LAPORAN

KAPITA SELEKTA II

KELOMPOK 7

Nama : 1. Vitaria R.S. (F1F018014)

2. Okta Saputra (F1F019023)

3. Jansra Akram I.A. (F1F019034)

Dosen Pengampu : Dr. Jose Rizal S.Si., M.Si

PRODI S1 STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS BENGKULU

2022
 ABSTRAK

Indonesia adalah salah satu negara yang terletak di Zona Seismic Asia

Tenggara dengan aktifitas seismic-nya yang paling aktif di dunia. Melihat

fenomena ini, penulis merasakan perlu untuk dilakukan prediksi gempa dan

tsunami untuk meningkatkan kesiapsiagaan masyarakat dalam mengahadapi

bencana sehingga mampu meminimalisasikan kerusakan yang ditimbulkan akibat

bencana gempa bumi dan tsunami. Salah satu upaya yang dilakukan adalah

dengan melakukan pemodelan data gempa bumi dan tsunami menggunakan

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

𝑓𝐵𝑍𝐼𝑁𝐵 (𝑌4 , 𝑌5 ; 𝛼0 , 𝛼1 , 𝛼2 , 𝛽1 , 𝛽2 , 𝜋1 , 𝜋2 , 𝜋3 , 𝜋4 ) dengan AIC = 259.21 dan BIC =

281.307.

(Kata kunci: Zona Seismic, Gempa bumi, Tsunami, Bivariate Zero Inflated Negative Binomial

(BZINB), Zero Inflated Negative Binomial (ZINB), AIC, dan BIC)

1
 BAB 1

PENDAHULUAN

1.1 Latar Belakang

Indonesia adalah salah satu negara yang terletak di Zona Seismic Asia

Tenggara dengan aktifitas seismic-nya yang paling aktif di dunia. Indonesia

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,

tsunami, dan letusan gunung berapi.

Gempa bumi adalah peristiwa bergetarnya bumi akibat pelepasan energi

di dalam bumi secara tiba-tiba yang ditandai dengan patahnya lapisan batuan

pada kerak bumi. Akumulasi energi penyebab terjadinya gempa bumi dihasilkan

dari pergerakan lempeng-lempeng tektonik. Energi yang dihasilkan dipancarkan

kesegala arah berupa gelombang gempa bumi sehingga efeknya dapat dirasakan

sampai ke permukaan bumi. Katalog United States Geological Survey (USGS)

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

menunjukkan bahwa Indonesia merupakan negara yang memiliki tingkat

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

di lintasan Cincin Api Pasifik ini (Prasetya dkk., 2006).

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

pertemuan Lempeng Indo‐Australia dengan Lempeng Eurasia ±250 km dari garis

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).

Gambar 1. Jalur lempeng tektonik Indonesia

3
 Selain gempa bumi Indonesia juga rawan terhadap bencana Tsunami. Tsunami

berasal dari bahasa Jepang, Tsu berarti pelabuhan dan Nami berarti gelombang,

yang secara harafiah berarti "gelombang besar di pelabuhan" (Sugito, 2008).

Tsunami adalah perpindahan badan air yang disebabkan oleh perubahan

permukaan laut secara vertikal dengan tiba-tiba. Perubahan permukaan laut

tersebut bisa disebabkan oleh gempa bumi yang berpusat di bawah laut, letusan

gunung berapi bawah laut, longsor bawah laut, atau hantaman meteor di laut.

Tsunami merupakan bencana yang tidak dapat diprediksi waktu

kemunculannya, namun jika terjadi dapat menimbulkan kerusakan dan dampak

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).

Gelombang tsunami dapat merambat ke segala arah. Tsunami adalah jenis

bencana yang ditandai dengan frekuensi rendah, tetapi menyebabkan kerusakan

besar dan jumlah korban manusia yang luar biasa (Syamsidik & Istiyanto, 2013).

Sumatera dan Jawa adalah dua pulau yang paling rentan dampak tsunami karena

terletak langsung di depan Lempeng IndoAustralia. Papua dan Sulawesi juga

pernah mengalami beberapa tsunami, walaupun tidak sesering Sumatera dan

Jawa. Tercatat ada lebih dari 150 gempa bumi berkekuatan 7.0+ dalam skala

magnitudo dari periode 1900-2022. Sebagaimana majalah National Geographic

pada edisi Maret 2005 memprediksikan bahwa Kota Padang merupakan kota di

4
dunia yang memiliki dampak terparah yang disebabkan oleh bencana tsunami

(World Vision Indonesia, 2011).

Melihat fenomena ini, penulis merasakan perlu untuk dilakukan prediksi

gempa dan tsunami untuk meningkatkan kesiapsiagaan masyarakat dalam

mengahadapi bencana sehingga mampu meminimalisasikan kerusakan yang

ditimbulkan akibat bencana gempa bumi dan 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-

Inflated Poisson menggunakan berbagai gabungan Poisson. Data diskrit Bivariate

Zero-Inflated umumnya mengalami overdispersi, sehingga sulit untuk

menggunakan model BZIP. Untuk mengontrol overdispersi, Wang (2003)

mengajukan model regresi Bivariate Zero-Inflated Negative Binomial (BZINB).

Namun model yang diajukan Wang (2003) memiliki dua kelemahan. Pertama, dua

variabel dependen tidak boleh memiliki dispersi yang heterogen karena model ini

menggunakan parameter dispersi gabungan.

Sehingga ketika model BZINB digunakan untuk menganalisis data diskrit

bivariat yang mempunyai dispersi berbeda pada variabel dependen, maka estimasi

parameter atau standar error akan menjadi tidak efisien karena overdispersi

menyebabkan kesalahan hitung pada standar error model regresi univariat

Poisson. Kedua, model tersebut tidak memperbolehkan korelasi antara dua

variabel dependen bernilai negatif.

Faroughi et. Al. (2016) mengenalkan metode Bivariate Zero-Inflated

Negative Binomial yang memiliki keuntungan di antaranya; model BZINB adalah

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

Ridout et al pada model regresi ZINB, yaitu penambahan parameter P sebagai

bentuk khusus dari ZINB. Pada model ini BZINB-P merupakan model yang

membentuk BZINB-1 dan BZINB-2.

Pada penelitian sebelumnya dilakukan oleh Faraoughi & Ismail (2016) yang

melakukan penelitian dengan tentang Bivariate Zero-Inflated Negative Binomial

yang berjudul “Bivariate Zero-Inflated Negative Binomial Regression with

Applications”. Penelitian lainnya juga pernah dilakukan oleh Putera (2022) yang

melakukan sebuah penelitian terhadap kasus Covid-19 yang berjudul “Bivariate

Negative Binomial Regression for Modelling Covid-19 Confirmed Cases and

Death Cases in Kalimantan”, Hunyong Cho, dkk (2021) tentang “A bivariate

zero-inflated negative binomial model and its applications to biomedical

settings”, Peiming Wang (2003) tentang “A Bivariate Zero-Inflated Negative

Binomial Regression Model for Count Data With Excess Zeros”, dan Dong Seok

Kim , dkk (2011) tentang “Bivariate Zero-Inflated Negative Binomial Regression

Model With Heterogeneous Dispersions”.

