MUST: Journal of Mathematics Education.
Science and Technology Vol.
No.
Juli 2025 Hal 80-94 DOI: http://doi.
org/10.
30651/must.
PEMODELAN RISIKO KERUGIAN AKIBAT GEMPA BUMI: STUDI
KASUS WILAYAH M7 MEGATHRUST INDONESIA
Dea Permata Sari 1.
Azizah 2
1, 2
Universitas Negeri Malang 2203126@students.
id 1, azizah.
fmipa@um.
Received 27 Maret 2025.
revised 23 Juni 2025.
accepted 26 Juni 2025.
ABSTRAK
Indonesia memiliki risiko tinggi terhadap gempa bumi akibat lokasinya yang berada di zona megathrust, termasuk di wilayah M7 Selat Sunda Banten yang berpotensi mengalami gempa berkekuatan besar.
Penelitian ini bertujuan untuk memodelkan dan mengestimasi potensi kerugian finansial akibat gempa bumi menggunakan Earthquake Catastrophe Model yang terdiri dari empat modul utama: hazard, inventory, vulnerability, dan loss.
Data gempa bumi yang diperoleh dari situs resmi USGS dipisahkan .
untuk memperoleh data gempa bumi mainshock.
Selanjutnya, distribusi Generalized Pareto digunakan untuk memodelkan magnitudo gempa bumi, sementara nilai spectral acceleration dihitung menggunakan fungsi atenuasi Zhao dkk.
Simulasi Monte-Carlo dilakukan untuk membangkitkan kejadian stokastik gempa bumi, serta untuk membangkitkan total aggregate loss .
cI), yang kemudian dimodelkan menggunakan BernoulliLognormal Two-Part Model.
Hasil penelitian menunjukkan bahwa dengan tingkat kepercayaan 95%, estimasi kerugian finansial akibat gempa bumi di zona megathrust M7 Selat Sunda Banten tidak akan melebihi Rp298 miliar.
Temuan ini diharapkan dapat menjadi dasar dalam perencanaan strategi mitigasi risiko bencana serta skema pembiayaan asuransi bagi pemerintah daerah dan sektor keuangan di Indonesia.
Kata kunci: gempa bumi, kerugian finansial, megathrust, model probabilistik.
Value-at-Risk.
ABSTRACT
Indonesia faces a high risk of earthquakes due to its location in the megathrust zone, including the M7 Sunda Strait segment, which has the potential for high-magnitude earthquakes.
This study aims to model and estimate potential financial losses caused by earthquakes using the Earthquake Catastrophe Model, which consists of four main modules: hazard, inventory, vulnerability, and loss.
Earthquake data obtained from the official USGS website were processed using the declustering method to extract mainshock events.
The Generalized Pareto Distribution was Pemodelan Risiko Kerugian Akibat Gempa Bumi: Studi Kasus Wilayah M7 Megathrust Indonesia then applied to model earthquake magnitudes, while spectral acceleration values were calculated using the attenuation function of Zhao et al.
A Monte Carlo simulation was conducted to generate stochastic earthquake events and to simulate total aggregate loss (S), which was subsequently modeled using the Bernoulli-Lognormal Two-Part Model.
The results indicate that, with a 95% confidence level, the estimated financial loss due to an earthquake in the M7 megathrust zone of the Sunda Strait will not exceed IDR 298 billion.
These findings are expected to serve as a foundation for disaster risk mitigation planning and insurance financing schemes for local governments and the financial sector in Indonesia.
Keywords: earthquake, financial loss, megathrust, probabilistic model.
Value-at-Risk.
PENDAHULUAN
Indonesia merupakan negara kepulauan yang terletak di antara Samudra Pasifik dan Samudra Hindia.
Menurut data BPS.
Indonesia memiliki total 17,001 pulau (Badan Pusat Statistik Indonesia, 2.
Indonesia berada di area "Ring of Fire", sehingga rentan terhadap gempa tektonik dan vulkanik (Tampubolon & Raissa, 2.
Wilayah Indonesia berada pada sejumlah zona megathrust, yaitu area subduksi aktif di mana satu lempeng mendorong ke bawah lempeng lainnya.
