Perpustakaan Digital ITB

Pada bidang asuransi, menarik untuk mengetahui banyak klaim yang terjadi pada suatu lokasi yang diamati dari waktu ke waktu. Untuk kejadian klaim yang jarang terjadi, maka banyak nilai nol ditemukan pada data, sehingga nilai variansi lebih besar daripada rataannya. Umumnya, banyak suatu kejadian (data diskrit) dimodelkan oleh distribusi Poisson. Akan tetapi, saat variansi data lebih besar daripada rataannya, distribusi Poisson tidak lagi cocok. Salah satu alternatif yang dapat digunakan yaitu distribusi Zero Inflated Poisson (ZIP). Untuk membangun model ZIP Autoregression yang bergantung terhadap banyak klaim pada waktu sebelumnya, digunakan Generalized Linear Model (GLM). Pengaruh lokasi ditambahkan pada regressor untuk mengetahui pengaruh banyak klaim pada tetangga-tetangga di sekitarnya terhadap banyak klaim di daerah yang dianalisis. Pengaruh lokasi ditambahkan dengan bobot seragam dan bobot kuadrat invers jarak. Pada bobot seragam, setiap tetangga memiliki pengaruh yang sama terhadap banyak klaim di suatu daerah yang dianalisis. Sedangkan pada bobot kuadrat invers jarak, semakin dekat lokasi tetangga dengan lokasi daerah yang dianalisis, maka semakin besar bobot kuadrat invers jaraknya. Pemodelan dilakukan dengan memberikan pengaruh fungsi indikator banyak klaim di waktu sebelumnya dan banyak klaim di waktu sebelumnya. Selain itu, dilakukan prediksi banyak klaim di waktu yang akan datang dan dibandingkan dengan data asli yang ada. Aplikasi dari data ini digunakan pada data banyak klaim harian suatu perusahaan asuransi harta benda tahun 2010-2016 di daerah Bekasi, Bogor, Depok, dan Karawang. Pada penelitian ini, diperoleh informasi bahwa model yang tidak dipengaruhi oleh banyak klaim pada lokasi tetangga merupakan model yang terbaik. Selain itu, model yang diberikan pengaruh fungsi indikator banyak klaim pada waktu sebelumnya lebih baik daripada model yang diberikan pengaruh banyak klaim pada waktu sebelumnya.