See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/320910919

MODEL REGRESI POISSON TERGENERALISASI DENGAN STUDI KASUS

KECELAKAAN KENDARAAN BERMOTOR DI LALU LINTAS

Conference Paper · May 2014

CITATIONS READS

0 3,220

2 authors, including:

Devni Prima Sari

Universitas Negeri Padang
26 PUBLICATIONS 68 CITATIONS

SEE PROFILE

All content following this page was uploaded by Devni Prima Sari on 07 November 2017.

The user has requested enhancement of the downloaded file.

 Seminar Nasional dan Rapat Tahunan Bidang MIPA 2014 | SEMIRATA

KEMAMPUAN REPRESENTASI MATEMATIS MAHASISWA PADA MATA

KULIAH KALKULUS PEUBAH BANYAK
Yerizon ................................................................................................................................. 371
ANALISIS PENGETAHUAN METAKOGNITIF SISWA TIPE KEPRIBADIAN
PHLEGMATIS DALAM MENYELESAIKAN SOAL MATERI LIMIT FUNGSI
ALJABAR DI KELAS XI IPA SMA ISLAM ALFALAH KOTA JAMBI
Dewi Iriani, Marni Zulyanty .................................................................................................. 377
ANALISIS KEMAMPUAN PEMECAHAN MASALAH MATEMATIS SISWA TIPE
EKSTROVERT PADA MATERI FAKTORISASI SUKU ALJABAR DI KELAS VIII
SMP
Nizlel Huda, Lily Wahyuni Novika ........................................................................................ 384
ANALISIS MISKONSEPSI SISWA TIPE KOLERIS DALAM PEMECAHAN
MASALAH MATEMATIKA PADA MATERI ALJABAR SISWA KELAS VIII SMP
Yunidar, Roseli Theis .......................................................................................................... 392
KONTRIBUSI KEGIATAN LESSON STUDY MATEMATIKA DALAM
IMPLEMENTASI KURIKULUM 2013 DAN PENDIDIKAN BERBASIS KARAKTER
Armiati .................................................................................................................................. 400
PERANCANGAN PROTOTIPE AWAL BUKU KERJA KALKULUS BERBASIS
PENEMUAN TERBIMBING
Zulfaneti, Rina Febriana ...................................................................................................... 408
PENGEMBANGAN TUGAS MATEMATIKA SEBAGAI ALAT UKUR PENALARAN
DAN PEMAHAMAN KONSEP SISWA SEKOLAH MENENGAH ATAS
Mukhtar, Muliawan Firdaus ................................................................................................. 416
MODEL REGRESI POISSON TERGENERALISASI DENGAN STUDI KASUS
KECELAKAAN KENDARAAN BERMOTOR DI LALU LINTAS
Irwan, Devni Prima Sari ....................................................................................................... 423
KORELASI BEBERAPA ASPEK PROGRAM KELUARGA BERENCANA DI
PUSAT KESEHATAN MASYARAKAT KELURAHAN SUKAMERINDU KOTA
BENGKULU
Syahrul Akbar ...................................................................................................................... 434
PENGARUH PEMBELAJARAN CONNECTING, ORGANIZING, REFLECTING,
EXTENDING (CORE) TERHADAP KEMAMPUAN KOMUNIKASI MATEMATIS
SISWA KELAS X SMAN 9 PADANG TAHUN PEMBELAJARAN 2013/2014
Jazwinarti, Suherman, Fadhilah Al Humaira ....................................................................... 437
ESTIMASI TINGKAT KEMATIAN BAYI DAN HARAPAN HIDUP BAYI PROVINSI
JAWA BARAT 2010 DENGAN MENGGUNAKAN METODE BRASS
Ahmad Iqbal Baqi ................................................................................................................ 446
PERANCANGAN MODEL ZONA TARIF BRT TRANS MUSI ZONE TARIFF
DESIGN MODEL OF BRT TRANS MUSI
A qilah Zainab, Sisca Octarina dan Putra BJ Bangun ........................................................ 452
SOLUSI POLINOMIAL PERSAMAAN DIFERENSIAL HERMIT YANG
DIPERUMUM

xi
 MODEL REGRESI POISSON TERGENERALISASI
DENGAN STUDI KASUS KECELAKAAN KENDARAAN BERMOTOR DI
LALU LINTAS

Irwan1, Devni Prima Sari2

Jurusan Matematika FMIPA Univ. Negeri Padang1,2
irwan.math.165@gmail.com1, devniprimasari@yahoo.co.id2