Saat ini, terdapat 16 segmentasi megathrust yang aktif dan berpotensi menghasilkan gempa besar hingga menimbulkan tsunami (Tim Pusat Studi Gempa Nasional, 2.
mulai dari wilayah M1 hingga M16 seperti yang terlihat pada Gambar 1.
Gambar 1.
Peta Zona Megathrust Indonesia (Sumber: Tim Pusat Studi Gempa Nasional, 2.
Potensi gempa di beberapa zona megathrust Indonesia cukup besar mengingat terdapat beberapa wilayah yang merupakan seismic gap atau zona yang belum mengalami gempa besar selama ratusan tahun (Fadilah, 2.
Salah satu zona megathrust yang merupakan seismic gap adalah zona megathrust M7 Selat Sunda Banten dengan potensi gempa mencapai magnitudo 8.
7 (Fadilah, 2.
Dea Permata Sari.
Azizah Pemerintah mengalokasikan rata-rata Rp3.
1 triliun setiap tahun untuk dana cadangan bencana.
Akan tetapi, skala bencana besar seperti gempa dan tsunami Aceh tahun 2004 menimbulkan kerugian hingga Rp51,4 triliun (Pusat Kebijakan Regional dan Bilateral, 2.
Keterbatasan anggaran tersebut menunjukkan perlunya pendekatan alternatif dalam strategi Pembiayaan dan Asuransi Risiko Bencana (PARB).
Penerapan skema investasi dalam pengelolaan risiko bencana dipandang sebagai langkah yang efektif untuk memenuhi kewajiban di masa mendatang, khususnya dalam menghadapi risiko gempa bumi.
Dalam menghadapi risiko gempa bumi skala tinggi dan potensi kerugian finansial yang besar di Indonesia, pemodelan kerugian finansial yang akurat menjadi penting untuk mendukung perumusan strategi Pembiayaan dan Asuransi Risiko Bencana (PARB) yang efektif.
Pendekatan probabilistik dapat diterapkan untuk mengukur ketidakpastian gempa bumi dan memodelkan kerugian finansial tersebut (Pratama, 2.
Pemodelan kerugian finansial pada penelitian ini dilakukan menggunakan Earthquake Catastrophe Model, yang terdiri dari empat modul: hazard, inventory, vulnerability, dan loss (Grossi & Kunreuther, 2.
Modul hazard berisi karakteristik gempa bumi, seperti koordinat epicentre, kedalaman, dan moment magnitude.
Modul inventory memuat data risiko yang diasuransikan .
, misalnya properti, yang di dalamnya berisi koordinat geografis, alamat, usia bangunan, dan informasi lainnya.
Modul vulnerability berisi kurva kerentanan .
ulnerability curv.
untuk menghitung kerusakan pada exposure.
Modul loss memuat perhitungan kerugian finansial serta pemodelan risikonya.
Gambar 2 berikut menunjukkan ilustrasi hubungan antar modul dalam Earthquake Catastrophe Model.
Modul hazard Modul Modul loss Modul inventory Gambar 2.
Skema Hubungan Modul Dalam Earthquake Catastrophe Model Penelitian terdahulu terkait catastrophe bond telah banyak dilakukan dengan fokus untuk memahami peran catastrophe bond sebagai instrumen keuangan untuk mitigasi risiko bencana dan penentuan premi asuransi gempa bumi di Indonesia.
Arham & Firmansyah .
menganalisis kontribusi catastrophe Pemodelan Risiko Kerugian Akibat Gempa Bumi: Studi Kasus Wilayah M7 Megathrust Indonesia bond dalam mengurangi dampak bencana serta potensi pembiayaan bagi Sementara itu.
Tampubolon & Raissa .
mengusulkan strategi pembiayaan dengan layer-layer serta melibatkan penentuan parametric trigger yang optimal, seperti magnitudo gempa, untuk menarik minat investor dan Di sisi lain, penelitian Pratama .
berfokus pada pengembangan Event Loss Table (ELT) dengan memanfaatkan modul hazard, inventory, vulnerability, dan loss pada catastrophe model untuk memodelkan kerugian gempa bumi secara akurat pada bangunan sekolah di Padang.
