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

(1)

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:

(2)

www.themegallery.com

AGENDA

Ria Kumala Dewi 1309100111 2

PENDAHULUAN

TINJAUAN PUSTAKA

METODOLOGI PENELITIAN

1

2

3 HASIL DAN PEMBAHASAN

4 PENUTUP

5

(3)

(4)

PENDAHULUAN

Latar Belakang Rumusan Masalah Tujuan Permasalahan Manfaat Batasan Masalah

(5)

PENDAHULUAN

IMPOR

HARGA GABAH

PEMERINTAH

_PETANI

(6)

PENDAHULUAN

Tahun 2011  10,58 juta ton

- Penurunan Luas panen - Penurunan Produktivitas - Pertambahan penduduk

Produktivitas = Jumlah Produksi / Luas Areal Panen Dinas Pertanian

(7)

PENDAHULUAN

Latar Belakang Rumusan Masalah Tujuan Permasalahan Manfaat Batasan Masalah

Bagaimana 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?

(8)

PENDAHULUAN

Latar Belakang Rumusan Masalah Tujuan Permasalahan Manfaat Batasan Masalah

Ria 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

(9)

PENDAHULUAN

Latar Belakang Rumusan Masalah Tujuan Permasalahan Manfaat Batasan Masalah

Dapat 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

(10)

PENDAHULUAN

Latar Belakang Rumusan Masalah Tujuan Permasalahan Manfaat Batasan Masalah

Data yang digunakan adalah data produksi sektor pertanian khususnya tanaman padi di Jawa Timur tahun

(11)

(12)

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

(13)

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:

(14)

TINJAUAN PUSTAKA

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

(15)

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

_i

dengan variabel X lainnya.

(16)

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:

b = (X

T

_WX)

-1

_X

T

_WY

6

Regresi Linier Berganda Regresi Robust GLS Tanaman Padi Penelitian Sebelumnya Regresi Robust

(17)

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

(18)

TINJAUAN PUSTAKA

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.

(19)

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

(20)

TINJAUAN PUSTAKA

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

(21)

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

(22)

(23)

METODOLOGI PENELITIAN

Data produksi sektor pertanian khususnya tanaman padi

Unit pengamatan: 29 kabupaten dan 7 kota di Jawa Timur

(24)

METODOLOGI PENELITIAN

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)

(25)

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

(26)

(27)

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

(28)

HASIL & PEMBAHASAN

8

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

(29)

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

(30)

HASIL & PEMBAHASAN

10

Pemodelan dengan Metode OLS

• Model regresi OLS

Y=13881+5,82X

₁

+1,47X

₂

+0,275X

₃

+0,64X

₄

-202X

₅

Source 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 t_hitung 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%

(31)

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

(32)

HASIL & PEMBAHASAN

2

• 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

(33)

HASIL & PEMBAHASAN

• Uji asumsi residual independen

DW = 2,62096 d_U = 1,7987 4-d_U = 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)

(34)

HASIL & PEMBAHASAN

4

• Deteksi Pencilan 1000000 800000 600000 400000 200000 0 3 2 1 0 -1 -2 FITS1 S R ES 1 -2 0 2

(35)

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:

F_hitung = 621,679 F_(0,05;5,30) = 2,534

 = 5%

Variabel t_hitung t_(0,10;30) Keterangan

₁ 26,4888 1,3014 Signifikan ₂ 0,115531 Tidak signifikan ₃ 1,60795 Signifikan  = 10%

(36)

HASIL & PEMBAHASAN

6

= 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

(37)

HASIL & PEMBAHASAN

Homoskedastisitas 1000000 800000 600000 400000 200000 0 75000 50000 25000 0 -25000 -50000 Fits e 0

Variabel t_hitung p-value

₁ 0,20 0,842

₂ 0,17 0,864

₃ -0,27 0,787

₄ 0,15 0,880

(38)

HASIL & PEMBAHASAN

8

DW = 2,466 d_U = 1,7987 4-d_U = 2,2013 Ada autokorelasi 35 30 25 20 15 10 5 0 75000 50000 25000 0 -25000 -50000 Observation Order e 0

(39)

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:

F_hitung = 1202,193 F_(0,05;5,30) = 2,534

 = 5%

Variabel t_hitung t_(0,10;30) Keterangan

₁ 29,075 1,3014 Signifikan ₂ 1,853 Signifikan ₃ 1,861 Signifikan  = 10%

(40)

HASIL & PEMBAHASAN

10

= 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

(41)

HASIL & PEMBAHASAN

Homoskedastisitas 1200000 1000000 800000 600000 400000 200000 0 50000 25000 0 -25000 -50000 Fits e 0

Variabel t_hitung p-value

₁ 0,14 0,892

₂ -0,34 0,733

₃ 1,48 0,150

₄ -0,18 0,855

(42)

HASIL & PEMBAHASAN

2

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

Tidak ada autokorelasi

35 30 25 20 15 10 5 0 50000 25000 0 -25000 -50000 Observation order e 0

(43)

HASIL & PEMBAHASAN

• Model terbaik produksi padi Jawa Timur tahun 2012

(44)

(45)

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.

(46)

(47)

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.

(48)

DAFTAR PUSTAKA

8

• 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

(49)

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.

(50)

DAFTAR PUSTAKA

10

• 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

(51)