FACHRUDIN AZZAHIDI (0708822)-KAPSEL
-
Upload
jaeckgfour -
Category
Documents
-
view
282 -
download
7
Transcript of FACHRUDIN AZZAHIDI (0708822)-KAPSEL
PENGGUNAAN MODEL LOGIT
UNTUK MENDUGA PELUANG TERJADINYA HUJAN
(Studi kasus hujan di Bandung – Jawa Barat)
Sumber Jurnal:
PENGGUNAAN MODEL LOGITUNTUK MENDUGA PELUANG TERJADINYA HUJAN
(Studi kasus hujan di Banjarbaru-Kalimantan Selatan)
Dede Tarmana(Sub Bidang Bina Operasi Perubahan Iklim Badan Meteorologi Klimatologi dan Geofisika, Jakarta) dan Sarasanti (Sub Bidang Pencemaran Udara
Badan Meteorologi Klimatologi dan Geofisika, Jakarta)
Disusun untuk memenuhi salah satu tugas mata kuliah Kapita Selekta Fisika Bumi
Oleh:Fachrudin Azzahid
0708822
JURUSAN FISIKA
FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PENDIDIKAN INDONESIA
2011
KATA PENGANTAR
Puji syukur penyusun panjatkan kehadirat Allah SWT atas rahmat-Nya laporan akhir ini
dapat diselesaikan. Dalam penyusunan laporan akhir ini, penulis mendapat bantuan tenaga,
pikiran, ide dan waktu dari berbagai pihak, baik secara langsung maupun tidak langsung.
Dengan selesainya laporan akhir ini, penyusun ingin mengucapkan terima kasih kepada:
1. Dosen pembimbing Ibu Mimin
2. Teman-teman peserta perkuliahan
Semoga dengan membaca apa yang tersaji disni dapat menambah khazanah pengetahuan
kita semua mengenai kajian-kajian fisika khususnya dalam bidang meteorology dan geofisika.
Penulis menyadari bahwa makalah masih jauh dari sempurna, maka dari itu penyususn
mohon saran maupun kritik dari pembaca. Atas perhatian dan kerjasamanya penulis
mengucapkan terima kasih.
Bandung, Januari 2011
Penyusun
DAFTAR ISI
KATA PENGANTAR i
DAFTAR ISI ii
DAFTAR TABEL iii
DAFTAR GAMBAR iv
DAFTAR LAMPIRAN v
BAB I PENDAHULUAN
1. Latar Belakang Masalah 12. Rumusan dan Batasan Masalah 33. Tujuan 34. Metode Penelitian 4
BAB II PEMBAHASAN
1. Tinjauan Pustaka 5Regresi Logistik Biner 8Pendugaan Parameter 10Ukuran Kebaikan Model 11Deviance 12Lokasi Penelitian 13Data Penelitian 14
2. Metodelogi 143. Hasil dan Pembahasan 14
Model 1 14Model 2 15Pemilihan Model Terbaik 15Pengolahan Data Dengan Masing-Masing Model 17
BAB III PENUTUP
1. Kesimpulan 182. Saran 18
DAFTAR PUSTAKA 19
LAMPIRAN 20
DAFTAR TABEL
Tabel cuaca untuk kota Bandung (Sumber: Pemerintah kota Bandung15 Juli 2010)
Tabel Uji Kebaikan Model
Tabel Parameter Secara Individu
Tabel Ukuran Fitting Model
Tabel Hasil Pengolahan Data Untuk Model 1
Tabel Hasil Pengolahan Data Untuk Model 2
DAFTAR GRAFIK
Grafik 1. Model regresi logistic dan regresi linier
DAFTAR LAMPIRAN
Lampiran 1. Data Penelitian Suhu dan Temperatur
Lampiran 2. Pluviometer
Lampiran 3. Sumber : Penggunaan Model Logit Untuk Menduga Peluang Terjadinya Hujan (Studi Kasus Hujan di Banjarbaru-Kalimantan Selatan) oleh Dede Tarmana dan Sarasanti .
BAB I
PENDAHULUAN
1. LATAR BELAKANG
Siklus hidrologi memastikan bahwa komponen hujan merupakan bagian yang tak
terpisahkan dalam komponen yang menyusun kehidupan di alam semesta ini, secara alami
keseimbangan alam akan selalu terjadi melalui adanya fenomena yang berpasangan
misalnya : hujan vs kemarau, daratan vs lautan, siang vs malam, hal ini sudah “given”
diciptakan oleh sang pencipta. Kajian yang menarik terhadap alam adalah bagaimana
mempelajari segala perilaku alam sehingga dapat menghasilkan suatu informasi yang
bermanfaat dalam menunjang kehidupan manusia.
Dalam kajian geografis, Indonesia yang terletak di daerah khatulistiwa menjadikannya
negara beriklim tropis, sehingga mempunyai dua musim yaitu musim penghujan dan
kemarau, yang ditandai dengan curah hujan hampir sepanjang tahun terjadi dan intensitasnya
yang cukup tinggi dan. fenomena hujan merupakan fenomena alam yang dampaknya terasa
langsung oleh manusia dalam beraktifitas, terjadi dengan diawali oleh adanya penguapan
dari berbagai benda didaratan dan lautan kemudian membentuk awan diatmosfer untuk
selanjutnya melalui proses-proses fisis turunlah hujan. Pendugaan peluang suatu hari akan
terjadi hujan atau tidak, informasinya sangat bermanfaat untuk aktifitas makhluk hidup.
Gambaran sederhana proses terjadinya hujan tersebut terwakili oleh data-data unsur
meteorologi yang dicatat oleh petugas (observer) secara kontinyu, sehingga dalam
mempelajari fenomena hujan bisa dilakukan dengan menganalisa perilaku data meteorologi
yang tercatat. Ada beberapa unsur yang mempengaruhi keadaan cuaca suatu daerah atau
wilayah, yaitu: suhu atau temperatur udara, tekanan udara, angin, kelembaban udara, dan
curah hujan.