Penelitian ini bertujuan untuk memodelkan dan mengestimasi kerugian finansial yang dialami oleh exposure terdampak gempa bumi di zona megathrust M7 Selat Sunda Banten.
Indonesia, menggunakan Earthquake Catastrophe Model.
Secara spesifik, penelitian ini berisi setiap tahapan pembangunan modul hazard, inventory, dan vulnerability, hingga proses konstruksi Event Loss Table (ELT) berbasis collective risk model dengan melibatkan simulasi Monte-Carlo.
Hasil penelitian ini diharapkan menjadi dasar dalam perumusan skema pembiayaan risiko bencana berbasis data historis bagi pemerintah daerah dan perusahaan asuransi.
METODE PENELITIAN
Variabel-variabel yang digunakan dalam penelitian ini meliputi frekuensi terjadinya gempa bumi .
cAycn ), kerugian finansial ke-yc akibat gempa bumi ke-ycn .
cUycnyc ), dan kerugian agregat akibat gempa bumi ke-ycn .
cIycn ).
Instrumen yang digunakan meliputi software QGIS.
Python, dan Microsoft Excel.
Penelitian diawali dengan penyiapan data gempa bumi yang diperoleh dari situs resmi USGS.
Data yang berisi informasi koordinat latitude dan longitude, moment magnitude, kedalaman gempa bumi, serta informasi lainnya, dibersihkan .
dan diseleksi agar hanya mencakup kejadian di zona megathrust M7 Selain itu, dilakukan konversi satuan moment magnitude agar seluruh data seragam dalam satuan ycAyc .
Proses penyiapan data dilanjutkan dengan pemisahan .
data gempa bumi dengan metode window oleh Gardner & Knopoff .
Metode ini mengidentifikasi gempa aftershock berdasarkan kedekatan spatio-temporal dengan gempa sebelumnya, dengan asumsi bahwa kekuatan gempa sebelumnya lebih besar Dea Permata Sari.
Azizah dari rata-rata gempa dalam durasi yang lama.
Untuk setiap gempa yang ada di suatu katalog, gempa setelahnya dikategorikan sebagai aftershock jika berada dalam ruang dan waktu tertentu (Juellyan dkk.
, 2.
, yang ditentukan dengan persamaan .
berikut, ycc .
cAycn ) = 100.
1238ycA 0.
032ycAycn 2.
7389, ycAycn Ou 6.
cAycn ) = { 0.
5409ycAycn Oe0.
, ycoycaycnycuycuycyca di mana ycAycn menyatakan kekuatan magnitudo gempa ke-i, yc menyatakan selisih waktu terjadinya suatu gempa dan gempa sebelumnya, serta ycc menyatakan jarak lokasi terjadi suatu gempa dan gempa sebelumnya.
Proses declustering menghasilkan sejumlah data gempa bumi mainshock.
Setelah data disiapkan, langkah selanjutnya adalah pengolahan data melalui beberapa prosedur.
Modul hazard dalam Earthquake Catastrophe Model dibangun dengan memodelkan data gempa bumi mainshock menggunakan distribusi Generalized Pareto (GPD).
Parameter GPD diestimasi menggunakan metode Maximum Likelihood Estimation (MLE) dan dengan melihat plot Mean Residual Life (MRL).
Fungsi distribusi GPD didefinisikan pada persamaan .
berikut (Tampubolon & Raissa, 2.
, ycuOeyc yaycu .
yuO, yc, yu.
= 1 Oe .
yuO ( yua )) { 1 Oe exp (Oe ( ycuOeyc yua yuO Oe , yuO O 0, .
)) , yuO = 0.
di mana yuO menyatakan parameter bentuk .
, yc menyatakan parameter threshold, serta yua menyatakan parameter skala .
Setelah memperoleh parameter GPD, dilakukan uji kecocokan model dengan Uji Cramyr-von Mises.
Hipotesis Uji Cramyr-von Mises, antara lain, ya0 : data berasal dari distribusi yang diuji ya1 : data tidak berasal dari distribusi yang diuji di mana jika ycyycycaycoycyce > 0,05, maka ya0 diterima, artinya data berdistribusi GPD dengan parameter yang ditaksir.
