Articles
<![CDATA[Pemodelan Risiko Gempa Bumi di Pulau Sumatera Menggunakan Model Inhomogeneous Neyman-Scott Cox Process ]]>
<![CDATA[Rahma Metrikasari]]>;
<![CDATA[Achmad Choiruddin]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 9, No 2 (2020) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23373520.v9i2.52318
<![CDATA[Kondisi geografis Indonesia yang berada pada jalur sirkum pasifik dan terletak diantara pertemuan tiga lempeng tektonik menjadikan Indonesia sebagai salah satu negara dengan tingkat risiko gempa yang tinggi. Salah satu wilayah rawan gempa di Indonesia adalah pulau Sumatera karena kondisi geografisnya yang dilalui oleh sesar, zona subduksi, dan gunung berapi. Pada penelitian ini, kejadian gempa di pulau Sumatera dimodelkan dengan inhomogeneous Neyman-Scott Cox Process karena proses terjadinya gempa bumi seacara umum diawali dengan gempa utama dan diikuti oleh gempa susulan, sehingga persebaran titik gempa di pulau Sumatera cenderung mengelompok di wilayah tertentu. Selain itu, terdapat kecenderungan bahwa gempa bumi terjadi di daerah yang dekat dengan gunung berapi, zona subduksi, dan sesar aktif. Hasil eksplorasi data menunjukkan bahwa data gempa bumi di pulau Sumatera tidak homogen yang dimungkinkan karena faktor geologis di pulau Sumatera seperti keberadaan gunung berapi, zona subduksi, dan sesar aktif. Selain itu, analisis menggunakan K-function menunjukkan bahwa pola persebaran gempa bumi di Sumatera cenderung membentuk cluster. Pemodelan kejadian gempa dengan inhomogeneous Neyman-Scott Cox Process menunjukkan faktor jarak subduksi dan sesar secara signifikan mempengaruhi risiko terjadinya gempa. Jika jarak suatu lokasi mendekat sejauh 100 km ke zona subduksi, maka risiko terjadinya gempa di sekitar lokasi tersebut meningkat sebesar 1.9 kali sedangkan jika jarak suatu lokasi ke sesar mendekat sejauh 100 km, maka risiko terjadinya gempa di sekitar lokasi tersebut meningkat sebesar 1.7 kali. Validasi model dengan plot envelope K-function menunjukkan bahwa inhomogeneous Neyman-Scott Cox Process baik digunakan untuk memodelkan data gempa di pulau Sumatera selama periode 2009-2018 dengan magnitudo ≥ 4.]]>
<![CDATA[Model Inhomogeneous Log-Gaussian Cox Process (LGCP) untuk Pemetaan Risiko Gempa Bumi di Sumatra ]]>
<![CDATA[Khalimatus Sakdiyah]]>;
<![CDATA[Achmad Choiruddin]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 9, No 2 (2020) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23373520.v9i2.52553
<![CDATA[Pulau Sumatra memiliki risiko terjadinya gempa bumi yang cukup tinggi dikarenakan adanya tumbukan antara Lempeng Indo-Australia dan Lempeng Eurasia di sebelah barat Sumatra. Proses saling tekan kedua lempeng benua ini menyebabkan patahan yang memanjang di dasar laut wilayah Sumatra dan menyebabkan pembentukan zona subduksi yaitu batas antara lempeng yang menunjam dan massa batuan di atasnya serta gunung api di wilayah Sumatra. Berdasarkan ulasan tersebut diduga adanya pengaruh jarak sesar aktif, zona subduksi serta gunung api terhadap gempabumi yang terjadi di Pulau Sumatra dengan magnitudo ≥4. Sebelum dilakukan pemodelan, maka dilakukan eksplorasi data yang meliputi uji Chi-Squared untuk mengetahui data mengikuti pola yang stasioner atau tidak dan uji korelasi spasial untuk mengetahui pola sebaran data. Analisis ekplorasi data memberikan hasil bahwa sebaran data gempabumi di Sumatra tidak mengikuti pola stasioner atau tidak homogen dan cenderung mengikuti cluster atau mengelompok. Kejadian gempa bumi yang inhomogen dan cenderung membentuk kelompok dimungkinkan karena adanya proses alami gempa bumi dengan efek faktor geologis. Hal ini memotivasi penulis untuk melakukan pemodelan menggunakan Inhomogeneous Log-Gaussian Cox Process (LGCP). Terdapat dua tahap estimasi parameter pada model Inhomogeneous LGCP dengan menggunakan