Seringkali di dalam penelitian, seseorang ingin memodelkan hubungan antara variabel X
(prediktor; bebas) dan Y (respon; terikat). Metode yang paling sering dipakai dalam kasus
seperti itu adalah regresi linier, baik sederhana maupun berganda. Namun, adakalanya
regresi linier dengan metode OLS (Ordinary Least Square) yang sering dipakai tersebut
kurang sesuai untuk digunakan. Dikatakan kurang sesuai karena jika regresi linier biasa
digunakan akan terjadi pelanggaran asumsi Gauss-Markov. Misalnya pada kasus dimana
variabel respon (Y) bertipe data nominal, sedangkan variabel bebas/prediktornya (X) bertipe
data interval atau rasio.
Dalam melakukan analisa data banyak alat analisa yang dapat digunakan, dalam hal ini
penulis akan menggunakan alat dari bidang keilmuan statistika yaitu pemodelan logistic
(Regresi Logistik). Sebagaimana metode regresi biasa, regresi logistik dapat dibedakan
menjadi 2, yaitu: Binary Logistic Regression (Regresi Logistik Biner) dan Multinomial
Logistic Regression (Regresi Logistik Multinomial). Regresi Logistik biner digunakan
ketika hanya ada 2 kemungkinan variabel respon (Y), misal membeli dan tidak membeli.
Sedangkan Regresi Logistik Multinomial digunakan ketika pada variabel respon (Y)
terdapat lebih dari 2 kategorisasi.
Model regresi logistik adalah model regresi yang peubah terikat/ responnya
mensyaratkan berupa peubah kategorik sedangkan menurut Hosmer(1989), Metode regresi
logistik adalah suatu metode analisis statistika yang mendeskripsikan hubungan antara
peubah respon yang memiliki dua kategori atau lebih dengan satu atau lebih peubah penjelas
berskala kategori atau interval. Yang dimaksud dengan peubah kategorik yaitu peubah yang
berupa data nominal dan ordinal. Regresi logistik biner telah banyak digunakan secara luas
sebagai salah satu alat analisis pemodelan ketika variabel responnya (Y) bersifat biner.
Istilah biner merujuk pada penggunaan dua buah bilangan 0 dan 1 untuk menggantikan dua
kategori pada variabel respon. Contoh variabel respon yang dimaksud dalam hal ini adalah
hujan atau tidak hujan. Pendekatan model persamaan regresi logistik digunakan karena
dapat menjelaskan hubungan antara X dan π (x) yang bersifat tidak linear, ketidaknormalan
sebaran dari Y, keragaman respon yang tidak konstan dan tidak dapat dijelaskan oleh model
regresi linear biasa (Agresti, 1990). Untuk kasus suatu hari terjadi hujan atau tidak
merupakan kejadian biner, dimana model umum regresi logistiknya adalah :
g ( μi )=log( π i
1−π i)=β0+β1 x i 1+…+β p x ip
Dimana g adalah kemungkinan bahwa Y = 1, dan X1, X2, X3 adalah variabel independen,
dan β adalah koefisien regresi
Pada kasus-kasus penelitian dengan tujuan untuk mengetahui hubunganantara suatu
peubah dengan peubah penyebab dimana peubah terikatnya berupa data kategorik, maka
analisis regresi linear standar tidak bisa dilakukan, oleh karena itu salah satu pendekatan
yang dapat dilakukan adalah regresi logistik.
Model persamaan regresi logistik digunakan untuk dapat menjelaskan hubungan antara X
dan π (x) yang bersifat tidak linear, ketidaknormalan sebaran dari Y, keragaman respon yang
tidak konstan dan tidak dapat dijelaskan oleh model regresi linear biasa (Agresti, 1990).
Dengan menggunakan analisis regresi logistik diharapkan terbentuk model yang baik
dalam melakukan pendugaan peluang terjadinya hujan.
2. TUJUAN PENELITIAN
Tujuan dari penelitian ini adalah seperti berikut:
Menguji model yang sudah dihasilkan untuk menduga peluang apakah suatu hari akan
turun hujan atau tidak dengan menggunakan variabel penduga data unsur-unsur
meteorologi yang secara teoritis dan faktual mewakili perilaku proses terjadinya hujan.
3. RUMUSAN DAN BATASAN MASALAH
Batasan masalah dari penelitian ini yaitu bahwa data yang digunakan berupa data meteorologi
hasil pengamatan di stasiun klimatologi Bandung dalam selang waktu tertentu dengan
rumusan masalah sebagai berikut:
Apakah model regresi logistik untuk menduga peluang suatu hari akan turun hujan atau
tidak mempunyai tingkat keakuratan yang baik ?
4. METODE PENELITIAN
Metode yang digunakan adalah studi literature. Sumber literatur berasal dari buku, jurnal dan
internet.
BAB I
PENDAHULUAN
2. LATAR BELAKANG
Siklus hidrologi memastikan bahwa komponen hujan merupakan bagian yang tak
terpisahkan dalam komponen yang menyusun kehidupan di alam semesta ini, secara alami
keseimbangan alam akan selalu terjadi melalui adanya fenomena yang berpasangan
misalnya : hujan vs kemarau, daratan vs lautan, siang vs malam, hal ini sudah “given”
diciptakan oleh sang pencipta. Kajian yang menarik terhadap alam adalah bagaimana
mempelajari segala perilaku alam sehingga dapat menghasilkan suatu informasi yang
bermanfaat dalam menunjang kehidupan manusia.