Statistik Uji Cramyr-von Mises ditulis pada persamaan .
berikut, 2ycnOe1 2 ycN = Ocycuycn=1 .
) Oe 2ycu ) 12ycu Pemodelan Risiko Kerugian Akibat Gempa Bumi: Studi Kasus Wilayah M7 Megathrust Indonesia dengan ycu.
adalah observasi terurut serta ya.
) adalah fungsi distribusi kumulatif dari distribusi yang diuji.
Setelah memastikan bahwa data gempa bumi mainshock berdistribusi GPD, dilakukan simulasi Monte-Carlo sebanyak 1,000 kali sehingga diperoleh himpunan kejadian stokastik gempa bumi mainshock.
Selain membangun modul hazard, dilakukan pembangunan modul Modul inventory dibangun dengan memanfaatkan karakteristik dan nilai Melalui fungsi atenuasi Zhao dkk.
, diperoleh nilai spectral acceleration, yaitu nilai maksimum percepatan guncangan tanah akibat gempa di suatu lokasi.
Hasil pembangunan modul hazard dan modul inventory selanjutnya menjadi dasar pembangunan modul vulnerability.
Kurva kerentanan yang dikembangkan oleh Martins & Silva .
dimanfaatkan untuk menghitung loss ratio karena kurva tersebut merupakan kurva yang menampilkan plot antara nilai spectral acceleration terhadap loss ratio.
Loss ratio ini menjadi dasar dalam perhitungan kerugian finansial.
Memasuki modul loss, dilakukan konstruksi Event Loss Table (ELT) berdasarkan hasil pembangunan modul-modul sebelumnya.
Frekuensi terjadinya gempa bumi .
cAycn ) diasumsikan berdistribusi Poisson dengan parameter yaycIya.
Pada penelitian ini, ditetapkan nilai ARI (Average Recurrence Interval.
Bentuk matematis dari ARI ditulis pada persamaan .
berikut, yaycIya .
= ya.
= ycy = Pr.
cA Ou ycA .
cAyc Ou ycA ] yc di mana nilai yua = yuI disebut average recurrence rate.
Lebih lanjut, fungsi kepadatan peluang dari variabel kerugian finansial ke-yc akibat gempa bumi ke-ycn .
cUycnyc ) ditaksir menggunakan pendekatan non-parametrik Kernel Density Estimation (KDE).
Definisi Kernel Density Estimator dari fungsi distribusi diberikan pada persamaan .
berikut (Klugman dkk.
, 2.
yaC .
cu ) = Ocycoyc=1 ycy.
cyc )yaycyc .
cu ) .
di mana ycy.
cyc ) menunjukkan probabilitas yang diberikan kepada nilai ycyc oleh distribusi empiris .
c = 1.
A , yc.
dan yaycyc .
cu ) merupakan fungsi distribusi untuk distribusi kontinu yang memiliki rata-rata yc.
KDE yang digunakan pada penelitian Dea Permata Sari.
Azizah ini adalah Kernel Epanechnikov.
Fungsi Kernel Epanechnikov didefinisikan pada persamaan .
berikut, yaya .
= 4 .
Oe yue2 ), untuk Oe1 < yue < 1 di mana yue = ycuOeycuycn , serta ycaycuycyyc = 1,06 y yc y ycuOe0.
2 (Herawati dkk.
, 2.
Variabel kerugian agregat akibat gempa bumi ke-ycn .
cIycn ) diperoleh dari penerapan collective risk model (CRM).
Definisi CRM ditulis pada persamaan .
berikut (Tse, 2.
, ycA ycIycn = Ocyc=1 ycUycnyc dengan ya .
cIycn ] = ya .
cAycn ]ya.
cUycnyc ], serta ycOycayc.
cIycn ) = ya .
cAycn ]ycOycayc.
cUycnyc ) ya.
cUycnyc ]ycOycayc.
cAycn ).
ELT yang telah dikonstruksi kemudian disimulasikan menggunakan metode Monte-Carlo sebanyak 1,000 kali sehingga diperoleh data 1,000 estimasi total aggregate loss .
cI).
