Pendahuluan

Ilmu aktuaria lahir dari satu pertanyaan yang sederhana tetapi sangat kuat:

Bagaimana kita mengambil keputusan keuangan hari ini ketika pembayaran, kerugian, kematian, sakit, kecelakaan, pensiun, atau bencana baru akan diketahui di masa depan?

Pertanyaan ini muncul di banyak tempat. Perusahaan asuransi jiwa harus menentukan premi untuk manfaat kematian yang mungkin dibayarkan puluhan tahun kemudian. Perusahaan asuransi umum harus memperkirakan total klaim kendaraan, kebakaran, kesehatan, atau tanggung gugat yang belum tentu terjadi dan belum tentu segera dilaporkan. Dana pensiun harus memastikan bahwa janji manfaat kepada peserta dapat dipenuhi ketika peserta pensiun. Regulator perlu menilai apakah suatu perusahaan memiliki modal yang cukup untuk melindungi pemegang polis. Manajemen perusahaan perlu memahami risiko mana yang dapat diterima, risiko mana yang perlu dikurangi, dan risiko mana yang harus dialihkan melalui reasuransi atau strategi lain.

Dalam semua contoh tersebut, ada tiga unsur yang selalu hadir: ketidakpastian, uang, dan waktu. Ilmu aktuaria mempelajari cara menggabungkan ketiganya secara matematis, praktis, dan bertanggung jawab.

Mengapa ilmu aktuaria diperlukan?

Misalkan ada seseorang bernama Dina. Dina berusia 35 tahun dan ingin membeli asuransi jiwa yang akan membayar Rp500.000.000 kepada keluarganya jika ia meninggal dalam satu tahun ke depan. Dari sudut pandang Dina, peristiwa kematian dalam satu tahun adalah sesuatu yang tidak pasti. Dari sudut pandang perusahaan asuransi, pertanyaannya menjadi lebih luas: jika ada 100.000 orang seperti Dina membeli polis serupa, berapa banyak klaim yang mungkin terjadi? Berapa total pembayaran klaim? Berapa premi yang wajar? Berapa cadangan yang harus disiapkan? Berapa modal tambahan yang diperlukan jika jumlah klaim ternyata jauh lebih besar dari perkiraan?

Di sinilah cara berpikir aktuaria masuk.

Ilmu aktuaria tidak hanya bertanya, “Berapa rata-ratanya?” Ilmu aktuaria juga bertanya:

• Seberapa besar penyebaran hasil di sekitar rata-rata?
• Seberapa buruk kerugian yang mungkin terjadi dalam skenario ekstrem?
• Apakah risiko-risiko tersebut saling bebas, atau justru bergerak bersama?
• Apakah data masa lalu cukup relevan untuk memprediksi masa depan?
• Bagaimana nilai uang berubah karena waktu dan suku bunga?
• Bagaimana keputusan teknis ini harus dikomunikasikan kepada manajemen, regulator, pemegang polis, dan masyarakat?

Pertanyaan-pertanyaan tersebut membuat ilmu aktuaria berada di persimpangan antara probabilitas, statistika, matematika keuangan, ekonomi, manajemen risiko, hukum, regulasi, dan komunikasi profesional. Buku-buku aktuaria modern menempatkan probabilitas, model kerugian, matematika keuangan, dan model survival sebagai fondasi utama untuk menilai risiko asuransi dan pensiun secara kuantitatif (Bowers et al., 1997; Dickson, Hardy, & Waters, 2013; Klugman, Panjer, & Willmot, 2012).

Risiko, ketidakpastian, dan konsekuensi keuangan

Kita mulai dari istilah paling dasar: ketidakpastian berarti kita belum mengetahui dengan pasti hasil mana yang akan terjadi. Besok bisa hujan atau tidak. Seseorang bisa sakit atau tetap sehat. Sebuah kendaraan bisa mengalami kecelakaan atau tidak. Nilai investasi bisa naik atau turun.

Risiko, dalam konteks aktuaria, adalah ketidakpastian yang memiliki konsekuensi keuangan atau konsekuensi keputusan. Jika hujan hanya membuat kita membawa payung, dampaknya kecil. Tetapi jika hujan ekstrem menyebabkan banjir besar dan klaim asuransi properti meningkat, ketidakpastian cuaca menjadi risiko finansial.