Dalam kajian geografis, Indonesia yang terletak di daerah khatulistiwa menjadikannya
negara beriklim tropis, sehingga mempunyai dua musim yaitu musim penghujan dan
kemarau, yang ditandai dengan curah hujan hampir sepanjang tahun terjadi dan intensitasnya
yang cukup tinggi dan. fenomena hujan merupakan fenomena alam yang dampaknya terasa
langsung oleh manusia dalam beraktifitas, terjadi dengan diawali oleh adanya penguapan
dari berbagai benda didaratan dan lautan kemudian membentuk awan diatmosfer untuk
selanjutnya melalui proses-proses fisis turunlah hujan. Pendugaan peluang suatu hari akan
terjadi hujan atau tidak, informasinya sangat bermanfaat untuk aktifitas makhluk hidup.
Gambaran sederhana proses terjadinya hujan tersebut terwakili oleh data-data unsur
meteorologi yang dicatat oleh petugas (observer) secara kontinyu, sehingga dalam
mempelajari fenomena hujan bisa dilakukan dengan menganalisa perilaku data meteorologi
yang tercatat. Ada beberapa unsur yang mempengaruhi keadaan cuaca suatu daerah atau
wilayah, yaitu: suhu atau temperatur udara, tekanan udara, angin, kelembaban udara, dan
curah hujan.
Seringkali di dalam penelitian, seseorang ingin memodelkan hubungan antara variabel X
(prediktor; bebas) dan Y (respon; terikat). Metode yang paling sering dipakai dalam kasus
seperti itu adalah regresi linier, baik sederhana maupun berganda. Namun, adakalanya
regresi linier dengan metode OLS (Ordinary Least Square) yang sering dipakai tersebut
kurang sesuai untuk digunakan. Dikatakan kurang sesuai karena jika regresi linier biasa
digunakan akan terjadi pelanggaran asumsi Gauss-Markov. Misalnya pada kasus dimana
variabel respon (Y) bertipe data nominal, sedangkan variabel bebas/prediktornya (X) bertipe
data interval atau rasio.
Dalam melakukan analisa data banyak alat analisa yang dapat digunakan, dalam hal ini
penulis akan menggunakan alat dari bidang keilmuan statistika yaitu pemodelan logistic
(Regresi Logistik). Sebagaimana metode regresi biasa, regresi logistik dapat dibedakan
menjadi 2, yaitu: Binary Logistic Regression (Regresi Logistik Biner) dan Multinomial
Logistic Regression (Regresi Logistik Multinomial). Regresi Logistik biner digunakan
ketika hanya ada 2 kemungkinan variabel respon (Y), misal membeli dan tidak membeli.
Sedangkan Regresi Logistik Multinomial digunakan ketika pada variabel respon (Y)
terdapat lebih dari 2 kategorisasi.
Model regresi logistik adalah model regresi yang peubah terikat/ responnya
mensyaratkan berupa peubah kategorik sedangkan menurut Hosmer(1989), Metode regresi
logistik adalah suatu metode analisis statistika yang mendeskripsikan hubungan antara
peubah respon yang memiliki dua kategori atau lebih dengan satu atau lebih peubah penjelas
berskala kategori atau interval. Yang dimaksud dengan peubah kategorik yaitu peubah yang
berupa data nominal dan ordinal. Regresi logistik biner telah banyak digunakan secara luas
sebagai salah satu alat analisis pemodelan ketika variabel responnya (Y) bersifat biner.
Istilah biner merujuk pada penggunaan dua buah bilangan 0 dan 1 untuk menggantikan dua
kategori pada variabel respon. Contoh variabel respon yang dimaksud dalam hal ini adalah
hujan atau tidak hujan. Pendekatan model persamaan regresi logistik digunakan karena
dapat menjelaskan hubungan antara X dan π (x) yang bersifat tidak linear, ketidaknormalan
sebaran dari Y, keragaman respon yang tidak konstan dan tidak dapat dijelaskan oleh model
regresi linear biasa (Agresti, 1990). Untuk kasus suatu hari terjadi hujan atau tidak
merupakan kejadian biner, dimana model umum regresi logistiknya adalah :
g ( μi )=log( π i
1−π i)=β0+β1 x i 1+…+β p x ip
Dimana g adalah kemungkinan bahwa Y = 1, dan X1, X2, X3 adalah variabel independen,
dan β adalah koefisien regresi
Pada kasus-kasus penelitian dengan tujuan untuk mengetahui hubunganantara suatu
peubah dengan peubah penyebab dimana peubah terikatnya berupa data kategorik, maka
analisis regresi linear standar tidak bisa dilakukan, oleh karena itu salah satu pendekatan
yang dapat dilakukan adalah regresi logistik.
Model persamaan regresi logistik digunakan untuk dapat menjelaskan hubungan antara X
dan π (x) yang bersifat tidak linear, ketidaknormalan sebaran dari Y, keragaman respon yang
tidak konstan dan tidak dapat dijelaskan oleh model regresi linear biasa (Agresti, 1990).
Dengan menggunakan analisis regresi logistik diharapkan terbentuk model yang baik
dalam melakukan pendugaan peluang terjadinya hujan.
2. RUMUSAN DAN BATASAN MASALAH
Batasan masalah dari penelitian ini yaitu bahwa data yang digunakan berupa data penelitian
langsung terhadap unsur-unsur cuaca yang berpengaruh, seperti curah hujan, kelembaban dan
temperatur udara dengan menggunakan peralatan yang tersedia di laboratorium IPBA dalam
kurun waktu beberapa hari, terhitung sejak tanggal 15 Oktober 2010, dengan rumusan
masalah sebagai berikut:
Apakah penerapan model regresi logistik pada data pengamatan dapat menduga peluan
suatu hari akan turun hujan atau tidak ?