Data tersebut selanjutnya dimodelkan menggunakan BernoulliLognormal Two-Part Model, dengan fungsi peluangnya didefinisikan pada persamaan .
berikut (Tampubolon dkk.
, 2.
yuE, yuN, yua 2 ) = yuE y 1yc=0 .
Oe yuE ) y yceyaycA .
yuN, yua 2 ) y 1yc > 0 yceyaycA .
yuN, yua 2 ) = ( ) exp (Oe 2yuUyua yc Oo .
OeyuN)2 2yua2 ) , yc > 0, yuN OO Ey, yua 2 > 0 yua2 yayaycA .
cI] = exp .
uN 2 ) ycOycaycyaycA .
cI) = .
ua 2 ) Oe .
yuN yua 2 ) .
Setelah mengetahui distribusi total aggregate loss .
cI), kerugian finansial yang mungkin terjadi diestimasi dengan ukuran risiko Value at Risk (VaR).
VaR dihitung sebagai persentil distribusi kerugian ycI, sehingga dapat diartikan bahwa nilai VaR untuk tingkat kepercayaan tertentu menunjukkan potensi maksimum kerugian yang mungkin dialami.
Secara formal, diasumsikan ycU menyatakan peubah acak dari suatu kerugian.
VaR dari ycU pada tingkat 100ycy% yang dinotasikan sebagai ycOycaycIycy .
cU) atau yuUycy tertulis pada persamaan .
berikut (Klugman dkk.
, 2.
ycOycaycIycy .
cU) = ycnycuyce .
aycU .
cu ) Ou yc.
, 0 < ycy < 1 ycuOu0 Lebih lanjut, persamaan ycOycaycIycy .
cU) untuk distribusi kontinu dapat dinyatakan sebagai nilai yuUycy yang memenuhi persamaan .
Pemodelan Risiko Kerugian Akibat Gempa Bumi: Studi Kasus Wilayah M7 Megathrust Indonesia ycEyc.
cU > yuUycy ) = 1 Oe ycy .
dengan ycy adalah quantile yang digunakan.
HASIL PENELITIAN DAN PEMBAHASAN
Earthquake Catastrophe Model terdiri dari empat modul, meliputi modul hazard, modul inventory, modul vulnerability dan modul loss.
Pada tahap pertama dilakukan penyiapan data yang diperlukan untuk analisis lebih lanjut.
Data historis gempa bumi yang diunduh dari situs USGS merupakan data gempa bumi yang terjadi di wilayah yang ditandai dengan rectangle secara manual sejak 1 Januari 1901 hingga 31 Oktober 2024.
Menggunakan software QGIS, dilakukan pembersihan .
data gempa bumi sehingga data gempa yang digunakan hanya mencakup kejadian di zona megathrust M7 saja.
Hasil pembersihan menyisakan 747 gempa bumi di zona megathrust M7 sesuai tanggal yang dibatasi.
Data gempa bumi di zona megathrust M7 tersebut memiliki satuan gempa bumi yang berbeda-beda sehingga dilakukan konversi satuan gempa bumi menjadi satuan yang sama yaitu ycAyc .
Selain itu, data gempa bumi tersebut masih memuat data gempa bumi foreshock, mainshock, dan Oleh karena itu, dilakukan pemisahan .
data gempa bumi agar didapat data gempa bumi mainshock saja.
Hasil pemisahan data gempa bumi mainshock menunjukkan bahwa terdapat 183 kejadian gempa bumi mainshock di wilayah M7 yang kemudian dinotasikan sebagai Event ID pertama sampai ke-183.
Gambar 3.
Histogram GPD dengan Parameter Hasil Taksiran Setelah data disiapkan, dilakukan pembangunan modul hazard dalam Earthquake Catastrophe Model dengan memodelkan 183 data gempa bumi Data tersebut berdistribusi Generalized Pareto sesuai histogram pada Dea Permata Sari.
Azizah Gambar 3, dengan estimasi parameter threshold .
4, estimasi parameter scale .
4865, serta estimasi parameter shape .
uO) bernilai Oe0.