Berman-Turner dan Second-Order Composite Likelihood. Hasil pemodelan Inhomogeneous LGCP didapatkan bahwa jarak terdekat sesar aktif dan zona subduksi berpengaruh signifikan terhadap intensitas terjadinya gempa bumi dengan magnitudo ≥4di Pulau Sumatra sedangkan jarak terdekat gunung api tidak berpengaruh signifikan. Jika jarak sesar aktif terhadap pusat gempa bumi bertambah 100 km, maka risiko terjadinya gempa bumi di lokasi tersebut menurun 0.5924 kali. Sedangkan jika jarak zona subduksi ke pusat gempabumi bertambah 100 km maka risiko terjadinya gempa bumi dilokasi tersebut menurun 0.5294 kali. Model inhomogeneous Log-Gaussaian Cox Process dikatakan model yang baik untuk memodelkan gempa bumi di Sumatra berdasarkan envelope K-function. Pemetaan risiko hasil pemodelan memberikan hasil bahwa lokasi di Wilayah Sumatra yang memiliki risiko gempa bumi yang paling tinggi berada di ujung barat dan ujung timur Pulau Sumatera.]]>
<![CDATA[Analisis Hubungan Spasial Antara Keberadaan Pasar Modern (Minimarket, Supermarket, dan Hypermarket) dengan Toko Kelontong di Surabaya Menggunakan Model Marked Poisson Point Process ]]>
<![CDATA[Rifda Zukhrufi Almas]]>;
<![CDATA[Sutikno Sutikno]]>;
<![CDATA[Achmad Choiruddin]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 9, No 2 (2020) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23373520.v9i2.59133
<![CDATA[Perkembangan pasar modern yang cukup pesat di Surabaya perlu diiringi dengan upaya untuk melakukan pengendalian agar tidak mematikan pasar tradisional dan usaha kecil/toko kelontong. Penelitian ini membahas tentang hubungan antara keberadaan pasar modern khususnya minimarket, supermarket, dan hypermarket terhadap keberadaan dan omzet toko kelontong di Surabaya dengan pendekatan Marked Poisson Point Process. Penelitian ini menggunakan data titik koordinat yang diperoleh dari Google Maps, yang termasuk ke jenis data Spatial Point Pattern. Berdasarkan analisis yang telah dilakukan, diperoleh kesimpulan bahwa persebaran toko kelontong di Surabaya tidak merata. Secara visual, keberadaan pasar modern (minimarket, supermarket, dan hypermarket) mempengaruhi keberadaan toko kelontong. Data toko kelontong tidak dibangkitkan dari proses yang stasioner, sehingga pemodelan dilakukan dengan Inhomogeneous Poisson Point Process. Model menunjukkan bahwa jika densitas supermarket dan hypermarket tetap, tetapi densitas minimarket bertambah 1 minimarket/km2, maka akan menambah peluang keberadaan toko kelontong 1.5 kali. Pertambahan jumlah pasar modern baik minimarket, supermarket, dan hypermarket, tidak mematikan keberadaan toko kelontong disekitarnya.]]>
<![CDATA[ESTIMASI PARAMETER DAN PENGUJIAN HIPOTESIS MODEL GEOGRAPHICALLY WEIGHTED GENERALIZED GAMMA REGRESSION ]]>
<![CDATA[Hasbi Yasin]]>;
<![CDATA[Purhadi Purhadi]]>;
<![CDATA[Achmad Choiruddin]]>
<![CDATA[ Jurnal Gaussian Vol 11, No 1 (2022): Jurnal Gaussian ]]>
Publisher : <![CDATA[Department of Statistics, Faculty of Science and Mathematics, Universitas Diponegoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.14710/j.gauss.v11i1.33990
<![CDATA[Each location has unique characteristics, which are different from other locations which give rise to spatial effects between locations. Therefore, the Generalized Gamma Regression (GGR) model is not suitable to be applied to this problem. The solution is to use a Geographically Weighted Generalized Gamma Regression (GWGGR) model which produces different parameters for each observation location. This study aims to estimate GWGGR parameters using the Berndt-Hall-Hall-Hausman (BHHH) algorithm. After parameter estimation is performed, the hypothesis testing procedure is used to test the similarity of parameters between the generalized gamma regression and GWGGR and to test the significance of the independent variables in the model, either simultaneously using the Maximum Likelihood Ratio Test (MLRT) or partially using the Z-test. Keywords: BHHH, Generalized Gamma, GGR, GWGGR, MLRT.]]>
