KAPITA SELEKTA II
KELOMPOK 7
PRODI S1 STATISTIKA
UNIVERSITAS BENGKULU
2022
ABSTRAK
Indonesia adalah salah satu negara yang terletak di Zona Seismic Asia
fenomena ini, penulis merasakan perlu untuk dilakukan prediksi gempa dan
bencana gempa bumi dan tsunami. Salah satu upaya yang dilakukan adalah
metode Bivariate Zero Inflated Negative Binomial (BZINB). Model terbaik dari
exp(3.399−21.675X
15 +1.463𝑋25 )
ZINB adalah model 𝑌5 = 1+exp(3.399+−21.675X dengan nilai AIC =
15 +1.463𝑋25 )
73.78417 dan BIC = 93.11939 dan untuk model BZINB model terbaiknya adalah
281.307.
(Kata kunci: Zona Seismic, Gempa bumi, Tsunami, Bivariate Zero Inflated Negative Binomial
1
BAB 1
PENDAHULUAN
Indonesia adalah salah satu negara yang terletak di Zona Seismic Asia
dikelilingi oleh lempeng Indo-Australia dan Pelat Laut Filipina yang meretas di
bawah lempeng Eurasia, dengan lima pulau besar dan beberapa semenanjung
(Aydan, 2008). Indonesia disebut sebagai Negara kaya bencana gempa bumi,
di dalam bumi secara tiba-tiba yang ditandai dengan patahnya lapisan batuan
pada kerak bumi. Akumulasi energi penyebab terjadinya gempa bumi dihasilkan
kesegala arah berupa gelombang gempa bumi sehingga efeknya dapat dirasakan
mencatat empat kejadian gempa bumi besar di Indonesia yaitu gempa bumi Banda
(8,5 Mw) tahun 1983, gempa bumi Sumatera–Andaman Islands (9,1 Mw) tahun
2004, gempa bumi Sumatera Utara/Nias (8,6 Mw) tahun 2005 (USGS, 2009) dan
gempa bumi Pantai Barat Sumatera (8,6 Mw) tahun 2012 (USGS, 2012). Data ini
intesitas kegempaan yang tinggi. Ini menjadikan Indonesia tidak terhindarkan dari
dampak negatif yang akan ditimbulkan oleh gempa bumi. Selain mengakibatkan
jatuhnya korban jiwa, gempa bumi juga menyebabkan kerusakan infrastrktur fisik
dimana kerusakan unit bangunan menjadi yang paling dominan. Dilihat dari posisi
2
dan geografisnya, Indonesia merupakan negara yang termasuk bagian dari lintasan
The Pasific Ring of Fire (Cincin Api Pasifik), yaitu suatu lintasan di mana
terdapat deretan gunung api sehingga tidak mengherankan kalau negara yang
dilewati cincin api ini sering terjadi gempa, baik gempa tektonik maupun
vulkanik. Berdasarkan catatan para ahli, sebanyak 81% gempa bumi besar terjadi
Salah satu pulau di Indonesia yang dilalui jalur gempa dunia adalah
Sumatera. Provinsi Sumatera Barat merupakan salah satu Priovinsi yang terdapat
pada pulau Sumatera yang diapit oleh dua pusat gempa utama yaitu patahan
semangka yang berada di sepanjang Bukit Barisan dan zona subduksi yaitu
pantai ke arah barat. Provinsi ini juga memiliki empat buah gunung berapi aktif
(Bappenas, 2007). Angka kerusakan bangunan akibat gempa bumi besar yang
pernah tercatat diketahui terjadi di kota Banda Aceh tahun 2004 dengan angka
kerusakan total bangunan mencapai 35% dari keseluruhan bangunan yang ada
(Irwansyah, 2010).
3
Selain gempa bumi Indonesia juga rawan terhadap bencana Tsunami. Tsunami
berasal dari bahasa Jepang, Tsu berarti pelabuhan dan Nami berarti gelombang,
tersebut bisa disebabkan oleh gempa bumi yang berpusat di bawah laut, letusan
gunung berapi bawah laut, longsor bawah laut, atau hantaman meteor di laut.
yang besar, Daya rusak bencana tsunami sangat dahsyat terutama di wilayah
pesisir dan dapat menjangkau wilayah yang cukup luas hingga puluhan kilometer
dari garis pantai. Daerah yang masih mempunyai potensi mendapat kerusakan
karena terpaan gelombang tsunami disebut dengan daerah rawan bencana tsunami
(Lapan, 2015).
besar dan jumlah korban manusia yang luar biasa (Syamsidik & Istiyanto, 2013).
Sumatera dan Jawa adalah dua pulau yang paling rentan dampak tsunami karena
Jawa. Tercatat ada lebih dari 150 gempa bumi berkekuatan 7.0+ dalam skala
pada edisi Maret 2005 memprediksikan bahwa Kota Padang merupakan kota di
4
dunia yang memiliki dampak terparah yang disebabkan oleh bencana tsunami
Salah satu upaya yang dilakukan adalah dengan melakukan pemodelan data
gempa bumi dan tsunami. Untuk data diskrit zero-inflated bivariate, Li et. Al.
