( m k ) qk (1 q) m k, k = 0,1,, m Untuk q = 0,3 dan m = 4 diperoleh tabel peluang untuk peubah acak N sebagai berikut: For q = 0.3 and m = 4, the probability table of a random variable N is: k Pr (N = k) 0 0, , , , ,0081 Total 1 Apabila dilakukan perhitungan untuk distribusi zero truncated binomial; dan distribusi zero modified binomial dengan p M 0 = 0,4 diperoleh tabel peluang berikut: The calculation of zero truncated binomial distribution; and zero modified binomial distribution with p M 0 = 0.4 obtained in the following probability table: k Pr (N = k) Zero Modified, c = Zero Truncated, c = Sum

35 Probability Probability Probability PT REASURANSI MAIPARK INDONESIA DESEMBER ,5 0,4 BINOMIAL DISTRIBUTION (0.3 ; 4) 0,4116 0,3 0,2 0,2401 0,2646 0,1 0 0,0756 0, N 0,5 0,4 0,3 0,2 0,1 0 ZERO-MODIFIED BINOMIAL (0.3 ; 4) 0,4 0,325 0,2089 0,0597 0, N ZERO-TRUNCATED BINOMIAL (0.3 ; 4) 0,6 0,5417 0,4 0,2 0 0,3482 0, , N 26

36 Di bawah ini diberikan perhitungan mean dan variansi dari masing-masing distribusi peluang untuk peubah acak frekuensi N, diperoleh: The calculation of mean and variance for each distributions below given for a random variable frequency N, its obtained: E(N) = m q = 4 0,3 = 1,2. Var(N) = m q (1 q) = 4 0,3 0,7 = 0,84. E(N 2 ) = Var(N) + E(N) 2 = 0,84 + 1,2 2 = 2,28. Mean dari distribusi zero modified binomial adalah: The mean of zero modified binomial distribution is: c E(N) = = Akibatnya, diperoleh variansi sebesar: The second moment of zero modified binomial is: 1, = 0, Mean dari distribusi zero truncated binomial adalah: The mean of zero truncated binomial is: c E(N) = 1,3160 1,2 = 1,5792. Momen ke-2 dari distribusi zero truncated binomial adalah: The second moment of zero truncated binomial is: c E(N 2 ) = 1,3160 2,28 = 3, Akibatnya, diperoleh variansi sebesar: Thus, its variance is: 3, , = 0, Apabila dibandingkan, diperoleh mean dan variansi yang berbeda untuk masing-masing In comparison, the mean and variance for each distributions are different and summarized in the following table: 27

37 distribusi peluang yang dirangkum pada tabel berikut: DISTRIBUSI MEAN VARIANSI Binomial (0, 3 ; 4) 1, 2 0, 84 Zero Modified Binomial (0, 3 ; 4) 0, , Zero Truncated Binomial (0, 3 ; 4) 1, , Referensi / Reffrence 1. Klugman, S.A., Panjer, H. H., and Wilmot, G. E. (2004). Loss Models : From Data to Decisions. Second edition. John Wiley and Sons Publication. 2. Tse, Y. (2009). Nonlife Actuarial Models Theory : Methods and Evaluation. United States of America : Cambridge University Press. 28

38 Ulasan Asuransi / Insurance Commentary Penetrasi Asuransi Gempabumi Indonesia Peranan Industri Asuransi Melindungi Area Rawan Gempa The penetration of Earthquake insurance in Indonesia The Role of Insurance Industry in protecting the Earthquake Prone Areas Adverse selection adalah salah satu hal diduga dapat menyebabkan failure dalam industri asuransi bencana alam. Mengacu pada tingkat risiko bencana gempabumi di Indonesia, kebijakan adverse selection ini malah satu hal yang dapat saja menjadi bumerang bagi suatu perusahan asuransi. Hal ini (mungkin) masih umum terjadi karena pemahaman atas risiko dan sifat natural dari kejadian gempabumi ini yang belum dipahami dengan baik. Kebijakan untuk tidak melakukan penutupan di beberapa provinsi tertentu karena area tersebut baru saja terdampak gempabumi adalah pemahaman yang sedikit keliru. Sebut saja area Sumatera Barat terutama Kota Padang sebagai contoh kasus karena terdampak gempa signifikan pada tahun 2009 yang lalu. Respon kaget industri asuransi adalah mengecualikan Padang dalam target pemasaran mereka, padahal risiko Padang tetaplah sama dibandingkan dengan area lain di zona tinggi sesuai dengan pembagian zona asuransi gempabumi Indonesia. Justru sebaliknya, industri asuransi bisa dengan gencar dan efektif mengambil peran dalam manajemen risiko bencana dan melakukan promosi pentingnya asuransi Adverse selection allegedly is one of the failure cause in catastrophe insurance industry. Referring to the risk level of the earthquake in Indonesia, adverse selection policy is one thing that could be a boomerang for an insurance company. It is (probably) still happen commonly due to the lack of understanding of the nature and risk of the earthquake event. The policy to exclude certain provinces that has just affected by earthquake was a misinterpretation. For example in Sumatera Barat area especially the City of Padang due to significant earthquake in Overreacted respons of the insurance industry is to exclude it in their marketing targets, whereas risk of Padang has the same risks to the other high zone area referring to the Indonesian earthquake zoning On the contrary, insurance industry aggresively and effectively took part in the disaster risk management and promote the important part about insurance on the recovery 29

39 dalam tahapan recovery setelah bencana. Karena di lain sisi, walaupun stigma dan asumsi yang ada di masyarakat bawah mengenai asuransi secara umum adalah negatif, namun demikian untuk urusan gempabumi hal ini sedikit berbeda. Dari data statistik penutupan asuransi di beberapa area setelah gempa, permintaan untuk penutupan asuransi justru meningkat. phase after disaster. Eventhough low class society in general has negative stigma and presumption about insurance, a little different for the earthquake. From the statistical data of the insurance in some areas after the earthquake, the demand for insurance coverage were increases. Gambar4. Peta Intensitas dan grafik peningkatan jumlah risiko (number of risk) penutupan asuransi untuk okupansi rumah tinggal di Provinsi Nanggroe Aceh Darusslam setelah kejadian Gempa Aceh 26 Desember 2004 Mw 9.25 (intensity map sources: Picture4. Intensity map and number of risk chart on increasing insurance write for residential occupacy in Nanggroe Aceh Darusslam Provincei after Aceh Earthquake 26 December 2004 Mw 9.25 (intensity map sources:: 30

40 Gambar5. Peta Intensitas dan grafik peningkatan jumlah risiko (number of risk) penutupan asuransi untuk okupansi rumah tinggal di Provinsi Daerah Istimewa Yogyakarta setelah kejadian Gempa Yogya 27 Mei 2007 Mw 6.3 (sumber peta intensitas: Picture 5. Intensity map and number of risk chart on increasing insurance write for residential occupacy in Daeray Istimewa Yogyakarta Province after Yogya Earthquake 27 Mei 2007 Mw 6.3 (intensity map sources: Gambar 6. Peta Intensitas dan grafik peningkatan jumlah risiko (number of risk) penutupan asuransi untuk okupansi rumah tinggal di Kota Bengkulu setelah kejadian Gempa Bengkulu 12 September 2007 Mw 8.5 (sumber peta intensitas: Picture 6. Intensity map and number of risk chart on increasing insurance write for residential occupacy in City of Bengkulu after Bengkulu Earthquake 12 September 2007 Mw 8.5 (intensity map sources: 31