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
www.themegallery.com Ria Kumala Dewi 1309100111
IMPOR
4
PENDAHULUAN Latar Belakang Rumusan Masalah
PEMERINTAH
PETANI IMPOR
Tujuan Permasalahan Manfaat
HARGA GABAH
Batasan Masalah
www.themegallery.com Ria Kumala Dewi 1309100111
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
www.themegallery.com Ria Kumala Dewi 1309100111
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
www.themegallery.com Ria Kumala Dewi 1309100111
8
PENDAHULUAN Latar Belakang Rumusan Masalah Tujuan Permasalahan Manfaat Batasan Masalah
www.themegallery.com Ria Kumala Dewi 1309100111
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
www.themegallery.com Ria Kumala Dewi 1309100111
10
1
www.themegallery.com
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
www.themegallery.com
Ria Kumala Dewi 1309100111
TINJAUAN PUSTAKA Regresi Linier Berganda
Regresi Robust
Uji Serentak
Daerah penolakan:
GLS
Tanaman Padi
Penelitian Sebelumnya
Uji Parsial
Daerah penolakan:
Kesimpulan: koefisien regresi () bermakna
Kesimpulan: koefisien regresi ke-k signifikan terhadap model
•
•
Model regresi telah sesuai
www.themegallery.com Ria Kumala Dewi 1309100111
Model regresi telah sesuai
3
TINJAUAN PUSTAKA Regresi Linier Berganda
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
TINJAUAN PUSTAKA Regresi Linier Berganda
Regresi Robust
GLS
Tanaman Padi
Penelitian Sebelumnya
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.
www.themegallery.com Ria Kumala Dewi 1309100111
5
TINJAUAN PUSTAKA Regresi Linier Berganda
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
www.themegallery.com Ria Kumala Dewi 1309100111
6
TINJAUAN PUSTAKA Regresi Linier Berganda
Regresi Robust
GLS
Tanaman Padi
Penelitian Sebelumnya
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
www.themegallery.com Ria Kumala Dewi 1309100111
7
TINJAUAN PUSTAKA Regresi Linier Berganda
Regresi Robust
GLS
Tanaman Padi
Penelitian Sebelumnya
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.
www.themegallery.com Ria Kumala Dewi 1309100111
8
TINJAUAN PUSTAKA Regresi Linier Berganda
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 23C
www.themegallery.com Ria Kumala Dewi 1309100111
9
TINJAUAN PUSTAKA Regresi Linier Berganda
Regresi Robust
GLS
Tanaman Padi
Penelitian Sebelumnya
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
www.themegallery.com Ria Kumala Dewi 1309100111
10
TINJAUAN PUSTAKA Regresi Linier Berganda
Regresi Robust
GLS
Tanaman Padi
Penelitian Sebelumnya
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
www.themegallery.com Ria Kumala Dewi 1309100111
1
2
www.themegallery.com
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
www.themegallery.com Ria Kumala Dewi 1309100111
3
METODOLOGI PENELITIAN Sumber Data
Variabel Penelitian
Variabel Y X1 X2 X3 X4 X5
Langkah-langkah Penelitian
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)
www.themegallery.com Ria Kumala Dewi 1309100111
4
METODOLOGI PENELITIAN Sumber Data
Variabel Penelitian
Langkah-langkah 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
www.themegallery.com Ria Kumala Dewi 1309100111
5
6
www.themegallery.com
HASIL & PEMBAHASAN Deskripsi Karakteristik Variabel Y X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
www.themegallery.com Ria Kumala Dewi 1309100111
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
www.themegallery.com Ria Kumala Dewi 1309100111
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
www.themegallery.com Ria Kumala Dewi 13091001115
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
www.themegallery.com Ria Kumala Dewi 1309100111
-25000
0 25000 RESI1
50000
75000
1
HASIL & PEMBAHASAN •
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
www.themegallery.com Ria Kumala Dewi 1309100111
200000
400000 600000 Fitted Value
800000
1000000
Homoskedastisitas
2
HASIL & PEMBAHASAN •
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
www.themegallery.com Ria Kumala Dewi 1309100111
10
15 20 Observation Order
25
30
35
3
HASIL & PEMBAHASAN •
Deteksi Pencilan 3
2
2
SRES1
1
0
0
-1
-2
-2 0
www.themegallery.com Ria Kumala Dewi 1309100111
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
www.themegallery.com Ria Kumala Dewi 1309100111
= 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
HASIL & PEMBAHASAN •
Uji asumsi residual berdistribusi normal Probability Plot of residual Normal
99
Mean StDev N KS P-Value
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
Berdistribusi normal
10 5
1
-50000
www.themegallery.com Ria Kumala Dewi 1309100111
-25000
0 25000 residual
50000
75000
6
HASIL & PEMBAHASAN •
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
www.themegallery.com Ria Kumala Dewi 1309100111
800000
1000000
Homoskedastisitas
7
HASIL & PEMBAHASAN •
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
www.themegallery.com Ria Kumala Dewi 1309100111
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
www.themegallery.com Ria Kumala Dewi 1309100111
= 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
HASIL & PEMBAHASAN •
Uji asumsi residual berdistribusi normal Probability Plot of residual Normal
99
Mean StDev N KS P-Value
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
Berdistribusi normal
10 5
1
-50000
www.themegallery.com Ria Kumala Dewi 1309100111
-25000
0 residual
25000
50000
10
HASIL & PEMBAHASAN •
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
www.themegallery.com Ria Kumala Dewi 1309100111
400000
600000 Fits
800000
1000000
1200000
Homoskedastisitas
1
HASIL & PEMBAHASAN •
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
www.themegallery.com Ria Kumala Dewi 1309100111
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
www.themegallery.com Ria Kumala Dewi 1309100111
3
4
www.themegallery.com
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.
www.themegallery.com Ria Kumala Dewi 1309100111
5
6
www.themegallery.com
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.
www.themegallery.com Ria Kumala Dewi 1309100111
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.
www.themegallery.com Ria Kumala Dewi 1309100111
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.
www.themegallery.com Ria Kumala Dewi 1309100111
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.
www.themegallery.com Ria Kumala Dewi 1309100111
10
L/O/G/O
Terima Kasih
Ria Kumala Dewi 1309100111