(1999) dan Wang et. Al. (2003) menyarankan beberapa model Bivarite Zero-
Namun model yang diajukan Wang (2003) memiliki dua kelemahan. Pertama, dua
variabel dependen tidak boleh memiliki dispersi yang heterogen karena model ini
bivariat yang mempunyai dispersi berbeda pada variabel dependen, maka estimasi
parameter atau standar error akan menjadi tidak efisien karena overdispersi
5
model nested dan memperbolehkan LRT untuk memilih model terbaik, model
dapat digunakan untuk data diskrit bivariat dan zero-inflated dengan korelasi
positif atau negatif, dan model ini memperbolehkan tambahan overdispersi pada
dua variabel respon. Model ini memiliki parameterisasi yang juga digunakan oleh
bentuk khusus dari ZINB. Pada model ini BZINB-P merupakan model yang
Pada penelitian sebelumnya dilakukan oleh Faraoughi & Ismail (2016) yang
Applications”. Penelitian lainnya juga pernah dilakukan oleh Putera (2022) yang
Binomial Regression Model for Count Data With Excess Zeros”, dan Dong Seok
selesaikan dalam penelitian ini, yaitu bagaimana cara membuat model Bivariate
Zero Inflated Negative Binomial terhadap kasus gempa bumi dan tsunami di
6
1.3 Tujuan Penelitian
Berdasarkan rumusan masalah diatas tujuan dari penelitian ini adalah untuk
membuat model Bivariate Zero Inflated Negative Binomial terhadap kasus gempa
bumi dan tsunami di wilayah Sumatera, Jawa, Bali, Sulawesi, dan Papua.
Penelitian ini dilakukan untuk memperoleh model BZINB untuk data gempa
bumi dan tsunami di wilayah Sumatera, Jawa, Bali, Sulawesi, dan Papua,
sehingga peneliti menetapakan beberapa batasan masalah pada penelitian ini yaitu
sebagai berikut:
Penelitian ini diharapkan dapat menjadi tuntunan dan ilmu pengetahuan baru bagi
7
2. Bagi mahasiswa Penelitian ini dapat menambah referensi mengenai metode
3. Bagi masyarakat Penelitian ini dapat menjadi sumber informasi dan referensi
bab dan setiap bab terdiri dari beberapa subbab yaitu sebagai berikut :
BAB I PENDAHULUAN
sistematika penulisan.
Bab ini merupakan bab yang memuat pengertian dan teori yang
BAB V KESIMPULAN
8
Bab ini merupakan bab yang memuat rangkuman dari hasil secara
DAFTAR PUSTAKA
9
BAB II
TINJAUAN PUSTAKA
Penelitian kali ini melakukan analisis pemodelan terhadap data tsunami dan
gempa bumi Indonesia tahun 1905-2021 dengan metode model regresi Bivariate
Percobaan binomial negatif terdiri atas beberapa usaha dan tiap usaha dengan
dua kemungkinan hasil yang dapat diberi nama sukses atau gagal dan dilakukan
𝑎−1 𝜇𝑖2−𝑃 𝑦𝑖
Γ(𝑦𝑖 + 𝑎−1 𝜇𝑖2−𝑃 ) 𝑎−1 𝜇𝑖2−𝑃 𝜇𝑖
Pr(𝑦𝑖 ) = ( ) ( )
𝑦𝑖 ! Γ(𝑎−1 𝜇𝑖2−𝑃 ) 𝑎−1 𝜇𝑖2−𝑃 + 𝜇𝑖 𝑎−1 𝜇𝑖2−𝑃 + 𝜇𝑖
Dimana:
𝑎 = parameter dispersi
𝑃 = parameter fungsional
khusus NB-1 dan NB-2 dengan manambah parameter P. Rataan dan Varian dari
model regresi NB-P adalah 𝐸(𝑌𝑖 ) = 𝜇𝑖 dan Var (𝑌𝑖 ) = 𝜇𝑖 (1 + 𝑎𝜇𝑖𝑃−1 ). Model
NB-P diturunkan menjadi model regresi NB-1 dan NB-2 saat 𝑃 = 1 dan 𝑃 = 2
secaaa berurutan, diturunkan menjadi model regresi Poisson dalam batasan saat
10
Model regresi bivariate negative binomial-P (BNB-P) berasal dari hasil kali
Dimana:
𝛼 = parameter korelasi
2−𝑃𝑡
1−𝜃𝑖𝑡 𝑎𝑡−1 𝜇𝑖𝑡
−𝑦𝑖𝑡 )
𝑐𝑖𝑡 = 𝐸(𝑒 = (1−𝜃 −1
)
𝑖𝑡 𝑒
𝜇𝑖𝑡
𝜃𝑖𝑡 = 2−𝑃 + 𝜇𝑖𝑡
𝑎𝑡 𝜇𝑖𝑡 𝑡
−1
Binomial, yaitu:
𝑃 −1
𝐸(𝑦𝑖𝑡 ) = 𝜇𝑖1 𝜇𝑖2 dan 𝑉𝑎𝑟(𝑦𝑖𝑡 ) = 𝜇𝑖𝑡 (1 + 𝑎1 𝜇𝑖𝑡𝑡 ), 𝑡 = 1,2
Dimana:
2−𝑃 2−𝑃
𝑎𝑡−1 𝜇𝑖𝑡 𝑡 𝜃𝑖𝑡 𝑒 −1 𝑎𝑡−1 𝜇𝑖𝑡 𝑡 𝜃𝑖𝑡
𝐷𝑖𝑡 = ( ) − ( ) , 𝑡 = 1,2
1 − 𝜃𝑖𝑡 𝑒 −1 1 − 𝜃𝑖𝑡
11
Dan 𝛼 memenuhi 𝛼1 ≤ 𝛼 ≤ 𝛼2 dengan 𝛼1 = −1/max{𝑐𝑖1 𝑐𝑖2 , 1 − 𝑐𝑖1 + 𝑐𝑖1 𝑐𝑖2 }
Dapat dilihat jika 𝛼 = 0, variabel respon 𝑌𝑖1 dan 𝑌𝑖2 independen, masing-
masing berdistribusi marginal model regresi NB-P. Jika 𝛼 > 0 dan 𝛼 < 0, maka
kita mempunyai korelasi positif dan negatif secara berurutan. Dapat dilihat bahwa
(2010).
