ABSTRAK
1. Pendahuluan
Hubungan suatu variabel dengan variabel lainnya dapat diketahui dengan
berbagai metode. Metode statistika yang biasa digunakan untuk melihat hubungan
dua variabel adalah analisis korelasi. Analisis korelasi digunakan untuk melihat
keeratan hubungan linier dua variabel yang dinyatakan dengan koefisien korelasi.
Analisis korelasi yang sering digunakan adalah korelasi Pearson, korelasi ini baik
digunakan jika memenuhi asumsi yaitu data berdistribusi normal. Namun, asumsi
kenormalan seringkali tidak terpenuhi karena adanya pengamatan outlier atau
terdapat amatan yang ekstrem. Dampaknya adalah pola hubungan akan sulit
terdeteksi meskipun terdapat keterkaitan yang cukup erat antar variabel (Ratih,
2011).
untuk setiap x 1 , … . , xm pada interval [−∞ , ∞] atau F j (−∞ )=0 dan F j ( ∞ )=1
(Chvosta, 2011).
Untuk menyederhanakan distribusi bersamanya maka diasumsikan
distribusi marginal F j kontinu. Hal ini mengakibatkan C unik dan dapat
dirumuskan pada Persamaan 2.
u1 um
C ( u 1 , … , um ) =∫ …∫ c ( u 1 , … , um ) d u1 … d um (2)
0 0
( ∏ [ e−θv −1 ]
)
−θt
e −1
Frank −ln −θ
e −1 ( ) 1
θ
ln 1 +
i=1
e −1 −θ
θ>0 untuk m ≥3
1
m
Gumbel ¿¿ exp −
( [ [∑ i=1
(−lnui )
θ
]] ) θ
θ>1
1.0
1.0
0.8
0.8
0.8
IC H T alang Riaja
IC H Talang R iaja
IC H Talang Riaja
0.6
0.6
0.6
0.4
0.4
0.4
0.2
0.2
0.2
0.0
0.0
0.0
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
denganΦ adalah fungsi normal standar variabel acak dan Φ Σ adalah distribusi
normal standar m-variat dengan vektor mean 0 dan matriks kovarian Σ. Sehingga
distribusi Φ Σ adalah N m (0 , Σ)(Chvosta, 2011).Jika copula Gaussian digunakan
pada distribusi normal multivariat, maka diasumsikan memiliki hubungan yang
linier (Ratih, 2014). Plot dependensi Copula Normal bivariat ditunjukkan pada
Gambar 2.
1.0
0.8
IC H T alang R iaja
0.6
0.4
0.2
0.0
0.6
0.4
0.2
0.0
1
ϕ(t)
τ =1+4 ∫ dt (6)
0 ϕ ' (t )
Estimasi parameter copula Clayton dan copula Gumbel dapat diperoleh dengan
persamaan 6. Jika menggunakan fungsi generator masing-masing Copula pada
Tabel 1, maka parameternya sebagai berikut.
Copula Clayton,
t −θ−1
1 1
ϕ(t) θ θ
τ =1+4 ∫ ' dt=1+4 ∫ −θ−1 dt=
0 ϕ (t ) 0 −t θ+2
2τ
θc = (7)
1−τ
Copula Gumbel,
1 1
ϕ(t)
τ =1+4 ∫ ' dt=1+4 ∫ ¿ ¿¿ ¿ ¿
0 ϕ (t ) 0
1
θG = (8)
1−τ
4. Copula Empirik
Konsep Copula Empirik pertama kali diperkenalkan oleh Deheuvels
(1979) dan menunjukkan bahwa copula Empirik konvergen seragam ke Copula
parametrik yang mendasarinya. Misalkan X i ={ X 1 i , X 2 i , … , X di } variabel
independen dan urutannya terdistribusi secara identik (i.i.d) dengan F kontinu dan
distribusi marginal F i kontinu, maka distribusi copula Empirik didefinisikan pada
Persamaan 10
n d
1
C=( u1 , … , ud ) = ∑ ∏ 1 ( r ij ≥u j ) (10)
n i=1 j=1
dengan 1(.) adalah fungsi indikator yang mengambil nilai 1 bila kondisinya
terpenuhi, yaitu ketika r ij ≥ u j, dan 0 ketika r ij< u j dimana r ij adalah statistik
peringat variabel ui . Dengan kata lain distribusi copula Empirik merupakan
statistik peringkat untuk setiap pengamatan dibagi dengan jumlah pengamatan
(Chvosta, 2011).
5. Kuadrat Selisih
Chvosta (2011) menyatakan untuk menentukan kuadrat selisih dengan
copula Empirik berdasarkan data pengamatan dan data simulasi dapat
menggunakan Persamaan 11.
( K ❑P ( t ) −K❑S ( t ) )2 (11)
dengan,
K ❑P : copula Empirik data pengamatan
S
K ❑: copula Empirik data simulasi
t : nilai persentil
Tampak pada Gambar 5 bahwa intesitas curah hujan Talang Riaja tidak
mengikuti distribusi normal. Salah satu metode dependensi yang dapat digunakan
jika terdapat data yang tidak memenuhi asumsi yaitu, Copula.
1.0
1.0
1.0
0.8
0.8
0.8
IC H T alang R iaja
0.6
0.6
0.6
0.4
0.4
0.4
0.2
0.2
0.2
0.0
0.0
0.0
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
1.0
1.0
0.8
0.8
ICH Talang Riaja
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
2. Aplikasi model Copula untuk intensitas curah hujan pada stasiun Tandung
Nanggala dan stasiun Talang Riaja adalah model copula Clayton sebagai
berikut.
−1.4128
C ( u , v ) =( u−0.7078 +v −0.7078−1 )
Model copula Clayton menunjukkan terdapat dependensi yang kuat antara
intensitas curah hujan rendah di stasiun Tandung Nanggala dan di stasiun
Talang Riaja dengan parameter 0.7078.
Daftra Pustaka
Chvosta, Jan, dkk. 2011. Modeling Finncial Risk Factor Correlation with the
COPULA Procedure. Cary: SAS Institute Inc, NC.
Ratih, Iis Dewi. 2011. Gaussian Copula Marginal Regression. Skripsi Tidak
Diterbitkan. Surabaya: Jurusan Statistika FMIPA ITS.