3. TUJUAN PENELITIAN
Tujuan dari penelitian ini adalah seperti berikut:
Menduga peluang apakah suatu hari akan turun hujan atau tidak dengan menggunakan
variable penduga data unsur-unsur meteorologi yang secara teoritis dan faktual mewakili
perilaku proses terjadinya hujan.
Menguji model yang sudah dihasilkan dengan menerapkannya pada data penelitian.
4. METODE
Metode yang digunakan terhadap kajian penggunaan model logit untuk menduga peluang
terjadinya hujan (studi kasus hujan di kota Bandung-Jawa Barat) adalah sebagai berikut:
Penelitian langsung terhadap unsur-unsur cuaca yang berpengaruh, seperti curah hujan,
kelembaban dan temperature udara dengan menggunakan peralatan yang tersedia di
laboratorium IPBA dalam kurun waktu beberapa hari
Studi literatur dari berbagai sumber terkait
BAB II
PEMBAHASAN
1. TUNJAUAN PUSTAKA
Hujan merupakan satu bentuk presipitasi yang berwujud cairan.Presipitasi sendiri dapat
berwujud padat (misalnya salju dan hujan es) atau aerosol (seperti embun dan kabut).Hujan
terbentuk apabila titik air yang terpisah jatuh ke bumi dari awan.Tidak semua air hujan
sampai ke permukaan bumi karena sebagian menguap ketika jatuh melalui udara
kering.Hujan jenis ini disebut sebagai virga.
Hujan memainkan peranan penting dalam siklus hidrologi. Lembaban dari laut menguap,
berubah menjadi awan, terkumpul menjadi awan mendung, lalu turun kembali ke bumi, dan
akhirnya kembali ke laut melalui sungai dan anak sungai untuk mengulangi daur ulang itu
semula.
Jumlah air hujan diukur menggunakan pengukur hujan atau ombrometer.Ia dinyatakan
sebagai kedalaman air yang terkumpul pada permukaan datar, dan diukur kurang lebih
0.25mm. Satuan curah hujan menurut SI adalah milimeter, yang merupakan penyingkatan
dari liter per meter persegi.
Biasanya hujan memiliki kadar asam pH 6. Air hujan dengan pH di bawah 5,6 dianggap
hujan asam.Banyak orang menganggap bahwa bau yang tercium pada saat hujan dianggap
wangi atau menyenangkan.Sumber dari bau ini adalah petrichor, minyak atsiri yang
diproduksi oleh tumbuhan, kemudian diserap oleh batuan dan tanah, dan kemudian dilepas ke
udara pada saat hujan.
Untuk kepentingan kajian atau praktis, hujan dibedakan menurut terjadinya, ukuran
butirannya, atau curah hujannya.
Jenis-jenis hujan berdasarkan terjadinya
Hujan siklonal, yaitu hujan yang terjadi karena udara panas yang naik disertai dengan
angin berputar.
Hujan zenithal, yaitu hujan yang sering terjadi di daerah sekitar ekuator, akibat
pertemuan Angin Pasat Timur Laut dengan Angin Pasat Tenggara. Kemudian angin
tersebut naik dan membentuk gumpalan-gumpalan awan di sekitar ekuator yang berakibat
awan menjadi jenuh dan turunlah hujan.
Hujan orografis, yaitu hujan yang terjadi karena angin yang mengandung uap air yang
bergerak horisontal. Angin tersebut naik menuju pegunungan, suhu udara menjadi dingin
sehingga terjadi kondensasi. Terjadilah hujan di sekitar pegunungan.
Hujan frontal, yaitu hujan yang terjadi apabila massa udara yang dingin bertemu dengan
massa udara yang panas. Tempat pertemuan antara kedua massa itu disebut bidang front.
Karena lebih berat massa udara dingin lebih berada di bawah. Di sekitar bidang front
inilah sering terjadi hujan lebat yang disebut hujan frontal.
Hujan muson atau hujan musiman, yaitu hujan yang terjadi karena Angin Musim (Angin
Muson). Penyebab terjadinya Angin Muson adalah karena adanya pergerakan semu
tahunan Matahari antara Garis Balik Utara dan Garis Balik Selatan. Di Indonesia, hujan
muson terjadi bulan Oktober sampai April. Sementara di kawasan Asia Timur terjadi
bulan Mei sampai Agustus. Siklus muson inilah yang menyebabkan adanya musim
penghujan dan musim kemarau
Jenis-jenis hujan berdasarkan ukuran butirnya
Hujan gerimis / drizzle, diameter butirannya kurang dari 0,5 mm
Hujan salju, terdiri dari kristal-kristal es yang suhunya berada dibawah 0° Celsius
Hujan batu es, curahan batu es yang turun dalam cuaca panas dari awan yang suhunya
dibawah 0° Celsius
Hujan deras / rain, curahan air yang turun dari awan dengan suhu diatas 0° Celsius
dengan diameter ±7 mm.
Jenis-jenis hujan berdasarkan besarnya curah hujan (definisi BMKG)
hujan sedang, 20 - 50 mm per hari
hujan lebat, 50-100 mm per hari
hujan sangat lebat, di atas 100 mm per hari
Curah hujan perlu diukur untuk mendapatkan data hujan yang sangat berguna bagi
pernecanaan hidrologis, semisal perencanaan pembangunan bendung, dam, dan
sebagainya.Salah satu alat ukurnya yang sederhana adalah sebagai berikut.yang ini
merupakan alat ukur hujan harian. Pengukurannya dengan mengukur kedalaman air yang
terkumpul dalam botol pengumpul di baigan tengah tersebut.
Penempatan alat ukur hujan harus di tempat terbuka, harus dilindungi dari gangguan binatang
dan manusia, selalu dijaga agar tetap bersih, data hujan yang terkumpul tiap harinya harus
diukur dengan teratur pada jam yang sama tiap harinya (ini menyebabkan Indonesia sangat
kekurangan data hujan, karena jarang ada orang yang mau secara rutin mengecek alat ukur
hujan). Jarak minimal alat ukur hujan terhadap bangunan yang terdekat dengannya adalah
sejauh empat kali tinggi bangunan terdekat tersebut.