teknik untuk mengukur hubungan antara dua variabel, gagasan dasar dari analisis
horizontal dalam grafik) dan variabel 𝑌 (garis vertikal dalam grafik) dapat
menjadi hubungan non-linear, positif atau negatif. Dalam uji korelasi sendiri
Menurut Randy Aulia yang dikutip dari website Global Statsitik Akademik
korelasi Pearson Product Moment adalah korelasi yang digunakan untuk data
kontinu dan data diskrit. Korelasi pearson cocok digunakan untuk statistik
parametrik. Ketika data berjumlah besar dan memiliki ukuran parameter seperti
mean dan standar deviasi populasi. Korelasi Pearson menghitung korelasi dengan
korelasinya. Korelasi ini menghitung data apa adanya, tidak membuat ranking
atas data yang digunakan seperti pada korelasi Rank Spearman. Ketika kita
memiliki data numerik seperti nilai tukar rupiah, data rasio keuangan, tingkat
12
pertumbuhan ekonomi, data berat badan dan contoh data numerik lainnya, maka
informasi parameter, data tidak berdistribusi normal atau data diukur dalam
bentuk ranking. Berbeda dengan Korelasi Pearson, korelasi ini tidak memerlukan
asumsi normalitas, maka korelasi rank spearman cocok juga digunakan untuk data
orde data. Ketika peneliti berhadapan dengan data kategorik seperti kategori
pekerjaan, tingkat pendidikan, kelompok usia, dan contoh data ketegorik lainnya,
maka Korelasi Rank Spearman cocok digunakan. Korelasi Rank Spearman pun
cocok digunakan pada kondisi dimana peneliti dihadapkan pada data numerik
seperti korelasi Spearman, korelasi Kendall Tau juga mengukur hubungan antar
dibandingkan dengan korelasi spearman saat sampel analisis berukuran kecil dan
ada banyak data dengan nilai yang sama. Beberapa asumsi sebelum melakukan
13
1. Skala data ordinal ataupun kontinu. Data ordinal adalah data yang berupa
kategorik, namun memiliki tingkatan, sehingga bisa kita beri ranking dengan
Perguruan Tinggi merupakan salah satu bentuk data ordinal. Sedangkan data
kontinu adalah data numerik. Contohnya seperti nilai ujian matematika, gaji,
variabel pertama juga akan disertai dengan kenaikan atau penurunan nilai
jumpai pada hubungan antara usia pemain sepak bola dengan performanya di
mendekati 30, namun mengalami penurunan saat usia sudah melewati angka
30 tahun.
menggunakan metode korelasi Pearson karena tipe data tsunami dan gempa ini
sesuai dengan syarat dan ketentuan dalam pengujian korelasi dengan metode
Pearson ini. Rumus menghitung korelasi Pearson bisa dituliskan sebagai berikut:
𝑛 ∑ 𝑥𝑖 𝑦𝑖 − (∑ 𝑥𝑖 )(∑ 𝑦𝑖 )
𝑟𝑥𝑦 =
√(𝑛 ∑ 𝑥𝑖2 − (𝑥𝑖 )2 )(𝑛 ∑ 𝑦𝑖2 − (𝑦𝑖 )2 )
2.4 Overdisversi
Menurut Irwan dan Sari (2013) pada model regresi Poisson terdapat asumsi
yang mendasari dalam melakukan analisis regresi Poisson yaitu dalam variabel
14
𝐸(𝑌) = 𝑉𝑎𝑟(𝑌). Namun terkadang terjadi kasus overdispersi dan underdispersi.
