Setiap angka yang dihasilkan aktuaris, mulai dari tarif premi, cadangan teknis, hingga kewajiban imbalan pasca kerja, berawal dari data. Model aktuaria secanggih apa pun tidak akan menghasilkan kesimpulan yang andal jika data yang dimasukkan keliru, tidak lengkap, atau tidak sesuai dengan tujuan analisis. Ungkapan lama di dunia komputasi, “garbage in, garbage out“, sangat relevan dalam profesi ini.
Karena itu, standar praktik aktuaria di berbagai negara memberikan perhatian khusus pada kualitas data. Di Amerika Serikat, Actuarial Standards Board menerbitkan Actuarial Standard of Practice (ASOP) No. 23 tentang Data Quality, sedangkan di tingkat global, International Actuarial Association (IAA) mengatur hal serupa dalam International Standard of Actuarial Practice (ISAP) 1 tentang praktik aktuaria umum.
Kualitas Data dalam Pekerjaan Aktuaris
Dalam ASOP No. 23, data didefinisikan sebagai informasi numerik, sensus, atau klasifikasi, termasuk informasi yang diturunkan secara matematis dari informasi tersebut. Data inilah yang menjadi dasar berbagai pekerjaan aktuaris, antara lain:
- Penetapan tarif premi: data pengalaman klaim, mortalitas, dan morbiditas digunakan untuk memperkirakan biaya risiko yang wajar bagi setiap kelompok tertanggung.
- Pembentukan cadangan teknis: data polis dan data klaim menjadi dasar perhitungan kewajiban perusahaan asuransi kepada pemegang polis.
- Valuasi imbalan kerja dan program pensiun: data peserta, seperti usia, masa kerja, dan gaji, menentukan besarnya kewajiban yang harus dibukukan pemberi kerja.
- Manajemen risiko dan permodalan: data historis digunakan untuk mengukur eksposur risiko serta menguji ketahanan perusahaan terhadap berbagai skenario.
Kesalahan kecil pada data dapat berdampak besar. Tanggal lahir yang salah tercatat, misalnya, mengubah usia peserta dan pada akhirnya mengubah nilai kewajiban yang dihitung. Jika kesalahan semacam itu terjadi secara sistematis, dampaknya dapat memengaruhi keputusan bisnis, laporan keuangan, dan kepercayaan pemangku kepentingan.
Ciri Data yang Berkualitas
ASOP No. 23 dan ISAP 1 tidak menuntut data yang sempurna, tetapi data yang cukup dan andal untuk tujuan analisis. Secara umum, data yang berkualitas memiliki ciri sebagai berikut:
1. Sesuai dengan Tujuan Analisis
Data harus relevan dengan masalah yang dianalisis. Data klaim asuransi kesehatan kumpulan, misalnya, belum tentu tepat digunakan untuk menetapkan tarif produk asuransi kesehatan individu karena profil risikonya berbeda.
2. Lengkap dan Memadai
Data harus memuat elemen dan jumlah catatan yang cukup untuk analisis. Volume data yang terlalu kecil membuat hasil perhitungan kurang kredibel secara statistik.
3. Akurat dan Wajar
Nilai-nilai dalam data harus mencerminkan keadaan sebenarnya. Nilai yang janggal, seperti usia peserta di atas 120 tahun atau gaji bernilai negatif, perlu ditelusuri sebelum data digunakan.
4. Konsisten
Data harus konsisten secara internal dan konsisten dengan data periode sebelumnya. Perubahan definisi atau sistem pencatatan di tengah jalan dapat menimbulkan perbedaan yang tampak seperti perubahan pengalaman, padahal tidak.
Tanggung Jawab Aktuaris terhadap Data
Aktuaris jarang menghimpun data sendiri. Data biasanya disediakan oleh perusahaan asuransi, pemberi kerja, atau pihak lain. Menurut ASOP No. 23, tanggung jawab atas keakuratan data berada pada penyedia data dan aktuaris tidak diwajibkan melakukan audit atas data tersebut. Namun, hal ini tidak berarti aktuaris dapat menerima data begitu saja.
Aktuaris perlu mengambil langkah yang wajar untuk menelaah konsistensi, kelengkapan, dan keakuratan data, misalnya melalui rekonsiliasi dengan laporan keuangan, uji kewajaran, dan perbandingan antarperiode. Jika ditemukan kekurangan yang tidak dapat diselesaikan, aktuaris dapat menolak penugasan, menyesuaikan lingkup pekerjaan, atau melanjutkan pekerjaan dengan mengungkapkan kekurangan data beserta potensi dampaknya. Dalam laporannya, aktuaris perlu mengungkapkan hal-hal berikut:
- Sumber data: dari mana data diperoleh dan sejauh mana aktuaris mengandalkan data yang disediakan pihak lain.
- Keterbatasan data: kekurangan yang ditemukan dan pengaruhnya terhadap hasil pekerjaan.
- Penelaahan data: apakah penelaahan dilakukan dan jika tidak, disebutkan alasannya.
- Penyesuaian data: langkah perbaikan dan penyesuaian berbasis pertimbangan profesional yang diterapkan pada data.
Big Data dan Kecerdasan Artifisial
Perkembangan teknologi membuka akses ke sumber data yang jauh lebih besar dan beragam, seperti data telematika kendaraan, data perangkat kesehatan yang dapat dikenakan, dan data transaksi digital. Dengan bantuan machine learning, data tersebut memungkinkan penetapan harga yang lebih akurat, deteksi kecurangan klaim yang lebih cepat, dan pemahaman perilaku nasabah yang lebih baik. American Academy of Actuaries (2018) menilai bahwa pemanfaatan big data akan memengaruhi hampir seluruh bidang praktik aktuaria.
Di balik peluang tersebut, terdapat risiko yang perlu dikelola. Data berukuran besar tidak otomatis berkualitas, sehingga prinsip dalam ASOP No. 23 dan ISAP 1 tetap berlaku. Model yang dilatih dengan data yang bias dapat menghasilkan diskriminasi yang tidak adil terhadap kelompok tertentu, sementara model yang terlalu kompleks sulit dijelaskan kepada regulator dan pemegang polis. Di Indonesia, pemrosesan data pribadi juga wajib mematuhi Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi. Selain itu, perusahaan asuransi dan dana pensiun wajib menerapkan manajemen risiko teknologi informasi, termasuk pengamanan informasi, sebagaimana diatur dalam POJK Nomor 4/POJK.05/2021.
Pada akhirnya, kualitas pekerjaan aktuaris tidak dapat dilepaskan dari kualitas data yang digunakannya. Dengan memahami ciri data yang baik, menelaah data secara cermat, mengungkapkan keterbatasannya secara terbuka, dan memanfaatkan teknologi secara bertanggung jawab, aktuaris dapat menghasilkan analisis yang andal sekaligus menjaga kepercayaan publik terhadap profesi.
Sumber:
- Actuarial Standards Board, Actuarial Standard of Practice (ASOP) No. 23: Data Quality
- International Actuarial Association (IAA), International Standard of Actuarial Practice (ISAP) 1: General Actuarial Practice
- American Academy of Actuaries, Big Data and the Role of the Actuary
- Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi
- Peraturan Otoritas Jasa Keuangan Nomor 4/POJK.05/2021 tentang Penerapan Manajemen Risiko dalam Penggunaan Teknologi Informasi oleh Lembaga Jasa Keuangan Nonbank