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas terdapat satu masalah yang perlu di

selesaikan dalam penelitian ini, yaitu bagaimana cara membuat model Bivariate

Zero Inflated Negative Binomial terhadap kasus gempa bumi dan tsunami di

wilayah Sumatera, Jawa, Bali, Sulawesi, dan Papua?

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.

1.4 Batasan Masalah

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:

1. Metode : Bivariate Zero-Inflated Negative Binomial

2. Wilayah : Sumatera, Jawa, Bali, Sulawesi, dan Papua

3. Data : Data gempa bumi tektonik dan tsunami Indonesia

a. Jumlah kejadian tsunami

b. Jumlah Kejadian Gempa Magnitude > 6 dan kedalaman < 70

c. Gempa Maksimum dari Gempa Bumi Dangkal (< 70 Km)

4. Tahun : 1905 s/d. 2021

1.5 Manfaat Penelitian

Penelitian yang dilakukan bertujuan untuk mendapatkan kebermanfaatan.

Penelitian ini diharapkan dapat menjadi tuntunan dan ilmu pengetahuan baru bagi

praktisi maupun akademisi antara lain sebagai berikut :

1. Bagi peneliti Penelitian ini diharapkan dapat memajukan referensi ilmu

pengetahuan untuk peneliti lain khususnya berkaitan dengan metode

Bivariate Zero-Inflated Negative Binomial.

7
2. Bagi mahasiswa Penelitian ini dapat menambah referensi mengenai metode

Bivariate Zero-Inflated Negative Binomial.

3. Bagi masyarakat Penelitian ini dapat menjadi sumber informasi dan referensi

mengenai prediksi pada bencana gempa bumi dan tsunami.

1.6 Sistematika Penulisan

Untuk mempermudah dalam memhami penelitian ini akan dikemukakan lima

bab dan setiap bab terdiri dari beberapa subbab yaitu sebagai berikut :

BAB I PENDAHULUAN

Bab ini merupakan bab yang memuat latar belakang penelitian,

tujuan dan manfaat dari penelitian, batasan masalah penelitian dan

sistematika penulisan.

BAB II TINJAUAN PUSTAKA

Bab ini merupakan bab yang memuat pengertian dan teori yang

diperlukan untuk rancangan penelitian pada bab-bab berikutnya.

BAB III METODE PENELITIAN

Bab ini merupakan bab yang memuat uraian mengenai jenis

penelitian, variabel penelitian, informasi mengenai sumber data,

dan analisis data.

BAB IV HASIL DAN PEMBAHASAN

Bab ini merupakan bab yang memuat hasil analisis dan

pembahasan dari hasil yang telah diperoleh dan interpretasi.

BAB V KESIMPULAN

8
 Bab ini merupakan bab yang memuat rangkuman dari hasil secara

keseluruhan dan saran yang diberikan oleh penulis terhadap hasil

maupun analisis yang telah dilakukan.

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

Zero-Inflated Negative Binomial (BZINB), namun sebelum masuk lebih jauh

mengenai model BZINB peneliti akan membahas sedikit mengenai distribusi

negative binomial dan bivariate negative binomial.

2.1 Distribusi Binomial Negatif

Percobaan binomial negatif terdiri atas beberapa usaha dan tiap usaha dengan

dua kemungkinan hasil yang dapat diberi nama sukses atau gagal dan dilakukan

sampai tercapai sejumlah sukses tertentu. Fungsi massa peluangnya adalah:

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

Model regresi NB-P merupakan model fleksibel yang membentuk model

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

𝑎 → 0 dan tejadi overdispersi saat 𝑎 > 0.

2.2 Distribusi Bivariate Negative Binomial-P (BNB-P)

10
 Model regresi bivariate negative binomial-P (BNB-P) berasal dari hasil kali

dua NB-P marginal dan sebuah parameter faktor multiplikatif.

Pr𝐵𝑁𝐵𝑃 (𝑦𝑖1 , 𝑦𝑖2 )

2−𝑃𝑡
2 2−𝑃 𝑦𝑖𝑡 2−𝑃 𝑎𝑡−1 𝜇𝑖𝑡
Γ(𝑦𝑖𝑡 + 𝑎𝑡−1 𝜇𝑖𝑡 𝑡 ) 𝜇𝑖𝑡 𝑎𝑡−1 𝜇𝑖𝑡 𝑡
= [∏ −1 2−𝑃𝑡
( −1 2−𝑃𝑡 ) ( −1 2−𝑃𝑡 ) ]
𝑡=1
𝑦𝑖 ! Γ(𝑎𝑡 𝜇𝑖𝑡 ) 𝑎𝑡 𝜇𝑖𝑡 + 𝜇𝑖𝑡 𝑎𝑡 𝜇𝑖𝑡 + 𝜇𝑖𝑡

× [1 + 𝛼 ∏(𝑒 −𝑦𝑖𝑡 − 𝑐𝑖𝑡 )]

𝑡−1

Dimana:

𝑎𝑡 = parameter dispersi dengan 𝑡 = 1,2

𝑃𝑡 = parameter fungsional dengan 𝑡 = 1,2

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

Rataan marginal dan varian marginal dari distribusi Bivariate Negative

Binomial, yaitu:
𝑃 −1
𝐸(𝑦𝑖𝑡 ) = 𝜇𝑖1 𝜇𝑖2 dan 𝑉𝑎𝑟(𝑦𝑖𝑡 ) = 𝜇𝑖𝑡 (1 + 𝑎1 𝜇𝑖𝑡𝑡 ), 𝑡 = 1,2

Kovarian dari distribusi Bivariate Negative Binomial:

𝐶𝑜𝑣(𝑌𝑖1 , 𝑌𝑖2 ) = 𝛼𝑐𝑖1 𝑐𝑖2 𝐷𝑖1 𝐷𝑖2 𝜔𝑖

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 }

dan 𝛼1 = 1/max[𝑐𝑖1 (1 − 𝑐𝑖1 ), 𝑐𝑖2 (1 − 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

model BNB-P diturunkan menjadi model BNB-1 dan BNB-2 ketika 𝑃1 = 𝑃2 = 1

dan 𝑃1 = 𝑃2 = 2, secara berurutan. Selanjutnya hal ini dibahas oleh Famoye

(2010).

