L/O/G/O
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:
www.themegallery.com
AGENDA
Ria Kumala Dewi 1309100111 2
PENDAHULUAN
TINJAUAN PUSTAKA
METODOLOGI PENELITIAN
1
2
3
HASIL DAN PEMBAHASAN
4
PENUTUP
5
www.themegallery.com
PENDAHULUAN
Latar Belakang Rumusan Masalah Tujuan Permasalahan Manfaat Batasan MasalahRia Kumala Dewi 1309100111 4
PENDAHULUAN
Latar Belakang Rumusan Masalah Tujuan Permasalahan Manfaat Batasan MasalahIMPOR
HARGA GABAH
PEMERINTAH
PETANI
www.themegallery.com
PENDAHULUAN
Latar Belakang Rumusan Masalah Tujuan Permasalahan Manfaat Batasan MasalahRia Kumala Dewi 1309100111 6
Tahun 2011 10,58 juta ton
- Penurunan Luas panen - Penurunan Produktivitas - Pertambahan penduduk
Produktivitas = Jumlah Produksi / Luas Areal Panen Dinas Pertanian
PENDAHULUAN
Latar Belakang Rumusan Masalah Tujuan Permasalahan Manfaat Batasan MasalahBagaimana karakteristik faktor-faktor yang
mempengaruhi produksi padi di Jawa Timur?
Bagaimana menyusun model terbaik
faktor-faktor yang mempengaruhi produksi padi di
Jawa Timur dengan menggunakan regresi
robust dan GLS?
www.themegallery.com
PENDAHULUAN
Latar Belakang Rumusan Masalah Tujuan Permasalahan Manfaat Batasan MasalahRia Kumala Dewi 1309100111
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
PENDAHULUAN
Latar Belakang Rumusan Masalah Tujuan Permasalahan Manfaat Batasan MasalahDapat menjadi tambahan informasi untuk penelitian
dalam ruang lingkup yang sama
Memberikan alternatif model atau informasi mengenai
faktor-faktor yang mempengaruhi jumlah produksi padi
di Jawa Timur
www.themegallery.com
PENDAHULUAN
Latar Belakang Rumusan Masalah Tujuan Permasalahan Manfaat Batasan MasalahRia Kumala Dewi 1309100111 10
Data yang digunakan adalah data produksi sektor pertanian khususnya tanaman padi di Jawa Timur tahun
www.themegallery.com
TINJAUAN PUSTAKA
• Teknik statistika untuk menentu-kan 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
Regresi Linier Berganda Regresi Robust GLS Tanaman Padi Penelitian Sebelumnya Regresi Linier Berganda
TINJAUAN PUSTAKA
Uji Serentak
Kesimpulan: koefisien regresi () bermakna
• Model regresi telah sesuai
Uji Parsial
Kesimpulan: koefisien regresi ke-k
signifikan terhadap model • Model regresi telah sesuai
Daerah penolakan: Daerah penolakan:
www.themegallery.com
TINJAUAN PUSTAKA
Ria Kumala Dewi 1309100111
Independen Identik Distribusi Normal
H0 Residual tidak ada autokorelasi Residual homoskedastisitas Residual berdistribusi normal
H1 Residual ada autokorelasi Residual heteroskedastisitas Residual tidak berdistribusi normal
Statistik uji Daerah penolakan
(Tolak H0 jika) atau
Kesimpulan Residual tidak independen Residual tidak identik
Residual tidak berdistribusi
normal 4
TINJAUAN PUSTAKA
Multikolinieritas
• Terjadinya hubungan linier antara variabel bebas dalam suatu linier
berganda (Gujarati, 2004).
• Kriteria untuk mendeteksi adanya multikolinieritas menggunakan VIF
(Variance Inflation Factor):
dengan R
2(i) merupakan nilai koefisien determinasi hasil regresi
antara variabel X
idengan variabel X lainnya.
www.themegallery.com
TINJAUAN PUSTAKA
• 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:
Ria Kumala Dewi 1309100111
b = (X
TWX)
-1X
TWY
6
Regresi Linier Berganda Regresi Robust GLS Tanaman Padi Penelitian Sebelumnya Regresi Robust
TINJAUAN PUSTAKA
• 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
Regresi Linier Berganda Regresi Robust GLS Tanaman Padi Penelitian Sebelumnya
www.themegallery.com
TINJAUAN PUSTAKA
Pendugaan nilai
menggunakan Cochrane-Orcutt Iterative Procedure.
• Meregresikan
tdengan
t-1dari 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.