<![CDATA[Analisis Risiko Penyebaran Kasus Covid-19 di Surabaya Raya Menggunakan Model Thomas Cluster Process ]]>
<![CDATA[Tiza Ayu Virania]]>;
<![CDATA[Achmad Choiruddin]]>;
<![CDATA[Vita Ratnasari]]>
<![CDATA[ Inferensi Vol 4, No 1 (2021): Inferensi ]]>
Publisher : <![CDATA[Department of Statistics ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j27213862.v4i1.8874
<![CDATA[COVID-19 menyebar cepat di Jawa Timur khususnya daerah Surabaya Raya yang memiliki jumlah pasien terkonfirmasi positif tertinggi dibandingkan kota/kabupaten lainnya di Jawa Timur. Kota Surabaya merupakan kota dengan jumlah pasien terkonfirmasi positif terbanyak dibandingkan Kabupaten Sidoarjo dan Gresik, dimana pada tanggal 20 Maret hingga 9 Juli 2020 68% dari jumlah kasus di Surabaya Raya merupakan kasus COVID-19 di Kota Surabaya. Hasil eksplorasi data menunjukkan bahwa data COVID-19 di Surabaya Raya tidak homogeny dan cenderung membentuk kelompok. Pemodelan kasus COVID-19 dengan Inhomogeneous Thomas Cluster Process menunjukkan kepadatan pabrik dan kepadatan tempat ibadah secara signifikan mempengaruhi persebaran COVID-19 di Surabaya Raya, dimana setiap penambahan 1 pabrik dalam 1 km2 akan meningkatkan risiko COVID-19 sebanyak 2 kali lipat. Sedangkan jika dalam 1 km2 terjadi penambahan sebanyak 1 tempat ibadah maka risiko meningkatnya kasus COVID-19 di Surabaya Raya sebesar 4 kali lipat jika dibandingkan dengan tidak ada penambahan tempat ibadah, sehingga diantara kedua variabel tersebut yang memberikan pengaruh besar terhadap risiko peningkatan kasus positif COVID-19 di Surabaya Raya adalah kepadatan tempat ibadah. Estimasi jumlah kasus positif COVID-19 di Surabaya Raya adalah sebesar 161 kasus dengan standar deviasi kasus positif COVID-19 baru tersebar disekitar lokasi early case adalah sebesar 1,21 km. Validasi model dengan plot envelope K-Function menunjukkan bahwa Inhomogeneous Thomas Cluster Process baik digunakan untuk memodelkan data COVID-19 di Surabaya Raya pada 20 Maret 2020 hingga 9 Juli 2020.]]>
<![CDATA[Pemodelan Risiko Penyebaran COVID-19 di Surabaya Raya Menggunakan Model Cauchy Cluster Process ]]>
<![CDATA[Prajna Pramita Izati]]>;
<![CDATA[Achmad Choiruddin]]>
<![CDATA[ Inferensi Vol 5, No 1 (2022): Inferensi ]]>
Publisher : <![CDATA[Department of Statistics ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j27213862.v5i1.12345
<![CDATA[COVID-19 merupakan penyakit yang menyerang alat pernapasan. Jumlah kasus COVID-19 di Jawa Timur terus mengalami peningkatan tiap harinya khususnya wilayah Surabaya Raya meliputi Kota Surabaya, Kabupaten Gresik, dan Kabupaten Sidoarjo yang memiliki jumlah pasien terkonfirmasi positif tertinggi dibandingkan kabupaten/kota lainnya di Jawa Timur. Kota Surabaya menjadi penyumbangkan terbesar kasus terkonfirmasi postif COVID-19 di Surabaya Raya yaitu sebesar 60,1 %. Penelitian ini bertujuan untuk memodelkan risiko penyebaran COVID-19 di Surabaya Raya dengan melibatkan beberapa kovariat dimana kriteria pembandingnya yaitu nilai BIC terkecil dan envelope K-function. Hasil uji homogenitas menunjukkan penyebaran data kasus terkonfirmasi positif COVID-19 di Surabaya Raya tidak homogen dan untuk korelasi spasial dengan Inhomogeneous K-function diperoleh bahwa data cenderung membentuk kelompok atau klaster. Hasil pemodelan didapatkan bahwa model Inhomogeneous Cauchy Cluster Process setelah eliminasi merupakan model terbaik, dimana kovariat kepadatan penduduk dan kepadatan lokasi kerumunan yaitu pusat perindustrian dan tempat ibadah berpengaruh secara signifikan terhadap risiko penyebaran kasus terkonfirmasi positif COVID-19 di Surabaya Raya. Sementara itu, kepadatan pusat perbelanjaan tidak berpengaruh signifikan. Hasil prediksi risiko kasus terkonfirmasi positif COVID-19 di Surabaya Raya menunjukkan risiko penyebaran kasus terkonfirmasi positif COVID-19 di wilayah Kota Surabaya lebih tinggi jika dibandingkan dengan wilayah Kabupaten Sidoarjo maupun Gresik.]]>