Intisari: Model regresi Poisson telah lama digunakan untuk penggolongan resiko.
Metode regresi Poisson mempunyai asumsi equi-dispersion, yaitu kondisi dimana nilai
mean dan variansi dari variabel respon bernilai sama. Pada kenyataannya, seringkali
dijumpai pada data dengan variansi dari variabel respon lebih besar dari pada nilai
rataannya (overdispersi). Sehingga model regresi Poisson dianggap kurang tepat untuk
mengatasi masalah tersebut. Sehingga digunakan model regresi Poisson
Tergeneralisasi untuk mengatasi masalah overdispersi.
Dalam tulisan ini, model regresi Poisson dan Poisson Tergeneralisasi akan diterapkan
pada data kasus kecelakaan kendaraan bermotor di lalu lintas. Berdasarkan hasil
estimasi parameter dispersi, a, pada model regresi Poisson Tergeneralisasi diketahui
bahwa terjadi kasus overdispersi. Setelah model regresi Poisson dan Poisson
Tergeneralisasi di uji dengan menggunakan uji deviance, Pearson Chi-Square, AIC,
BIC, maka disimpulkan bahwa model regresi terbaik dihasilkan oleh model regresi
Poisson Tergeneralisasi.

Kata kunci: model regresi Poisson, Poisson Tergeneralisasi, overdispersi

A. PENDAHULUAN
Penggolongan resiko adalah proses dari pemodelan alternatif dengan
menggolongkan resiko menurut rating factors dengan karakteristik-karakteristik yang
dibentuk ke dalam rating classes. Sebagai contoh, di dalam kecelakaan kendaraan
bermotor yang diperlakukan sebagai faktor penilaian dapat dilihat pada faktor
pengemudi, kendaraan, jalan, cuaca dan faktor lainnya.
Model regresi Poisson secara luas telah banyak digunakan untuk memodelkan
penggolongan resiko. Sebagai contoh, McCullagh dan Nelder dalam buku Generalized
Linear Models (1989) menggunakan model regresi Poisson untuk memodelkan jumlah
klaim pada peristiwa kerusakan muatan yang dibawa kapal-kapal di dalam asuransi
laut. Di dalam asuransi motor, Brockman dan Wright dalam penelitiannya tahun 1992
menerapkan model itu pada klaim kerusakan kepemilikan motor di UK, dan Renshaw
tahun 1994 memakai model tersebut untuk klaim-klaim motor yang disediakan oleh
suatu perusahaan asuransi yang terkemuka di dalam UK. Selanjutnya, model regresi
Poisson diterapkan oleh Ismail dan Jemain tahun 2003 pada himpunan dari klaim
kerusakan mobil milik pribadi yang disediakan oleh satu perusahaan asuransi di
Malaysia.
Bagaimanapun, model regresi Poisson berasumsi bahwa rata-rata dan variansi
dari variabel dependen adalah sama, E(Y)=Var(Y), atau disebut juga equidispersi.
Dalam praktek, data itu boleh ditampilkan overdispersion atau extra – variasi Poisson,
yaitu, suatu situasi di mana variansi melebihi rata-rata, Var(Y)>E(Y). Selain itu, data
juga dapat disajikan underdispersi, yaitu keadaan dimana variansi kurang dari rata-
rata, Var(Y)<E(Y). Pembebanan yang tidak sesuai pada Poisson mengabaikan standar
error dan terlalu menekankan makna dari parameter-parameter regresi, dan sebagai
konsekuensi, memberikan kesimpulan salah tentang parameter-parameter regresi. Oleh
karena itu, sasaran dari penelitian ini untuk menggunakan model regresi Poisson
Tergeneralisasi sebagai satu alternatif untuk penggolongan resiko. Selanjutnya, model-
model regresi Poisson dan Poisson Tergeneralisasi dicoba, diuji dan dibandingkan pada
jenis data jumlah kecelakaan kendaraan bermotor di lalu lintas.