Contoh sederhana:

• Ketidakpastian: apakah seorang pemegang polis akan meninggal tahun ini?
• Konsekuensi keuangan: jika meninggal, perusahaan asuransi harus membayar manfaat kematian.
• Risiko aktuaria: kombinasi antara peluang kematian, besar manfaat, waktu pembayaran, dan dampaknya terhadap keuangan perusahaan.

Secara matematis, kita sering mewakili kerugian acak dengan peubah acak \(X\). Peubah acak adalah kuantitas yang nilainya belum diketahui sebelum peristiwa terjadi, tetapi kemungkinan nilainya dapat dimodelkan. Misalnya:

\[ X = \begin{cases} 500.000.000, & \text{jika klaim terjadi},\\ 0, & \text{jika klaim tidak terjadi}. \end{cases} \]

Jika peluang klaim adalah \(0{,}002\), maka nilai harapan kerugian adalah

\[ E[X] = 0{,}002(500.000.000) + 0{,}998(0) = 1.000.000. \]

Angka Rp1.000.000 ini bukan berarti perusahaan pasti membayar Rp1.000.000 untuk polis tersebut. Dalam satu polis, perusahaan akan membayar Rp500.000.000 atau tidak membayar sama sekali. Nilai harapan adalah rata-rata teoretis jangka panjang jika risiko serupa diamati berulang-ulang dalam jumlah besar. Pemahaman seperti ini merupakan inti dari banyak model aktuaria, termasuk model asuransi jiwa dan model kerugian asuransi umum (Bowers et al., 1997; Klugman et al., 2012).

Intuisi pentingnya adalah sebagai berikut: nilai harapan memberi pusat gravitasi finansial, tetapi tidak menggambarkan seluruh bahaya risiko. Dua risiko dapat memiliki nilai harapan yang sama tetapi tingkat bahaya yang sangat berbeda. Kerugian Rp1.000.000 yang hampir pasti terjadi berbeda sifatnya dari peluang kecil kehilangan Rp1.000.000.000. Karena itu, ilmu aktuaria mempelajari bukan hanya rata-rata, melainkan juga varians, kuantil, ekor distribusi, probabilitas ruin, kebutuhan modal, dan ukuran risiko lain.

Pooling: mengapa asuransi dapat bekerja?

Salah satu gagasan paling mendasar dalam asuransi adalah pooling risiko. Pooling berarti menggabungkan banyak risiko individu ke dalam satu kumpulan besar sehingga kerugian total menjadi lebih dapat diprediksi dibandingkan kerugian setiap individu.

Bayangkan satu orang memiliki peluang \(0{,}001\) untuk mengalami klaim Rp100.000.000 dalam satu tahun. Untuk satu orang, hasilnya sangat tidak stabil: klaim bisa nol, bisa Rp100.000.000. Tetapi jika ada 10.000 orang dengan risiko serupa dan saling bebas, jumlah klaim \(N\) dapat dimodelkan secara sederhana sebagai peubah acak binomial:

\[ N \sim \operatorname{Binomial}(n=10.000, p=0{,}001). \]

Nilai harapannya adalah

\[ E[N] = np = 10.000(0{,}001)=10. \]

Variansnya adalah

\[ \operatorname{Var}(N)=np(1-p)=10.000(0{,}001)(0{,}999)=9{,}99. \]

Simpangan bakunya kira-kira

\[ \sqrt{9{,}99}\approx 3{,}16. \]

Jadi perusahaan mungkin memperkirakan sekitar 10 klaim, tetapi harus siap jika klaim aktual menjadi 13, 15, atau lebih. Dengan jumlah peserta yang besar, rata-rata klaim per peserta cenderung lebih stabil. Prinsip ini berkaitan dengan hukum bilangan besar, yaitu hasil rata-rata dari pengamatan independen dengan kondisi tertentu akan mendekati nilai harapannya ketika jumlah pengamatan bertambah besar (Ross, 2019).

Namun pooling bukan sihir. Pooling bekerja paling baik ketika risiko cukup banyak, relatif homogen, dan tidak terlalu bergantung satu sama lain. Jika semua peserta terkena risiko yang sama pada saat yang sama—misalnya bencana alam besar, pandemi, atau guncangan ekonomi sistemik—maka penggabungan risiko tidak menghilangkan bahaya sepenuhnya. Karena itu, aktuaris juga mempelajari ketergantungan risiko, risiko ekstrem, reasuransi, dan modal solvabilitas.