<![CDATA[Pemodelan Faktor-faktor yang Mempengaruhi Angka Kematian Ibu di Jawa Timur Menggunakan Geographically Weighted Regression ]]>
<![CDATA[Ilalang Akar Pertiwi]]>;
<![CDATA[Nurul Kholisatin]]>;
<![CDATA[Naziehah Taibatunniswah]]>;
<![CDATA[Achmad Choiruddin]]>;
<![CDATA[Sutikno Sutikno]]>
<![CDATA[ Inferensi Vol 4, No 1 (2021): Inferensi ]]>
Publisher : <![CDATA[Department of Statistics ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j27213862.v4i1.8930
<![CDATA[Angka Kematian Ibu merupakan jumlah kematian ibu di setiap 100 kelahiran bayi hidup. Kematian ibu menjadi salah satu indikator dalam menggambarkan kesejahteraan masyarakat di suatu negara. Kematian ibu juga menjadi salah satu parameter terkait derajat kesehatan perempuan. Jumlah kematian ibu dihitung dari kematian selama masa kehamilan, persalinan, dan nifas atau pengelolaannya, bukan dihitung dari sebab-sebab lainnya seperti kecelakaan atau jatuh. Banyak faktor yang dapat menyebabkan kematian ibu diantaranya, kunjungan ibu hamil antenatal, riwayat komplikasi, kekurangan darah, persalinan di fasilitas pelayanan kesehatan, tenaga kesehatann terlatih, dan lain-lain. Dalam analisis ini akan dilakukan pemodelan statistika untuk mengetahui faktor-faktor penyebab tingginya persentase kematian ibu di Jawa Timur dengan menggunakan regresi linier dan juga pemodelan spasial. Terdapat delapan variabel prediktor yang masing-masing karakteristiknya berbeda satu-denga yang lain. Berdasarkan kebaikan modelnya, metode OLS adalah metode paling baik yang dapat menggambarkan kasus tingginya angka kematian ibu di Jawa Timur dengan baik.]]>
<![CDATA[Analisis Risiko Kecelakaan Lalu Lintas di Jalan Raya Kabupaten Nganjuk Menggunakan Poisson Point Process on a Linear Network ]]>
<![CDATA[Nurul Kholisatin]]>;
<![CDATA[Achmad Choiruddin]]>
<![CDATA[ Inferensi Vol 4, No 2 (2021): Inferensi ]]>
Publisher : <![CDATA[Department of Statistics ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j27213862.v4i2.10924
<![CDATA[Kecelakaan lalu lintas yang terjadi di Kabupaten Nganjuk dalam rentang waktu 3 tahun terakhir cukup tinggi, tercatat terdapat 2039 kecelakaan dan terdapat 1977 data lokasi kejadian yang tercatat oleh SATLANTAS Kabupaten Nganjuk dimana sebagian besar lokasi kecelakaan tersebar pada jalan arteri primer dan kolektor primer. Kejadian kecelakaan selama tahun tersebut paling sering terjadi pada Bulan Desember, hari Senin dan di jam 09.00 – 10.00 pagi dan 18.00 – 19.00 malam. Jumlah kecelakaan lalu lintas selama 2018 – 2020 yang terjadi pada siang hari ada sebanyak dua kali lipat dibandingkan pada malam hari, selain itu jumlah kecelakaan pada jalan luar kota juga hampir dua kali lipat dari pada jalan dalam kota.. Kedua kovariat kategorik yang digunakan dijadikan sebagai marks dan masing-masing dimodelkan menggunakan model Poisson Point Process on a Linear Network. Model dengan kovariat waktu kejadian menghasilkan nilai estimasi dari intensitas kecelakaan lalu lintas di siang hari yang 62,3% lebih tinggi dibandingkan dengan intensitas kecelakaan lalu lintas pada malam hari. Sedangkan, untuk model menggunakan kovariat jenis jalan, dapat diinterpretasikan bahwa intensitas kecelakaan pada jalan luar kota dua kali lipat lebih tinggi dibandingkan dengan intensitas kecelakaan lalu lintas pada jalan dalam kota. Hasil yang didapatkan, model dengan kovariat jenis jalan menghasilkan nilai AIC yang lebih kecil.]]>
<![CDATA[Model Inhomogeneous Spatial Cox Processes Untuk Pemetaan Risiko Gempabumi di Pulau Jawa ]]>
<![CDATA[Finola Trisnisa]]>;
<![CDATA[Rahma Metrikasari]]>;