B. MATERI DAN METODE

1. Generalized Linear Model (GLM)

Agresi (2002) menyatakan ada tiga komponen dalam GLM, yaitu :

a) Variabel respon Y1, Y2, ... , YN yang diasumsikan memiliki distribusi yang termasuk
ke dalam keluarga eksponensial.
b) Sekumpulan parameter 𝛽 = [𝛽1 … 𝛽𝑝 ]𝑇 dan variabel penjelas (explanatory
𝑥1𝑇
variable) 𝑋 = [ ⋮ ] yang kemudian membentuk fungsi linear   xiT  .
𝑥𝑝𝑇
c) Fungsi link monoton g sedemikian sehingga g (i )  xiT  dengan i  E[Yi ].

Fungsi link menentukan model yang menghubungkan i  E[Yi ] dengan fungsi

linear xi T β . Suatu fungsi link di sebut sebagai fungsi link kanonik (canonical link

function) apabila g ( i )   dengan  adalah parameter kanonik dalam

 y  b( ) 
f ( y; )  exp   c( y,  ) 
 a( ) 
Dalam hal ini,  adalah parameter dispersi dan f ( y; ) merupakan fungsi
probabilitas variabel random Y yang termasuk dalam keluarga eksponensial.

2. Model Regresi Poisson

Pada regresi Poisson diasumsikan bahwa variabel dependen Y yang menyatakan

jumlah (cacah) kejadian berdistribusi Poisson, diberikan sejumlah variabel independen
x1,x2,...,xk.

𝜇 𝑦 .𝑒 −𝜇
𝑃 (𝑌 = 𝑦|𝑥1 , … , 𝑥𝑘 ) = , 𝑦 = 0,1,2, … (1)
𝑦!

Atau dengan kata lain, 𝑌𝑖 ~𝑃𝑜𝑖 (𝜇𝑖 ), 𝑖 = 1,2,3, … , 𝑛.

Salah satu tujuan dari analisis regresi adalah untuk menentukan pola hubungan
antara variabel respon dengan variabel penjelas. Selanjutnya, dalam regresi Poisson
hubungan tersebut dapat dituliskan dalam bentuk:

𝐸 [𝑌𝑖 |𝑥𝑖 ] = 𝜇𝑖 = 𝛽0 + 𝑥1 𝛽1 + ⋯ + 𝑥𝑘 𝛽𝑘 (2)

Atau 𝐸[𝑌𝑖 |𝑋𝑖 ] = 𝜇𝑖 = xi T β .

Karena nilai 𝜇𝑖 > 0, maka digunakan fungsi link 𝜂𝑖 = log⁡( xi T β ) atau ⁡𝜂𝑖 = 𝑙𝑜𝑔𝜇𝑖 =

xi T β untuk menghubungkan 𝜇𝑖 = 𝐸[𝑌𝑖 |𝑋𝑖 ] dengan fungsi linear xi T β , sehingga

hubungan antara 𝜇𝑖 = 𝐸 [𝑌𝑖 |𝑋𝑖 ] dan xi T β menjadi tepat. Dengan demikian, model

regresi dapat ditulis dalam bentuk:

𝐸 [𝑌𝑖 |𝑋𝑖 ] = 𝜇𝑖 = exp⁡( xi T β ), 𝑖 = 1,2, … , 𝑛 (3)

Dengan 𝛽 merupakan parameter yang tidak diketahui dalam model dan harus di
estimasi.

Untuk memasukkan covariates dan untuk menjamin non-negatif, mean atau

fitted value diasumsikan sebagai perkalian, yaitu,
𝐸 (𝑌𝑖 |𝒙𝒊 ) = 𝜆𝑖 = 𝑒𝑖 𝑒𝑥𝑝(𝒙𝒊 𝑻 𝜷) (4)
di mana ei menunjukkan ukuran paparan (exposure), xi merupakan vektor p x 1 dari
variabel penjelas, dan β merupakan vektor p x 1 dari parameter regresi.

