Keterlibatan Statistika dalam Dunia Pertanian

Dina Jumiatul Fitri1, Hanifa Izzati1, Nafisa Berliana Indah Pratiwi1, Pradnya Sri
Rahayu1, Rahmah Humaeroh1, Anang Kurnia1
1
Department of Statistic, IPB University, Indonesia
Corresponding author: dinajumiatulfitri@apps.ipb.ac.id

Abstrak

Kata kunci:

PENDAHULUAN
Latar Belakang
Infant Mortality Rate atau Angka Kematian Bayi (0-11 bulan) Indonesia tahun
2020 masih menempati posisi lima tertinggi di Asia Tenggara yaitu sekitar 20 per 1000
kelahiran hidupi. Oleh karena itu, perlu adanya suatu program skala nasional yang
dilaksanakan di tingkat provinsi dan kabupaten/kota untuk menurunkan angka tersebut.
Kementerian Kesehatan Republik Indonesia telah menyusun Indikator Program
Kesehatan Masyarakat dalam Rencana Pembangunan Jangka Menengah Nasional
(RPJMN) dan Rencana Strategi (Renstra) untuk tahun 2020-2024. Program ini memiliki
7 indikator kinerja yaitu Indikator Kinerja Program Kesehatan Masyarakat, Kegiatan
Pembinaan Kesehatan Keluarga, Kegiatan Pembinaan Gizi Masyarakat, Kegiatan
Kesehatan Kerja dan Olahraga, Kegiatan Penyehatan Lingkungan, Kegiatan Promosi
Kesehatan dan Pemberdayaan Masyarakat, dan Kegiatan Dukungan Manajemen dan
Pelaksanaan Tugas Teknis Lainnya Pada Program Kesehatan Masyarakatii.
Terdapat 26 indikator Program Kesehatan Masyarakat pada RPJMN tahun 2020-
2024 dengan salah satu indikatornya adalah Angka Kematian Bayi (AKB) serta indikator
lain yang terkait AKB antara lain Angka Kematian Ibu (AKI), Angka kematian Neonatal
(AKN), Persentase Persalinan di Fasilitas Pelayanan Kesehatan, Cakupan Kunjungan
Antenatal, Cakupan Kunjungan Neonatal, Persentase Bayi Usia Kurang dari 6 Bulan
Mendapatkan ASI Eksklusif, Persentase Ibu Hamil Kurang Energi Kronik (KEK), dan
Jumlah Tenaga Kesehatan yang dilatih Kegawatdaruratan Maternal dan Neonatal.
Kematian Bayi adalah bayi usia 0-11 bulan (termasuk neonatal/bayi usia 0-28
hari) yang meninggal di suatu wilayah pada kurun waktu tertentu sedangkan Angka
Kematian Bayi adalah jumlah bayi usia 0-11 bulan (termasuk neonatal/baru lahir) yang
meninggal di suatu wilayah pada kurun waktu tertentu dibagi 1000 kelahiran hidup di
wilayah tersebut dan pada kurun waktu yang sama. Adapun target yang ditetapkan adalah
menurunkan Angka Kematian Bayi menjadi 16 per 1000 kelahiran hidup pada tahun
2024.
Untuk mengetahui besaran masalah, menentukan prioritas masalah, menyusun
jenis dan target program, dan mengevaluasi program akan sangat baik jika didasarkan
pada data yang lengkap dan benar. Salah satu cara untuk memiliki data tersebut adalah
pada 12 Juni 2019, melalui Peraturan Presiden Nomor 39 Tahun 2019 tentang Satu Data
Indonesia (Perpres SDI), Presiden menetapkan program Nasional "Satu Data Indonesia"
(SDI) iii. Satu Data Indonesia adalah kebijakan tata kelola data Pemerintah untuk
menghasilkan data yang akurat, mutakhir, terpadu, dan dapat dipertanggungjawabkan,
serta mudah diakses dan dibagipakaikan antara instansi Pusat dan instansi Daerah.
Dalam rangka mengsukseskan program nasional ini, setiap pemerintah daerah
ditingkat provinsi dan Kab/Kota membuat situs web tentang data-data yang
menggambarkan kondisi suatu wilayah maupun hasil kinerja pemerintah daerah. Salah
satu provinsi yang sudah memiliki situs web ini adalah Provinsi Jawa Barat. Saat ini,
Open Data Jabar dijalankan bersama dengan Satu Data Jabar dengan ketersediaan lebih
dari 1.000 dataset telah terintegrasi antara Open Data dan Satu Data Jabariv.
Provinsi Jawa Barat adalah provinsi dengan jumlah penduduk terbanyak di
Indonesia tahun 2020 yaitu sebesar 48.274.162 dengan perbandingan antara laki-laki dan
perempuan yang hampir seimbangv. Jika jumlah kasus kematian bayi di Jawa Barat
paling tinggi di Indonesia tidak langsung menunjukkan bahwa Angka Kematian Bayi di
Jawa Barat juga tertinggi. Dalam situs Open Data Jawa Barat terdapat informasi
pendukung yang dapat menganalisis Angka Kematian Bayi di Jawa Barat.
Awal kegiatan pengumpulan data yang sebelumnya tidak dicatat secara rapi akan
dapat memberikan informasi yang kurang lengkap namun jika telah data telah dihasilkan
dari kegiatan pencatatan dan pelaporan rutin, informasi akan menjadi lebih lengkap dan
benar. Dalam kondisi baik pun, tetap ada peluang terjadinya overdispersi pada data yang
berbentuk count. Oleh karena itu, untuk memodelkan data dengan kondisi demikian,
digunakan model Zero Inflated Poisson Regression (ZIP) yang salah satu
pengembangannya adalah Zero Infated Negative Binomial Regression (ZINB). Kedua
metode tersebut untuk mengatasi terjadinya banyak pengamatan nol. Penaksiran
parameter model regesi ZIP dan ZINB dilakukan dengan metode Maximum Likelihood
Estimation (MLE) dan diselesaikan menggunakan algoritma Ekspektasi-Maksimalisasi
(EM).
Hal-hal tersebut diatas, perlu adanya sebuah studi untuk memodelkan data Angka
Kematian Bayi di Jawa Barat dari data yang tersedia dalam situs web Open Data Jawa
Barat dengan diawali uji pemenuhan asumsi yang harus dipenuhi jika menggunakan
regresi poisson.

