Metode Perhitungan Premi Asuransi Gempabumi Menggunakan Pendekatan K-Means Bayesian Networks

DEVNI PRIMA SARI, Prof. Dr.rer.nat. Dedi Rosadi, S.Si., M.Sc; Dr. Adhitya Ronnie Effendie, S.Si., M.Sc.; Drs. Danardono, MPH., Ph.D.

2020 | Disertasi | DOKTOR MATEMATIKA

Indonesia merupakan salah satu negara rawan terjadi gempabumi. Sepanjang 2019, Indonesia telah dilanda enam gempa besar, yaitu Gempa Banggai, Banten, Ambon, Kepulauan Talaud, dan Maluku Utara. Bencana ini mengakibatkan kerugian yang tidak sedikit, terutama dalam hal kerusakan bangunan. Oleh sebab itu, diperlukan upaya mitigasi baik ditingkat pemerintah maupun masyarakat untuk mengurangi risiko akibat bencana gempabumi. Upaya mitigasi ini dapat dilakukan dengan memetakan tingkat kerusakan bangunan tiap daerah. Pemodelan yang dapat digunakan dalam penilai tingkat kerusakan diantaranya model Discrete Bayesian networks (DBN) (Bayraktarli, et al., 2011). Model BN menawarkan kemudahan dalam melakukan penambahan variabel baru seperti pendapat ahli dan melihat hubungan antar variabel yang mempengaruhi tingkat kerusakan. Namun, pada penerapannya seringkali dijumpai kombinasi antara variabel kontinu dan diskret, untuk itu diperlukan proses diskretisasi untuk mengubah variabel diskret menjadi variabel kontinu. Metode diskretisasi yang umum digunakan diantaranya adalah equal width dan equal frequency. Kedua metode diskretisasi ini sering ditemui dalam penelitian terapan terkait Bayesian networks. Namun, kedua metode ini memiliki kelemahan, yaitu equal width kurang cocok untuk diterapkan pada data yang mengandung outlier, dan equal frequency rancu jika digunakan pada percobaan yang mengandung beberapa data dengan nilai sama. Oleh sebab itu, pada penelitian ini dilakukan diskretisasi dengan menggunakan metode K-means. Diskretisasi dengan metode ini menghasilkankan tingkat akurasi model lebih tinggi dibandingkan dua metode diskretisasi sebelumnya, dengan tingkat akurasi untuk masing-masing metode ini diperoleh dari matriks konfusi. Sedangkan, untuk menghindari peluang bersyarat bernilai nol dilakukan estimasi nilai peluang dengan menggunakan Laplace estimator. Kombinasi penggunaan antara BN dan K-means menjadi kontribusi bersifat baru yang disebut sebagai model K-means Bayesian networks (KMBN). Lebih lanjut, pada penelitian sebelumnya penilaian tingkat kerusakan dilakukan dengan menggunakan batas raster yakni berupa kotak (grid). Namun, sebagai salah satu kontribusi baru dalam penelitian ini, penilaian tingkat kerusakan menggunakan batas lokasi administratif yakni kecamatan, yang mana pada prakteknya batas administratif lebih sering digunakan dalam pengklasifikasian zonasi gempa. Selanjutnya, output tingkat kerusakan bangunan per daerah yang diperoleh dari model K-means Bayesian networks (KMBN) digunakan dalam penentuan tarif premi asuransi gempabumi. Pada penelitian sebelumnya seperti penelitian yang dilakukan oleh Yucemen (2005), Li, et al. (2010, 2012), dan Pratiwi, et al. (2015), perhitungan tarif premi dipengaruhi oleh magnitudo gempabumi. Namun dalam penelitian ini, sebagai kontribusi baru dilakukan modifikasi perhitungan tarif premi berdasarkan peak ground acceleration (PGA) sehingga secara tidak langsung juga melibatkan variabel lain terkait PGA yaitu magnitudo, kedalaman pusat gempa, dan jarak bangunan ke pusat gempa. Tarif premi yang diperoleh dengan model ini menghasilkan angka sedikit lebih besar dari tarif premi yang ditetapkan oleh Otoritas Jasa Keuangan (OJK), dengan selisih 0,07�. Disamping digunakan dalam perhitungan tarif premi asuransi, output dari model KMBN juga digunakan dalam penilaian dampak kerugian. Metode penilaian dampak kerugian ekonomi akibat gempabumi telah dikembangkan oleh Federal Emergency Management Agency (FEMA) sejak tahun 1999, metode yang dirilis FEMA tersebut telah digunakan dan dimodifikasi secara luas pada beberapa kasus bencana diberbagai negara, termasuk Indonesia. Konstribusi baru lainnya adalah modifikasi penilaian dampak kerugian khusus pada bangunan tempat tinggal dengan melibatkan peak ground acceleration (PGA). Penilaian dampak kerugian ekonomi ini berguna bagi pemerintah dalam menganggarkan besarnya biaya rekonstruksi ataupun dalam mencadangkan anggaran bencana gempabumi, khusus untuk bangunan tempat tinggal.