3. Model Regresi Poisson Tergeneralisasi

Definisi 1 Jika Y adalah suatu variabel random berdistribusi Poisson Tergeneralisasi

dengan parameter 𝜃 dan 𝜆, maka fungsi kepadatan peluang dinyatakan sebagai berikut:
𝑒 −(𝜃+𝜆𝑦)
𝜃 (𝜃 + 𝜆𝑦)𝑦−1 , 𝑦 = 0,1,2, …
𝑦!
𝑃 (𝑌 = 𝑦|𝜃, 𝜆) = { 0, 𝑦 > 𝑚, 𝜆 < 0⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡ (5)
0, 𝑦⁡yang lain
dengan 𝜃 > 0, 𝑚𝑎𝑥⁡(−1, − 𝜃⁄4) ≤ 𝜆 ≤ 1; dan m adalah bilangan bulat positif terbesar
sedemikian sehingga 𝜃 + 𝑚𝜆 > 0 bila 𝜆 bernilai negatif.

Teorema 1 Jika Y merupakan suatu variabel random GPD yang dinotasikan dengan
𝑌~𝐺𝑃(𝜃, 𝜆), maka nilai mean dan variansinya adalah sebagai berikut:

E Y       ,   
1 

Var Y    2  ,   
(1   )3
Definisi 2 Asumsikan bahwa variabel dependen yi yang menyatakan jumlah kejadian
adalah berdistribusi Poisson Tergeneralisasi. Diberikan sejumlah variabel independen
x1,x2,...,xp.

𝑒 −(𝜃+𝜆𝑖 𝑦𝑖)
𝜃 (𝜃 + 𝜆𝑖 𝑦𝑖 ) 𝑦𝑖 −1 , 𝑦𝑖 = 0,1,2, …
𝑦𝑖 !
𝑃(𝑌𝑖 = 𝑦𝑖 |𝑥1 , 𝑥2 , … , 𝑥𝑝 ) = (6)
0, 𝑦𝑖 > 𝑚, 𝜆𝑖 < 0⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡
{ 0, 𝑦𝑖 ⁡yang lain

Persamaan (6) dinotasikan dengan 𝑌𝑖 ~𝐺𝑃(𝜃𝑖 , 𝜆𝑖 ), 𝑖 = 1,2, … , 𝑛; nilai rata-rata dan

variansi dinyatakan dengan E (Yi | xi )  i   ( xi ) dan Var (Yi | xi )   i2 (i , i ) .

Wang dan Famoye (1997) menyatakan bahwa fungsi kepadatan peluang dari
distribusi GP I adalah
yi
 i  (1  ayi ) yi 1   (1  ayi ) 
P Yi  yi     exp   i  , yi  0,1, (7)
 1  a i  yi !  1  a i 
dengan Yi sebagai variabel random untuk distribusi GP I.
Mean diasumsikan ke dalam persamaan 𝐸 [𝑌𝑖 |𝑥𝑖 ] = 𝜇𝑖 = ℯ𝑖 exp⁡(𝒙𝑻𝒊 𝜷),
sedangkan variansi bersyarat ekuivalen dengan 𝑉𝑎𝑟[𝑌𝑖 |𝑥𝑖 ] = 𝜇𝑖 (1 + 𝑎𝜇𝑖 )2 . Ketika
parameter dispersi, a, sama dengan nol, fungsi kepadatan peluang pada persamaan (7)
akan beralih menuju Poisson, sehingga mean sama dengan variansi, yaitu 𝐸 [𝑌𝑖 |𝑥𝑖 ] =
𝑉𝑎𝑟[𝑌𝑖 |𝑥𝑖 ]. Untuk a>0, variansi lebih besar daripada mean, 𝐸 [𝑌𝑖 |𝑥𝑖 ] > 𝑉𝑎𝑟[𝑌𝑖 |𝑥𝑖 ], dan
untuk kondisi ini model regresi merepresentasikan data cacah dengan overdispersi.
Sedangkan untuk a<0, variansi lebih kecil daripada mean, 𝐸 [𝑌𝑖 |𝑥𝑖 ] < 𝑉𝑎𝑟[𝑌𝑖 |𝑥𝑖 ], dan
untuk kondisi ini model regresi merepresentasikan data cacah dengan underdispersi.
Jika 𝛽 di estimasi dengan metode maksimum likelihood dan log likelihood
dinotasikan dengan , maka persamaan yang terkait adalah:
 exp( xiT  )  exp( xiT  )(1  ayi )
(  , a)  { yi log     yi  1 log 1  ayi  
 1  a exp( xi  )  1  a exp( xiT  )
T
i

 log( yi !)}
Selanjutnya, apabila persamaan tersebut diturunkan terhadap  j , maka diperoleh