Overdispersi yaitu jika terjadi kasus nilai varians lebih besar dari meannya,
sedangkan underdispersi terjadi jika nilai varians lebih kecil dari meannya
(Camelia et al.,2016). Adanya overdispersi dapat dilihat dari nilai Deviance atau
Pearson Chi-square yang dibagi dengan derajat bebasnya. Apabila nilai pearson
Chi-square dibagi dengan derajat bebas lebih besar daripada 1, ini menunjukkan
nilai variansi yang lebih besar daripada rataan yang artinya telah terjadi
overdispersi.
𝐻0 : 𝑎1 = 𝑎2 = 0
𝐻1 : 𝑎 ≠ 0
𝑇 = −2(ln 𝐿0 − ln 𝐿1 )
satu derajat bebas, hipotesis nol diuji pada level signifikan 𝛼 = 0,05.
Kondisi Excess zeros merupakan kondisi nilai nol yang berlebih pada suatu
data dimana nilai nol memiliki makna pada data sehingga tidak dapat dihilangkan.
Data dikatakan mengalami excess zero jika proporsi nilai nol pada variabel respon
lebih besar dari nilai lainnya pada variabel respon (B. S. S. Ariawan, “Pemodelan
15
Regresi Zero-Inflated Negative Binomial (Zinb) Untuk Data Respon Diskrit
model nested dan memperbolehkan LRT untuk memilih model terbaik, model
dapat digunakan untuk data diskrit bivariat dan zero-inflated dengan korelasi
positif atau negati, dan model ini memperbolehkan tambahan overdispersi pada
dua variabel respon. Model ini memiliki parameterisasi yang juga digunakan oleh
bentuk khusus dari ZINB. Pada model ini BZINB-P merupakan model yang
Pada kasus bivariat dan zero-inflated, model regresi BNB-P dapat diperluas
pada nol dengan model regresi BNB-P. Fungsi massa peluang bersamanya adalah:
2 2−𝑃𝑡 2
𝑎𝑡−1 𝜇𝑖𝑡
𝜔𝑖 + (1 − 𝜔𝑖 ) [∏ ( −1 2−𝑃𝑡 )] [1 + 𝛼 ∏(1 − 𝑐𝑖𝑡 )] , (𝑦𝑖1 = 0, 𝑦𝑖2 = 0)
={ 𝑎 𝑡 𝜇 + 𝜇 𝑖𝑡
𝑡=1 𝑖𝑡 𝑡−1
(1 − 𝜔𝑖 )Pr𝐵𝑁𝐵𝑃 (𝑦𝑖1 , 𝑦𝑖2 ) , (𝑦𝑖1 , 𝑦𝑖2 lainnya)
Dimana:
𝛼 = parameter korelasi
16
2−𝑃𝑡
1−𝜃𝑖𝑡 𝑎𝑡−1 𝜇𝑖𝑡
−𝑦𝑖𝑡 )
𝑐𝑖𝑡 = 𝐸(𝑒 = (1−𝜃 −1
)
𝑖𝑡 𝑒
𝜇𝑖𝑡
𝜃𝑖𝑡 = −1 2−𝑃𝑡
+ 𝜇𝑖𝑡
𝑎𝑡 𝜇𝑖𝑡
Dimana:
2−𝑃 2−𝑃
𝑎𝑡−1 𝜇𝑖𝑡 𝑡 𝜃𝑖𝑡 𝑒 −1 𝑎𝑡−1 𝜇𝑖𝑡 𝑡 𝜃𝑖𝑡
𝐷𝑖𝑡 = ( )−( ) , 𝑡 = 1,2
1 − 𝜃𝑖𝑡 𝑒 −1 1 − 𝜃𝑖𝑡
Korelasi pada model regressi BZINB-P dapat bernilai positif atau negatif.