2.3 Uji Korelasi

Menurut Lind, Marchal, Wathen, 2008, analisis korelasi adalah sekumpulan

teknik untuk mengukur hubungan antara dua variabel, gagasan dasar dari analisis

korelasi adalah melaporkan hubungan antara dua variabel. Variabel 𝑋 (garis

horizontal dalam grafik) dan variabel 𝑌 (garis vertikal dalam grafik) dapat

menjadi hubungan non-linear, positif atau negatif. Dalam uji korelasi sendiri

terdapat beberapa uji yaitu seperti Perason, Spearman, Kendall’s tau.

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

menggunakan variansi data. Keragaman data tersebut dapat menunjukkan

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

Korelasi Pearson Product Moment cocok digunakan.

Sebaliknya, Koefisien Korelasi Rank Spearman digunakan untuk data diskrit

dan kontinu namun untuk statistik nonparametrik. Koefisien korelasi rank

spearman lebih cocok untuk digunakan pada statistik nonparametrik. Statistik

nonparametrik adalah statistik yang digunanakan ketika data tidak memiliki

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

dengan sampel kecil. Korelasi Rank Spearman menghitung korelasi dengan

menghitung ranking data terlebih dahulu. Artinya korelasi dihitung berdasarkan

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

(kurs rupiah, rasio keuangan, pertumbuhan ekonomi), namun peneliti tidak

memiliki cukup banyak data (data kurang dari 30).

Sedangkan menurut saputra (2022) korelasi Kendalls’tau sama halnya

seperti korelasi Spearman, korelasi Kendall Tau juga mengukur hubungan antar

variabel berdasarkan rankingnya. Korelasi Kendall Tau bisa lebih baik

dibandingkan dengan korelasi spearman saat sampel analisis berukuran kecil dan

ada banyak data dengan nilai yang sama. Beberapa asumsi sebelum melakukan

perhitungan dan pengujian signifikansi korelasi adalah sebagai berikut:

13
1. Skala data ordinal ataupun kontinu. Data ordinal adalah data yang berupa

kategorik, namun memiliki tingkatan, sehingga bisa kita beri ranking dengan

mudah. Misalnya klasifikasi tingkat pendidikan SD – SMP – SMA –

Perguruan Tinggi merupakan salah satu bentuk data ordinal. Sedangkan data

kontinu adalah data numerik. Contohnya seperti nilai ujian matematika, gaji,

berat badan, dan lainnya.

2. Dua variabel memiliki hubungan monotonic. Dalam artian, kenaikan nilai

variabel pertama juga akan disertai dengan kenaikan atau penurunan nilai

variabel kedua. Contoh hubungan monotonic seperti hubungan antara nilai

ujian matematika dan fisika. Sementara hubungan non-monotonic bisa kita

jumpai pada hubungan antara usia pemain sepak bola dengan performanya di

lapangan. Di mana performa pemain semakin meningkat ketika usia

mendekati 30, namun mengalami penurunan saat usia sudah melewati angka

30 tahun.

Berdasarkan pernyataan mengenai uji korelasi di atas sehingga peneliti

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

terikat harus terjadi equidispersi (rata-rata sama dengan variansi), yaitu

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.

Menurut (Chernoff H. 1954) dan (Self SG, Liang K. 1987) pengujian

overdispersi dapat dilakukan dengan menggunakan metode likelihood ratio test

(LRT) dengan hipotesis:

𝐻0 : 𝑎1 = 𝑎2 = 0

𝐻1 : 𝑎 ≠ 0

Statistik uji yang berlaku:

𝑇 = −2(ln 𝐿0 − ln 𝐿1 )

Dimana 𝐿0 dan 𝐿1 adalah fungsi likelihood ketika 𝐻0 dan 𝐻1 adalah benar

secara berurutan. Statistik LRT secara asimtot berdistribusi chi-square dengan

satu derajat bebas, hipotesis nol diuji pada level signifikan 𝛼 = 0,05.

2.5 Excess Zeros

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

Dengan Excess Zeros,” Vol. 33, Pp. 54–60, 2012)

2.6 Distribusi Bivariate Zero-Inflation Negative Binomial-P (BZINB-P)

Faroughi et. Al. (2016) mengenalkan metode Bivariate Zero-Inflated

Negative Binomial yang memiliki keuntungan di antaranya; model BZINB adalah

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

Ridout et al pada model regresi ZINB, yaitu penambahan parameter P sebagai

bentuk khusus dari ZINB. Pada model ini BZINB-P merupakan model yang

membentuk BZINB-1 dan BZINB-2.

Pada kasus bivariat dan zero-inflated, model regresi BNB-P dapat diperluas

menjadi model regresi BZINB-P dengan menggabungkan distribusi degenerate

pada nol dengan model regresi BNB-P. Fungsi massa peluang bersamanya adalah:

Pr𝐵𝑍𝐼𝑁𝐵𝑃 (𝑦𝑖1 , 𝑦𝑖2 )

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:

𝜔𝑖 = parameter zero-inflation yang bernilai 0 ≤ 𝜔𝑖 ≤ 1

𝑎𝑡 = parameter dispersi dengan 𝑡 = 1,2

𝑃𝑡 = parameter fungsional dengan 𝑡 = 1,2

𝛼 = parameter korelasi

Pr𝐵𝑁𝐵𝑃 (𝑦𝑖1 , 𝑦𝑖2 ) = fungsi sebaran bivariat binomial negatif-P

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

Rataan marginal dari distribusi BZINB-P adalah:

𝐸(𝑦𝑖𝑡 ) = (1 − 𝜔𝑖 )𝜇𝑖1 𝜇𝑖2

Varian marginal dari distribusi BZINB-P adalah:

𝑡−1
𝑉𝑎𝑟(𝑦𝑖𝑡 ) = 𝐸(𝑦𝑖𝑡 )(1 + 𝑎1 𝜇𝑖𝑡 + 𝜔𝑖 𝜇𝑖𝑡 ), 𝑡 = 1,2

Kovarian dari distribusi BZINB-P adalah:

𝐶𝑜𝑣(𝑌𝑖1 , 𝑌𝑖2 ) = (1 − 𝜔𝑖 )(𝛼𝑐𝑖1 𝑐𝑖2 𝐷𝑖1 𝐷𝑖2 + 𝜔𝑖 𝜇𝑖1 𝜇𝑖2 )

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 dari distribusi BZINB-P adalah:

𝛼𝑐𝑖1 𝑐𝑖2 𝐷𝑖1 𝐷𝑖2 + 𝜔𝑖 𝜇𝑖1 𝜇𝑖2

𝐶𝑜𝑟𝑟(𝑦𝑖1 , 𝑦𝑖2 ) =
𝑃1 −1 𝑃 −1
√𝜇𝑖1 𝜇𝑖2 (1 + 𝑎1 𝜇𝑖1 + 𝜔𝑖 𝜇𝑖1 )(1 + 𝑎2 𝜇𝑖22 + 𝜔𝑖 𝜇𝑖2 )

Korelasi pada model regressi BZINB-P dapat bernilai positif atau negatif.

