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

Transkripsi

1 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 Dosen Pembimbing: Dra. Wiwiek Setya Winahju, MS

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

3 3

4 PENDAHULUAN Latar Belakang Rumusan Masalah Tujuan Permasalahan Manfaat Batasan Masalah IMPOR 4

5 PENDAHULUAN Latar Belakang Rumusan Masalah PEMERINTAH IMPOR PETANI Tujuan Permasalahan Manfaat HARGA GABAH Batasan Masalah 5

6 PENDAHULUAN Latar Belakang Rumusan Masalah Tahun ,58 juta ton Tujuan Permasalahan Manfaat Batasan Masalah Dinas Pertanian - Penurunan Luas panen - Penurunan Produktivitas - Pertambahan penduduk Produktivitas = Jumlah Produksi / Luas Areal Panen Faktor-faktor lain 6

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 faktorfaktor yang mempengaruhi produksi padi di Jawa Timur dengan menggunakan regresi robust dan GLS? 7

8 PENDAHULUAN Latar Belakang Rumusan Masalah Tujuan Permasalahan Manfaat Batasan Masalah 1 2 Mendeskripsikan karakteristik faktor-faktor yang mempengaruhi produksi padi di Jawa Timur Mendapatkan model terbaik faktor-faktor yang mempengaruhi produksi padi di Jawa Timur dengan menggunakan regresi robust dan GLS 8

9 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

10 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

11 1

12 TINJAUAN PUSTAKA Regresi Linier Berganda Regresi Robust GLS Tanaman Padi Penelitian Sebelumnya 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). Regresi Linier Berganda Metode Ordinary Least Square menduga koefisien regresi ( ) dengan meminimumkan kesalahan (error) (Draper & Smith, 1992). Model regresi berganda Model dugaan Ria 2

13 TINJAUAN PUSTAKA Regresi Linier Berganda Regresi Robust GLS Tanaman Padi Penelitian Sebelumnya Uji Serentak Uji Parsial Daerah penolakan: Daerah penolakan: Kesimpulan: koefisien regresi ( ) bermakna Kesimpulan: koefisien regresi ke-k signifikan terhadap model Model regresi telah sesuai Model regresi telah sesuai 3

14 TINJAUAN PUSTAKA Regresi Linier Berganda Regresi Robust GLS Tanaman Padi Penelitian Sebelumnya Independen Identik Distribusi Normal H 0 Residual tidak ada autokorelasi Residual homoskedastisitas Residual berdistribusi normal H 1 Residual ada autokorelasi Residual heteroskedastisitas Residual tidak berdistribusi normal Statistik uji Daerah penolakan (Tolak H 0 jika) atau Kesimpulan Residual tidak independen Residual tidak identik Residual tidak berdistribusi normal 4

15 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 R 2 (i) merupakan nilai koefisien determinasi hasil regresi antara variabel X i dengan variabel X lainnya. 5

16 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 = (X T WX) -1 X T WY 6

17 TINJAUAN PUSTAKA Regresi Linier Berganda Regresi Robust GLS Tanaman Padi Penelitian Sebelumnya 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 Generalized Least Square dengan 7

18 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 konvergen. yang 8

19 TINJAUAN PUSTAKA Regresi Linier Berganda Regresi Robust GLS Tanaman Padi Penelitian Sebelumnya 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 mm per tahun. Memerlukan intensitas sinar matahari yang cukup Tanaman Padi Suhu yang baik untuk pertumbuhan tanaman padi adalah 23 C 9

20 TINJAUAN PUSTAKA Regresi Linier Berganda Regresi Robust GLS Tanaman Padi Penelitian Sebelumnya Lukmandono (2002) Meningkatkan Variabel-variabel yang Potensial Untuk Meningkatkan Produktivitas Sektor Pertanian Tanaman Padi Provinsi Jawa Timur Norman (2004) Luas areal tanam, tenaga kerja, pupuk, dan benih. Analisis Statistik Terhadap Faktor-faktor yang Mempengaruhi Produksi Padi di Wilayah Jawa Timur Jumlah pemakaian pupuk dan harga gabah Penelitian Sebelumnya 10

21 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 1

22 2

23 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

24 METODOLOGI PENELITIAN Sumber Data Variabel Penelitian Langkah-langkah Penelitian Variabel Y X 1 X 2 X 3 X 4 X 5 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

25 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 5

26 6

27 HASIL & PEMBAHASAN Deskripsi Karakteristik Variabel Mean Std. Deviasi Minimum Maksimum Y X X X X ,6 391, X 5 83,28 21, X X X X X