Metode BZINB juga memiliki model regresi. Regresi Bivariate Zero Inflated
hubungan antara dua variabel respon yang berbentuk count dengan beberapa
variabel prediktor yang berupa data diskrit, kontinu atau campuran antara
zeros. Regresi ZINB terdiri dari dua komponen yaitu model data diskrit untuk 𝜇𝑖
17
𝑻
log(𝜇𝑖𝑡 ) = 𝐱 𝒊𝒕 𝜷𝒕 , 𝜇𝑖𝑡 ≥ 0, 𝑡 = 1, 2 𝑑𝑎𝑛 𝑖 = 1, 2, … , 𝑛
𝜔𝑖
logit (𝜔𝑖 ) = log ( ) = 𝐳𝒊𝑻 𝜸 , 0 ≤ 𝜔𝑖 ≤ 1, 𝑖 = 1, 2, … , 𝑛
1 − 𝜔𝑖
suatu model yang diketahui fungsi densitasnya sehingga fungsi log-likelihood dari
2−𝑃𝑡
2−𝑃 𝑎𝑡−1 𝜇𝑖𝑡
𝑎𝑡−1 𝜇𝑖𝑡 𝑡
𝜔𝑖 ) (∏2𝑡=1 ( 2−𝑃 ) ) × (1 + 𝛼 ∏2𝑡−1(1 − 𝑐𝑖𝑡 ))]} +
𝑎𝑡−1 𝜇𝑖𝑡 𝑡 +𝜇𝑖𝑡
dan variabel bebasnya. Pengukuran yang biasa digunakan untuk pemilihan model
18
terbaik adalah dengan menggunakan AIC (Akaike Information Criteria) dan BIC
(Bayesian Schwartz Information Criteria). Rumus untuk kedua uji tersebut adalah
𝐴𝐼𝐶 = 2𝑝 − 2ln𝐿(𝜃̂)
Dimana 𝐿(𝜃̂) adalah nilai likelihood untuk model yang mengandung variabel
bebas dan p adalah jumlah parameter termasuk konstanta. Model terbaik adalah
model yang mempunyai nilai AIC dan BIC terkecil. Fungsi LL untuk model
2−𝑃𝑡
2−𝑃𝑡 𝑎𝑡−1 𝜇𝑖𝑡
𝑎𝑡−1 𝜇𝑖𝑡
𝜔𝑖 ) (∏2𝑡=1 ( 2−𝑃𝑡 ) ) × (1 + 𝛼 ∏2𝑡−1(1 − 𝑐𝑖𝑡 ))]} +
𝑎𝑡−1 𝜇𝑖𝑡 +𝜇𝑖𝑡
19
BAB III
METODE PENELITIAN
Pada penelitian ini peneliti menggunakan data sekunder yaitu data tsunami
dan gempa bumi di Indonesia pada tahun 1905 sampai dengan tahun 2021 yang
Data yang digunakan adalah data tsunami dan gempa bumi di Indonesia pada
tahun 1905 sampai dengan tahun 2021 yang mana variabel jumlah kejadian
gempa magnitude > 6 dan kedalaman < 70 𝑘𝑚 sebagai 𝑋1, variabel gempa
maksimum dari gempa bumi dangkal (< 70 𝑘𝑚) sebagai 𝑋2, dan variabel jumlah
kejadian tsunami sebagai variabel 𝑌. Data ini dibagi dalam beberapa wilayah yaitu
sebagai berikut:
gempa bumi ini terdiri dari 117 data untuk setiap variabel 𝑋1 , 𝑋2 dan 𝑌.
Analisis data tsunami dan gempa ini peneliti menggunakan metode Bivariate
20
1. Tentukan data yang akan di analisis
5. Lakukan pemodelan
8. Interpretasi hasil
21
3.4 Flowchart
Mulai
Input data
Uji Korelasi
Uji Uji excess
overdispersi zero
Bivariate Poisson
Tidak Tidak
Model BZINB
Ya Ya
Kesimpulan Selesai
22
BAB IV
Indonesia dari tahun 1905 s/d. 2021. Hasil analisis statistika deskriptif dari data
teknik untuk mengukur hubungan antara dua variabel, gagasan dasar dari analisis
karena tipe data tsunami dan gempa ini sesuai dengan syarat dan ketentuan dalam
23
Hipotesis pengujian korelasi Spearman 𝑌3 dan 𝑌4 adalah sebagai berikut:
1. Hipotesis
𝛼 = 5%
Keterangan:
3. Statistik Uji
6 ∑ 𝑏𝑖 2
𝜌 = 1−
𝑛(𝑛2 − 1)
4. Kriteria Penolakan
5. Kesimpulan
Berdasarkan hasil pada tabel korelasi Spearman didapatkan nilai 𝑝. 𝑣𝑎𝑙𝑢𝑒 > 𝛼
yaitu 0.715 > 0.05 maka 𝐻0 diterima. Artinya pada taraf nyata pengujian 5%
1. Hipotesis
24
𝐻1 : Ada hubungan antara variabel 𝑌4 dan 𝑌5
𝛼 = 5%
Keterangan:
3. Statistik Uji
6 ∑ 𝑏𝑖 2
𝜌 = 1−
𝑛(𝑛2 − 1)
4. Kriteria Penolakan
5. Kesimpulan
Berdasarkan hasil pada tabel korelasi Spearman didapatkan nilai 𝑝. 𝑣𝑎𝑙𝑢𝑒 > 𝛼
yaitu 0.07095 > 0.05 maka 𝐻0 diterima. Artinya pada taraf nyata pengujian 5%
1. Hipotesis
25
2. Besaran yang Diperlukan
𝛼 = 5%
Keterangan:
3. Statistik Uji
𝑁𝑐 − 𝑁𝑑
τ=
𝑁(𝑁 − 1)
2
𝑁 = ukuran sampel
4. Kriteria Penolakan
5. Kesimpulan
Berdasarkan hasil pada tabel korelasi Kendall didapatkan nilai 𝑝. 𝑣𝑎𝑙𝑢𝑒 > 𝛼
yaitu 0.71 > 0.05 maka 𝐻0 diterima. Artinya pada taraf nyata pengujian 5%
1. Hipotesis
𝛼 = 5%
26
Keterangan:
3. Statistik Uji
𝑁𝑐 − 𝑁𝑑
τ=
𝑁(𝑁 − 1)
2
𝑁 = ukuran sampel
4. Kriteria Penolakan
5. Kesimpulan
Berdasarkan hasil pada tabel korelasi Kendall didapatkan nilai 𝑝. 𝑣𝑎𝑙𝑢𝑒 > 𝛼
yaitu 0.07112 > 0.05 maka 𝐻0 diterima. Artinya pada taraf nyata pengujian 5%
1. Hipotesis
27
𝛼 = 5%
Keterangan:
3. Statistik Uji
𝑛 ∑ 𝑋𝑌 − (∑ 𝑋)(∑ 𝑌)
𝑟𝑥𝑦 =
√{𝑛 ∑ 𝑋 2 − (∑ 𝑋)2 }{𝑛 ∑ 𝑌 2 − (∑ 𝑌)2 }
4. Kriteria Penolakan
5. Kesimpulan
Berdasarkan hasil pada tabel korelasi Pearson didapatkan nilai 𝑝. 𝑣𝑎𝑙𝑢𝑒 > 𝛼
yaitu 0.775 > 0.05 maka 𝐻0 diterima. Artinya pada taraf nyata pengujian 5%
1. Hipotesis
𝛼 = 5%
Keterangan:
3. Statistik Uji
28
𝑛 ∑ 𝑋𝑌 − (∑ 𝑋)(∑ 𝑌)
𝑟𝑥𝑦 =
√{𝑛 ∑ 𝑋 2 − (∑ 𝑋)2 }{𝑛 ∑ 𝑌 2 − (∑ 𝑌)2 }
4. Kriteria Penolakan
5. Kesimpulan
Berdasarkan hasil pada tabel korelasi Pearson didapatkan nilai 𝑝. 𝑣𝑎𝑙𝑢𝑒 > 𝛼
yaitu 0.06811 > 0.05 maka 𝐻0 diterima. Artinya pada taraf nyata pengujian 5%
1. Hipotesis
𝛼 = 5%
Keterangan:
3. Statistik Uji
29
𝑛 (𝑦𝑖 −𝜇𝑖 )2
ꭓ2 𝑃𝑒𝑎𝑟𝑠𝑜𝑛 = ∑
𝑖=1 𝜎𝑖
4. Kriteria Penolakan
5. Kesimpulan
𝑝. 𝑣𝑎𝑙𝑢𝑒 > 𝛼 yaitu 𝑌3 = 0.3261, 𝑌4 = 0.8590 dan 𝑌5 = 0.9657 > 0.05 maka 𝐻0
gagal ditolak. Artinya pada taraf nyata pengujian 5% tidak terjadi overdispersi
model 𝑌3 , 𝑌4 dan 𝑌5 .
𝒀𝟑 0.49028 0.4838
𝒀𝟒 0.47272 0.49174
𝒀𝟓 0.68205 0.40888
berikut:
1. Hipotesis
𝛼 = 5%
Keterangan:
30
3. Statistik Uji
2
(𝑛0 − 𝑛𝑝̂ 0 )2
ꭓ =
𝑛𝑝̂ 0 (1 − 𝑝̂ 0 ) − 𝑛𝑥̅ 𝑝̂0 2
4. Kriteria Penolakan
5. Kesimpulan
𝑝. 𝑣𝑎𝑙𝑢𝑒 > 𝛼 yaitu 𝑌3 = 0.44583, 𝑌4 = 0.49174 dan 𝑌5 = 0.40888 > 0.05 maka
𝐻0 diterima. Artinya pada taraf nyata pengujian 5% tidak terjadi excess zero pada
data 𝑌3 , 𝑌4 dan 𝑌5 .
