PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI PADI DI JAWA TIMUR TAHUN 2012 DENGAN KASUS PENCILAN DAN AUTOKORELASI ERROR

L/O/G/O

SEMINAR HASIL TUGAS AKHIR

PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI PADI DI JAWA TIMUR TAHUN 2012 DENGAN KASUS PENCILAN DAN AUTOKORELASI ERROR

Oleh: Ria Kumala Dewi 1309100111 Dosen Pembimbing: Dra. Wiwiek Setya Winahju, MS

AGENDA 1 PENDAHULUAN 2 TINJAUAN PUSTAKA 3 METODOLOGI PENELITIAN 4 HASIL DAN PEMBAHASAN 5 PENUTUP

www.themegallery.com Ria Kumala Dewi 1309100111

2

3

www.themegallery.com

PENDAHULUAN Latar Belakang Rumusan Masalah Tujuan Permasalahan Manfaat Batasan Masalah


IMPOR

4

PENDAHULUAN Latar Belakang Rumusan Masalah

PEMERINTAH

PETANI IMPOR

Tujuan Permasalahan Manfaat

HARGA GABAH

Batasan Masalah


5

PENDAHULUAN Latar Belakang

Tahun 2011  10,58 juta ton

Rumusan Masalah Tujuan Permasalahan Manfaat

- Penurunan Luas panen - Penurunan Produktivitas - Pertambahan penduduk

Batasan Masalah Dinas Pertanian

Produktivitas = Jumlah Produksi / Luas Areal Panen

Faktor-faktor lain www.themegallery.com Ria Kumala Dewi 1309100111

6

PENDAHULUAN Latar Belakang Rumusan Masalah

Bagaimana karakteristik faktor-faktor yang mempengaruhi produksi padi di Jawa Timur?

Tujuan Permasalahan Manfaat Batasan Masalah


Bagaimana menyusun model terbaik faktorfaktor yang mempengaruhi produksi padi di Jawa Timur dengan menggunakan regresi robust dan GLS?

7

PENDAHULUAN Latar Belakang Rumusan Masalah Tujuan Permasalahan

1

• Mendeskripsikan karakteristik faktor-faktor yang mempengaruhi produksi padi di Jawa Timur

2

• Mendapatkan model terbaik faktor-faktor yang mempengaruhi produksi padi di Jawa Timur dengan menggunakan regresi robust dan GLS

Manfaat Batasan Masalah


8

PENDAHULUAN Latar Belakang Rumusan Masalah Tujuan Permasalahan Manfaat Batasan Masalah


Memberikan alternatif model atau informasi mengenai faktor-faktor yang mempengaruhi jumlah produksi padi di Jawa Timur

Dapat menjadi tambahan informasi untuk penelitian dalam ruang lingkup yang sama

9

PENDAHULUAN Latar Belakang Rumusan Masalah Tujuan Permasalahan

Data yang digunakan adalah data produksi sektor pertanian khususnya tanaman padi di Jawa Timur tahun 2012 pada 29 kabupaten dan 7 kota di Jawa Timur

Manfaat Batasan Masalah


10

1


TINJAUAN PUSTAKA Regresi Linier Berganda

Regresi Robust

GLS

Tanaman Padi

Penelitian Sebelumnya

Regresi Linier Berganda •

Teknik statistika untuk menentukan model hubungan satu variabel respon dengan melibatkan lebih dari satu variabel prediktor hingga p variabel prediktor dimana banyaknya p kurang dari jumlah observasi (n).

•

Metode Ordinary Least Square  menduga koefisien regresi () dengan meminimumkan kesalahan (error) (Draper & Smith, 1992).

Model regresi berganda

Model dugaan 2


Ria Kumala Dewi 1309100111


Regresi Robust

Uji Serentak

Daerah penolakan:

GLS

Tanaman Padi


Uji Parsial

Daerah penolakan:

Kesimpulan: koefisien regresi () bermakna

Kesimpulan: koefisien regresi ke-k signifikan terhadap model

•

•

Model regresi telah sesuai


Model regresi telah sesuai

3


Regresi Robust

Independen

GLS

Tanaman Padi Identik

Penelitian Sebelumnya Distribusi Normal

H0

Residual tidak ada autokorelasi

Residual homoskedastisitas

Residual berdistribusi normal

H1

Residual ada autokorelasi

Residual heteroskedastisitas

Residual tidak berdistribusi normal

Residual tidak identik

Residual tidak berdistribusi normal

Statistik uji

Daerah penolakan (Tolak H0 jika) Kesimpulan www.themegallery.com Ria Kumala Dewi 1309100111

atau Residual tidak independen

4


Regresi Robust

GLS

Tanaman Padi


Multikolinieritas • Terjadinya hubungan linier antara variabel bebas dalam suatu linier berganda (Gujarati, 2004). • Kriteria untuk mendeteksi adanya multikolinieritas menggunakan VIF (Variance Inflation Factor):

dengan R2(i) merupakan nilai koefisien determinasi hasil regresi antara variabel Xi dengan variabel X lainnya.


5


Regresi Robust

GLS

Tanaman Padi

Penelitian Sebelumnya Regresi Robust

• Metode regresi yang digunakan jika distribusi dari residual tidak normal dan atau mengandung beberapa pencilan yang berpengaruh pada model (Ryan, 1997). • Metode penaksir M  menggunakan fungsi Huber untuk meminimukan fungsi galat.

• Metode penaksir M dilakukan dengan memberikan fungsi pembobot secara iterasi (Iteratively Reweighted Least Squares) . • Penaksir parameter: b = (XT WX)-1 XT WY


6


Regresi Robust

GLS

Tanaman Padi


Generalized Least Square

• Metode regresi yang digunakan apabila antar residual saling berkorelasi (autokorelasi) (Gujarati, 2004). • Generalized Least Square  regresi OLS dengan transformasi variabel respon dan prediktor. • Model GLS untuk 1 prediktor adalah • dengan


7


Regresi Robust

GLS

Tanaman Padi


Pendugaan nilai  menggunakan Cochrane-Orcutt Iterative Procedure. • Meregresikan t dengan t-1 dari hasil regresi OLS atau regresi sebelumnya. Nilai koefisien parameter yang diperoleh dijadikan sebagai nilai • Nilai disubstitusikan ke dalam persamaan GLS dan diregresikan menggunakan OLS. Cara tersebut dilakukan berulang kali sampai diperoleh nilai yang konvergen.


8


Regresi Robust

GLS

Tanaman Padi

Penelitian Sebelumnya Tanaman Padi

• Karakteristik tanaman padi: – Dapat hidup dengan baik di daerah beriklim panas yang lembab – Dapat ditanam di dataran rendah sampai ketinggian 1300 m di atas permukaan laut – Curah hujan yang dikehendaki sekitar 1500-2000 mm per tahun. – Memerlukan intensitas sinar matahari yang cukup – Suhu yang baik untuk pertumbuhan tanaman padi adalah 23C


9


Regresi Robust

GLS

Tanaman Padi


Penelitian Sebelumnya Lukmandono (2002) Meningkatkan Variabel-variabel yang Potensial Untuk Meningkatkan Produktivitas Sektor Pertanian Tanaman Padi Provinsi Jawa Timur

Luas areal tanam, tenaga kerja, pupuk, dan benih. Norman (2004) Analisis Statistik Terhadap Faktor-faktor yang Mempengaruhi Produksi Padi di Wilayah Jawa Timur Jumlah pemakaian pupuk dan harga gabah


10


Regresi Robust

GLS

Tanaman Padi


Fadillah (2012)

Regresi robust dengan estimasi M untuk mengetahui faktor-faktor yang mempengaruhi jumlah penduduk miskin Jawa Timur tahun 2009 dan 2010 Aeni (2012) Generalized Least Square (GLS) untuk mengetahui faktor-faktor yang mempengaruhi produksi dan mutu tembakau Temanggung


1

2


METODOLOGI PENELITIAN Sumber Data

Variabel Penelitian

Langkah-langkah Penelitian

Data produksi sektor pertanian khususnya tanaman padi Unit pengamatan: 29 kabupaten dan 7 kota di Jawa Timur


3


Variabel Penelitian

Variabel Y X1 X2 X3 X4 X5


Keterangan Produksi padi (Ton) Luas panen (Ha) Luas puso (Ha) Penggunaan pupuk (Ton) Jumlah curah hujan (Mm) Jumlah hari hujan (Hari)

