Perpustakaan Digital ITB

Risiko kecelakaan kendaraan bermotor menjadi salah satu jenis risiko yang cukup tinggi untuk terjadi sehari-hari. Kerugian yang diakibatkan oleh kecelakaan dapat menyebabkan hilangnya nominal ekonomi yang sangat besar. Asuransi kendaraan menjadi solusi untuk menekan kerugian yang diakibatkan oleh kecelakaan. Risiko kecelakaan harus dikuantifikasi dengan baik oleh pihak Asuransi agar setiap kerugian akibat kecelakaan dapat tercukupi. Karakteristik dari suatu wilayah dapat menjadi pengaruh besar dalam peningkatan risiko kecelakaan. Kecelakaan dapat dipengaruhi oleh cuaca, kepadatan lalu lintas, maupun kondisi jalan di wilayah tertentu. Dengan mempelajari informasi wilayah dan waktu kecelakaan masa lalu, diharapkan dapat diperoleh informasi bahwa untuk suatu kondisi yang serupa di masa depan maka risiko kecelakaan dapat diprediksi. Ukuran yang digunakan sebagai kuantifikasi risiko pada Tugas Akhir ini adalah rate klaim yang dimodelkan oleh Gamma-Generalized Gaussian Process Model (Gamma-GGPM). Gaussian Process digunakan sebagai model dasar pada Tugas Akhir ini karena sangat baik dalam menangkap informasi similaritas menggunakan kernel. Terdapat 4 model yang mengukur similaritas dari variabel yang berbeda, yaitu spasial, temporal, spasiotemporal, dan spasiotemporal dengan faktor lain (Population, Temperature, Wind, dan Wind Gust). Inferensi yang digunakan oleh GGPM mengunakan aproksimasi akibat dari kendala integrasi pada perolehan posterior dan marginal likelihood. Pendekatan Taylor digunakan karena merupakan proses aproksimasi non-iteratif yang dapat meringankan beban komputasi secara signifikan. Pemilihan Model terbaik didasarkan pada performa prediksi model yang terbaik yang dikuantifikasi menggunakan ukuran Weighted Mean Squared Prediction Error (WMSPE). Dari simulasi data diperoleh bahwa model yang mempertimbangkan spasiotemporal dan faktor lain merupakan model terbaik. Penambahan informasi memberikan performa model yang lebih baik akibat dari banyaknya kondisi similar yang terekam oleh model.