4.5 Model
Terdapat 4 pasang wilayah pada data yaitu wilayah Suamtera dan Jawa, Jawa
dan Bali, Bali dan Sulawesi, serta Sulawesi dan Papua. Dari tiap kasus wilayah di
dapatkan model regresi dari univariat negatif binomial dan model non-regresi dari
bivariat zero inflated negative binomial, berikut model dari kasus 3 (wilayah Bali
Model Zero Inflated Negative Binomial (ZINB) terdapat 2 kasus yaitu model
untuk kasus 1 yaitu wilayah 3 (Bali) dan 4 (Sulawesi) serta model untuk kasus 2
yaitu wilayah 4 (Sulawesi) dan 5 (Papua). Persamaan model regresi Zero Inflated
31
exp (𝛽0 + 𝛽𝑖 𝑋𝑖𝑗 )
𝜋̂𝑖 =
1 + exp (𝛽0 + 𝛽𝑖 𝑋𝑖𝑗 )
yaitu model untuk kasus 1 yaitu variabel 𝑌 untuk wilayah 3 (Bali) dan 4
kasus 3 yaitu variabel 𝑋1 untuk wilayah 3 (Bali) dan 4 (Sulawesi), kasus 4 yaitu
32
variabel 𝑋1 untuk wilayah 4 (Sulawesi) dan 5 (Papua), kasus 5 yaitu variabel 𝑋2
untuk wilayah 3 (Bali) dan 4 (Sulawesi), dan kasus 4 yaitu variabel 𝑋2 untuk
masing kasus:
dan lainlain merupakan perkiraan nilai parameter dengan menggunakan data atau
33
Intercept 80.0614 0.229 Intercept -0.6971 1.000
X23 -0.9238 0.428 X24 -0.7299 0.999
X24 -12.1216 0.254 X25 -2.2647 0.999
Model Y4=X23+X24 Model Y5=X24+X25
Estimate 𝑝𝑣𝑎𝑙𝑢𝑒 Estimate 𝑝𝑣𝑎𝑙𝑢𝑒
intercept -0.04075 1.000 Intercept 3.48 -
X23 -2.79209 0.998 X24 -6.92 -
X24 0.09075 - X25 -4.077 -
Model Y3=X13+X23 Model Y4=X14+X24
Estimate 𝑝𝑣𝑎𝑙𝑢𝑒 Estimate 𝑝𝑣𝑎𝑙𝑢𝑒
intercept 2.728 0.996 Intercept -0.1713 1
X13 -23.365 0.958 X14 0.1201 -
X23 1.381 0.990 X24 -3.3814 1
Model Y4=X13+X23 Model Y5=X14+X24
Estimate 𝑝𝑣𝑎𝑙𝑢𝑒 Estimate 𝑝𝑣𝑎𝑙𝑢𝑒
Intercept -68.02 0.538 Intercept -1.071 -
X13 -19.53 0.558 X14 -1.054 -
X23 12.83 0.529 X24 -2.921 -
Model Y3=x14+x24 Model Y4=X15+X25
Estimate 𝑝𝑣𝑎𝑙𝑢𝑒 Estimate 𝑝𝑣𝑎𝑙𝑢𝑒
Intercept 11.6333 0.1573 Intercept -1163.07 0.503
X14 -0.4682 0.0581 X15 -38.21 0.500
X24 -1.6059 0.2287 X25 176.16 0.503
Model Y4=X14+X24 Model Y5=X15+X25
Estimate 𝑝𝑣𝑎𝑙𝑢𝑒 Estimate 𝑝𝑣𝑎𝑙𝑢𝑒
Intercept -0.1713 1 Intercept 3.399 0.993
X14 0.1201 - X15 -21.675 0.910
X24 -3.3814 1 X25 1.463 0.985
Model Y3=X13+X14+X23+X24 Model Y4=X14+X15+X24+X25
Estimate 𝑝𝑣𝑎𝑙𝑢𝑒 Estimate 𝑝𝑣𝑎𝑙𝑢𝑒
Intercept 17.6777 0.243 Intercept -193.735 -
X13 -0.2206 0.390 X14 -218.33 -
X14 -0.4422 0.194 X15 -28.367 -
X23 -0.1009 0.895 X24 67.776 -
X24 -2.4635 0.235 X25 5.651 -
Model Y4=X13+X14+X23+X24 Model Y5=X14+X15+X24+X25
Estimate 𝑝𝑣𝑎𝑙𝑢𝑒 Estimate 𝑝𝑣𝑎𝑙𝑢𝑒
Intercept -278.77 0.735 Intercept -3.202 1.000
X13 51.2 0.840 X14 5.257 0.992
X14 25.43 0.849 X15 -93.614 0.972
X23 139.83 0.741 X24 26.537 0.987
X24 -160.63 0.832 X25 -23.175 0.998
34
Nilai dari estimasi parameter setiap model dilakukan pengujian signifikansi
selang kepercayaan 95% atau alpha nya 5% sehingga didapatkan hipotesis untuk
hipotesis diatas yaitu tolak 𝐻0 jika nilai 𝑝𝑣𝑎𝑙𝑢𝑒 < 𝛼 = 0.05 dan berdasarkan nilai
𝑝𝑣𝑎𝑙𝑢𝑒 diatas tidak ada parameter dari setiap model yang signifikan atau dengan
35
a1 2.83E+00
a2 1.35E+00
b1 5.17E-01
b2 1.21E+00
p1 1.00E+00
p2 0.00E+00
p3 3.55E-134
p4 3.44E-98
Model (X14,X15)
Estimate
a0 9.13E-01
a1 2.07E+00
a2 1.02E+00
4 b1 1.17E+00
b2 4.91E-01
p1 1.00E+00
p2 1.13E-04
p3 3.81E-233
p4 1.65E-255
Model (X23,X24)
Estimate
a0 55.5677116
a1 410.9572076
a2 600.9373625
5 b1 0.01395769
b2 0.01020683
p1 1
p2 0
p3 0
p4 0
Model (X24,X25)
Estimate