Premi, cadangan, dan solvabilitas

Tiga istilah akan sering muncul sepanjang buku ini: premi, cadangan, dan solvabilitas.

Premi adalah pembayaran yang dikenakan kepada pemegang polis sebagai imbalan atas perlindungan asuransi. Secara paling sederhana, premi harus mencerminkan nilai kini ekspektasian dari manfaat yang akan dibayarkan, ditambah biaya, margin risiko, margin laba, pajak, komisi, dan pertimbangan komersial lain. Dalam bentuk ide dasar:

\[ \text{Premi} \approx \text{nilai kini ekspektasian klaim} + \text{biaya} + \text{margin}. \]

Persamaan ini masih kasar, tetapi memberi intuisi awal. Jika manfaat makin besar, premi cenderung naik. Jika peluang klaim makin tinggi, premi cenderung naik. Jika pembayaran klaim terjadi jauh di masa depan, nilai waktu uang harus diperhitungkan.

Cadangan adalah estimasi liabilitas yang harus disiapkan perusahaan untuk memenuhi kewajiban masa depan. Dalam asuransi jiwa, cadangan muncul karena perusahaan menerima premi pada satu periode tetapi mungkin harus membayar manfaat jauh di masa depan. Dalam asuransi umum, cadangan diperlukan karena klaim dapat terjadi hari ini tetapi baru dilaporkan, diselesaikan, atau dibayar beberapa bulan atau tahun kemudian. Literatur aktuaria membedakan berbagai cara menghitung cadangan, termasuk pendekatan prospektif dalam asuransi jiwa dan metode run-off triangle dalam asuransi umum (Bowers et al., 1997; Wüthrich & Merz, 2008).

Solvabilitas adalah kemampuan perusahaan untuk memenuhi kewajiban keuangannya, termasuk dalam kondisi yang tidak menguntungkan. Perusahaan asuransi tidak cukup hanya memiliki premi rata-rata yang lebih besar daripada klaim rata-rata. Variabilitas klaim, risiko investasi, risiko biaya, risiko lapse, risiko katastrofik, dan kesalahan asumsi dapat membuat perusahaan mengalami tekanan keuangan. Prinsip pengawasan asuransi internasional menekankan pentingnya tata kelola risiko, kecukupan modal, dan perlindungan pemegang polis dalam kerangka solvabilitas (International Association of Insurance Supervisors, 2019).

Intuisi sederhananya begini. Jika sebuah perusahaan memperkirakan klaim rata-rata Rp10 miliar, tetapi dalam skenario buruk klaim dapat mencapai Rp25 miliar, maka menyiapkan Rp10 miliar saja mungkin tidak cukup. Ilmu aktuaria membantu menjawab seberapa besar dana, cadangan, reasuransi, dan modal yang masuk akal untuk menghadapi ketidakpastian tersebut.

Nilai waktu uang: rupiah hari ini tidak sama dengan rupiah besok

Salah satu kesalahan awal yang sering terjadi dalam berpikir finansial adalah membandingkan uang pada waktu berbeda seolah-olah nilainya sama. Dalam aktuaria, ini tidak boleh dilakukan.

Jika tingkat bunga efektif tahunan adalah \(i\), maka Rp1 yang diterima satu tahun kemudian memiliki nilai kini

\[ v=\frac{1}{1+i}. \]

Jika \(i=5\%\), maka

\[ v=\frac{1}{1{,}05}\approx 0{,}95238. \]

Artinya, Rp1.000.000 yang diterima satu tahun kemudian bernilai kini sekitar

\[ 1.000.000 \times 0{,}95238 = 952.380. \]

Mengapa? Karena jika kita memiliki Rp952.380 hari ini dan dapat menginvestasikannya dengan bunga 5% per tahun, nilainya akan menjadi sekitar Rp1.000.000 setahun kemudian.

Dalam aktuaria, pembayaran klaim, premi, manfaat pensiun, anuitas, dan biaya sering terjadi pada waktu berbeda. Karena itu, kita menggunakan nilai kini untuk membawa arus kas masa depan ke titik waktu yang sama. Ide ini akan menjadi fondasi Bab 8 dan Bab 9, lalu muncul kembali dalam asuransi jiwa, pensiun, reserving, dan manajemen aset-liabilitas.