Dari uji kecocokan model dengan Uji Cramyr-von Mises, diperoleh ycEycycaycoycyce = 5788 > 0.
a0 diterim.
yang menunjukkan bahwa data tersebut secara GPD.
Model membangkitkan 1,000 magnitudo momen dari gempa bumi mainshock berdistribusi GPD menggunakan simulasi Monte-Carlo sehingga diperoleh himpuan kejadian stokastik sejumlah 183,000 simulasi gempa bumi mainshock seperti pada Tabel 1 Tabel 1.
Himpunan Kejadian Stokastik 183,000 Gempa Bumi Mainshock Event ID Latitude Longitude Kedalaman Tipe Gempa ycAyc Interface Interface U Interface Interface Selain modul hazard, dilakukan pula pembangunan modul inventory.
Modul ini menyimpan karakteristik dari bangunan residensial di wilayah Kabupaten Sukabumi.
Kabupaten Sukabumi dipilih sebagai wilayah exposure yang diamati karena berdasarkan tabel indeks risiko bencana kabupaten/kota Tahun 2023.
Kabupaten Sukabumi berada di kelas risiko tinggi (Adi dkk.
, 2.
Selain itu, potensi bencana gempa bumi di Kabupaten Sukabumi juga termasuk pada kelas tinggi dengan potensi bahaya pada 245,992 ha wilayahnya (Kajian risiko bencana nasional Provinsi Jawa Barat 2022-2026, 2.
Oleh karena itu, dapat disimpulkan bahwa Kabupaten Sukabumi merupakan salah satu wilayah dengan risiko bencana khususnya gempa bumi yang tinggi.
Sehingga menjadi penting untuk memprediksi dan memperhitungkan kerugian yang akan dialami jika terjadi gempa bumi mainshock di masa depan.
Berdasarkan data residensial, diperoleh titik koordinat latitude dan longitude lokasi bangunan di Kabupaten Sukabumi yaitu .
Titik tersebut berada di sekitar Kantor Bupati Kabupaten Sukabumi.
Selain itu diperoleh nilai ycyc30 yaitu 353.
9229 dan dihitung pula nilai spectral acceleration (SA) berdasarkan masing-masing taksonomi bangunan.
Tabel 2 berikut menampilkan statistika deskriptif dari nilai SA yang diperoleh dengan fungsi atenuasi Zhao dkk.
Pemodelan Risiko Kerugian Akibat Gempa Bumi: Studi Kasus Wilayah M7 Megathrust Indonesia Tabel 2.
Statistika Deskriptif Nilai Spectral Acceleration Statistika Deskriptif Bangunan 1 Bangunan 2 Bangunan 27 Minimum Kuartil 1 Median A Kuartil 3 Persentil 95 Persentil 99 Maksimum Rataan A Standar Deviasi Skewness A Kurtosis A Event ID Tabel 3.
Nilai Spectral Acceleration Bangunan 1 Bangunan 2 A Bangunan 26 Bangunan 27 Hasil pengolahan modul hazard dan modul inventory menjadi dasar pembangunan modul vulnerability.
Berdasarkan kurva kerentanan oleh Martins & Silva .
nilai SA yang diperoleh dan ditunjukkan pada Tabel 3, digunakan untuk mengetahui loss ratio.
Nilai loss ratio tersebut digunakan dalam perhitungan kerugian finansial.
Tabel 4 berikut menampilkan statistika deskriptif dari realisasi total kerugian yang diperoleh.
Tabel 4.
Statistika Deskriptif Realisasi Total Kerugian Statistika Deskriptif Minimum Kuartil 1 Median Kuartil 3 Persentil 95 Persentil 99 Maksimum Rataan Standar Deviasi Skewness Kurtosis Rp516,777,377.
Rp593,487,461.
Rp682,720,470.
Rp780,237,409.
Rp870,935,498.
Rp891,767,659.
Rp896,321,702.
Rp688,922,118.
Rp108,889,366.
Rp1,313,107,462.
Rp2,831,656,766.
Rp6,740,494,176.
Rp14,116,842,373.
Rp23,886,325,254.
Rp26,367,618,813.
Rp27,507,897,827.