Kelembapan adalah konsentrasi uap air di udara.Angka konsentasi ini dapat diekspresikan
dalam kelembapan absolut, kelembapan spesifik atau kelembapan relatif.Alat untuk
mengukur kelembapan disebut higrometer.Sebuah humidistat digunakan untuk mengatur
tingkat kelembapan udara dalam sebuah bangunan dengan sebuah pengawalembap
(dehumidifier).Dapat dianalogikan dengan sebuah termometer dan termostat untuk suhu
udara.Perubahan tekanan sebagian uap air di udara berhubungan dengan perubahan suhu.
Konsentrasi air di udara pada tingkat permukaan laut dapat mencapai 3% pada 30 °C (86 °F),
dan tidak melebihi 0,5% pada 0 °C (32 °F).Kelembapan absolut mendefinisikan massa dari
uap air pada volume tertentu campuran udara atau gas, dan umumnya dilaporkan dalam gram
per meter kubik (g/m3).Kelembapan spesifik adalah metode untuk mengukur jumlah uap air di
udara dengan rasio terhadap uap air di udara kering. Kelembapan spesifik diekspresikan
dalam rasio kilogram uap air, mw, per kilogram udara, ma .
Rasio tersebut dapat ditulis sebagai berikut:
Suhu menunjukkan derajat panas benda.Mudahnya, semakin tinggi suhu suatu benda,
semakin panas benda tersebut.Secara mikroskopis, suhu menunjukkan energi yang dimiliki
oleh suatu benda.Setiap atom dalam suatu benda masing-masing bergerak, baik itu dalam
bentuk perpindahan maupun gerakan di tempat berupa getaran.Makin tingginya energi atom-
atom penyusun benda, makin tinggi suhu benda tersebut.
Secara kualitatif, kita dapat mengetahui bahwa suhu adalah sensasi dingin atau hangatnya
sebuah benda yang dirasakan ketika menyentuhnya.Secara kuantitatif, kita dapat
mengetahuinya dengan menggunakan termometer. Suhu dapat diukur dengan menggunakan
termometer yang berisi air raksa atau alkohol. Kata termometer ini diambil dari dua kata
yaitu thermo yang artinya panas dan meter yang artinya mengukur (to measure).
Regresi Logistik Biner
Seringkali di dalam penelitian, seseorang ingin memodelkan hubungan antara variabel X
(prediktor; bebas) dan Y (respon; terikat). Metode yang paling sering dipakai dalam kasus
seperti itu adalah regresi linier, baik sederhana maupun berganda.
Namun, adakalanya regresi linier dengan metode OLS (Ordinary Least Square) yang sering
dipakai tersebut kurang sesuai untuk digunakan. Dikatakan kurang sesuai karena jika regresi
linier biasa digunakan akan terjadi pelanggaran asumsi Gauss-Markov. Misalnya pada kasus
dimana variabel respon (Y) bertipe data nominal, sedangkan variabel bebas/prediktornya (X)
bertipe data interval atau rasio.
Pada kasus-kasus penelitian dengan tujuan untuk mengetahui hubungan antara suatu peubah
dengan peubah penyebab dimana peubah terikatnya berupa data kategorik, maka analisis
regresi linear standar tidak bias dilakukan, oleh karena itu salah satu pendekatan yang dapat
dilakukan adalah regresi logistik.
Metode regresi logistik adalah suatu metode analisis statistika yang mendeskripsikan
hubungan antara peubah respon yang memiliki dua kategori atau lebih dengan satu atau lebih
peubah penjelas berskala kategori atau interval (Hosmer dan Lemeshow,1989).
Tidak seperti regresi linier biasa, regresi logistik tidak mengasumsikan hubungan antara
variabel independen dan dependen secara linier. Regresi logistik merupakan regresi non
linier dimana model yang ditentukan akan mengikuti pola kurva linier seperti gambar di
bawah ini.
Jika data hasil pengamatan memiliki p peubah bebas yaitu x1, x2,..., xp dengan peubah respon
Y, dengan Y mempunyai dua kemungkinan nilai 0 dan 1, Y = 1 menyatakan bahwa respon
memiliki kriteria yang ditentukan dan sebaliknya Y = 0 tidak memiliki kriteria, maka peubah
respon Y mengikuti sebaran Bernoulli dengan parameter π (x i)
sehingga fungsi sebaran peluang :
Model umum regresi logistik dengan p peubah penjelas yaitu
Grafik 1. Model regresi logistic dan regresi linier
dengan melakukan transformasi logit diperoleh
merupakan penduga logit yang berperan sebagai fungsi linear dari peubah penjelas. Karena
fungsi penghubung yang digunakan adalah fungsi penghubung logit maka sebaran peluang
yang digunakan disebut sebaran logistik (McCullagh danNelder, 1989).
Regresi logistik juga menghasilkan rasio peluang (odds ratios) terkait dengan nilai setiap
prediktor.Peluang (odds) dari suatu kejadian diartikan sebagai probabilitas hasil yang muncul
yang dibagi dengan probabilitas suatu kejadian tidak terjadi.Secara umum, rasio peluang
(odds ratios) merupakan sekumpulan peluang yang dibagi oleh peluang lainnya.Rasio
peluang bagi predictor diartikan sebagai jumlah relatif dimana peluang hasil meningkat (rasio
peluang > 1) atau turun (rasio peluang < 1) ketika nilai variabel prediktor meningkat sebesar
1 unit.