Metode BZINB juga memiliki model regresi. Regresi Bivariate Zero Inflated

Negative Binomial merupakan metode yang digunakan untuk menjelaskan

hubungan antara dua variabel respon yang berbentuk count dengan beberapa

variabel prediktor yang berupa data diskrit, kontinu atau campuran antara

keduannya. Metode ini dapat menangani permasalahan overdispersi dan excess

zeros. Regresi ZINB terdiri dari dua komponen yaitu model data diskrit untuk 𝜇𝑖

dan model zero-inflation untuk 𝜔𝑖 yaitu:

a) Model data diskrit untuk 𝜇𝑖 menggunakan fungsi log links:

17
 𝑻
log(𝜇𝑖𝑡 ) = 𝐱 𝒊𝒕 𝜷𝒕 , 𝜇𝑖𝑡 ≥ 0, 𝑡 = 1, 2 𝑑𝑎𝑛 𝑖 = 1, 2, … , 𝑛

b) Model zero-inflation untuk 𝜔𝑖 menggunakan fungsi logit links:

𝜔𝑖
logit (𝜔𝑖 ) = log ( ) = 𝐳𝒊𝑻 𝜸 , 0 ≤ 𝜔𝑖 ≤ 1, 𝑖 = 1, 2, … , 𝑛
1 − 𝜔𝑖

Dalam melakukan pemodelan regresi perlu dilakukan estimasi parameter.

Estimasi parameter regresi BZINB menggunakan metode Maximum Likelihood

Estimation (MLE) dengan prosedur Algoritma EM (Expectation Maximization)

dan Newton Rhapson.Metode ini biasanya digunakan untuk menaksir parameter

suatu model yang diketahui fungsi densitasnya sehingga fungsi log-likelihood dari

fungsi probabilitas BZINB-P adalah:

log 𝐿 = ∑𝑛𝑖=1 𝐼(𝑦𝑖1=0,𝑦𝑖2=0) {log [𝜔𝑖 + (1 −

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

∑𝑛𝑖=1[1 − 𝐼(𝑦𝑖1=0,𝑦𝑖2=0) ] {log(1 − 𝜔𝑖 ) + ∑2𝑡=2[log 𝜇𝑖𝑡 +

2−𝑃𝑡 2−𝑃𝑡 2−𝑃𝑡

𝑎𝑡−1 𝜇𝑖𝑡 log(𝑎𝑡−1 𝜇𝑖𝑡 ) − 𝑦𝑖𝑡 log(𝑎𝑡−1 𝜇𝑖𝑡 +

2−𝑝𝑡 2−𝑃𝑡 𝑦 −1 2−𝑃𝑡 +𝑗

𝜇𝑖𝑡 ) − 𝑎𝑡−1 𝜇𝑖𝑡 log(𝑎𝑡−1 𝜇𝑖𝑡 𝑖𝑡
+ 𝜇𝑖𝑡 ) + ∑𝑗=0 log(𝑎𝑡−1 𝜇𝑖𝑡 )] +

log[1 + 𝛼(𝑒 −𝑦𝑖1 − 𝑐𝑖1 )(𝑒 −𝑦𝑖2 − 𝑐𝑖2 )]}

2.7 Uji AIC, BIC dan Likelihood

Menurut Desmita (2016), model regresi yang diperoleh selanjutnya akan

dibandingkan kedua model regresi tersebut untuk mendapatkan model terbaik

yang dapat digunakan untuk menggambarkan hubungan antara variabel terikat

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)

𝐵𝐼𝐶 = 𝑝 ln (𝑛) − 2𝐿(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

regresi BZINB-P adalah:

log 𝐿 = ∑𝑛𝑖=1 𝐼(𝑦𝑖1=0,𝑦𝑖2=0) {log [𝜔𝑖 + (1 −

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

∑𝑛𝑖=1[1 − 𝐼(𝑦𝑖1=0,𝑦𝑖2=0) ] {log(1 − 𝜔𝑖 ) + ∑2𝑡=2[log 𝜇𝑖𝑡 +

2−𝑃𝑡 2−𝑃𝑡 2−𝑃𝑡

𝑎𝑡−1 𝜇𝑖𝑡 log(𝑎𝑡−1 𝜇𝑖𝑡 ) − 𝑦𝑖𝑡 log(𝑎𝑡−1 𝜇𝑖𝑡 +

2−𝑝𝑡 2−𝑃𝑡 𝑦 −1 2−𝑃𝑡 +𝑗

𝜇𝑖𝑡 ) − 𝑎𝑡−1 𝜇𝑖𝑡 log(𝑎𝑡−1 𝜇𝑖𝑡 𝑖𝑡
+ 𝜇𝑖𝑡 ) + ∑𝑗=0 log(𝑎𝑡−1 𝜇𝑖𝑡 )] +

log[1 + 𝛼(𝑒 −𝑦𝑖1 − 𝑐𝑖1 )(𝑒 −𝑦𝑖2 − 𝑐𝑖2 )]}

19
 BAB III

METODE PENELITIAN

3.1 Jenis dan Sumber Data

Pada penelitian ini peneliti menggunakan data sekunder yaitu data tsunami

dan gempa bumi di Indonesia pada tahun 1905 sampai dengan tahun 2021 yang

bersumber dari katalog gempa bumi dan tsunami Indonesia.

3.2 Variabel Penelitian

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:

1. Sumatra dan Jawa

2. Jawa dan Bali

3. Bali dan Sulawesi

4. Sulawesi dan Papua

Masing-masing wilayah tersebut akan menjadi variabel 𝑌. Data tsunami dan

gempa bumi ini terdiri dari 117 data untuk setiap variabel 𝑋1 , 𝑋2 dan 𝑌.

3.3 Analisis Data

Analisis data tsunami dan gempa ini peneliti menggunakan metode Bivariate

Zero-Inflated Negative Binomial Regression Model dimana metode ini memiliki

algoritma sebagai berikut:

20
1. Tentukan data yang akan di analisis

2. Lakukan pengujian korelasi antar variabel

3. Lakukan pengujian overdispersi

4. Lakukan pengujian excess zeros

5. Lakukan pemodelan

6. Lakukan estimasi parameter dan uji signifikansi parameter

7. Hitunglah nilai AIC, BIC, dan loglikelihood

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

Hitung AIC dan

Estimasi parameter
BIC

Kesimpulan Selesai

22
 BAB IV

HASIL & DISKUSI

4.1 Statistik Deskriptif

Penelitian ini menggunakan data katalog gempa bumi dan tsunami di

Indonesia dari tahun 1905 s/d. 2021. Hasil analisis statistika deskriptif dari data

tersebut ditampilkan sebagai berikut:

Gambar 2. Statistik deskriptif

4.2 Uji Korelasi

Menurut Lind, Marchal, Wathen, 2008, analisis korelasi adalah sekumpulan

teknik untuk mengukur hubungan antara dua variabel, gagasan dasar dari analisis

korelasi adalah melaporkan hubungan antara dua variabel. Berdasarkan

pernyataan mengenai uji korelasi peneliti menggunakan metode korelasi Pearson

karena tipe data tsunami dan gempa ini sesuai dengan syarat dan ketentuan dalam

pengujian korelasi dengan metode Pearson.