Rp9,140,947,132.
Rp7,347,670,816.
Rp310,258,423.
Rp350,933,382.
Rp407,509,895.
Rp464,349,314.
Rp519,943,912.
Rp534,372,323.
Rp537,340,312.
Rp411,139,568.
Rp65,196,190.
Pada modul loss, akan dilakukan konstruksi Event Loss Table (ELT).
Realisasi total kerugian pada Tabel 4 menjadi dasar untuk menaksir fungsi kepadatan peluang dari variabel ycUycnyc dengan pendekatan non-parametrik yaitu menggunakan Kernel Epanechnikov.
Setelah melakukan kernel fitting untuk nilai Dea Permata Sari.
Azizah tidak nol pada kolom Event ID, dibangkitkan ycUycnyc sebanyak ycAycn .
ycAycn diasumsikan berdistribusi Poisson dengan parameter yaycIya dengan nilai ARI ditetapkan sebesar 250 tahun.
Hasil konstruksi ELT ditampilkan pada Tabel 5.
Tabel 5.
Event Loss Table Event Total ycAycn ycIycn cUycnyc ] ycIycycc.
cUycnyc ] ya.
cAycn ] ycOycayc.
cAycn ) ya.
cIycn ] ycOycayc.
cIycn ) U 583,631,054.
583,631,054.
688,895,873.
9,132,030,836.
137,160,022,180.
594,125,681.
411,102,881.
109,640,091.
7,395,107,742.
72,119,777,086.
96,717,773.
65,634,880.
0,004
0,004
2,755,583.
36,528,123.
548,640,088.
2,376,502.
1,644,411.
1,946,393,895,989,080
552,326,422,872,713,000
96,056,535,726,139,500,000
1,449,358,614,954,690
693,254,068,082,968
ELT pada Tabel 5 kemudian disimulasikan menggunakan metode MonteCarlo sebanyak 1,000 kali sehingga diperoleh 1,000 nilai total aggregate loss .
cI) seperti pada Tabel 6.
Tabel 6.
1,000 Nilai Total Aggregate Loss (S) yc (Repetisi Simulas.
Rp337,143,563.
Rp822,703,329.
1,000
Data ycI tersebut memuat banyak nilai 0, sedangkan nilai-nilai yang tidak 0 cenderung bernilai besar.
Selain itu, dari histogram pada Gambar 4 dapat dilihat bahwa ycI yang dihasilkan cenderung skewed-to-the-right.
Oleh karena itu, ycI dimodelkan menggunakan Bernoulli-Lognormal Two-Part Model.
Gambar 4.
Histogram S Dengan 1,000 Kali Monte-Carlo Estimasi parameter Bernoulli-Lognormal Two-Part Model dari ycI antara lain parameter yuEC bernilai 0.
484, parameter shape .
uNC ) bernilai 2.
7919, serta parameter scale .
uaC2 ) bernilai 7920914125.
Dari uji kecocokan model dengan Uji Cramyr90 Pemodelan Risiko Kerugian Akibat Gempa Bumi: Studi Kasus Wilayah M7 Megathrust Indonesia von Mises, diperoleh ycEycycaycoycyce = 0.
0816 > 0.
a0 diterim.
yang menunjukkan bahwa data tersebut berdistribusi Bernoulli-Lognormal Two-Part Model.
Setelah mengetahui bahwa total aggregate loss ycI berdistribusi BernoulliLognormal Two-Part Model, estimasi kerugian finansial dapat dilakukan dengan metode estimasi ukuran risiko.
Menurut Otoritas Jasa Keuangan .
serta hasil penelitian dari Pratama .
, disimpulkan bahwa perusahaan asuransi/reasuransi wajib menggunakan metode estimasi ukuran risiko terbaik dengan tingkat kepercayaan minimum 75% dalam mengestimasi kerugian finansial.
Salah satu metode yang dapat digunakan adalah ukuran risiko Value-at-Risk (VaR).
Hasil estimasi kerugian finansial dengan metode VaR ditampilkan pada Tabel 7.
Tabel 7.
Estimasi Kerugian Finansial dengan Metode VaR Persentil ycOycaycI Rp43,255,941.