Pendugaan Parameter
Ada beberapa metode pendugaan parameter dalam regresi, salah satunya yaitu metode
maksimum likelihood. Pendugaan parameter β untuk model regresi logistik biner sederhana
dengan satu peubah bebas
bisa menggunakan metode maximum likelihood. Secara sederhana dapat disebutkan bahwa
metode ini berusaha mencari nilai koefisien yang memaksimumkan fungsi likelihood.
Dengan nilai Y yang bersifat biner, kita dapat menggunakan Bernoulli sebagai sebaran
variabel Y sehingga fungsi likelihood akan berbentuk;
Dengan :
Melalui transformasi logaritma maka operasi perkalian berubah menjadi penjumlahan,
kemudian fungsi likelihood diganti dengan fungsi loglikelihood.Perlu diingat bahwa fungsi
logaritma besifat monoton naik, sehingga jika log-likelihood mencapai maksimum maka
fungsi likelihood juga demikian. Bentuk fungsi yang dimaksimumkan adalah
Penduga bagi koefisien β diperoleh sebagai solusi bagi permasalahan memaksimumkan LL
yang dapat diselesaikan melalui prosedur iterasi bobot kuadrat terkecil (Iteratively Weighted
Least Squares = IWLS).
Ukuran Kebaikan Model
Untuk mengukur tentang kesesuaian model regresi Poisson, ada beberapa ukuran statistik
yang dapat dijadikan kriteria dalam penentuan kebaikan model, di antaranya yaitu Pearson
Chisquare, Deviance, Uji Rasio likelihood, dan uji lainnya (AIC, BIC).
Pearson Chi-squares
Nilai Pearson chi-squares dapat dihitung melalui persamaan berikut:
untuk dibandingkan dengan nilai X 2df dimana df (degree of freedom) = n - p.
Deviance
Deviance merupakan ukuran lain untuk mengukur kebaikan model regresi logistic biner, nilai
deviance dapat dihitung melalui 2(l( y; y) − l(μ ; y)) , dimana l(μ ; y) dan l( y; y) adalah log
likelihood yang dievaluasi terhadap μ dan y.
Untuk model yang baik/sesuai, deviance juga mempunyai kedekatan dengan distribusi chi-
squares dengan derajat bebas n – p. Kondisi lain jika nilai antara Pearson Chi-square dan
deviance relative sama dengan derajat bebas n – p, maka model yang dihasilkan
kemungkinan mempunyai tingkat kesesuaian yang cukup.
Uji Rasio Likelihood
Keuntungan menggunakan metode maksimum likelihood adalah bahwa uji rasio likelihood
dapat diimplementasikan untuk menaksir kesesuaian dari kelebihan pendugaan parameter
regresi logistik denganmenggunakan MLE (Maksimum Likelihood Estimation).
Formula uji rasio likelihood adalah G= 2(l1 − l 0) dimana l1 =likelihood tanpa peubah bebas
dan l 0 =likelihood dengan peubah bebas. Nilai G mempunyai kedekatan dengan distribusi
chi-squrae berderajat bebas k (G≈ X k2)
dengan hipotesis :
Uji lainnya
Ukuran lain yang dapat mengukur kebaikan model adalah AIC dan BSC. AIC (Akaike
information criteria) didefinisikan sebagai , dimana l merupakan log likelihood yang
dievaluasi terhadap μ dan p (p =
jumlah parameter), Nilai AIC yang semakin kecil mengindikasikan bahwa model yang baik.
model lainnya yaitu BSC (Bayesian-Schwartz criteria) yang didefinisikan oleh persamaan
berikut:
dimana l merupakan log likelihoodyang dievaluasi terhadap μ , p (p = jumlah parameter) dan
n (jumlah klas). Kebalikan dari nilai AIC, bahwa apabila nilai BSC semakin
besarmengindikasikan bahwa model yang baik.
Lokasi Penelitian
Kota Bandung merupakan sebuah kota dan sekaligus menjadi ibu kota dari provinsi Jawa
Barat, Indonesia. Kota ini merupakan kota terbesar ketiga di Indonesia setelah Jakarta, dan
Surabaya.
Kota Bandung dikelilingi oleh pegunungan, sehingga bentuk morfologi wilayahnya bagaikan
sebuah mangkok raksasa, secara geografis kota ini terletak di tengah-tengah provinsi Jawa
Barat, serta berada pada ketinggian ±768 m di atas permukaan laut, dengan titik tertinggi di
berada di sebelah utara dengan ketinggian 1.050 meter di atas permukaan laut dan sebelah
selatan merupakan kawasan rendah dengan ketinggian 675 meter di atas permukaan laut
dengan koordinat 107° BT dan 6° 55’ LS
Cuaca untuk kota Bandung (Sumber: Pemerintah kota Bandung15 Juli 2010)
Bulan Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des Tahun
Rata-rata
tinggi °F
(°C)
85
(29.3)
82
(27.7)
83
(28.6)
85
(29.5)
85
(29.7)
86
(29.8)
86
(30.0)
86
(29.9)
85
(29.7)
85
(29.4)
85
(29.2)
82
(28.0)
85
(29,2)
Rata-rata
rendah °F
(°C)
75
(23.9)
74
(23.3)
74
(23.4)
75
(24.1)
76
(24.2)
74
(23.5)
73
(22.9)
74
(23.4)
74
(23.6)
75
(23.7)
75
(23.7)
75
(23.7)
74
(23,6)
Hujaninci
(mm)
0.8
(19.7)
0.8
(20.3)
0.8
(19.5)
0.8
(19.6)
0.8
(19.4)
0.7
(17.3)
0.7
(16.7)
0.7
(17.7)
0.7
(17.9)
0.7
(18.8)
0.8
(19.7)
0.8
(19.4)
6,2
(156,4)
Data Penelitian
Data yang digunakan yaitu data Curah Hujan harian, temperatur harian, dan kelembaban
harian dari hasil pengamatan dengan menggunakan alat-alat yang ada di laboratorium IPBA
untuk selang waktu 5 hari terhitung sejak tanggal 15 Oktober 2010.
