Integrasi Analisis Komposisional, Klaster Spasial, dan Model Hierarkis Zero-Inflated untuk Evaluasi Efektivitas GBST: Studi pada Data GBST 2024–2025

Muhammad Rainnul Hakim, Prof. Dr. Drs. Gunardi M.Si.

2026 | Skripsi | STATISTIKA

Penelitian ini bertujuan mengevaluasi efektivitas program Gerakan Buang Sampah Terpilah (GBST) dengan menganalisis faktor-faktor yang memengaruhi ketidaksesuaian pemilahan sampah pada empat site operasional selama periode sepuluh bulan. Pendekatan analitis yang digunakan meliputi analisis komposisional berbasis Centered Log-Ratio (CLR), reduksi dimensi menggunakan Principal Com ponent Analysis (PCA), klasterisasi spasial melalui metode Spatial K-Means, serta pemodelan statistik hierarkis menggunakan distribusi Poisson, Zero-Inflated Poisson (ZIP), dan Negative Binomial (NB). Dua variabel penjelas tingkat site, yaitu Indeks Intensitas Program (IIP) dan Indeks Persepsi Pekerja (IEP), dibangun sebagai indikator implementasi program dan dimasukkan sebagai kovariat dalam model. Hasil evaluasi model menggunakan WAIC dan LOO menunjukkan bahwa model Negative Binomial hierarkis memiliki performa terbaik, mengindikasikan dominasi overdispersi pada data. Estimasi parameter menunjukkan bahwa IIP berpengaruh signifikan dalam menurunkan ketidaksesuaian (IRR = 0.296), sementara IEP tidak berpengaruh signifikan. Variasi bulanan memiliki kontribusi lebih besar dibanding varians antar-site, menandakan adanya faktor operasional temporer yang memengaruhi ketidaksesuaian. Posterior Predictive Check menunjukkan bahwa model mampu menangkap proporsi nol dengan baik meskipun cenderung memberikan prediksi mean yang lebih tinggi akibat overdispersi ekstrem. Hasil penelitian ini menegaskan bahwa intensitas program dan stabilitas operasional bulanan merupakan kunci efektivitas GBST, dan dashboard analitik berbasis Streamlit yang dikembangkan dapat digunakan untuk mendukung pengambilan keputusan berbasis data secara berkelanjutan.

This study aims to evaluate the effectiveness of the Gerakan Buang Sampah Terpilah (GBST) program by analyzing factors influencing waste sorting discrep ancies at four operational sites over a ten-month period. The analytical approaches used include compositional analysis based on Centered Log-Ratio (CLR), dimensionality reduction using Principal Component Analysis (PCA), spatial clustering using the Spatial K-Means method, and hierarchical statistical modeling using the Poisson, Zero-Inflated Poisson (ZIP), and Negative Binomial (NB) distributions. Two site-level explanatory variables, namely the Program Intensity Index (IIP) and the Worker Perception Index (IEP), were constructed as indicators of program implementation and included as covariates in the model. The results of model evaluation using WAIC and LOO showed that the hierarchical Negative Binomial model performed best, indicating the dominance of overdispersion in the data. Parameter estimates indicate that IIP significantly reduced non-conformance (IRR = 0.296), while IEP did not. Monthly variation contributed significantly more than inter-site variance, indicating the presence of temporary operational factors influencing non conformance. Posterior Predictive Check showed that the model was able to capture the proportion of zeros well, although it tended to overpredict the mean due to extreme overdispersion. The results of this study confirm that program intensity and monthly operational stability are key to the effectiveness of GBST, and the developed Streamlit-based analytical dashboard can be used to support sustainable data driven decision-making.

Kata Kunci : GBST; Analisis Komposisional; PCA; Klaster Spasial; Negatif Binomial Hierarkis; Overdispersi; Pemodelan Ketidaksesuaian; Dashboard.