Tabel 1. Hasil Korelasi Spearman

Korelasi Spearman
Spearman 𝜌 p-value
Y3 dan Y4 0.03411192 0.715
Y4 dan Y5 0.167564 0.07095

23
 Hipotesis pengujian korelasi Spearman 𝑌3 dan 𝑌4 adalah sebagai berikut:

1. Hipotesis

𝐻0 : Tidak ada hubungan antara variabel 𝑌3 dan 𝑌4

𝐻1 : Ada hubungan antara variabel 𝑌3 dan 𝑌4

2. Besaran yang Diperlukan

𝛼 = 5%

Keterangan:

𝛼 adalah taraf nyata pengujian

3. Statistik Uji

6 ∑ 𝑏𝑖 2
𝜌 = 1−
𝑛(𝑛2 − 1)

Keterangan : 𝜌 = koefisien korelasi Spearman.

𝑏𝑖 = menunjukkan perbedaan setiap pasang rank.

𝑛 = menunjukkan jumlah pasangan rank.

4. Kriteria Penolakan

Tolak 𝐻0 jika 𝑝. 𝑣𝑎𝑙𝑢𝑒 < 𝛼

Terima 𝐻0 jika 𝑝. 𝑣𝑎𝑙𝑢𝑒 > 𝛼

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%

bahwa tidak ada hubungan antara variabel 𝑌3 dan 𝑌4 .

Hipotesis pengujian korelasi Spearman 𝑌4 dan 𝑌5 adalah sebagai berikut:

1. Hipotesis

𝐻0 : Tidak ada hubungan antara variabel 𝑌4 dan 𝑌5

24
 𝐻1 : Ada hubungan antara variabel 𝑌4 dan 𝑌5

2. Besaran yang Diperlukan

𝛼 = 5%

Keterangan:

𝛼 adalah taraf nyata pengujian

3. Statistik Uji

6 ∑ 𝑏𝑖 2
𝜌 = 1−
𝑛(𝑛2 − 1)

Keterangan : 𝜌 = koefisien korelasi Spearman.

𝑏𝑖 = menunjukkan perbedaan setiap pasang rank.

𝑛 = menunjukkan jumlah pasangan rank.

4. Kriteria Penolakan

Tolak 𝐻0 jika 𝑝. 𝑣𝑎𝑙𝑢𝑒 < 𝛼

Terima 𝐻0 jika 𝑝. 𝑣𝑎𝑙𝑢𝑒 > 𝛼

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%

bahwa tidak ada hubungan antara variabel 𝑌4 dan 𝑌5 .

Tabel 2. Hasil Korelasi Kendall

Korelasi Kendall
Spearman 𝝉 p-value
Y3 dan Y4 0.03336631 0.71
Y4 dan Y5 0.1651303 0.07112
Hipotesis pengujian korelasi Kendall 𝑌3 dan 𝑌4 adalah sebagai berikut:

1. Hipotesis

𝐻0 : Tidak ada hubungan antara variabel 𝑌3 dan 𝑌4

𝐻1 : Ada hubungan antara variabel 𝑌3 dan 𝑌4

25
2. Besaran yang Diperlukan

𝛼 = 5%

Keterangan:

𝛼 adalah taraf nyata pengujian

3. Statistik Uji

𝑁𝑐 − 𝑁𝑑
τ=
𝑁(𝑁 − 1)
2

Keterangan: τ = koefisien korelasi rank Kendall

𝑁𝑐 = jumlah angka pasangan concordant

𝑁𝑑 = jumlah angka pasangan discordant

𝑁 = ukuran sampel

4. Kriteria Penolakan

Tolak 𝐻0 jika 𝑝. 𝑣𝑎𝑙𝑢𝑒 < 𝛼

Terima 𝐻0 jika 𝑝. 𝑣𝑎𝑙𝑢𝑒 > 𝛼

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%

bahwa tidak ada hubungan antara variabel 𝑌3 dan 𝑌4 .

Hipotesis pengujian korelasi Kendall 𝑌4 dan 𝑌5 adalah sebagai berikut:

1. Hipotesis

𝐻0 : Tidak ada hubungan antara variabel 𝑌4 dan 𝑌5

𝐻1 : Ada hubungan antara variabel 𝑌4 dan 𝑌5

2. Besaran yang Diperlukan

𝛼 = 5%

26
 Keterangan:

𝛼 adalah taraf nyata pengujian

3. Statistik Uji

𝑁𝑐 − 𝑁𝑑
τ=
𝑁(𝑁 − 1)
2

Keterangan: τ = koefisien korelasi rank Kendall

𝑁𝑐 = jumlah angka pasangan concordant

𝑁𝑑 = jumlah angka pasangan discordant

𝑁 = ukuran sampel

4. Kriteria Penolakan

Tolak 𝐻0 jika 𝑝. 𝑣𝑎𝑙𝑢𝑒 < 𝛼

Terima 𝐻0 jika 𝑝. 𝑣𝑎𝑙𝑢𝑒 > 𝛼

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%

bahwa tidak ada hubungan antara variabel 𝑌4 dan 𝑌5 .

Tabel 3. Hasil Korelasi Pearson

Korelasi Pearson
Spearman 𝝉 p-value
Y3 dan Y4 0.02671159 0.775
Y4 dan Y5 0.1692531 0.06811
Hipotesis pengujian korelasi Pearson 𝑌3 dan 𝑌4 adalah sebagai berikut:

1. Hipotesis

𝐻0 : Tidak ada hubungan antara variabel 𝑌3 dan 𝑌4

𝐻1 : Ada hubungan antara variabel 𝑌3 dan 𝑌4

2. Besaran yang Diperlukan

27
 𝛼 = 5%

Keterangan:

𝛼 adalah taraf nyata pengujian

3. Statistik Uji

𝑛 ∑ 𝑋𝑌 − (∑ 𝑋)(∑ 𝑌)
𝑟𝑥𝑦 =
√{𝑛 ∑ 𝑋 2 − (∑ 𝑋)2 }{𝑛 ∑ 𝑌 2 − (∑ 𝑌)2 }

Keterangan : 𝑟𝑥𝑦 = korelasi antara x dengan y

𝑛 = menunjukkan banyaknya nilai

4. Kriteria Penolakan

Tolak 𝐻0 jika 𝑝. 𝑣𝑎𝑙𝑢𝑒 < 𝛼

Terima 𝐻0 jika 𝑝. 𝑣𝑎𝑙𝑢𝑒 > 𝛼

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%

bahwa tidak ada hubungan antara variabel 𝑌3 dan 𝑌4 .