persamaan sebagai berikut:

 y  i
 i x ; j  1, 2,, p
 j i (1  ai )
2 ij

Persamaan terakhir di set sama dengan nol, sehingga diperoleh

( yi  i )
 (1  a )
i
2
xij  0; j  1, 2,, p (8)
i

Karena persamaan (8) adalah juga ekuivalen dengan kuadrat terkecil terbobot, dengan
suatu pengabaian modifikasi, estimasi dari  dapat diselesaikan dengan prosedur
IWLS.
Di dalam penelitian ini, akan digunakan dua metode untuk memecahkan
parameter dispersi, a, yaitu dengan metode maksimum likelihood dan metode moment.
Persamaan untuk penyelesaian metode maksimum likelihood dapat diperoleh dengan
menurunkan persamaan log likelihood terhadap 𝑎, adalah sebagai berikut:
 y y ( y  1) i ( yi  i )
  i i  i i  0 (9)
a i 1  a i 1  ayi (1  ai ) 2
2 yi i 2 yi 2 ( yi  1) 2i 2 ( yi  i )
a 2
 i (1  a )2 (1  ay )2  (1  a )3
 (10)
i i i

Di bawah metode moment, a bisa di estimasi dengan persamaan Pearson Chi-

Squares dengan derajat kebebasan, yaitu:
( yi  i ) 2
i  (1  a )2  (n  p)  0 (11)
i i

di mana n menandakan banyaknya kelas penilaian maksimum dan p banyaknya

parameter-parameter regresi. Prosedur iterasi urutan serupa dengan di atas dapat juga
digunakan untuk menghasilkan estimasi maksimum likelihood dari  dan estimasi
moment dari a.

4. Goodness Of Fit Test

 Ismail dan Jemain (2007) menyatakan bahwa goodness of fit test model regresi
Poisson dan Poisson tergeneralisasi dapat dilihat dari nilai Deviance, Pearson Chi-
Square, Akaike Information Criteria (AIC) dan Bayesian Schwartz Information
Criteria (BIC).

a. Deviance
Deviance yaitu logaritma dari uji rasio likelihood-nya (McCullagh & Nelder,
1989). Uji rasio likelihoodnya membandingkan current model-nya dengan saturated
model-nya. Deviance dituliskan sebagai berikut:
𝐷 = 2(𝑙(𝒚; 𝒚) − 𝑙 (𝝁; 𝒚)) (12)
di mana 𝑙(𝒚; 𝒚)⁡dan 𝑙 (𝝁; 𝒚)⁡adalah model log likelihood yang dievaluasi masing-
masing di bawah 𝝁 dan 𝒚. Untuk model yang memadai, D juga memiliki asimtotik
distribusi chi-squre dengan n - p derajat kebebasan. Oleh karena itu, jika nilai-nilai
untuk kedua Pearson Chi-Square dan D adalah dekat dengan derajat kebebasan, model
dapat dianggap memadai.
b. Pearson Chi-Square
Ukuran lain yang bisa digunakan untuk goodness of fit test yaitu statistik
Pearson Chi- Square (McCullagh & Nelder, 1989) yang didefinisikan sebagai
𝑛
2
(𝑦𝑖 − 𝜇𝑖 )2
𝑋 =∑ (13)
𝑉𝑎𝑟(𝑌𝑖 )
𝑖=1

c. AIC dan BIC

Ketika beberapa model cocok, dapat membandingkan performa model-model
alternatif berdasarkan beberapa kemungkinan langkah-langkah yang telah diusulkan
dalam literatur statistik. Dua yang paling sering digunakan adalah ukuran Akaike
Information Criteria (AIC) dan Bayesian Schwartz Information Criteria (BIC). AIC
didefinisikan sebagai
AIC = −2l + 2p (14)
dimana l⁡menunjukkan log-likelihood dievaluasi di bawah μ dan p jumlah parameter.
Untuk ukuran ini, semakin kecil AIC, semakin baik model.
 BIC didefinisikan sebagai (Schwarz, 1978),
BIC = −2l + p log(n) (15)
mana l menunjukkan log-likelihood dievaluasi di bawah μ, p jumlah parameter dan n
jumlah rating classes. Untuk ukuran ini, semakin kecil BIC, semakin baik model.
C. APLIKASI NUMERIK

1. Data Penelitian

Data yang digunakan dalam penelitian ini adalah data sekunder dari laporan
Unit Lakalantas Poltabes Padang selama tahun 2012. Rating factor dan rating classes
yang dipakai dalam penelitian ini berdasarkan pada penelitian sebelumnya serta
berdasarkan data yang tersedia di Lakalantas Poltabes Padang.