Mortalitas sebagai risiko waktu-ke-kejadian

Dalam asuransi jiwa dan pensiun, salah satu sumber ketidakpastian terpenting adalah mortalitas, yaitu pola kematian dalam suatu populasi. Mortalitas bukan sekadar pertanyaan “apakah seseorang akan meninggal?”, melainkan “kapan seseorang meninggal?”

Misalkan \(T_x\) menyatakan sisa umur acak seseorang yang saat ini berusia \(x\). Jika \(T_x=12\), berarti orang tersebut meninggal 12 tahun dari sekarang. Model survival mempelajari peluang bahwa seseorang bertahan hidup melewati waktu tertentu:

\[ S_x(t)=P(T_x>t). \]

Dari sini kita dapat menilai produk seperti asuransi jiwa, anuitas jiwa, dan manfaat pensiun. Misalnya, asuransi jiwa membayar ketika kematian terjadi, sedangkan anuitas jiwa membayar selama seseorang masih hidup. Dua produk ini memiliki arah risiko yang berbeda. Pada asuransi jiwa, perusahaan cenderung rugi jika kematian terjadi lebih cepat dari perkiraan. Pada anuitas jiwa, perusahaan cenderung rugi jika peserta hidup lebih lama dari perkiraan. Model survival dan tabel mortalitas merupakan perangkat utama untuk menangani risiko seperti ini (Dickson et al., 2013).

Intuisi pentingnya: umur manusia tidak dapat diprediksi secara pasti untuk individu, tetapi pola survival suatu kelompok dapat dimodelkan secara probabilistik. Aktuaris bekerja di antara dua kenyataan ini: ketidakpastian individu dan keteraturan statistik populasi.

Asuransi umum: frekuensi, severitas, dan kerugian agregat

Dalam asuransi umum, seperti asuransi kendaraan, properti, perjalanan, tanggung gugat, atau kesehatan jangka pendek, model yang sangat penting adalah kerangka frekuensi-severitas.

Frekuensi klaim adalah banyaknya klaim yang terjadi dalam suatu periode. Kita dapat menuliskannya sebagai \(N\).

Severitas klaim adalah besar kerugian untuk setiap klaim. Kita dapat menuliskannya sebagai \(X_1, X_2, \ldots, X_N\).

Total kerugian agregat adalah

\[ S = \sum_{j=1}^{N} X_j. \]

Persamaan ini tampak sederhana, tetapi sangat kuat. Ia mengatakan bahwa total kerugian bergantung pada dua pertanyaan:

1. Berapa banyak klaim terjadi?
2. Seberapa besar masing-masing klaim?

Misalnya, sebuah portofolio asuransi kendaraan dapat mengalami banyak klaim kecil akibat goresan dan tabrakan ringan, tetapi sesekali mengalami klaim besar akibat kecelakaan berat. Distribusi frekuensi membantu memodelkan “berapa kali”, sedangkan distribusi severitas membantu memodelkan “berapa besar”. Kerangka aggregate loss seperti ini merupakan fondasi utama dalam pemodelan risiko asuransi umum dan teori risiko (Klugman et al., 2012).

Intuisi pentingnya: perusahaan asuransi tidak hanya takut pada jumlah klaim yang banyak, tetapi juga pada klaim yang besar. Dua portofolio dapat memiliki jumlah klaim sama, tetapi total kerugiannya sangat berbeda jika severitasnya berbeda.

Model adalah peta, bukan wilayah

Ilmu aktuaria menggunakan model. Model adalah representasi sederhana dari kenyataan yang dibuat agar kita dapat berpikir, menghitung, menguji, dan mengambil keputusan. Model tidak pernah sama persis dengan dunia nyata.

Misalnya, kita dapat mengasumsikan jumlah klaim mengikuti distribusi Poisson. Asumsi ini mungkin berguna jika klaim relatif jarang dan terjadi secara independen dalam periode tertentu. Tetapi jika ada musim hujan, perubahan perilaku pengemudi, inflasi biaya bengkel, atau perubahan aturan klaim, asumsi sederhana tersebut bisa kurang memadai. Model harus diuji terhadap data, dikritik, diperbarui, dan dijelaskan keterbatasannya.