Indonesia is one of the countries prone to earthquakes. During 2019, Indonesia was hit by six major earthquakes, such as the Banggai, Banten, Ambon, Talaud Islands, and North Maluku Earthquake. These disasters resulted in significant losses, especially building damage. Therefore, mitigation efforts are needed at both the government and community levels to reduce risks due to earthquake disasters. The mitigation effort can be done by mapping the level of damages to buildings in each region. Models that can be used in assessing the level of damages included Discrete Bayesian networks (DBN) model (Bayraktarli, et al., 2011). The BN model offers conveniences of adding new variables such as expert opinions and of seeing the relationships between variables that affect the level of damages. However, in its application, it is often found a combination of continuous and discrete variables; for this reason, a discretization process is needed to convert the variable into a continuous variable. Discretization methods commonly used include equal width and equal frequency. Both of these discretization methods are often found in applied research related to Bayesian networks. However, both of these methods have weaknesses, where equal width is less suitable to be applied to data containing outliers, and equal frequency will be confused if used in experiments containing multiple data with the same values. Therefore, in this study, the authors discretizes using K-means method. Discretization with K-means results in a higher level of model accuracy than that of the two previous discretization methods where the level of accuracy for each of these methods are obtained from a confusion matrix. Meanwhile, to avoid conditional probability of a zero value, the authors estimate the probability value by using the Laplace estimator. The combination of BN and K-means into a new contribution is called K-means Bayesian networks (KMBN) model. Furthermore, in previous studies, the level of damages was assessed using a raster boundary in the form of a grid. However, as one of the new contribution in this study, an administrative location boundary is used, which is subdistrict, where, in practice, administrative boundaries are more often used in the classification of earthquake zoning. Furthermore, the output level of damages to buildings per region obtained from the K-means Bayesian networks (KMBN) model is used in determining earthquake insurance premium rates. In previous studies such as Yucemen (2005), Li, et al. (2010, 2012), and Pratiwi, et al. (2015), the calculation of premium rates is influenced by the earthquake magnitude. However, in this study, as a new contribution, the authors modified the premium rate calculation based on the the peak ground acceleration (PGA) so that it indirectly also involves other variables related to the PGA, which are magnitude, depth of the epicenter, and distance of the building to the epicenter. The premium rates obtained with this model produce a figure slightly higher than the premium rates set by the Financial Services Authority (OJK), with a difference of 0.07 �. Besides being used in calculating insurance premium rates, the output of the KMBN model is also used in the assessment of the impact of losses. The method of assessing the impact of economic losses due to earthquakes has been developed by the Federal Emergency Management Agency (FEMA) since 1999. The method released by FEMA has been widely used and modified in several disaster cases in various countries, including Indonesia. Another new contribution made by the authors is the modification of the assessment of the impact of special losses on residence by involving the peak ground acceleration (PGA). Thus, an assessment of the impact of economic losses will be useful for the government in budgeting the number of reconstruction costs or in reserving an earthquake disaster budget, specifically for residence.

Kata Kunci : Kerusakan bangunan, Bayesian networks, K-means, premi, biaya kerugian