Article Per Year (5 Year)
p-Index From 2020 - 2025
1.347
P-Index
This Author published in this journals
All Journal Kubik Jurnal Teknik Informatika UNIKA Santo Thomas KUBIK: Jurnal Publikasi Ilmiah Matematika Premium: Insurance Business Journal Jurnal Teknik Informatika Unika Santo Thomas (JTIUST) TeknoKreatif: Jurnal Pengabdian kepada Masyarakat
Listiani, Amalia
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Mathematics Social Sciences Other

Published : 8 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 8 Documents
Search

 1 
ESTIMASI CADANGAN KLAIM MENGGUNAKAN METODE KALMAN FILTER DENGAN STATE SPACE MODEL SCALAR PADA PRODUK ASURANSI UMUM Manurung, Chintya Carissa; Yulita, Tiara; Listiani, Amalia
KUBIK Vol 9, No 2 (2024): KUBIK: Jurnal Publikasi Ilmiah Matematika
Publisher : Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sunan Gunung Djati Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Usually, there is a delay in reporting claims from the time of the incident which results in the insurance company having a responsibility or debt. Therefore, insurance companies need to prepare funds to cover these debts, namely with claims reserves. There are two types of claim reserves, namely Incurred But Not Reported (IBNR) and Reported But Not Settled (RBNS). This research focuses on determining the estimation of aggregate claim reserves using the Kalman Filter method with scalar State Space Models (SSMs) which is a model resulting from the development of the Chain Ladder (CL) method. The Kalman Filter method with SSMs is a stochastic method that takes into account the time series model so that it can predict the temporal dynamics of a system more accurately. The results of forecasting claim reserves using the Kalman Filter method with SSMs will be compared with the CL method. Variational Of Coefficient (VOC) is an error predictor to determine the best method. The calculation results using the Kalman Filter method with SSMs produce a smaller VOC value than the CL method, proving that the Kalman Filter method with SSMs is better than CL.
Pelatihan Pengolahan dan Analisa Data Statistik Untuk Meningkatkan Kompetensi Guru SMPN di Kalianda, Lampung Selatan Andirasdini, Indah Gumala; Sofia, Ayu; Lestari, Fuji; Listiani, Amalia; Yulita, Tiara; Julianty, Dila Tirta; Rivai, Muklas
TeknoKreatif: Jurnal Pengabdian kepada Masyarakat Vol 4 No 2 (2024): TEKNOKREATIF : Jurnal Pengabdian kepada Masyarakat Volume 4 No 2
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LP2M), Institut Teknologi Sumatera, Lampung, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35472/teknokreatif.v4i2.1875

Abstract

Salah satu wujud pengembangan diri seorang guru adalah dengan melakukan dan menulis laporan penelitian. Penelitian dan penulisan laporan hasil penelitian terkait kinerja pembelajaran seorang guru merupakan salah satu upaya evaluasi (refleksi) terhadap kinerja seorang guru di dalam kelas. Evaluasi ini dilakukan dengan melaksanakan Penelitian Tindakan Kelas (PTK). Permasalahan yang terjadi pada PTK adalah kurangnya kompetensi guru dalam melakukan pengolahan data, menggunakan tools, dan menerapkan model-model statistika yang cocok untuk kasus-kasus yang terjadi di kelas. Pada jurnal ini membahas peningkatan kompetensi guru-guru SMPN melalui pelatihan olah data dan analisis data statistik menggunakan JASP. Tingkat pemahaman dan kompetensi guru diukur menggunakan kuesioner yang diberikan pada sebelum dan setelah melakukan pelatihan. Pelatihan ini memberikan perubahan tingkat pemahaman dan kompetensi yang signifikan berdasarkan bidang kompetensi yang ditanyakan. Hal ini dapat dilihat dari gap responden yang diperoleh saat sebelum pelatihan dan setelah pelatihan dilakukan.
ESTIMASI CADANGAN KLAIM MENGGUNAKAN METODE KALMAN FILTER DENGAN STATE SPACE MODEL SCALAR PADA PRODUK ASURANSI UMUM Manurung, Chintya Carissa; Yulita, Tiara; Listiani, Amalia
KUBIK Vol 9, No 2 (2024): KUBIK: Jurnal Publikasi Ilmiah Matematika
Publisher : Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sunan Gunung Djati Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Usually, there is a delay in reporting claims from the time of the incident which results in the insurance company having a responsibility or debt. Therefore, insurance companies need to prepare funds to cover these debts, namely with claims reserves. There are two types of claim reserves, namely Incurred But Not Reported (IBNR) and Reported But Not Settled (RBNS). This research focuses on determining the estimation of aggregate claim reserves using the Kalman Filter method with scalar State Space Models (SSMs) which is a model resulting from the development of the Chain Ladder (CL) method. The Kalman Filter method with SSMs is a stochastic method that takes into account the time series model so that it can predict the temporal dynamics of a system more accurately. The results of forecasting claim reserves using the Kalman Filter method with SSMs will be compared with the CL method. Variational Of Coefficient (VOC) is an error predictor to determine the best method. The calculation results using the Kalman Filter method with SSMs produce a smaller VOC value than the CL method, proving that the Kalman Filter method with SSMs is better than CL.
Premi Kredibilitas Asuransi Kredit Usaha Rakyat dengan Model Buhlmann Straub Credibility Listiani, Amalia; Julianty, Dila Tirta
Premium Insurance Business Journal Vol. 9 No. 2 (2022): PREMIUM INSURANCE BUSINESS JOURNAL
Publisher : Pusat Penelitian dan Pengabdian Kepada Masyarakat Sekolah Tinggi Manajemen Asuransi Trisakti