Statistik Deskriptif  Luas sawah dengan pengairan teknik (Ha), luas sawah dengan pengairan setengah teknik (Ha), luas sawah dengan pengairan sederhana (Ha), luas sawah dengan pengairan desa (Ha), luas sawah dengan pengairan tadah hujan (Ha)


4


Variabel Penelitian


Statistik Deskriptif

Pemodelan regresi dengan OLS

Uji asumsi residual dan multikolinieritas

Deteksi Pencilan

Uji asumsi residual

Pemodelan dengan GLS

Uji asumsi residual

Pemodelan dengan regresi robust

Model terbaik


5

6


HASIL & PEMBAHASAN Deskripsi Karakteristik Variabel Y X1 X2 X3 X4 X5 X6 X7 X8 X9 X10


Mean 338117 54780 1564 69463 1375,6 83,28 18118 3000 1825 1096 6084

Std. Deviasi 255572 41304 2439 49662 391,2 21,64 16771 4152 1877 2580 10280

Minimum 4878 925 0 1123 266 16 4 0 0 0 0

Maksimum 968505 158568 9557 166584 2226 124 72327 23380 8460 14326 40251

7

HASIL & PEMBAHASAN Identifikasi Pola Hubungan antara Variabel Respon dengan Variabel Prediktor

X1

X2

X3

1000000 750000 500000 250000 0

Y

0 1000000

80000 X4

1600000

5000 X5

10000 0

80000

160000

750000 500000 250000 0 0

1000

2000 0

50

100

X


8

HASIL & PEMBAHASAN Identifikasi Pola Hubungan antara Variabel Respon dengan Variabel Prediktor  = 5%

Correlations: X1; X2; X3; X4; X5; Y X1 X2 X3 X2 0,661 0,000

X4

X3

0,867 0,000

0,542 0,001

X4

0,174 0,310

0,018 0,917

0,284 0,094

X5

0,087 0,613

-0,064 0,710

0,132 0,443

0,769 0,000

Y

0,995 0,000

0,666 0,000

0,874 0,000

0,167 0,331

X5

0,072 0,678

Cell Contents: Pearson correlation P-Value www.themegallery.com Ria Kumala Dewi 1309100111

9

HASIL & PEMBAHASAN Pemodelan dengan Metode OLS •

Model regresi OLS

Y=13881+5,82X1+1,47X2+0,275X3+0,64X4-202X5 •

R-Sq (adj) = 98,9%

Uji signifikansi parameter Source Regression Error Total

 = 10%

DF 5 30 35

SS 2,26466E+12 21437742097 2,28610E+12

MS 4,52933E+11 714591403

F 633,83

P 0,000

 = 5%

Variabel 1

thitung 23,28

p-value 0,000

VIF 5,223

Keterangan Signifikan

2

0,59

0,562

1,834

Tidak signifikan

3

1,43

0,163

4,469

Tidak signifikan

4

0,03

0,973

2,742

Tidak signifikan



-0,61

0,548

2,545

Tidak signifikan


10

HASIL & PEMBAHASAN •

Uji asumsi residual berdistribusi normal Probability Plot of RESI1 Normal

99

Mean StDev N KS P-Value

95 90

-1,62698E-10 24749 36 0,074 >0,150

= 5% D(,n)=0,221

Percent

80 70 60 50 40 30 20

Berdistribusi normal

10 5

1

-50000


-25000

0 25000 RESI1

50000

75000

1


Uji asumsi residual identik Variabel 1 2 3 4 5

Versus Fits

(response is Y) 75000

Residual

50000

25000

thitung 0,48 -0,15 0,66 0,08 -0,31

p-value 0,638 0,885 0,514 0,939 0,757

0

-25000

-50000 0


200000

400000 600000 Fitted Value

800000

1000000

Homoskedastisitas

2


Uji asumsi residual independen Versus Order (response is Y)

DW = 2,62096 dU = 1,7987 4-dU = 2,2013

75000

Residual

50000

25000

0

-25000

Ada autokorelasi

-50000 1

5


10

15 20 Observation Order

25

30

35

3


Deteksi Pencilan 3

2

2

SRES1

1

0

0

-1

-2

-2 0


200000

400000 FITS1

600000

800000

1000000

4

HASIL & PEMBAHASAN Pemodelan dengan Regresi Robust •

Model regresi robust

Y=11659,5+5,836X1+0,251X2+0,28X3+1,806X4-186,047X5 •

R-Sq (adj) = 98,89%

Uji signifikansi parameter  = 5%

Serentak: Fhitung = 621,679 F(0,05;5,30) = 2,534


 = 10% Variabel 1 2 3 4 5

thitung 26,4888 0,115531 1,60795 0,111640 -0,664225

t(0,10;30)