Kajian Pustaka
Overdispersi pada regresi Poisson dapat dilihat dari nilai taksiran disperse yaitu nilai
devians dan pearson chi-square dibagi dengan derajat bebasnya bernilai lebih besar dari satu.
Model regresi yang dapat digunakan untuk mengatasi overdispersi yang disebabkan oleh excess
zeros diantaranya adalah model regresi ZIP dan ZINB.
Model regresi ZIP adalah model campuran yang sederhana untuk data diskret dengan
banyak peristiwa nol (Lambert, 1992). Jika Y i merupakan peubah acak bebas yang berdistribusi
ZIP, maka nilai nol yang terdapat pada observasi diduga telah terjadi dengan dua cara yang sesuai
dengan keadaan (state) yang terpisah. Keadaan pertama disebut dengan zero state dengan
probabilitas ω i dan keadaan kedua disebut dengan Poisson state dengan probabilitas 1−ωi.
Kedua keadaan memberikan distribusi campuran dua komponen. Fungsi peluang dari model
regresi ZIP (Jansakul & Hinde, 2002) adalah
 {
ω i+ ( 1−ω i) e−μ ,untuk y i =0
P ( Y i= y i ) = e−μ μ i yi i

( 1−ωi ) y ! ,untuk y i=1 ,2 , ...

i

Dari fungsi peluang model regresi ZIP, didapat rata-rata dan varians sebagai berikut:

E ( Y )=( 1−ω ) μ
Var ( Y )=μ ( 1−ω )( 1+ μω )

Model hubungan untuk μ dan ω pada model regresi ZIP (Lambert, 1992) adalah sebagai
berikut:
ln ( μ ) =Xγ
logit ( ω )=log (ω
1−ω
=Xγ )
Selain dengan menggunakan model regresi ZIP, model regresi yang dapat digunakan
untuk mengatasi overdispersi yang disebabkan oleh excess zeros adalah model regresi ZINB.
Model regresi ZINB adalah model yang dibentuk dari campuran distribusi Poisson dan gamma.
Jika Y i merupakan peubah acak bebas yang diskret, maka nilai nol yang terdapat pada observasi
diduga telah terjadi dengan dua cara yang sesuai dengan keadaan (state) yang terpisah. Keadaan
pertama disebut zero state dengan probabilitas pi dan keadaan kedua disebut negative binomial
state dengan probabilitas 1− pi . Kedua keadaan tersebut memberikan distribusi campuran dua
komponen, maka fungsi peluang dari model regresi ZINB (Garay & Hashimoto, 2011) adalah
sebagai berikut:

{
( )
1
1
pi + ( 1− p i) k
, untuk y i=0
1+ k μ i
P ( Y i= y i ) =
( k)
1
Γ yi +
( 1+k μ )
yi
1
( 1−p ) ,untuk y =1,2 ,… ,k
Γ ( ) Γ ( y +1 )
i i
1 i
i
k

Dari fungsi peluang model regresi ZINB, didapat rata-rata dan varians sebagai berikut:

E ( Y i ) =( 1− pi ) μi
Var ( Y i )=( 1− pi ) μ i ( 1+ k μ i+ pi μi )
Model regresi ZINB dibagi menjadi dua komponen yaitu model data diskret untuk μi dan
model zero-inflation untuk piyaitu:

T
ln ( μi ) =x i β

logit ( pi ) =ln ( ) pi
1− pi
T
=Z i γ
 Penaksiran parameter model regresi ZIP dan ZINB dilakukan dengan metode penaksir
kemungkinan maksimum (Jansakul & Hinde, 2002). Penaksiran parameter dengan metode
penaksir kemungkinan maksimum dihitung dengan memaksimalkan fungsi log-likelihood.
Penjumlahan fungsi log-likelihood tidak dapat diselesaikan dengan metode numerik biasa, oleh
karena itu dapat digunakan algoritma EM (Expectation Maximization) (Garay & Hashimoto,
2011).
Pengujian kesesuaian model regresi ZIP dan ZINB dapat menggunakan nilai Likelihood
Ratio (LR) (Hilbe, 2011). Hipotesis uji rasio likelihood adalah:

H o : β 1=β 2=…=β p=γ 1=γ 2=…=γ p =0

H 1 : paling sedikit ada satu β j ≠ 0 atau γ j ≠ 0

Statistik uji rasio likelihood (Hilbe, 2011) adalah sebagai berikut:

LR =−2 ( L reduce−Lfull )

2
Aturan keputusannya adalah H 0 ditolak pada tingkat signifikansi α jika LR > χ ( α , p)
Pengujian parameter regresi ZIP dan ZINB secara parsial dapat dilalui dengan dua cara,
yaitu pengujian parameter model log dan pengujian parameter model logit. Statistik uji yang
digunakan adalah dengan menggunakan uji Wald (Myers et al., 2010) sebagai berikut:

( )
^β j 2

W=
SE ( ^β j )
2
Untuk kriteria statistic ujinya adalah H 0 ditolak, jika W > χ ( db ,α ).
Pemilihan model terbaik pada regresi ZIP dan ZINB dapat dilihat dari nilai pearson chi-
square, devians, dan nilai AIC (Akaike’s Information Criterion) (Ismail & Jemain, 2005). Untuk
nilai pearson chi-square dan devians yang lebih mendekati derajat bebasnya menunjukkan model
yang lebih baik dan untuk nilai AIC yang lebih kecil akan menunjukkan model yang lebih baik.

Metodologi
Data Penelitian
Data yang digunakan pada penelitian ini merupakan data sekunder mengenai
jumlah kematian bayi pada tingkat desa/kelurahan di Jawa Barat tahun 2021. Data
tersebut bersumber dari laman https://opendata.jabarprov.go.id. Jumlah desa/kelurahan
yang menjadi objek penelitian adalah 5312 desa/kelurahan. Terdapat 4300
desa/kelurahan (81%) yang tidak memiliki jumlah kejadian kematian bayi, sedangkan
sejumlah 1012 desa/kelurahan (19%) memiliki jumlah kejadian kematian bayi. Variabel
respon penelitian ini adalah jumlah kematian bayi pada tingkat desa/kelurahan di Jawa
Barat (Y) sedangkan variabel prediktor adalah jumlah bayi yang mendapatkan imunisasi
dasar lengkap (X1), jumlah ibu hamil yang kekurangan energi kronik (KEK) dan
mendapat kunjungan (X2), jumlah dokter (X3), status keaktifan mayoritas warga desa
yang berpartisipasi dalam kegitan posyandu (X4), ketersediaan Rumah Sakit bersalin
terdekat dari desa (X5), ketersediaan praktek bidan (X6), dan jumlah kematian ibu
melahirkan (X7). Data peubah penelitian disajikan pada Tabel 1.
Tabel 1. Peubah Penelitian
Peubah Deskripsi Tipe Data
 Y Jumlah kematian bayi Kuantitatif diskrit
X1 Jumlah bayi yang mendapatkan Kuantitatif diskrit
imunisasi dasar lengkap
X2 Jumlah ibu hamil yang kekurangan Kuantitatif diskrit
energi kronik (KEK) dan mendapat
kunjungan
X3 Jumlah dokter Kuantitatif diskrit
X4 Status keaktifan mayoritas warga Kategorik biner
desa yang berpartisipasi dalam
kegitan posyandu
X5 Ketersediaan Rumah Sakit bersalin Kategorik biner
terdekat dari desa
X6 Ketersediaan praktek bidan Kategorik biner
X7 Jumlah kematian ibu melahirkan Kuantitatif diskrit