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35904/premium.v9i2.35

Abstract

Asuransi kredit merupakan penjaminan risiko terhadap risiko pembayaran akibat adanya kemungkinan gagal bayar. Salah satu produk dan merupakan program dari pemerintah adalah Kredit Usaha Rakyat (KUR) yang diperuntukkan untuk usaha mikro, kecil, dan menengah. Program ini memiliki risiko adanya gagal bayar dari debitur kepada peminjam dalam hal ini adalah Bank. Pada penelitian ini observasi yang dilakukan adalah pada Bank BNI, BRI, dan Mandiri dimana data diperoleh dari salah satu perusahaan Asuransi Kredit. Model yang digunakan adalah Model Buhlmann Straub yang merupakan model dengan pendekatan kredibilitas. Model ini banyak digunakan dalam perhitungan asuransi baik dalam asuransi jiwa maupun asuransi umum. Asuransi kredit merupakan lini asuransi umum, sehingga model ini dapat digunakan. Berdasarkan hasil dari penelitian, maka diperoleh premi kredibilitas untuk Bank BNI adalah sebesar Rp62.628.199 dengan faktor kredibilitas 0,9594. Bank BRI premi kredibilitas adalah Rp8.999.924 dengan factor kredibilitas adalah 0,9982, dan untuk Bank Mandiri premi kredibilitasnya adalah Rp23.693.664 dengan factor kredibilitasnya adalah 0,9625.
Prediksi Penyakit Daun Pisang Menggunakan Metode LSTM (Long Short-Term Memory) Ba’its, Alfian Kafilah; Bagaskara, Radhinka; Setiawan, Andika; Yulita, Winda; Harmiansyah, Harmiansyah; Listiani, Amalia; Untoro, Meida Cahyo; Drantantiyas, Nike Dwi Grevika; Faisal, Amir; Anggraini, Leslie; Febrianto, Andre; Aprilianda, Mohamad Meazza; Fitrawan, Mhd. Kadar
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dalam sektor pertanian, tanaman yang memiliki peran signifikan dalam skala global adalah pisang, yaitu buah yang mudah didapatkan, dapat tumbuh dimana saja, memiliki gizi yang tinggi, serta memiliki nilai ekonomi & budaya yang tinggi. Pisang mempunyai kontribusi yang signifikan terhadap pendapatan nasional Indonesia, terutama di Provinsi Lampung sebagai penghasil pisang nasional terbesar. Tetapi, proses produksi pisang seringkali mengalami kendala, salah satunya karena faktor serangan penyakit Black Sigatoka. Penyakit tersebut memberikan kerugian pada tanaman pisang, seperti daun yang meranggas, panen tertunda, bakal buah rontok, dan kualitas buah yang rendah, dan dapat menyebar melalui aliran udara atau percikan air hujan. Tingkat keparahan penyakit Black Sigatoka perlu diprediksi agar penyakit tersebut dapat dikontrol dan dapat dicegah sedini mungkin. Model yang digunakan untuk memprediksi permasalahan ini dalam jangka panjang adalah model Long Short-Term Memory (LSTM), salah satu jenis dari arsitektur Recurrent Neural Network (RNN), yang mempunyai kinerja yang baik dan mempunyai model yang prediktif. Aplikasi LSTM diterapkan terhadap dataset pohon pisang yang terdampak penyakit Black Sigatoka. Hasil dari model LSTM dalam melakukan prediksi penyakit Black Sigatoka menghasilkan model dengan nilai error yang kecil, dengan nilai MAE dan MAPE masing-masing sebesar 0.084 dan 5.7%
Prediksi Penyakit Daun Pisang Menggunakan Metode LSTM (Long Short-Term Memory) Ba’its, Alfian Kafilah; Bagaskara, Radhinka; Setiawan, Andika; Yulita, Winda; Harmiansyah, Harmiansyah; Listiani, Amalia; Untoro, Meida Cahyo; Drantantiyas, Nike Dwi Grevika; Faisal, Amir; Anggraini, Leslie; Febrianto, Andre; Aprilianda, Mohamad Meazza; Fitrawan, Mhd. Kadar
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dalam sektor pertanian, tanaman yang memiliki peran signifikan dalam skala global adalah pisang, yaitu buah yang mudah didapatkan, dapat tumbuh dimana saja, memiliki gizi yang tinggi, serta memiliki nilai ekonomi & budaya yang tinggi. Pisang mempunyai kontribusi yang signifikan terhadap pendapatan nasional Indonesia, terutama di Provinsi Lampung sebagai penghasil pisang nasional terbesar. Tetapi, proses produksi pisang seringkali mengalami kendala, salah satunya karena faktor serangan penyakit Black Sigatoka. Penyakit tersebut memberikan kerugian pada tanaman pisang, seperti daun yang meranggas, panen tertunda, bakal buah rontok, dan kualitas buah yang rendah, dan dapat menyebar melalui aliran udara