Tabel 1. Rating factors dan rating classes untuk data penelitian

Rating Factors Rating Classes
Pengemudi A1 Lengah
A2 Mengantuk
A3 Tidak terampil
A4 Mabuk
A5 Kecepatan tinggi
A6 Tidak menjaga jarak
A7 Kesalahan pejalan
A8 Gangguan binatang
Kendaraan B1 Kerusakan sistem rem
B2 Ban pecah
B3 Sistem lampu tidak berfungsi
B4 As/kopel lepas
B5 Kerusakan sistem kemudi
Jalan C1 Persimpangan
C2 Jalan sempit
C3 Akses yang tidak dikontrol / dikendalikan
C4 Marka jalan kurang / tidak jelas
C5 Tidak ada rambu batas kecepatan
C6 Permukaan jalan licin
Cuaca D1 Gelap
D2 Hujan
Penyebab Lainnya Penyebab Lainnya
 Tabel 1 menunjukkan rating factors dan rating classes untuk jumlah
kecelakaan. Berdasarkan laporan dari Unit Lakalantas Poltabes Padang selama tahun
2012 terdapat 540 kasus kecelakaan lalu lintas yang terjadi di Kota Padang. Data
tersebut kemudian dikelompokkan berdasarkan faktor penyebabnya.

Variabel dalam penelitian ini terdiri dari variabel respon dan prediktor. Adapun
variabel yang digunakan pada penelitian ini adalah:

1. Variabel respon (dependent variable)

Dalam penelitian ini yang menjadi variabel respon adalah data angka jumlah
kecelakaan tahun 2012.

2. Variabel bebas (independent variable) atau variabel penjelas

Variabel bebas terdiri dari faktor penyebab terjadinya kecelakaan lalu lu lintas
pada kendaraan bermotor. Faktor-faktor tersebut didapatkan dari Unit Lakalantas
Poltabes Padang dan dikutip dari Direktorat Jenderal Perhubungan Darat Departemen
Perhubungan, www.dephub.go.id.

Ada kalanya kita melakukan suatu regresi dimana variabel penjelas berupa data
kualitatif. Jika data kualitatif tersebut memiliki m kategori, maka jumlah variabel
dummy yang dicantumkan di dalam model adalah (m - 1).

2. Hasil Analisis Data

Untuk menguji signifikansi tiap rating classes digunakan analisis deviance.

Berikut ini akan disajikan hasil analisis deviance model regresi Poisson yang memuat
tiap rating classes.

Tabel 2. Analisis deviance model regresi Poisson tiap rating classes

Df Deviance P(>|Chi|)
NULL 42 371.7
A1 Lengah 1 33.998 5.52E-09 ***
A2 Mengantuk 1 26.96 2.08E-07 ***
 A3 Tidak terampil 1 28.561 9.08E-08 ***
A4 Mabuk 1 14.501 0.00014 ***
A5 Kecepatan tinggi 1 51.037 9.06E-13 ***
A6 Tidak menjaga jarak 1 12.516 0.000403 ***
A7 Kesalahan pejalan 1 10.184 0.001417 **
A8 Gangguan binatang 1 11.286 0.000781 ***
B1 Kerusakan sistem rem 1 11.279 0.000784 ***
B2 Ban pecah 1 5.088 0.024094 *
B3 Sistem lampu tidak berfungsi 1 1.927 0.165139
B4 As/kopel lepas 1 0.524 0.469311
B5 Kerusakan sistem kemudi 1 5.248 0.021972 *
C1 Persimpangan 1 14.557 0.000136 ***
C2 Jalan sempit 1 0.315 0.574905
C3 Akses yang tidak dikontrol / 1 1.129 0.287979
dikendalikan
C4 Marka jalan kurang / tidak jelas 1 1.136 0.286422
C5 Tidak ada rambu batas kecepatan 1 5.752 0.016474 *
C6 Permukaan jalan licin 1 0.033 0.855014
D1 Gelap 1 13.23 0.000276 ***
D2 Hujan 1 0.341 0.559401
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Dari tabel 2 terlihat bahwa terdapat rating classes yang tidak signifikan. Sehingga
harus dilakukan kembali analisis deviance dengan membuang pasangan rating classes
yang tidak signifikan. Berikut adalah ini adalah analisis deviance model regresi Poisson
untuk tiap rating classes yang telah signifikan.