Keterangan Signifikan Tidak signifikan 1,3014 Signifikan Tidak signifikan Tidak signifikan 5


Uji asumsi residual berdistribusi normal Probability Plot of residual Normal

99


95 90

-39,19 24892 36 0,081 >0,150

= 5% D(0,05;36)=0,221

Percent

80 70 60 50 40 30 20


10 5

1

-50000


-25000

0 25000 residual

50000

75000

6


Uji asumsi residual identik 75000

50000

e

25000

0

0

Variabel 1 2 3 4 5

thitung 0,20 0,17 -0,27 0,15 -0,25

p-value 0,842 0,864 0,787 0,880 0,803

-25000

-50000 0

200000

400000

600000 Fits


800000

1000000

Homoskedastisitas

7


Uji asumsi residual independen 75000

DW = 2,466 dU = 1,7987 4-dU = 2,2013

50000

e

25000

0

0

-25000

Ada autokorelasi

-50000 0

5


10

15 20 25 Observation Order

30

35

8

HASIL & PEMBAHASAN Pemodelan dengan Generalized Least Square •

Model GLS

Y=14224,89+5,762X1+3,479X2+0,286X3-8,687X4-15,988X5 R-Sq (adj) = 99,4% •

Uji signifikansi parameter  = 5%

Serentak: Fhitung = 1202,193 F(0,05;5,30) = 2,534


 = 10% Variabel 1 2 3 4 5

thitung 29,075 1,853 1,861 -0,492 -0,057

t(0,10;30)

Keterangan Signifikan Signifikan 1,3014 Signifikan Tidak signifikan Tidak signifikan 9


Uji asumsi residual berdistribusi normal Probability Plot of residual Normal

99


95 90

1,515825E-13 22930 36 0,071 >0,150

= 5% D(0,05;36)=0,221

Percent

80 70 60 50 40 30 20


10 5

1

-50000


-25000

0 residual

25000

50000

10


Uji asumsi residual identik

50000

e

25000

0

0

Variabel 1 2 3 4 5

thitung 0,14 -0,34 1,48 -0,18 -0,80

p-value 0,892 0,733 0,150 0,855 0,429

-25000

-50000 0

200000


400000

600000 Fits

800000

1000000

1200000

Homoskedastisitas

1


Uji asumsi residual independen 50000

DW = 2,1333 dU = 1,7987 4-dU = 2,2013

e

25000

0

0

-25000

Tidak ada autokorelasi

-50000 0


5

10

15 20 25 Observation order

30

35

2

HASIL & PEMBAHASAN

•

Model terbaik produksi padi Jawa Timur tahun 2012

Y=14224,89+5,762X1+3,479X2+0,286X3-8,687X4-15,988X5


3

4


KESIMPULAN & SARAN Pemodelan data produksi padi di Jawa Timur tahun 2012 tidak dapat menggunakan regresi OLS saja karena terdapat pencilan dan autokorelasi error. Sehingga, dilakukan regresi robust untuk mengatasi pencilan dan Generalized Least Square untuk mengatasi autokorelasi error. Variabel yang berpengaruh signifikan terhadap produksi padi Jawa Timur tahun 2012 adalah luas panen, luas puso, dan penggunaan pupuk.

Pada penelitian selanjutnya disarankan untuk menggunakan metode yang lebih tepat dan melakukan penambahan variabel prediktor yang diduga juga mempengaruhi produksi padi.