Hipotesis pengujian korelasi Pearson 𝑌4 dan 𝑌5 adalah sebagai berikut:

1. Hipotesis

𝐻0 : Tidak ada hubungan antara variabel 𝑌4 dan 𝑌5

𝐻1 : Ada hubungan antara variabel 𝑌4 dan 𝑌5

2. Besaran yang Diperlukan

𝛼 = 5%

Keterangan:

𝛼 adalah taraf nyata pengujian

3. Statistik Uji

28
 𝑛 ∑ 𝑋𝑌 − (∑ 𝑋)(∑ 𝑌)
𝑟𝑥𝑦 =
√{𝑛 ∑ 𝑋 2 − (∑ 𝑋)2 }{𝑛 ∑ 𝑌 2 − (∑ 𝑌)2 }

Keterangan : 𝑟𝑥𝑦 = korelasi antara x dengan y

𝑛 = menunjukkan banyaknya nilai

4. Kriteria Penolakan

Tolak 𝐻0 jika 𝑝. 𝑣𝑎𝑙𝑢𝑒 < 𝛼

Terima 𝐻0 jika 𝑝. 𝑣𝑎𝑙𝑢𝑒 > 𝛼

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%

bahwa tidak ada hubungan antara variabel 𝑌4 dan 𝑌5 .

4.3 Uji Overdisepresi

Tabel 4. Hasil Uji Overdispersi

Overdispersion p-value
𝒀𝟑 0.3261
𝒀𝟒 0.8590
𝒀𝟓 0.9657

1. Hipotesis

𝐻0 : Tidak terjadi overdispersi pada data 𝑌3 , 𝑌4 dan 𝑌5

𝐻1 : Terjadi overdispersi pada data 𝑌3 , 𝑌4 dan 𝑌5

2. Besaran yang Diperlukan

𝛼 = 5%

Keterangan:

𝛼 adalah taraf nyata pengujian

3. Statistik Uji

29
 𝑛 (𝑦𝑖 −𝜇𝑖 )2
ꭓ2 𝑃𝑒𝑎𝑟𝑠𝑜𝑛 = ∑
𝑖=1 𝜎𝑖

4. Kriteria Penolakan

Tolak 𝐻0 jika 𝑝. 𝑣𝑎𝑙𝑢𝑒 < 𝛼

Terima 𝐻0 jika 𝑝. 𝑣𝑎𝑙𝑢𝑒 > 𝛼

5. Kesimpulan

Berdasarkan hasil pada tabel pengujian overdispersi didapatkan nilai

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 .

4.4 Excess Zero Test

Tabel 5. Hasil uji excess zero

Excess Zeros ꭓ𝟐 p-value

𝒀𝟑 0.49028 0.4838

𝒀𝟒 0.47272 0.49174

𝒀𝟓 0.68205 0.40888

Hipotesis pengujian excess zero pada data 𝑌3 , 𝑌4 dan 𝑌5 adalah sebagai

berikut:

1. Hipotesis

𝐻0 : Tidak terjadi excess zero pada data 𝑌3 , 𝑌4 dan 𝑌5

𝐻1 : Terjadi excess zero pada data 𝑌3 , 𝑌4 dan 𝑌5

2. Besaran yang Diperlukan

𝛼 = 5%

Keterangan:

𝛼 adalah taraf nyata pengujian

30
3. Statistik Uji

2
(𝑛0 − 𝑛𝑝̂ 0 )2
ꭓ =
𝑛𝑝̂ 0 (1 − 𝑝̂ 0 ) − 𝑛𝑥̅ 𝑝̂0 2

4. Kriteria Penolakan

Tolak 𝐻0 jika 𝑝. 𝑣𝑎𝑙𝑢𝑒 < 𝛼

Terima 𝐻0 jika 𝑝. 𝑣𝑎𝑙𝑢𝑒 > 𝛼

5. Kesimpulan

Berdasarkan hasil pada tabel pengujian excess zero didapatkan nilai

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

dan Sulawesi) dan kasus 4 (Wilayah Sulawesi dan Papua):

a. Model Regresi Zero Inflated Negative Binomial

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

Negative Binomial (ZINB) yang terbentuk adalah

a. Model data diskrit untuk 𝜇̂ 𝑖

𝜇̂ 𝑖 = exp (𝛽0 + 𝛽𝑖 𝑋𝑖𝑗 )

b. Model zero inflation untuk 𝜇̂ 𝑖

31
 exp (𝛽0 + 𝛽𝑖 𝑋𝑖𝑗 )
𝜋̂𝑖 =
1 + exp (𝛽0 + 𝛽𝑖 𝑋𝑖𝑗 )

Berikut merupakan model dari masing-masing kasus:

Tabel 6. Model regresi ZINB

No Model regresi kasus 1
1 exp(𝛽0 + 𝛽1 𝑋13 + 𝛽2 𝑋14 )
𝑌3 =
1 + exp(𝛽0 + 𝛽1 𝑋13 + 𝛽2 𝑋14 )
2 exp(𝛽0 + 𝛽1 𝑋13 + 𝛽2 𝑋14 )
𝑌4 =
1 + exp(𝛽0 + 𝛽1 𝑋13 + 𝛽2 𝑋14 )
3 exp(𝛽0 + 𝛽1 𝑋23 + 𝛽2 𝑋24 )
𝑌3 =
1 + exp(𝛽0 + 𝛽1 𝑋23 + 𝛽2 𝑋24 )
4 exp(𝛽0 + 𝛽1 𝑋23 + 𝛽2 𝑋24 )
𝑌4 =
1 + exp(𝛽0 + 𝛽1 𝑋23 + 𝛽2 𝑋24 )
5 exp(𝛽0 + 𝛽1 𝑋13 + 𝛽2 𝑋23 )
𝑌3 =
1 + exp(𝛽0 + 𝛽1 𝑋13 + 𝛽2 𝑋23 )
6 exp(𝛽0 + 𝛽1 𝑋13 + 𝛽2 𝑋23 )
𝑌4 =
1 + exp(𝛽0 + 𝛽1 𝑋13 + 𝛽2 𝑋23 )
7 exp(𝛽0 + 𝛽1 𝑋14 + 𝛽2 𝑋24 )
𝑌3 =
1 + exp(𝛽0 + 𝛽1 𝑋14 + 𝛽2 𝑋24 )
8 exp(𝛽0 + 𝛽1 𝑋14 + 𝛽2 𝑋24 )
𝑌4 =
1 + exp(𝛽0 + 𝛽1 𝑋14 + 𝛽2 𝑋24 )
9 𝑌3
exp(𝛽0 + 𝛽1 𝑋13 + 𝛽2 𝑋14 + 𝛽3 𝑋23 + 𝛽4 𝑋24 )
= =
1 + exp(𝛽0 + 𝛽1 𝑋13 + 𝛽2 𝑋14 + 𝛽3 𝑋23 + 𝛽4 𝑋24 )
10 𝑌4
exp(𝛽0 + 𝛽1 𝑋13 + 𝛽2 𝑋14 + 𝛽3 𝑋23 + 𝛽4 𝑋24 )
= =
1 + exp(𝛽0 + 𝛽1 𝑋13 + 𝛽2 𝑋14 + 𝛽3 𝑋23 + 𝛽4 𝑋24 )
Model regresi kasus 2
exp(𝛽0 + 𝛽1 𝑋14 + 𝛽2 𝑋15 )
𝑌4 =
1 + exp(𝛽0 + 𝛽1 𝑋14 + 𝛽2 𝑋15 )
exp(𝛽0 + 𝛽1 𝑋14 + 𝛽2 𝑋15 )
𝑌5 =
1 + exp(𝛽0 + 𝛽1 𝑋14 + 𝛽2 𝑋15 )
exp(𝛽0 + 𝛽1 𝑋24 + 𝛽2 𝑋25 )
𝑌4 =
1 + exp(𝛽0 + 𝛽1 𝑋24 + 𝛽2 𝑋25 )
exp(𝛽0 + 𝛽1 𝑋24 + 𝛽2 𝑋25 )
𝑌5 =
1 + exp(𝛽0 + 𝛽1 𝑋24 + 𝛽2 𝑋25 )
exp(𝛽0 + 𝛽1 𝑋14 + 𝛽2 𝑋24 )
𝑌4 =
1 + exp(𝛽0 + 𝛽1 𝑋14 + 𝛽2 𝑋24 )
exp(𝛽0 + 𝛽1 𝑋14 + 𝛽2 𝑋24 )
𝑌5 =
1 + exp(𝛽0 + 𝛽1 𝑋14 + 𝛽2 𝑋24 )
exp(𝛽0 + 𝛽1 𝑋14 + 𝛽2 𝑋24 )
𝑌4 =
1 + exp(𝛽0 + 𝛽1 𝑋14 + 𝛽2 𝑋24 )
exp(𝛽0 + 𝛽1 𝑋14 + 𝛽2 𝑋24 )
𝑌5 =
1 + exp(𝛽0 + 𝛽1 𝑋14 + 𝛽2 𝑋24 )
𝑌4
exp(𝛽0 + 𝛽1 𝑋14 + 𝛽2 𝑋15 + 𝛽3 𝑋24 + 𝛽4 𝑋25 )
1 + exp(𝛽0 + 𝛽1 𝑋14 + 𝛽2 𝑋15 + 𝛽3 𝑋24 + 𝛽4 𝑋25 )
𝑌5
exp(𝛽0 + 𝛽1 𝑋14 + 𝛽2 𝑋15 + 𝛽3 𝑋24 + 𝛽4 𝑋25 )
1 + exp(𝛽0 + 𝛽1 𝑋14 + 𝛽2 𝑋15 + 𝛽3 𝑋24 + 𝛽4 𝑋25 )

b. Model Konvensional Bivariate Zero Inflated Negative Binomial

Model Bivariate Zero Inflated Negative Binomial (BZINB) terdapat 6 kasus

yaitu model untuk kasus 1 yaitu variabel 𝑌 untuk wilayah 3 (Bali) dan 4

(Sulawesi), kasus 2 yaitu variabel 𝑌 untuk wilayah 4 (Sulawesi) dan 5 (Papua),

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

wilayah 4 (Sulawesi) dan 5 (Papua). Berikut merupakan model dari masing-

masing kasus:

Tabel 7. Model konvensional BZINB

No Model BZINB
1 𝑌3 , 𝑌4
2 𝑌4 , 𝑌5
3 𝑋13 , 𝑋14
4 𝑋14 , 𝑋15
5 𝑋23 , 𝑋24
6 𝑋24 , 𝑋25
4.7 Estimasi Parameter

Estimasi parameter adalah praktik umum dalam statistik. Maximum

Likelihood adalah metode estimasi parameter berdasarkan pendekatan distribusi

dengan cara memaksimalkan fungsi likelihood. Mean, deviasi standar, proporsi

dan lainlain merupakan perkiraan nilai parameter dengan menggunakan data atau

sampel yang dapat diambil dari populasi tersebut (Purba, 2020).

Tabel 8. Estimasi parameter model regresi ZINB

Model wilayah 3 & 4 Model wilayah 4 & 5
Model Y3=X13+X14 Model Y4=X14+X15
Estimate 𝑝𝑣𝑎𝑙𝑢𝑒 Estimate 𝑝𝑣𝑎𝑙𝑢𝑒
intercept 1.5905 0.1645 Intercept 35.1 0.980
X13 -0.1987 0.3110 X14 -25.27 0.985
X14 -0.4631 0.0593 X15 -18.89 0.853
Model Y4=X13+X14 Model Y5=X14+X15
Estimate 𝑝𝑣𝑎𝑙𝑢𝑒 Estimate 𝑝𝑣𝑎𝑙𝑢𝑒
intercept 5.924 0.841 Intercept 10.84932 0.920
X13 9.185 0.741 X14 -0.08782 0.996
X14 -46.959 0.711 X15 -19.8884 0.852
Model Y3=X23+X24 Model Y4=X24+X25
Estimate 𝑝𝑣𝑎𝑙𝑢𝑒 Estimate 𝑝𝑣𝑎𝑙𝑢𝑒

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

parameternya. Pengujian signifikansi parameter pada model diatas menggunakan

selang kepercayaan 95% atau alpha nya 5% sehingga didapatkan hipotesis untuk

pegujian signifikansi parameter setiap model adalah 𝐻0 = Parameter tidak

signifikan dan 𝐻1 = Parameter signifikan, sehingga untuk kriteria penolakan dari

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

kata lain semuanya gagal tolak 𝐻0 .