Tabel 3. Analisis deviance model regresi Poisson untuk tiap rating classes yang sudah
signifikan.
Df Deviance P(>|Chi|)
NULL 42 371.7
A1 Lengah 1 33.998 5.52E-09 ***
A2 Mengantuk 1 26.96 2.08E-07 ***
A3 Tidak terampil 1 28.561 9.08E-08 ***
A4 Mabuk 1 14.501 0.00014 ***
A5 Kecepatan tinggi 1 51.037 9.06E-13 ***
A6 Tidak menjaga jarak 1 12.516 0.000403 ***
 A7 Kesalahan pejalan 1 10.184 0.001417 **
B1 Kerusakan sistem rem 1 21.342 3.84E-06 ***
B5 Kerusakan sistem kemudi 1 6.874 0.008748 **
C1 Persimpangan 1 12.695 0.000367 ***
D1 Gelap 1 15.544 8.06E-05 ***
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Dari hasil analisis deviansi model regresi Poisson untuk tiap rating classes
hanya diperoleh beberapa rating classes yang signifikan yaitu lengah, mengantuk,
tidak terampil, mabuk, kecepatan tinggi, tidak menjaga jarak, kesalahan pejalan,
kerusakan sistem rem, kerusakan sistem kemudi, persimpangan dan gelap. Hasil
estimasi parameter untuk rating classes yang signifikan, dapat dilihat pada Tabel 4.

Tabel 4. Estimasi parameter untuk model Poisson rating classes yang signifikan
Nilai estimasi beta tiap dummy
No. Beta Nilai_beta Standar.error Varians Pval
Intercept 1.61 0.088 0.008 0
A1 Lengah 0.83 0.13 0.017 0
A2 Mengantuk 0.56 0.152 0.023 0.00024
A3 Tidak terampil 0.77 0.157 0.025 0
A4 Mabuk 0.94 0.163 0.026 0
A5 Kecepatan tinggi 0.99 0.16 0.026 0
A6 Tidak menjaga jarak 0.63 0.17 0.029 0.00022
A7 Kesalahan pejalan 0.82 0.199 0.04 0.00004
B1 Kerusakan sistem rem 0.72 0.214 0.046 0.00077
B5 Kerusakan sistem kemudi 0.51 0.157 0.025 0.00114
C1 Persimpangan 0.71 0.173 0.03 0.00003
D1 Gelap 0.68 0.168 0.028 0.00005
df 31
Pearson's X^2 126.7225
log L -154.4214
Nilai p-value untuk semua parameter kecil dari 0.005, nilai ini mengidentifikasikan
bahwa estimasi parameter sudah signifikan. Dari Tabel 4 terlihat bahwa terjadi
overdispersi pada data karena nilai Pearson Chi-square dibagi dengan derajat bebas
nilainya lebih besar dari 1. Untuk mengatasi masalah overdispersi pada data cacah ini
penulis mencoba memodel-ulangkan dengan regresi Poisson Tergeneralisasi.
Hasil estimasi parameter untuk masing-masing rating classes, dapat dilihat
pada tabel 5. Perbandingan antara Poisson dan Poisson Tergeneralisasi menunjukkan
bahwa parameter regresi untuk semua model memberikan estimasi yang hampir sama.
Nilai AIC pada model Poisson Tergeneralisasi (Moment) menunjukkan nilai lebih kecil
daripada model lainnya. Ini berarti, model Poisson Tergeneralisasi (Moment) lebih
baik daripada model Poisson. Tetapi nilai standar error pada model Poisson
Tergeneralisasi (Moment) menunjukkan nilai paling besar dari model lainnya,
sehingga mengakhibatkan parameter regresi tidak signifikan untuk A6, B1, B5 dan C1.
Menurut uji statistik Pearson Chi-Square, apabila nilai Pearson Chi-Square dibagi
dengan derajat bebasnya menghasilkan nilai lebih besar dari satu, maka hal ini
menunjukkan bahwa terjadi overdispersi. Ternyata dari data yang ada, ketiga model
yaitu model Poisson, Poisson Tergeneralisasi (MLE) dan Poisson Tergeneralisasi
(Moment) masih mengindikasikan terjadinya overdispersi. Tetapi jika dilihat dari nilai
a, maka model Poisson Tergeneralisasi (MLE) lebih baik dalam mengatasi
overdispersi dimana a < 0.