a0 25.59014408
a1 604.554125
a2 276.7547307
6 b1 0.01059587
b2 0.01973179
p1 1
p2 0
p3 0
p4 0
36
4.8 Pemilihan Model Terbaik
Pemilihan model terbaik dapat dilakukan dengan menghitung nilai AIC dan
BIC dari masing-masing model. Berikut merupakan nilai AIC dan BIC dari
37
Model Y3=X13+X14+X23+X24 Model Y4=X14+X15+X24+X25
Uji Nilai Uji Nilai
AIC 166.4688 AIC 160.448
BIC 196.8528 BIC 190.8319
Model Y4=X13+X14+X23+X24 Model Y5=X14+X15+X24+X25
Uji Nilai Uji Nilai
AIC 169.9579 AIC 80.63239
BIC 200.3418 BIC 111.0163
Berdasarkan hasil pengujian nilai AIC dan BIC dari masing-masing model
ZINB diperoleh nilai AIC terkecil yaitu 73.78417 dan BIC terkecil 93.11939 dari
38
Berdasarkan hasil pengujian nilai AIC dan BIC dari masing-masing model
ZINB diperoleh nilai AIC terkecil yaitu 259.21 dan BIC terkecil 281.307 dari
model (𝑌4 , 𝑌5 )
1 1
𝛼1 , 𝛽 ) 𝜍(𝑌5 ) + 𝜋3 𝑓𝑁𝐵 (𝑌5 ; 𝛼0 + 𝛼1 , 𝛽 ) 𝜍(𝑌4 ) + 𝜋4 𝜍(𝑌4 + 𝑌5 )
1 +1 2 +1
𝑓𝐵𝑍𝐼𝑁𝐵 (𝑌4 , 𝑌5 ; 𝛼, 𝛽, 𝜋)
= 8.839694𝑒
− 01𝑓𝐵𝑁𝐵 (𝑌4 , 𝑌5 ; 3.367335𝑒 − 02, 5.999237𝑒 + 02, 1.065806𝑒
+ 02, 5.958654𝑒 − 04, 1.088286𝑒 − 03) + 9.615169𝑒
− 39𝑓𝑁𝐵 (𝑌4 ; 3.367335𝑒 − 02 + 5.999237𝑒
1
+ 02, ) 𝜍(𝑌5 ) + 4.061732𝑒
5.958654𝑒 − 04 + 1
− 135𝑓𝑁𝐵 (𝑌5 ; 3.367335𝑒 − 02 + 5.999237𝑒
1
+ 02, ) 𝜍(𝑌4 ) + 1.160306𝑒 − 01𝜍(𝑌4 + 𝑌5 )
1.088286𝑒 − 03 + 1
39
BAB V
KESIMPULAN
5.1 Kesimpulan
memilih model terbaik, model dapat digunakan untuk data diskrit bivariat dan
zero-inflated dengan korelasi positif atau negatif, dan model ini memperbolehkan
parameterisasi yang juga digunakan oleh Ridout et al pada model regresi ZINB,
yaitu penambahan parameter P sebagai bentuk khusus dari ZINB. Pada model ini
Berdasarkan hasil dari pengujian data gempa bumi dan tsunami di program R
didapatkan hasil bahwa dari beberapa model ZINB dan BZINB yang di lakukan
exp(3.399−21.675X15 +1.463𝑋25 )
dengan nilai AIC = 73.78417 dan BIC = 93.11939
1+exp(3.399+−21.675X15 +1.463𝑋25 )
281.307.
5.2 Saran
banyak sumber maupun referensi yang terkait dengan pemoelan dengan metode
BZINB agar hasil penelitiannya dapat lebih baik dan lengkap lagi.
40
DAFTAR PUSTAKA
Artanti, A.N., W.R. Nikmah, D.H. Setiawan, dan F. Prihapsara. 2016. Perbedaan
kadar kafein daun teh (Cameliasinensis (L.) Kuntze) berdasarkan status
ketinggian tempat tanam dengan metode HPLC. Journal of Pharmaceutical
Science and Clinical Research. 01:37-44.
Irwan dan D.P. Sari. 2013. Pemodelan Regresi Poisson, Binomial Negatif Dan
Pada Kasus Kecelakaan Kendaraan Bermotor Di Lalu Lintas Sumatra Barat.
Prosiding Penguatan Peran Matematika dan Pendidikan Matematika untuk
Indonesia yang Lebih Baik. Yogyakarta: Universitas Negeri Yogyakarta
Lind, Marchal & Wathen. (2008). Teknik-Teknik Statistika dalam Bisnis Dan
Ekonomi Menggunakan Kelompok Data Global. Buku 2, Edisi 13. Jakarta:
Salemba Empat
Putera, M. L. S., Wahyunita, L., & Yusup, F. (2022). Spatial Modelling of Covid-
19 Confirmed Cases in Kalimantan, Indonesia: How Neighborhood
Matters?. Walailak Journal of Science and Technology (WJST), 18(15),
22120-17.
41
Syamsidik, & Istiyanto, D. C. (2013). Tsunami Mitigation Measures For Tsunami
ProneSmall Islands: Lessons Learned From The 2010 Tsunami Around The
Mentawai Islands Of Indonesia. Journal of Earthquake and Tsunami,
volume 7, No. 1, 2013, 1- 14.
42
LAMPIRAN