Rp959,530,646.
Rp4,463,256,748.
Rp17,581,162,485.
Rp88,378,440,247.
Rp298,066,571,091.
Rp2,538,999,218,628.
Dari Tabel 7, dapat dilihat bahwa nilai VaR 95% adalah sekitar 298 miliar Artinya dengan tingkat kepercayaan 95%, dapat dipastikan bahwa kerugian finansial yang akan diperoleh jika terjadi gempa bumi mainshock berkekuatan lebih dari magnitudo 6.
4 di zona megathrust M7 dengan ditetapkannya nilai ARI sebesar 250 tahun, tidak melebihi 298 miliar rupiah.
Sedangkan 5% sisanya mengindikasikan kemungkinan kerugian finansial yang melebihi 298 miliar rupiah.
Batasan kerugian maksimum ini dapat menjadi acuan bagi perusahaan asuransi dalam menentukan premi asuransi.
SIMPULAN
Penelitian ini berhasil memodelkan dan mengestimasi potensi kerugian finansial akibat gempa bumi di zona megathrust M7 Selat Sunda Banten.
Indonesia, menggunakan Earthquake Catastrophe Model.
Model ini dikembangkan melalui Dea Permata Sari.
Azizah serangkaian tahapan, termasuk pembangunan modul hazard, inventory, dan vulnerability, hingga konstruksi Event Loss Table (ELT) berbasis collective risk model yang melibatkan simulasi Monte-Carlo pada modul loss.
Hasil penelitian menunjukkan bahwa pendekatan Bernoulli-Lognormal Two-Part Model efektif dalam memodelkan distribusi total aggregate loss akibat gempa bumi.
Berdasarkan analisis Value-at-Risk (VaR), diperoleh estimasi bahwa dengan tingkat kepercayaan 95%, potensi kerugian finansial akibat gempa bumi di zona megathrust M7 tidak melebihi Rp298 miliar.
Angka ini mengimplikasikan bahwa perlu dipersiapkan setidaknya Rp298 miliar sebagai alokasi dana untuk menanggung potensi kerugian finansial akibat gempa dengan kriteria tertentu di zona megathrust M7 untuk nilai ARI 250 tahun.
Hasil tersebut menunjukkan kontribusi penelitian ini dalam mengestimasi kerugian finansial yang dapat digunakan oleh pemerintah daerah atau perusahaan asuransi dalam merancang strategi mitigasi risiko dan menentukan skema pembiayaan bencana yang lebih akurat berbasis data historis di zona megathrust M7.
Melalui penelitian ini, diharapkan pendekatan probabilistik dalam pemodelan risiko gempa bumi dapat semakin dikembangkan dan diterapkan dalam kebijakan mitigasi bencana di Indonesia, khususnya dalam meningkatkan ketahanan finansial terhadap potensi bencana gempa bumi di wilayah megathrust yang berisiko tinggi.
Hasil estimasi kerugian finansial pada penelitian ini sangat bergantung pada data dan asumsi yang digunakan dalam pemodelan.
Salah satu batasan utama adalah penggunaan data gempa historis spesifik pada zona megathrust M7, sehingga temuan ini tidak dapat digeneralisasi langsung ke wilayah megathrust lainnya.
Selain itu, data exposure yang digunakan terbatas pada bangunan residensial di Kabupaten Sukabumi dengan titik representasi di lokasi kantor Bupati.
Penetapan nilai ARI sebesar 250 tahun serta penggunaan Kernel Epanechnikov juga menjadi batasan metodologis yang memengaruhi hasil penelitian.
Oleh karena itu, penelitian selanjutnya diharapkan dapat mengatasi batasan ini dengan memanfaatkan data exposure yang lebih detail per titik bangunan, menggunakan kombinasi nilai ARI dan fungsi kernel yang berbeda, serta memperluas cakupan wilayah penelitian untuk memberikan informasi yang lebih komprehensif bagi zona megathrust lainnya di Indonesia.
Pemodelan Risiko Kerugian Akibat Gempa Bumi: Studi Kasus Wilayah M7 Megathrust Indonesia
DAFTAR PUSTAKA