Tabel 5.Poisson vs Poisson Tergeneralisasi untuk masing-masing rating classes

D. KESIMPULAN DAN SARAN
Berdasarkan pembahasan dan aplikasi numerik yang telah disampaikan pada
bab-bab sebelumnya, maka dapat di ambil beberapa kesimpulan. Pertama, model
regresi Poisson Tergeneralisasi terbaik untuk penggolongan resiko pada jumlah klaim
dapat diperoleh dengan cara memeriksa hubungan antar variabel prediktor,
menentukan model regresi poisson, memeriksa kasus overdispersi, equidispersi, atau
kah underdispersi dengan menggunakan uji Pearson Chi-Square maupun deviance,
menentukan model Regresi Poisson Tergeneralisasi dan model Regresi Poisson
Tergeneralisasi, mengestimasi parameter model regresi Poisson Tergeneralisasi.
Kedua, cara menguji model regresi Poisson Tergeneralisasi terbaik untuk
penggolongan resiko pada jumlah klaim yaitu pengujian signifikansi parameter regresi
menggunakan uji normalitas dengan melihat p-value nya. Untuk menentukan model
terbaik yang menggambarkan hubungan antara variabel respon dan variabel prediktor
yaitu dengan melihat nilai AIC pada masing-masing model. Model yang mempunyai
nilai AIC terkecil dan parameternya signifikan merupakan model regresi terbaik.
Ketiga, hasil dari beberapa contoh analisis data pada jenis data jumlah
kecelakaan kendaraan bermotor di lalu lintas menunjukkan bahwa model regresi
Poisson Tergeneralisasi merupakan model yang paling tepat digunakan untuk data
yang bersifat overdispersi dibandingkan dengan model regresi Poisson.
 Diharapkan hasil dari penelitian ini dapat mendorong para praktisi untuk
melakukan analisa serupa yang lebih lanjut, terutama berkaitan dengan model regresi
lainnya. Tujuannya adalah untuk mendukung ke arah suatu ukuran akurat dari tingkat
frekuensi kecelakaan.

E. DAFTAR PUSTAKA

Ismail, Noriszura, and Abdul Aziz Jemain. "Bridging Minimum Bias and Maximum
Likelihood Methods through Weighted Equation." Casualty Actuarial Society
Forum, 2005: 367-394.

Ismail, Noriszura, and Abdul Aziz Jemain. "Handling Overdispersion with Negative
binomial and Generalized Poisson Regression Models." Casualty Actuarial
Society Forum, 2007: 103-158.

McCullagh, P., dan J.A. Nelder. Generalized Linear Models. 2nd Edition. London:
Chapman and Hall, 1989.

Sari, Devni Prima. Penanganan Overdispersi dengan Model Regresi Binomial Negatif
I Pada Faktor-Faktor yang Mempengaruhi Angka Kematian yang Disebabkan
Oleh Kanker Paru-Paru. Prosiding Seminar Nasional Matematika UNS, 2010:
445-452.

Sari, Devni Prima. Kajian Overdispersi Pada Regresi Poisson dengan Menggunakan
Regresi Poisson Tergeneralisasi I. Prosiding Seminar Nasional Matematika
UNAND, 2011: 122-128.

Satyahadewi, Neva. Model Regresi Poisson Tergeneralisasi dengan Studi Kasus

Penggolongan Resiko Jumlah Klaim pada Asuransi Kendaraan di Malaysia.
Tesis Universitas Gadjah Mada, 2010.

UU RI No.22 Tahun 2009. Undang-Undang No. 22 Tahun 2009 tentang Lalu Lintas
dan Angkutan Jalan. Diakses melalui www.polri.go.id tanggal 2 Januari 2013.

View publication stats