Tabel 9. Estimasi parameter model BZINB

No Model BZINB Non-Regresi
Model (Y3,Y4)
Estimate
a0 8.41E-03
a1 4.73E+02
a2 6.00E+02
1 b1 8.20E-04
b2 5.27E-04
p1 7.72E-01
p2 2.71E-212
p3 2.28E-01
p4 5.46E-32
Model (Y4,Y5)
Estimate
a0 3.37E-02
a1 6.00E+02
a2 1.07E+02
2 b1 5.96E-04
b2 1.09E-03
p1 8.84E-01
p2 9.62E-39
p3 4.06E-135
p4 1.16E-01
Model (X13,X14)
3 Estimate
a0 1.55E+00

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

masing-masing model diatas:

Tabel 10. AIC dan BIC model regresi ZINB

Model wilayah 3 & 4 Model wilayah 4 & 5
Model Y3=X13+X14 Model Y4=X14+X15
Uji Nilai Uji Nilai
AIC 163.6676 AIC 167.5376
BIC 183.0028 BIC 186.8728
Model Y4=X13+X14 Model Y5=X14+X15
Uji Nilai Uji Nilai
AIC 172.2051 AIC 74.98721
BIC 191.5404 BIC 94.32243
Model Y3=X23+X24 Model Y4=X24+X25
Uji Nilai Uji Nilai
AIC 161.6801 AIC 168.3679
BIC 181.0153 BIC 187.7031
Model Y4=X23+X24 Model Y5=X24+X25
Uji Nilai Uji Nilai
AIC 168.5717 AIC 86.22186
BIC 187.9069 BIC 105.5571
Model Y3=X13+X23 Model Y4=X14+X24
Uji Nilai Uji Nilai
AIC 161.1421 AIC 168.5571
BIC 180.4773 BIC 187.8923
Model Y4=X13+X23 Model Y5=X14+X24
Uji Nilai Uji Nilai
AIC 169.9099 AIC 91.89395
BIC 189.2451 BIC 111.2292
Model Y3=x14+x24 Model Y4=X15+X25
Uji Nilai Uji Nilai
AIC 165.4666 AIC 167.9726
BIC 184.8018 BIC 187.3078
Model Y4=X14+X24 Model Y5=X15+X25
Uji Nilai Uji Nilai
AIC 168.5571 AIC 73.78417
BIC 187.8923 BIC 93.11939

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

exp(𝛽 +𝛽1 𝑋15 +𝛽2 𝑋25 )

model 𝑌5 = 1+exp(𝛽0
0 +𝛽1 𝑋15 +𝛽2 𝑋25 )

exp(𝛽0 + 𝛽1 𝑋15 + 𝛽2 𝑋25 )

𝑌5 =
1 + exp(𝛽0 + 𝛽1 𝑋15 + 𝛽2 𝑋25 )

exp(3.399 − 21.675X15 + 1.463𝑋25 )

𝑌5 =
1 + exp(3.399 + −21.675X15 + 1.463𝑋25 )

1. Setiap penambahan 1% kejadian gempa bumi di wilayah 5 (Sulawesi) maka

akan menurunkan peluang banyak kejadian tsunami di wilayah 5 (𝑌5 ) sebesar

exp(−21.675) =3.86071E-10 jika variabel lain tidak di libatkan.

2. Setiap penambahan 1% gempa bumi maksimum di wilayah 5 (Sulawesi)

maka akan meningkatkan peluang banyak kejadian tsunami di wilayah 5 (𝑌5 )

sebesar exp(1.463) = jika variabel lain tidak di libatkan. 4.318897

Tabel 11. AIC dan BIC model konvensional BZINB

No Model BZINB AIC BIC
1 Model (Y3,Y4) 343.076 365.173
2 Model (Y4,Y5) 259.21 281.307
3 Model (X13,X14) 987.416 1009.51
4 Model (X14,X15) 857.619 879.716
5 Model (X23,X24) 922.157 944.254
6 Model (X24,X25) 916.77 938.868

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 )

𝑓𝐵𝑍𝐼𝑁𝐵 (𝑌4 , 𝑌5 ; 𝛼, 𝛽, 𝜋) = 𝜋1 𝑓𝐵𝑁𝐵 (𝑌4 , 𝑌5 ; 𝛼0 , 𝛼1 , 𝛼2 , 𝛽1 , 𝛽2 ) + 𝜋2 𝑓𝑁𝐵 (𝑌4 ; 𝛼0 +

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

Model BZINB adalah 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 Ridout et al pada model regresi ZINB,

yaitu penambahan parameter P sebagai bentuk khusus dari ZINB. Pada model ini

BZINB-P merupakan model yang membentuk BZINB-1 dan BZINB-2.

Berdasarkan hasil dari pengujian data gempa bumi dan tsunami di program R

didapatkan hasil bahwa dari beberapa model ZINB dan BZINB yang di lakukan

bahwa untuk model terbaik dari ZINB adalah model 𝑌5 =

exp(3.399−21.675X15 +1.463𝑋25 )
dengan nilai AIC = 73.78417 dan BIC = 93.11939
1+exp(3.399+−21.675X15 +1.463𝑋25 )

dan untuk model BZINB model terbaiknya adalah

𝑓𝐵𝑍𝐼𝑁𝐵 (𝑌4 , 𝑌5 ; 𝛼0 , 𝛼1 , 𝛼2 , 𝛽1 , 𝛽2 , 𝜋1 , 𝜋2 , 𝜋3 , 𝜋4 ) dengan AIC = 259.21 dan BIC =

281.307.

5.2 Saran

Dalam penelitian ini kami menyadari bahwa masih terapat banyak

kekurangan, dan untuk peneliti selanjutnya diharapkan untuk mengkaji lebih

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.

Aydan, O. 2008. Seismic and Tsunami Hazard Potential in Indonesia with a

special emphasis on Sumatra Island. Journal of The School of Marine
Science and Technology.6: 19-38

Bappenas. Pedoman Evaluasi Kinerja Pembangunan Sektoral. Jakarta: Kedeputian

Evaluasi Kinerja Pembangunan; 2009.

Famoye, F. (2010). On The Bivariate Negative Binomial regression Model.

Journal of Applied Statistics, 37, 969-981

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

Irwansyah. E. (2010). Building damage assessment using remote sensing,

aerial photograph and gis data: case study in banda aceh after
sumatera earthquake 2004. Proceeding of The 11th Seminar on Intelligent
Technology and Its Application-SITIA 2010, 11,57.

Lembaga Penerbangan dan Antariksa Nasional (LAPAN). 2015. Pedoman

Pengolahan Data Satelit Multi Spektral Secara Digital Supervised untuk
klasifikasi. LAPAN. 13 hal.

Lind, Marchal & Wathen. (2008). Teknik-Teknik Statistika dalam Bisnis Dan
Ekonomi Menggunakan Kelompok Data Global. Buku 2, Edisi 13. Jakarta:
Salemba Empat

Prasetya, T. (2006). Gempa Bumi. Yogyakarta: Gitanagari.

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.

Saputra (2022) Korelasi Kendall Tau, Langkah Analisis dan Contoh

Perhitungannya, https://ujistatistik.com/korelasi-kendall-tau/

Sugito, Nanin Trinawati., 2008, Tsunami, Fakultas Pendidikan Ilmu Pengetahuan

Sosial Universitas Pendidikan Indonesia, Bandung.

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.

Purba, Switamy Angnitha, 2020. Estimasi Parameter Data Berdistribusi Normal

Menggunakan Maksimum Likelihood Berdasarkan Newton Raphson. Jurnal
Sains Dasar, volume 9, No. 1, 2020, 16-18.

42
LAMPIRAN