atau percikan air hujan. Tingkat keparahan penyakit Black Sigatoka perlu diprediksi agar penyakit tersebut dapat dikontrol dan dapat dicegah sedini mungkin. Model yang digunakan untuk memprediksi permasalahan ini dalam jangka panjang adalah model Long Short-Term Memory (LSTM), salah satu jenis dari arsitektur Recurrent Neural Network (RNN), yang mempunyai kinerja yang baik dan mempunyai model yang prediktif. Aplikasi LSTM diterapkan terhadap dataset pohon pisang yang terdampak penyakit Black Sigatoka. Hasil dari model LSTM dalam melakukan prediksi penyakit Black Sigatoka menghasilkan model dengan nilai error yang kecil, dengan nilai MAE dan MAPE masing-masing sebesar 0.084 dan 5.7%
ESTIMASI CADANGAN KLAIM MENGGUNAKAN METODE KALMAN FILTER DENGAN STATE SPACE MODEL SCALAR PADA PRODUK ASURANSI UMUM Manurung, Chintya Carissa; Yulita, Tiara; Listiani, Amalia
KUBIK Vol 9 No 2 (2024): KUBIK: Jurnal Publikasi Ilmiah Matematika
Publisher : Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sunan Gunung Djati Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Usually, there is a delay in reporting claims from the time of the incident which results in the insurance company having a responsibility or debt. Therefore, insurance companies need to prepare funds to cover these debts, namely with claims reserves. There are two types of claim reserves, namely Incurred But Not Reported (IBNR) and Reported But Not Settled (RBNS). This research focuses on determining the estimation of aggregate claim reserves using the Kalman Filter method with scalar State Space Models (SSMs) which is a model resulting from the development of the Chain Ladder (CL) method. The Kalman Filter method with SSMs is a stochastic method that takes into account the time series model so that it can predict the temporal dynamics of a system more accurately. The results of forecasting claim reserves using the Kalman Filter method with SSMs will be compared with the CL method. Variational Of Coefficient (VOC) is an error predictor to determine the best method. The calculation results using the Kalman Filter method with SSMs produce a smaller VOC value than the CL method, proving that the Kalman Filter method with SSMs is better than CL.
ESTIMASI CADANGAN KLAIM MENGGUNAKAN METODE KALMAN FILTER DENGAN STATE SPACE MODEL SCALAR PADA PRODUK ASURANSI UMUM Manurung, Chintya Carissa; Yulita, Tiara; Listiani, Amalia
KUBIK Vol 9 No 2 (2024): KUBIK: Jurnal Publikasi Ilmiah Matematika
Publisher : Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sunan Gunung Djati Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Usually, there is a delay in reporting claims from the time of the incident which results in the insurance company having a responsibility or debt. Therefore, insurance companies need to prepare funds to cover these debts, namely with claims reserves. There are two types of claim reserves, namely Incurred But Not Reported (IBNR) and Reported But Not Settled (RBNS). This research focuses on determining the estimation of aggregate claim reserves using the Kalman Filter method with scalar State Space Models (SSMs) which is a model resulting from the development of the Chain Ladder (CL) method. The Kalman Filter method with SSMs is a stochastic method that takes into account the time series model so that it can predict the temporal dynamics of a system more accurately. The results of forecasting claim reserves using the Kalman Filter method with SSMs will be compared with the CL method. Variational Of Coefficient (VOC) is an error predictor to determine the best method. The calculation results using the Kalman Filter method with SSMs produce a smaller VOC value than the CL method, proving that the Kalman Filter method with SSMs is better than CL.
Co-Authors Andika Setiawan, Andika Andirasdini, Indah Gumala Anggraini, Leslie Aprilianda, Mohamad Meazza Bagaskara, Radhinka Ba’its, Alfian Kafilah Dila Tirta Julianty Drantantiyas, Nike Dwi Grevika Faisal, Amir Febrianto, Andre Fitrawan, Mhd. Kadar Fuji Lestari Harmiansyah, Harmiansyah Manurung, Chintya Carissa Rivai, Muklas Sofia, Ayu Untoro, Meida Cahyo Yulita, Tiara Yulita, Winda