PEMODELAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSION PADA REGRESI POISSON
(1) 
(2) 
(3) 
(*) Corresponding Author
Abstract
Data dari Kepolisian Republik Indonesia pada tahun 2009 menunjukkan bahwa setiap 9,1 menit sekali terjadi satu kecelakaan di jalan raya. Menurut WHO Saat ini kecelakaan lalu lintas menjadi penyebab pembunuh manusia terbesar di Dunia setelah penyakit jantung dan TBC.Banyaknya korban kecelakaan lalu lintas tidak hanya mengakibatkan kerugian materiil tetapi juga kerugian fisik dan psikis.Pada kenyataannya faktor kelalaian manusia merupakan penyebab utama terjadinya kecelakaan lalu lintas. Selain faktor manusia faktor jalan seperti jalan lurus (X1), tikungan (X2), persimpangan perempatan atau pertigaan (X3), jenis aspal (X4), penerangan gelap (X5), bundaran (X6) dan jalan berlubang (X7) juga diduga menjadi penyebab terjadinya kecelakaan lalu. Kecelakaan lalu lintas dapat digambarkan sebagai peristiwa yang jarang terjadi, bersifat acak (random) dan diskrit, maka dari itu untuk meneliti kasus kecelakaan lalu lintas dapat digunakan metode Generalized Linier Model (GLM) dengan sebaran Poisson untuk menghasilkan pemodelan yang lebih baik. Pada penelitian ini digunakan metode Regresi Poisson untuk menganalisa data cacahan dengan variabel respon berdistribusi Poisson atau menyatakan kejadian yang relatif jarang terjadi dan bersifat diskrit.Tetapi pada kenyataannya, data diskrit seringkali mengalami overdispersion (dimana varians data lebih besar daripada mean). Adanya overdispersion dalam model Poisson menyebabkan nilai deviance model menjadi sangat besar.Metode Regresi Binomial Negatif dapat mengatasi overdispersi pada Regresi Poisson karena memiliki parameter dispersi (κ). Kemungkinan fungsi hubungan dalam penelitian ini menggunakan pendekatan GLM yaitu; μ=exp(β0+β1x1+ … +βkxk). Hasil dari pemodelan diatas didapatkan pemodelan interaksi antara faktor persimpangan (4/3) dengan bundaran adalah model yang memiliki nilai devians terkecil. Sehingga model terbaik pada penelitian ini adalah μ =exp(β0+β3X3+β6X6)= exp(2.9239+0.0461X3+0.0587X6).
Full Text:
PDFArticle Metrics
Abstract view : 1360 timesPDF - 522 times
DOI: https://doi.org/10.26714/jsunimus.2.1.2014.%25p
Refbacks
- There are currently no refbacks.
Copyright (c)
Editorial Office:
Department of Statistics
Faculty Of Mathematics And Natural Sciences
Universitas Muhammadiyah Semarang
Jl. Kedungmundu No. 18 Semarang Indonesia
Published by:
Department of Statistics Universitas Muhammadiyah Semarang
This work is licensed under a Creative Commons Attribution 4.0 International License