Ria Kumala Dewi 1309100111 8
TINJAUAN PUSTAKA
• 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
Regresi Linier Berganda Regresi Robust GLS Tanaman Padi Penelitian Sebelumnya Tanaman Padi
www.themegallery.com
TINJAUAN PUSTAKA
Ria Kumala Dewi 1309100111
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.
10
Regresi Linier Berganda Regresi Robust GLS Tanaman Padi Penelitian Sebelumnya Penelitian Sebelumnya
Norman (2004)
Analisis Statistik Terhadap Faktor-faktor yang Mempengaruhi Produksi Padi di Wilayah Jawa Timur
Jumlah pemakaian pupuk dan harga gabah
TINJAUAN PUSTAKA
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
METODOLOGI PENELITIAN
Data produksi sektor pertanian khususnya tanaman padi
Unit pengamatan: 29 kabupaten dan 7 kota di Jawa Timur
www.themegallery.com
METODOLOGI PENELITIAN
Ria Kumala Dewi 1309100111
Variabel Keterangan
Y Produksi padi (Ton) X1 Luas panen (Ha) X2 Luas puso (Ha)
X3 Penggunaan pupuk (Ton) X4 Jumlah curah hujan (Mm) X5 Jumlah hari hujan (Hari)
4
Sumber Data Variabel Penelitian Langkah-langkah Penelitian
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)
METODOLOGI PENELITIAN
Sumber Data Variabel Penelitian Langkah-langkah Penelitian
Statistik Deskriptif Pemodelan regresi dengan OLS Uji asumsi residual dan
multikolinieritas Deteksi Pencilan
Pemodelan dengan regresi robust Uji asumsi residual Pemodelan dengan GLS Uji asumsi residual Model terbaik
www.themegallery.com
HASIL & PEMBAHASAN
Deskripsi Karakteristik
Variabel Mean Std. Deviasi Minimum Maksimum
Y 338117 255572 4878 968505 X1 54780 41304 925 158568 X2 1564 2439 0 9557 X3 69463 49662 1123 166584 X4 1375,6 391,2 266 2226 X5 83,28 21,64 16 124 X6 18118 16771 4 72327 X7 3000 4152 0 23380 X8 1825 1877 0 8460 X9 1096 2580 0 14326 X10 6084 10280 0 40251
www.themegallery.com
HASIL & PEMBAHASAN
8
Ria Kumala Dewi 1309100111
Identifikasi Pola Hubungan antara Variabel Respon dengan Variabel Prediktor
160000 80000 0 0 5000 100000 80000 160000 1000000 750000 500000 250000 0 2000 1000 0 1000000 750000 500000 250000 0 100 50 0 X1 X Y X2 X3 X4 X5
HASIL & PEMBAHASAN
Identifikasi Pola Hubungan antara Variabel Respon dengan Variabel Prediktor
= 5% Correlations: X1; X2; X3; X4; X5; Y X1 X2 X3 X4 X5 X2 0,661 0,000 X3 0,867 0,542 0,000 0,001 X4 0,174 0,018 0,284 0,310 0,917 0,094 X5 0,087 -0,064 0,132 0,769 0,613 0,710 0,443 0,000 Y 0,995 0,666 0,874 0,167 0,072 0,000 0,000 0,000 0,331 0,678
www.themegallery.com
HASIL & PEMBAHASAN
10
Ria Kumala Dewi 1309100111
Pemodelan dengan Metode OLS
• Model regresi OLS
Y=13881+5,82X
1+1,47X
2+0,275X
3+0,64X
4-202X
5Source DF SS MS F P
Regression 5 2,26466E+12 4,52933E+11 633,83 0,000 Error 30 21437742097 714591403
Total 35 2,28610E+12 • Uji signifikansi parameter
Variabel thitung p-value VIF Keterangan
1 23,28 0,000 5,223 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 5 -0,61 0,548 2,545 Tidak signifikan = 5% = 10% R-Sq (adj) = 98,9%
HASIL & PEMBAHASAN
• Uji asumsi residual berdistribusi normal
99 95 90 80 70 60 50 40 30 20 10 5 P e rc e n t Mean -1,62698E-10 StDev 24749 N 36 KS 0,074 P-Value >0,150
Probability Plot of RESI1
Normal
= 5% D(,n)=0,221
Berdistribusi normal
www.themegallery.com
HASIL & PEMBAHASAN
2
Ria Kumala Dewi 1309100111
• Uji asumsi residual identik
Homoskedastisitas 1000000 800000 600000 400000 200000 0 75000 50000 25000 0 -25000 -50000 Fitted Value R e si d u a l Versus Fits