Data curah hujan harian dikategorikan menjadi dua kategori yaitu hujan (0) dan tidak hujan
(1) sehingga peubah curah hujan dengan tanpa memandang intesitas hujannya berubah
menjadi peubah data biner
2. METODELOGI
Metodelogi yang digunakan terhadap kajian penggunaan model logit untuk menduga peluang
terjadinya hujan (studi kasus hujan di kota Bandung-Jawa Barat) adalah sebagai berikut:
Penelitian langsung terhadap unsur-unsur cuaca yang berpengaruh, seperti curah hujan,
kelembaban dan temperature udara dengan menggunakan peralatan yang tersedia di
laboratorium IPBA dalam kurun waktu beberapa hari
Studi literatur dari berbagai sumber terkait
3. HASIL DAN PEMBAHASAN
Dengan menggunakan pendekatan model regresi logistik diperoleh beberapa kandidat model
pendugaan peluang hujan sebagai berikut :
Model 1
Di mana :
P(Y=0) = Peluang suatu hari tidakhujan
X1 = Kelembaban pada t-1
X2 = Suhu pada t-1
X3 = CH pada t-1
X4 = CH pada t-2
X5 = CH pada t-3
Model.1 ini memasukan lima peubah bebas yang mungkin berpengaruh terhadap suatu hari
akan turun hujan sehingga modelnya terlihat kompleks/tidak sederhana. Interpretasi pengaruh
masing-masing peubah bebas terhadap peluang kejadian peubah responnya adalah misal
untuk peubah kelembaban : bila kelembaban naik satusatuan dan peubah lain tetap
makapeluang Y=0 (suatu hari tidak hujan)meningkat sebanding dengan exponential dari
kelembaban, begitupun interpretasi dari peubah bebas lainnya.
Model 2
dimana :
P(Y=0) = Peluang suatu hari tidakhujan
X1 = Kelembaban pada t-1
X2 = Suhu pada t-1
Model. 2 hanya melibatkan dua peubahbebas yang secara teoritik mempunyai pengaruh
terhadap peluang terjadinya hujan yaitu kelembaban dan temperatur. Interpretasi dari
model.2 serupa dengan model.1 yaitu bila kelembaban naik satu satuan dan temperatur tetap
maka peluang Y=0 (suatu hari tidak hujan) meningkat sebanding dengan exponential dari
kelembaban, interpretasi yang sama untuk untuk peubah temperatur.
Pemilihan Model Terbaik
Dari kedua kandidat model di atas,maka dapat diambil satu model terbaik yang dapat
dipergunakan untukmenghitung peluang dugaan suatu hariakan turun hujan atau tidak.
Seperti telah dikatakan pada tinjauan pustaka bahwa ada beberapa uji yang bisa dilakukan
untuk mendapatkan suatu model dari beberapa kandidat model diantaranya Uji kelayakan
model secara menyeluruh (goodness of fit), Uji parameter secara individu, atau dengan
melihat nilai deviance, AIC, BIC darimasing-masing model yang diperbandingkan.
Dari hasil pengujian secara menyeluruh tampak bahwa kedua model mempunyai kelayakan
dalam menduga peluang terjadinya hujan atau tidak, namun demikian masih perlu diuji
parameter secara individu dari masing-masing model.
Dari hasil uji parameter secara individu masing-masing model pada α = 5%,tampak bahwa
untuk model.1 terdapatparameter yang tidak signifikan yaitu CHt-1,CHt-2 dan CHt-3,
sedangkan untuk model2 semua parameternya signifikan, sehingga berdasarkan uji ini
model.2 lebih baik dari model.1.
Tabel Uji Kebaikan Model
Tabel Parameter secara Individu
Tabel Ukuran Fitting Model
Dari informasi nilai AIC dan SC, model 2 mempunyai nilai yang lebih kecil dibanding dengan
model1, berdasarkan hal ini berarti bahwa model 2mempunyai kelayakan lebih baik daripada
model 1.
Pengolahan Data Dengan Masing-Masing Model
Dari persamaan untuk model 1 dan model 2, maka dilakukan pengolahan data dengan hasil
sebagai berikut:
Model 1
Y
0.000995
0.000461
0.000611
Model 2
Y
0.77
0.19
0.0097
0.015
0.077
Dari hasil pengolahan data, dari kedua model dapat diketahui bahwa harga Y untuk model 2
lebih baik dibandingkan model 1 apabila kita mengacu pada data curah hujan (pada lampiran),
meskipun tentunya kita dapat melihat beberapa harga Y yang tidak sinkron dengan data curah
hujan tersebut. Hal ini diakibatkan terutama adalah karena kekurang telitian pengamat ketika
pengambilan data serta kondisi cuaca yang akhir-akhir ini (rentang waktu ketika penelitian
berlangsung) susah diprediksi prilakunya.
BAB III
PENUTUP
1. KESIMPULAN
Secara Umum kelembaban dantemperatur cukupberpengaruh terhadap dugaanpeluang
turun atau tidaknya hujan pada suatu hari, walaupunkemungkinan ada variabel-
variabellain berpengaruh tetapi tidak masukdalam model.
Terjadinya hujan pada suatu haritidak terlepas dari rangkaiankejadian hujan sebelumnya
(CHt-1,CHt-2 dan CHt-3), hal ini menjadidasar peubah curah hujan harisebelumnya
menjadi regresor/penduga dalam model.
Dari dua kandidat model,berdasarkan uji-uji statistik danukuran kebaikan model
makamodel.2 lebih baik dibandingdengan model 1.