<![CDATA[Rifqi Rabbanie]]>;
<![CDATA[Khalimatus Sakdiyah]]>;
<![CDATA[Achmad Choiruddin]]>
<![CDATA[ Inferensi Vol 2, No 2 (2019): Inferensi ]]>
Publisher : <![CDATA[Department of Statistics ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (286.576 KB)
|
DOI: 10.12962/j27213862.v2i2.6825
<![CDATA[Pulau Jawa menjadi salah satu wilayah dengan risiko gempabumi yang tinggi karena terdapat zona subduksi di sepanjang selatan wilayah pulau Jawa. Metode Statistika untuk pemodelan kejadian gempabumi berdasarkan spatial point processes menjadi metode popular untuk memodelkan persebaran gempabumi, diantaranya adalah model Gibbs dan Hawkes point processes (conditional intensity-based modeling) dan Cox point processes (intensity-based modeling). Pemodelan gempabumi menggunakan Hawkes dan Gibbs point processes dengan memperhatikan faktor geologi seperti sesar aktif, gunung berapi, dan subduksi telah dikembangkan. Namun demikian, Pemodelan berdasarkan conditional intensity dinilai kurang sesuai untuk pemodelan kejadian gempabumi di Jawa. Sementara itu, belum ada penelitian yang menggunakan Cox processes untuk memodelkan distribusi dari gempabumi dengan mempertimbangkan faktor geologi. Pada model Cox processes, estimasi parameter sangat sulit dilakukan karena fungsi likelihoodnya bergantung pada fungsi intensitas yang merupakan proses stokastik. Pada penelitian ini, kami mengembangkan salah satu model Cox point processes yakni Neyman-Scott Cox Process untuk analisis data lokasi gempabumi di pulau Jawa dengan memperhatikan faktor geologi seperti gunung berapi dan subduksi. Estimasi parameter dilakukan dengan membangun composite likelihood sehingga estimasi parameter lebih mudah dilakukan. Hasil analisis menunjukkan bahwa kejadian gempabumi di pulau Jawa membentuk pola kluster. Selain itu, jarak menuju gunung berapi dan subduksi terdekat dianggap signifikan berpengaruh terhadap distribusi gempabumi di pulau Jawa.]]>
<![CDATA[Analisis Risiko Gempabumi di Sumatera dengan Cauchy Cluster Process ]]>
<![CDATA[Yuniar Mega Kartikasari]]>;
<![CDATA[Achmad Choiruddin]]>
<![CDATA[ Inferensi Vol 5, No 2 (2022) ]]>
Publisher : <![CDATA[Department of Statistics ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j27213862.v5i2.12307
<![CDATA[Sumatra is one of the prone areas in Indonesia to earthquakes. This condition is due to its geography which is traversed by active faults, subduction zones, and volcanoes. In this study, the distribution of earthquakes occurrences in Sumatra is modeled by considering the effects of spatial trends due to subduction zones, active faults, and volcanoes and also considering the cluster effects caused by mainshock and aftershock activities using the inhomogeneous Cauchy cluster process. In spatial trend modeling, there are indications that there is multicollinearity issue characterized by a high correlation among geographical factors, so this study considers ridge regularization to overcome this problem. The results of data exploration show that the earthquakes in Sumatra are not homogeneous and form clusters due to geological factors such as the presence of volcanoes, subduction zones, and active faults. Earthquake intensity modeling with ridge regularization produces an AIC value of -2280648 which is smaller than the model without regularization. The Cauchy cluster model by considering ridge regularization resulted in an estimated number of 63 mainshocks with a standard deviation of aftershocks around the mainshocks of 17.685 km. The closer a location to a fault, the risk of an earthquake occurring at that location increases by 1.6972 times. The closer a location to a subduction zone, the risk of an earthquake at that location increases by 1,25899 times, and the closer a location is to a volcano, the risk of an earthquake at that location increases by 1.55910 times.]]>