Berikut adalah gambar plot peubah jumlah kematian bayi pada gambar 1. Terlihat bahwa
jumlah kasus 0 (tidak ada kematian bayi) pada tingkat desa/kelurahan di Jawa Barat
tahun 2021 sangat banyak sehingga diperlukan penanganan dalam pemodelan regresi
yang akan dilakukan.

4000
count

2000

0 50 100 150
kematian_bayi

Gambar 1. Plot jumlah kematian bayi

Metode Penelitian
Tahapan yang dilakukan pada penelitian ini antara lain dijelaskan sebagai berikut :
1. Melakukan identifikasi multikolinearitas.
2. Membentuk model Regresi Poisson.
3. Melakukan pengujian overdispersi pada Regresi Poisson yang terbentuk.
4. Membentuk model Regresi Zero Inflated Poisson (ZIP).
5. Melakukan pengujian overdispersi pada Regresi Zero Inflated Poisson (ZIP) yang
6. Membentuk model Regresi Zero Inflated Negative Binomial (ZINB).
7. Menentukan model terbaik dengan membandingkan nilai AIC.

Hasil dan Pembahasan

Analisis Deskriptif
Peubah respon yang digunakan dalam penelitian ini adalah jumlah kejadian
kematian bayi berdasarkan desa/kelurahan (Y) di Jawa Barat Tahun 2021. Terdapat tujuh
peubah prediktor yang terdiri atas empat peubah numerik dan tiga peubah kategorik yang
diduga berpengaruh terhadap peubah respon jumlah kematian bayi di Provinsi Jawa
Barat. Peubah prediktor tersebut antara lain adalah jumlah bayi yang mendapat
imunisaasi dasar lengkap berdasarkan desa/kelurahan di Jawa Barat (X 1), jumlah ibu
hamil yang mengalami kekurangan energi kronik (KEK) dan mendapat kunjungan
berdasarkan desa/kelurahan di Jawa Barat (X2), jumlah dokter (X3), status keaktifan
mayoritas warga desa yang berpatisipasi dalam kegiatan posyandu (X 4), ketersedian
rumah sakit bersalin terdekat dari desa berdasarkan status di Jawa Barat (X 5),jumlah
kejadian kematian ibu melahirkan (X6) dan Ketersediaan praktik bidan terdekat dari desa
berdasarkan status di Jawa Barat (X7). Tabel 1 menjelaskan statistik deskriptif peubah
numerik.

Tabel 1. Statistik deskriptif peubah numerik

Peubah prediktor numerik
Keterangan
Y X1 X2 X3 X6
Rata-rata 0.4302 126.3 4.506 1.078 0.1611
Minimum 0 0 0 0 0
Maksimum 590 5157 415 750 165

Gambar 1 dan Gambar 2 merupakan histogram dari masing-masing empat peubah

numerik dan tiga peubah kategorik.

Gambar 1. Histogram peubah numerik Gambar 2. Histogram peubah kategorik

Berdasarkan gambar, diketahui bahwa pada tahun 2021 di Provinsi Jawa Barat
status keaktifan masyarakat dalam aktivitas posyandu (X4) 5278 masyarakat dengan
status aktif dan tidak aktif 34, ketersedian rumah sakit bersalin (X 5) tersedia 1225 dan
tidak tersedia 4087, dan untuk ketersedian praktik bidan(X7) 5080 ada praktik dan tidak
ada praktik 232. Selanjutnya dilakukan pemeriksaan pada normalitas data menggunakan
Quantile-Quantile plot yang ditunjukkan pada Gambar 3.
 Gambar 3. Q-Q Plot
Berdasarkan Gambar 3 diketahui bahwa untuk pencaran data masing-masing
peubah numerik pada peubah prediktor dan peubah respon tidak konsisten mengikuti
garis referensinya sedemikian sehingga ada kemungkinan masing-masing peubah
numerik pada peubah prediktor dan respon tidak mengikuti sebaran normal.