2. SARAN
Untuk mendapatkan hasil yang lebih akurat sebaiknya menggunakan data hujan harian
dari instansi resmi terkait yang lebih akurat dan dengan rentang waktu yang lebih lama
untuk melihat pola-pola yang dibentuk oleh masing-masing model.
Untuk lebih meningkatkan kualitas model, perlu dilakukan analisa lebih lanjut mengenai
peubah-peubah yang berpengaruh terhadap respon (hujan0 selain peubah yang sudah ada
pada model.
DAFTAR PUSTAKA
http://id.wikipedia.org/wiki/Hujan
http://id.wikipedia.org/wiki/Cuaca
http://id.wikipedia.org/wiki/Meteorologi
http://id.wikipedia.org/wiki/Iklim
http://id.wikipedia.org/wiki/Prakiraan_cuaca
http://id.answers.yahoo.com/question/index?qid=20100318055456AA2Ba6g
http://id.wikipedia.org/wiki/Bandung
http://ipankreview.wordpress.com/2009/03/23/jenis-hujan-di-daerah-tropis/
http://iklim.bmg.go.id/index.jsp
http://kadarsah.wordpress.com/2007/06/30/jenis-jenis-hujan/
http://klastik.wordpress.com/2006/12/03/pola-umum-curah-hujan-di-indonesia/
http://majumapan.com/sharing-knowledge/jenis-jenis-hujan
http://organisasi.org/jenis_dan_macam_hujan_yang_ada_di_wilayah_indonesia_hujan_frontal_orografis_dan_zenit_belajar_online_ilmu_ips_geografi_umum
http://www.rt-net-kapelima.com/curahhujan/index.php
http://www.dirgantara-lapan.or.id/moklim/edukasi0609pch.html
Lampiran
DATA PENGAMATAN
Mulai: Jumat 15-10-10
Lokasi: Geger Arum, Kota Bandung
Seluruh variable diukur dari nilai rata-ratanya.
No Hari Waktu
Pengukuran
Suhu
(C)
Rata-
rata
Kelembaban
relative
Rata-
rata
Kelembaban
Mutlak
Titik
Embun
1 Jumat,
15-10-
10
20.00 25,3 25.9 74,7 77.43 17,7 21,3
2 22.00 25,6 80,0 19,4 22,3
3 24.00 26,8 77,6 20,3 21,2
4 Sabtu,
16-10-
10
02.00 23,2 25.94 96,6 87.22 20,4 22,8
5 04.00 26,3 80,2 21,6 23,8
6 06.00 25,5 85,6 20,8 23,2
7 08.00 25,1 91,6 21,7 23,9
8 10.00 25,6 89,3 21,2 23,6
9 12.00 28,2 78,5 21,6 24,0
10 14.00 23,8 79,3 21,2 23,9
11 16.00 27,0 87,5 22,9 25,0
12 18.00 26,8 86,0 22,6 25,4
13 20.00 26,9 84,7 23,0 25,2
14 22.00 26,2 94,5 23,6 25,7
15 24.00 26,7 92,8 23,9 25,9
16 Minggu,
17-10-
10
02.00 26,4 25.83 98,0 99.12 26,9 26,1
17 04.00 25,6 97,6 23,7 25,2
18 06.00 24,1 96,3 21,6 23,7
19 08.00 24,1 100,0 22,5 24,7
20 10.00 26,0 99,2 23,3 26,3
21 12.00 25,0 100 23,0 25,0
22 14.00 27,5 99,5 26,4 28,0
23 16.00 26,8 98,8 25,8 26,8
24 18.00 25,9 100 24,9 25,6
25 20.00 25,8 100 23,3 26,0
26 22.00 26,0 100 24,8 25,8
27 24.00 26,7 100 25,3 27,0
28 Senin,
18-10-
10
02.00 24,9 25.58 100 97.93 23,2 24,9
29 04.00 26,0 99,8 25,2 26,0
30 06.00 25,4 100 23,4 24,7
31 08.00 25,7 100 23,8 26,0
32 10.00 27,0 99,6 26,1 27,2
33 12.00 25,6 100 24,0 25,6
34 14.00 26,0 106,4 25,2 24,0
35 16.00 24,4 93,5 21,2 23,8
36 18.00 26,5 96,0 25,1 26,5
37 20.00 25,5 79,8 22,7 22,4
38 22.00 24,7 100 22,9 24,8
39 24.00 25,3 100 23,3 25,4
40 Selasa,
19-10-
10
02.00 25,9 25.8 100 100 24,9 25,9
41 04.00 24,7 100 22,5 24,8
42 06.00 24,6 100 22,4 24,6
43 08.00 28,0 100 24,6 23,3
Pluviometer
A. Tujuan
Tujuan dari pengamatan ini untuk menghitung curah hujan
B. Alat dan bahan
-tabung yang tingginya 32 cm dan diameter 12,5 cm
-gelas ukur (100ml)
-selang
C. Prosedur Kerja
- Menaruh alat pluviometer di tempat turunnya hujan dari jam 15.00-06.00
-Amati air yang jatuh ke gelas ukur kemudian baca skalanya
D. Data Hasil Pengamatan
No. Hari waktu Volume (ml) CH
1 Pertama 15.00-06.00 1 0.02
2 Kedua 15.00-06.00 118 2.40
3 Ketiga 15.00-06.00 180 3.66
4 Keempat 15.00-06.00 1 0.02
5 kelima 17.00-07.00 43 0.87
Catatan:data yang diperoleh melalui pengamatan menggunakan Pluviometer sangatlah
tidak tepat karena pada waktu pengamatan tidak hanya hujan tapi banyak embun juga
yang masuk ke gelas ukur, sehingga perhitungan curah hujan tidak tepat. Kesalahan yang
mungkin dilakukan pada saat pengamatan antara lain pembacaaan skala pada gelas ukur.