Dalam praktik profesional, pekerjaan aktuaria tidak hanya mencakup perhitungan, tetapi juga pemilihan asumsi, penilaian kualitas data, dokumentasi metode, analisis sensitivitas, dan komunikasi hasil kepada pengguna pekerjaan aktuaria. Standar praktik aktuaria internasional menekankan pentingnya pertimbangan profesional, relevansi asumsi, kualitas data, dokumentasi, serta komunikasi yang jelas mengenai ketidakpastian dan keterbatasan pekerjaan aktuaria (International Actuarial Association, 2018).

Karena itu, buku ini tidak akan memperlakukan rumus sebagai mantra. Setiap rumus harus dibaca dengan pertanyaan:

• Apa makna kuantitas ini?
• Asumsi apa yang membuat rumus ini berlaku?
• Data apa yang diperlukan?
• Apa yang terjadi jika asumsi berubah?
• Bagaimana hasil ini digunakan dalam keputusan nyata?

Sikap seperti ini membedakan pembelajaran aktuaria yang matang dari sekadar hafalan formula.

Struktur perjalanan buku ini

Buku ini disusun sebagai jalur belajar sarjana dari dasar hingga terapan. Tujuannya bukan membuat pembaca menghafal semua rumus sekaligus, melainkan membangun cara berpikir yang semakin kuat.

Pada bagian awal, kita membangun fondasi. Bab 1 memperkenalkan cara berpikir aktuaria: risiko, pooling, premi, cadangan, solvabilitas, dan peran aktuaris. Bab 2 meninjau matematika yang diperlukan, seperti fungsi, kalkulus, deret, optimisasi dasar, dan matriks. Bab 3 sampai Bab 7 membangun probabilitas, distribusi peluang, inferensi statistik, dan regresi. Bagian ini penting karena hampir semua keputusan aktuaria menggunakan bahasa probabilitas dan data.

Setelah itu, Bab 8 dan Bab 9 membahas matematika keuangan, arus kas, obligasi, duration, convexity, dan imunisasi. Di sini pembaca belajar bahwa risiko aktuaria tidak hanya berasal dari klaim atau kematian, tetapi juga dari waktu pembayaran dan perubahan suku bunga.

Bab 10 sampai Bab 16 masuk ke wilayah asuransi jiwa, anuitas jiwa, mortalitas, premi, cadangan, dan model multiple decrement. Di bagian ini, probabilitas survival dan nilai waktu uang digabungkan untuk menilai manfaat yang bergantung pada hidup atau meninggalnya seseorang.

Bab 17 sampai Bab 21 membahas asuransi umum, frekuensi-severitas, pricing, credibility theory, reserving, teori risiko klasik, probabilitas ruin, risiko ekstrem, dan reasuransi. Di sini pembaca melihat bagaimana total kerugian portofolio dimodelkan dan bagaimana perusahaan menghadapi klaim besar atau klaim yang terlambat dilaporkan.

Bab 22 dan Bab 23 memperluas pembahasan ke dana pensiun, manfaat karyawan, investasi aktuaria, dan asset-liability management. Bab 24 memperkenalkan simulasi Monte Carlo dan pemodelan stokastik, yaitu cara berpikir yang sangat berguna ketika rumus tertutup sulit diperoleh. Bab 25 membahas regulasi, solvabilitas, dan pelaporan keuangan. Bab 26 menutup sisi profesional melalui etika, komunikasi, dan pengambilan keputusan. Bab 27 mengintegrasikan semuanya melalui studi kasus terpadu.

Dengan susunan ini, pembaca akan berulang kali melihat pola yang sama:

\[ \text{Data} \rightarrow \text{Asumsi} \rightarrow \text{Model} \rightarrow \text{Perhitungan} \rightarrow \text{Validasi} \rightarrow \text{Keputusan} \rightarrow \text{Komunikasi}. \]

Pola ini adalah alur kerja aktuaria yang sehat. Perhitungan hanyalah satu bagian. Keputusan yang baik membutuhkan pemahaman konteks, kejujuran terhadap ketidakpastian, dan kemampuan menjelaskan hasil dengan jernih.