(response is Y) Variabel thitung p-value
1 0,48 0,638
2 -0,15 0,885
3 0,66 0,514
4 0,08 0,939
HASIL & PEMBAHASAN
• Uji asumsi residual independen
DW = 2,62096 dU = 1,7987 4-dU = 2,2013 Ada autokorelasi 35 30 25 20 15 10 5 1 75000 50000 25000 0 -25000 -50000 Observation Order R e si d u a l Versus Order (response is Y)
www.themegallery.com
HASIL & PEMBAHASAN
4
Ria Kumala Dewi 1309100111
• Deteksi Pencilan 1000000 800000 600000 400000 200000 0 3 2 1 0 -1 -2 FITS1 S R ES 1 -2 0 2
HASIL & PEMBAHASAN
Pemodelan dengan Regresi Robust
• Model regresi robust
Y=11659,5+5,836X
1+0,251X
2+0,28X
3+1,806X
4-186,047X
5• Uji signifikansi parameter
R-Sq (adj) = 98,89%
Serentak:
Fhitung = 621,679 F(0,05;5,30) = 2,534
= 5%
Variabel thitung t(0,10;30) Keterangan
1 26,4888 1,3014 Signifikan 2 0,115531 Tidak signifikan 3 1,60795 Signifikan = 10%
www.themegallery.com
HASIL & PEMBAHASAN
6
Ria Kumala Dewi 1309100111
• Uji asumsi residual berdistribusi normal
= 5% D(0,05;36)=0,221 Berdistribusi normal 75000 50000 25000 0 -25000 -50000 99 95 90 80 70 60 50 40 30 20 10 5 1 residual P e rc e n t Mean -39,19 StDev 24892 N 36 KS 0,081 P-Value >0,150
Probability Plot of residual Normal
HASIL & PEMBAHASAN
• Uji asumsi residual identik
Homoskedastisitas 1000000 800000 600000 400000 200000 0 75000 50000 25000 0 -25000 -50000 Fits e 0
Variabel thitung p-value
1 0,20 0,842
2 0,17 0,864
3 -0,27 0,787
4 0,15 0,880
www.themegallery.com
HASIL & PEMBAHASAN
8
Ria Kumala Dewi 1309100111
• Uji asumsi residual independen
DW = 2,466 dU = 1,7987 4-dU = 2,2013 Ada autokorelasi 35 30 25 20 15 10 5 0 75000 50000 25000 0 -25000 -50000 Observation Order e 0
HASIL & PEMBAHASAN
Pemodelan dengan Generalized Least Square
• Model GLS
Y=14224,89+5,762X
1+3,479X
2+0,286X
3-8,687X
4-15,988X
5• Uji signifikansi parameter
R-Sq (adj) = 99,4%
Serentak:
Fhitung = 1202,193 F(0,05;5,30) = 2,534
= 5%
Variabel thitung t(0,10;30) Keterangan
1 29,075 1,3014 Signifikan 2 1,853 Signifikan 3 1,861 Signifikan = 10%
www.themegallery.com
HASIL & PEMBAHASAN
10
Ria Kumala Dewi 1309100111
• Uji asumsi residual berdistribusi normal
= 5% D(0,05;36)=0,221 Berdistribusi normal 50000 25000 0 -25000 -50000 99 95 90 80 70 60 50 40 30 20 10 5 1 residual P e rc e n t Mean 1,515825E-13 StDev 22930 N 36 KS 0,071 P-Value >0,150
Probability Plot of residual Normal
HASIL & PEMBAHASAN
• Uji asumsi residual identik
Homoskedastisitas 1200000 1000000 800000 600000 400000 200000 0 50000 25000 0 -25000 -50000 Fits e 0
Variabel thitung p-value
1 0,14 0,892
2 -0,34 0,733
3 1,48 0,150
4 -0,18 0,855
www.themegallery.com
HASIL & PEMBAHASAN
2
Ria Kumala Dewi 1309100111
• Uji asumsi residual independen
DW = 2,1333 dU = 1,7987 4-dU = 2,2013
Tidak ada autokorelasi
35 30 25 20 15 10 5 0 50000 25000 0 -25000 -50000 Observation order e 0
HASIL & PEMBAHASAN
• Model terbaik produksi padi Jawa Timur tahun 2012
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
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-dan-tantangan-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.
www.themegallery.com
DAFTAR PUSTAKA
8
Ria Kumala Dewi 1309100111
• 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
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.
www.themegallery.com
DAFTAR PUSTAKA
10
Ria Kumala Dewi 1309100111
• 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