Deteksi Overdispersi
Pemeriksaan overdispespersi dilakukan dengan program Rstudio dan diperoleh
nilai dispersi 5004261 >1 sehingga menunjukkan adanya overdispersi. Selanjutnya
dilakukan pemeriksaan faktor penyebab overdispersi yakni indikasi adanya excess zero
pada peubah respon, hasil eksplorasi data pada peubah respon terdapat adanya kejadian
kasus kematian bayi = 0 sebanyak 4300 amatan dari banyaknya keseluruhan amatan
5312. Data pada peubah respon didominasi amatan 0 sebesar 80.9%. Karena terdapat
indikasi overdispersi dan excess zero, sehingga untuk mengatasai kasus jumlah kematian
bayi digunakan pemodelan Zero Inflated Poisson dan Zero Inflated Negative Binomial
(ZINB).

Pemodelan Jumlah Kematian Bayi dengan Zero Inflated Poisson (ZIP)

Model regresi ZIP bertujuan untuk memperbaiki model yang mengalami
overdispersi dan memiliki banyak nilai nol pada peubah respon. Adapun pendugaan
parameter dilakukan dengan menggunakan software Rstudio sehingga diperoleh hasil
sebagai berikut:

Tabel 3 Estimasi Parameter Model Regresi ZIP

Parameter Estimasi SE p-value Signifikansi
β0 0.7903478 0.1117564 1.53e-12 Signifikan
β1 -0.0004731 0.0002140 0.027 Signifikan
β2 -0.0055943 0.0038745 0.149 Tidak Signifikan
β3 -0.0096504 0.0091031 0.289 Tidak Signifikan
β4 -0.4458687 0.4072205 0.274 Signifikan
 β5 0.6793304 0.1127048 1.66e-09 Tidak Signifikan
β6 -0.0272399 0.0167669 0.104 Signifikan
β7 -0.2245376 0.1845441 0.224 Tidak Signifikan

Berdasarkan hasil pengolahan data pada Tabel 3 dapat dituliskan model ZIP dengan
fungsi hubung logit

logit ( pi ) =0.7903478−0.0004731 X 1−0.0055943 X 2−0.0096504 X 3−0.4458687 X 4 + 0.6793304 X 5−0.02723

Tabel 3 menunjukkan faktor yang memberikan pengaruh terhadap kematian bayi di

Provinsi Jawa Barat adalah Ibu hamil yang mengalami kekurangan energi kronik (KEK)
dan mendapat kunjungan, ketersediaan Rumah sakit bersalin,dan jumlah kematian ibu.

Pemodelan Jumlah Kematian Bayi dengan Zero Inflated Negative Binomial (ZINB)
Analisis regresi ZINB digunakan sebagai pembanding dari regresi ZIP dengan
tujuan untuk mengetahui model regresi mana yang baik digunakan dalam menganalisis
data yang menyebabkan kematian bayi.
Tabel 4. Estimasi Parameter Model Regresi ZINB
Parameter Estimasi SE p-value Signifikansi
β0 -1.165e+00 5.270e-01 0.02708 Signifikan
β1 -5.282e-04 3.955e-04 0.18166 Tidak Signifikan
β2 -2.612e-02 1.605e-02 0.10375 Tidak Signifikan
β3 -4.232e-02 6.960e-02 0.54317 Tidak Signifikan
β4 2.833e-01 8.907e-01 0.7504 Tidak Signifikan
β5 1.289e+00 4.824e-01 0.00756 Signifikan
β6 -1.526e+01 2.734e+02 0.95549 Tidak Signifikan
β7 -4.021e-01 5.371e-01 0.45406 Tidak Signifikan

Berdasarkan hasil pengolahan data pada Tabel 4 didapatkan keseluruhan model ZINB
untuk model log dan logit sebagai berikut

logit ( pi ) =−1.165−0.0005282 X 1−0.02612 X 2−0.04232 X 3 +0.2833 X 4 +1.289 X 5 −15.26 X 6−0.4021 X 7