28 HASIL & PEMBAHASAN Identifikasi Pola Hubungan antara Variabel Respon dengan Variabel Prediktor X1 X2 X Y X4 X X 100 8

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 Cell Contents: Pearson correlation P-Value 9

30 HASIL & PEMBAHASAN Pemodelan dengan Metode OLS Model regresi OLS Y= ,82X 1 +1,47X 2 +0,275X 3 +0,64X 4-202X 5 R-Sq (adj) = 98,9% Uji signifikansi parameter Source DF SS MS F P Regression 5 2,26466E+12 4,52933E ,83 0,000 Error Total 35 2,28610E+12 = 5% = 10% 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 10

31 HASIL & PEMBAHASAN Uji asumsi residual berdistribusi normal Percent Probability Plot of RESI1 Normal Mean -1,62698E-10 StDev N 36 KS 0,074 P-Value >0,150 = 5% D (,n) =0,221 Berdistribusi normal RESI

32 HASIL & PEMBAHASAN Uji asumsi residual identik Residual Versus Fits (response is Y) Variabel t hitung p-value 1 0,48 0, ,15 0, ,66 0, ,08 0, ,31 0, Fitted Value Homoskedastisitas 2

33 HASIL & PEMBAHASAN Uji asumsi residual independen Versus Order (response is Y) DW = 2,62096 d U = 1, d U = 2,2013 Residual Ada autokorelasi Observation Order

34 HASIL & PEMBAHASAN Deteksi Pencilan SRES FITS

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 R-Sq (adj) = 98,89% Uji signifikansi parameter = 5% Serentak: F hitung = 621,679 F (0,05;5,30) = 2,534 = 10% Variabel t hitung t (0,10;30) Keterangan 1 26,4888 Signifikan 2 0, Tidak signifikan 3 1, ,3014 Signifikan 4 0, Tidak signifikan 5-0, Tidak signifikan 5

36 HASIL & PEMBAHASAN Uji asumsi residual berdistribusi normal Percent Probability Plot of residual Normal Mean -39,19 StDev N 36 KS 0,081 P-Value >0,150 = 5% D (0,05;36) =0,221 Berdistribusi normal residual

37 HASIL & PEMBAHASAN Uji asumsi residual identik e Variabel t hitung p-value 1 0,20 0, ,17 0, ,27 0, ,15 0, ,25 0, Fits Homoskedastisitas 7

38 HASIL & PEMBAHASAN Uji asumsi residual independen DW = 2,466 d U = 1, d U = 2,2013 e Ada autokorelasi Observation Order

39 HASIL & PEMBAHASAN Model GLS Pemodelan dengan Generalized Least Square Y=14224,89+5,762X 1 +3,479X 2 +0,286X 3-8,687X 4-15,988X 5 R-Sq (adj) = 99,4% Uji signifikansi parameter = 5% Serentak: F hitung = 1202,193 F (0,05;5,30) = 2,534 = 10% Variabel t hitung t (0,10;30) Keterangan 1 29,075 Signifikan 2 1,853 Signifikan 3 1,861 1,3014 Signifikan 4-0,492 Tidak signifikan 5-0,057 Tidak signifikan 9

40 HASIL & PEMBAHASAN Uji asumsi residual berdistribusi normal Percent Probability Plot of residual Normal Mean 1,515825E-13 StDev N 36 KS 0,071 P-Value >0,150 = 5% D (0,05;36) =0,221 Berdistribusi normal residual

41 HASIL & PEMBAHASAN Uji asumsi residual identik e Variabel t hitung p-value 1 0,14 0, ,34 0, ,48 0, ,18 0, ,80 0, Fits Homoskedastisitas 1

42 HASIL & PEMBAHASAN Uji asumsi residual independen DW = 2,1333 d U = 1, d U = 2,2013 e Observation order Tidak ada autokorelasi 2

43 HASIL & PEMBAHASAN Model terbaik produksi padi Jawa Timur tahun 2012 Y=14224,89+5,762X 1 +3,479X 2 +0,286X 3-8,687X 4-15,988X 5 3

44 4

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. 5

46 6

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 Retrieved Agustus 31, 2013, from Badan Intelijen Negara: BPS. (2011). Tanaman Pangan. Retrieved Februari 3, 2013, from Badan Pusat Statistik: 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

48 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): 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),

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), 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

50 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

51 L/O/G/O Terima Kasih Ria