5

6


DAFTAR PUSTAKA •

•

• • • •

Aeni, N. Y. (2012). Pemodelan Faktor-faktor yang Mempengaruhi Produksi Padi dan Mutu Tembakau Temanggung dengan Kombinasi Antara Generalized Least Square dan Regresi Robust. Tugas Akhir Tidak Dipublikasikan, Institut Teknologi Sepuluh Nopember, Surabaya. Anonim. (2012, Oktober 29). Prediksi dan Tantangan Sektor Pertanian Indonesia Tahun 2013. Retrieved Agustus 31, 2013, from Badan Intelijen Negara: http://www.bin.go.id/-wawasan/detil/155/3/29/10/2012/prediksi-dantantangan-sektor-pertanian-indonesia-tahun-2013 BPS. (2011). Tanaman Pangan. Retrieved Februari 3, 2013, from Badan Pusat Statistik: http://bps.go.id/tnmn_pgn.php?kat=3 Daniel, W. W. (1989). Statistika Nonparametrik Terapan. Jakarta: PT Gramedia. Draper, N. R., & Smith, H. (1992). Analisis Regresi Terapan (Second ed.). Jakarta: PT Gramedia Pustaka Utama. Fadillah, M. R. (2012). Analisis Regresi Jumlah Penduduk Miskin dengan Faktor-faktor yang Mempengaruhi di Jawa Timur. Tugas Akhir Tidak Dipublikasikan, Institut Teknologi Sepuluh Nopember, Surabaya.


7

DAFTAR PUSTAKA • • •

• •

•

Fox, J. (2002). Robust Regression. Appendix to An R and S-PLUS Companion to Applied Regression. Gujarati, N. D. (2004). Basic Econometrics (Fourth ed.). New York: The McGraw-Hill Companies. Ikawati, N. (2013, Februari 15). Menyongsong Kedaulatan Pangan Indonesia. Retrieved Agustus 31, 2013, from Masyarakat Ilmuwan dan Teknolog Indonesia (MITI): http://beranda.miti.or.id/menyongsong-kedaulatan-pangan-indonesia/ Indrawati, F. (2012). Pemodelan Jumlah Ketersediaan Beras Untuk Jawa Timur Dengan Pendekatan Fungsi Transfer. Jurnal Sains dan Seni ITS , 1 (1). Lukmandono. (2002). Menentukan Variabel-variabel yang Poten-sial Untuk Meningkatkan Produktivitas Sektor Pertanian Tanaman Padi Provinsi Jawa Timur. Tesis Tidak Dipubli-kasikan, Institut Teknologi Sepuluh Nopember, Surabaya. Matthews, R., & Wassmann, R. (2003). Modelling The Impacts Of Climate Change And Methane Emission Reductions On Rice Production: A Review. European Journal Of Agronomy , 19 (4), 573-598.


8

DAFTAR PUSTAKA • •

•

• • •

•

Mubyarto. (1995). Pengantar Ekonomi Pertanian. Jakarta: Pustaka LP3ES. Norman, I. (2004). Analisis Statistik Terhadap Faktor-faktor Yang Mempengaruhi Produksi Padi Di Wilayah Jawa Timur. Tugas Akhir Tidak Dipublikasikan, Institut Teknologi Sepuluh Nopember, Surabaya. Perdinan, Boer, R., & Kartikasari, K. (2008). Linking Climate Change Adaptation Options For Rice Production And Sustainable Development In Indonesia. J. Agromet , 22 (2), 94-107. Ryan, T. P. (1997). Modern Regression Methods. New York: John Wiley & Sons, Inc. Sastrapradja, S. D., & Widjaja, E. A. (2010). Keanekaragaman Hayati Pertanian Menjamin Kedaulatan Pangan. Jakarta: LIPI Press. Susianto, Y. (2008). Model Regresi Semiparametrik Kernel Untuk Menduga Produksi Padi Sawah Di Jawa Tengah. Tesis Tidak Dipublikasikan, Institut Teknologi Sepuluh Nopem-ber, Surabaya. Yudarwati, R. (2010). Analisis Faktor-faktor yang Mempengaruhi Produktivitas Padi Sawah dengan Aplikasi Sistem Informasi Geografis (Studi Kasus di Kabupaten Bogor, Jawa Barat). Tugas Akhir, Institut Pertanian Bogor, Bogor.


9

DAFTAR PUSTAKA

•

Yuliawan, T. (2012). Pengaruh Kenaikan Suhu Terhadap Produksi Tanaman Padi Sawah Irigasi Dan Tadah Hujan Di Indonesia Menggunakan Model Simulasi Pertanian Sheirary Rice Berbasiskan Sistem Informasi Geografis (SIG). Tugas Akhir, Institut Pertanian Bogor, Bogor.


10

L/O/G/O

Terima Kasih

Ria Kumala Dewi 1309100111

PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI PADI DI JAWA TIMUR TAHUN 2012 DENGAN KASUS PENCILAN DAN AUTOKORELASI ERROR

Recommend Documents