Pemilihan Model Terbaik

Pemilihan model terbaik yang dihasilkan oleh regresi Zero Inflated Poisson (ZIP)
dan Zero Inflated Negative Binomial (ZINB) dapat ditentukan berdasarkan nilai Akaike’s
Information Criterion (AIC) dari masing-masing model. Semakin kecil nilai AIC yang
dihasilkan model, model yang dihasilkan semakin baik. Tabel 5 menunjukan nilai AIC
untuk kedua model ZIP dan ZINB
Tabel 5. Nilai AIC
Kriteria Uji ZIP ZINB
AIC 14373.629 7732.040
Berdasarkan Tabel 5, diketahui nilai AIC dari regresi ZINB lebih kecil dibandingkan
dengan regresi ZIP. Hal tersebut menunjukkan bahwa model regresi ZINB lebih baik
digunakan pada data yang menyebabkan kematian bayi berdasarkan desa/kecamatan di
Provinsi Jawa Barat tahun 2021.

Likelihood Ratio test

Untuk menguji kelayakan model ZINB dilakukan pengujian secara serentak
(overall) dengan hipotesis:
H0 : Semua peubah prediktor pada model tidak mempengaruhi jumlah kematian bayi (
^β 1=…= ^β jdimana j adalah peubah prediktor)
H1 : Paling sedikit ada satu peubah prediktor pada model yang mempengaruhi jumlah
kematian bayi (paling sedikit ada satu ^β j ≠ 0dimana j = 1,2,…,k )
Statistik yang digunakan untuk pengujian secara serentak adalah dengan
menggunakan Likelihood Ratio Test (LRT). Dengan menggunakan software R didapat
nilai p-value : < 2.2e-16. Kesimpulannya adala menolak H0, yang berarti bahwa minimal
ada satu peubah prediktor yang berpengaruh terhadap peubah respon dalam pemodelan
ZINB jumlah kematian bayi desa/kecamatan di Jawa Barat tahun 2021.

KESIMPULAN

DAFTAR PUSTAKA
i
CIA World Factbook - Unless otherwise noted, information in this page is accurate as of January 1, 2020
(https://www.indexmundi.com/map/?v=29&r=as&l=en)
ii
Indonesia. Kementerian Kesehatan RI. Direktorat Jenderal Kesehatan Masyarakat Pedoman Indikator Program
Kesehatan Masyarakat Dalam RPJMN dan Renstra Kementerian Kesehatan Tahun 2020-2024.— Jakarta :
Kementerian Kesehatan RI. 2020
iii
Indonesia. Peraturan Presiden No 39 Tahun 2019 tentang Satu Data Indonesia. Lembaran Negara RI Tahun
2019 Nomor 112, Sekretariat Negara. Jakarta.
iv
Pemerintah Provinsi Jawa Barat. Open Data Provinsi Jawa Barat. Diakses pada 7 Desember 2022, dari
https://opendata.jabarprov.go.id/id
v
Badan Pusat Statistik. 2021. Sensus Penduduk 2020. Jakarta Pusat : Badan Pusat Statistik.

Garay, A.M. and Hashimoto, E.M. 2011. On Estimation And Influence Diagnostics for Zero Inflated Negative
Binomial Regression Model. Computational Statistics & Data Analysis. Vol. 55, No.3,1304-1318.

Hilbe, J.M.. 2011. Negative Binomial Regression. Second Edition. New York: Cambridge University Press.

Ismail, N. & A.A. Jemain. 2005. Generalized Poisson Regression: An Alternative For Risk Classification. Jurnal
Teknologi. Vol. 43, No.1, 39-50.

Jansakul, N & J.P. Hinde. 2002. Score Tests for Zero-Inflated Poisson Models. Computational Statistics & Data
Analysis. Vol. 40, No.1, 75-96.

Lambert, D. 1992. Zero Inflated Poisson Regression, with an Application to Detect in Manufacturing.
Technometrics. Vol.34, No.1, 1-14.

Myers, R.H., Douglas C. Montgomery, G. Geoffrey Vining, & Timothy J, Robinson. 2010. Generalized Linear
Models with Applications in Engineering and The Sciences. Second edition. New Jersey: John Wiley and
Sons.