Perpustakaan Digital ITB

Polusi udara merupakan salah satu permasalahan yang cukup menjadi perhatian di kota-kota besar. Terutama untuk jenis polutan udara PM2.5, kadarnya sering melewati batas wajar yang ditetapkan World Health Organization. Hal tersebut dapat memberikan kerugian terutama pada tingkat morbiditas dan mortalita di wilayah tersebut. Akibat dari menurunnya tingkat morbiditas dan mortalita, produktivitas masyarakat akan mengalami penurunan. Untuk mengatasi hal tersebut, perlu antisipasi pemberian fasilitas terbaik bagi penderita yang disebabkan polutan udara. Dengan demikian, terdapat peran pula dari perusahaan asuransi untuk memberikan penawaran produk penjaminan bagi masyarakat. Agar perusahaan tidak mengalami kerugian, diperlukan prediksi terhadap risiko yang mungkin terjadi di masa mendatang. Sehingga premi yang diberikan cukup akurat. Penelitian ini memperhatikan kadar polutan udara PM2.5 pada 25 stasiun di Kota Seoul periode 2017–2019, dan menerapkan pemodelan Generalized Space-Time Autoregressive (GSTAR) dengan pendekatan Bayesian. Biasanya penaksiran yang dilakukan menggunakan metode kuadrat terkecil. Pendekatan Bayesian dilakukan sebagai pengembangan dalam pemodelan GSTAR dengan harapan dapat memperoleh penaksiran yang lebih baik. Pemodelan dengan pendekatan Bayesian ini dapat menggunakan metode numerik Markov-Chain Monte Carlo dengan algoritma Gibbs sampling. Berdasarkan simulasi yang dilakukan, penaksiran parameter dengan pendekatan Bayesian lebih baik dibandingkan metode kuadrat terkecil. Selanjutnya, pada data kadar polutan udara PM2.5 diperoleh model terbaik untuk data dengan pencilan adalah GSTAR25(1;2) dengan matriks bobot biner. Sedangkan, untuk data bebas pencilan adalah GSTAR25(1;2) dengan matriks bobot invers jarak.