Cara belajar yang disarankan

Ilmu aktuaria sering terasa sulit bukan karena satu konsepnya terlalu rumit, melainkan karena banyak konsep saling bertaut. Probabilitas muncul dalam mortalitas. Mortalitas masuk ke nilai kini aktuaria. Nilai kini aktuaria masuk ke premi dan cadangan. Cadangan memengaruhi solvabilitas. Solvabilitas terkait dengan regulasi, investasi, dan manajemen risiko.

Karena itu, ketika membaca buku ini, jangan terburu-buru. Setiap kali menemukan persamaan, tanyakan tiga hal:

1. Apa yang dihitung?
   Misalnya, apakah persamaan menghitung peluang, nilai harapan, nilai kini, premi, cadangan, atau ukuran risiko?

2. Mengapa bentuknya seperti itu?
   Misalnya, jika ada faktor diskonto \(v^t\), artinya pembayaran terjadi pada waktu \(t\) dan perlu dibawa ke nilai kini.

3. Apa intuisi bisnis atau aktuaria di baliknya?
   Misalnya, premi naik bukan karena rumusnya memerintahkan demikian, tetapi karena peluang klaim, besar klaim, biaya, atau ketidakpastian meningkat.

Sebagai contoh, nanti kita akan sering melihat bentuk umum seperti

\[ \operatorname{EPV} = E[\text{present value of future cash flows}]. \]

EPV adalah singkatan dari expected present value, atau nilai kini ekspektasian. Artinya, kita tidak hanya mendiskontokan arus kas masa depan, tetapi juga menimbangnya dengan probabilitas terjadinya. Jika suatu pembayaran hanya terjadi bila seseorang meninggal pada tahun tertentu, maka nilai kini pembayaran itu harus memperhitungkan dua hal sekaligus: peluang kematian pada tahun tersebut dan faktor diskonto sampai tahun tersebut.

Inilah gaya berpikir yang akan terus kita latih: probabilitas menentukan kemungkinan, diskonto menentukan nilai waktu, dan struktur produk menentukan kapan serta berapa pembayaran terjadi.

Tujuan akhir: bukan hanya bisa menghitung, tetapi bisa menilai risiko

Setelah menyelesaikan buku ini, pembaca diharapkan tidak hanya mampu menggunakan rumus aktuaria, tetapi juga memahami makna di baliknya. Seorang pembelajar aktuaria yang baik tidak berhenti pada jawaban numerik seperti “premi bersihnya Rp1.250.000” atau “cadangannya Rp8 miliar”. Ia bertanya lebih lanjut:

• Apakah asumsi mortalitasnya masuk akal?
• Apakah tingkat bunga terlalu optimistis?
• Apakah data klaim cukup kredibel?
• Apakah ada risiko ekor yang belum tertangkap?
• Apakah hasil sensitif terhadap inflasi, lapse, atau perubahan regulasi?
• Apakah rekomendasi ini dapat dijelaskan secara jujur kepada pihak nonteknis?

Ilmu aktuaria adalah disiplin yang mengubah ketidakpastian menjadi keputusan yang lebih terukur. Ia tidak menghilangkan masa depan yang tidak pasti, tetapi membantu kita menyiapkan struktur keuangan yang lebih adil, stabil, dan bertanggung jawab.

Dengan orientasi ini, kita siap masuk ke Bab 1: cara berpikir aktuaria.

References

Bowers, N. L., Gerber, H. U., Hickman, J. C., Jones, D. A., & Nesbitt, C. J. (1997). Actuarial Mathematics (2nd ed.). Society of Actuaries.

Dickson, D. C. M., Hardy, M. R., & Waters, H. R. (2013). Actuarial Mathematics for Life Contingent Risks (2nd ed.). Cambridge University Press.

International Actuarial Association. (2018). International Standard of Actuarial Practice 1: General Actuarial Practice. International Actuarial Association.

International Association of Insurance Supervisors. (2019). Insurance Core Principles and Common Framework for the Supervision of Internationally Active Insurance Groups. International Association of Insurance Supervisors.

Klugman, S. A., Panjer, H. H., & Willmot, G. E. (2012). Loss Models: From Data to Decisions (4th ed.). Wiley.

Ross, S. M. (2019). A First Course in Probability (10th ed.). Pearson.

Wüthrich, M. V., & Merz, M. (2008). Stochastic Claims Reserving Methods in Insurance. Wiley.