Dita Amelia (1309 100 009) Pembimbing : Prof. Dr. Drs. I N Budiantara, M.Si Jurusan Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya
Seminar Hasil Tugas Akhir
Analisis Faktor-Faktor yang Mempengaruhi Produksi Kedelai di Provinsi Jawa Timur dengan Metode Regresi Semiparametrik Spline
Agenda Hari Ini
Pendahuluan Tinjauan Metodologi Hasil dan Kesimpulan Pustaka Penelitian Pembahasan dan Saran
PENDAHULUAN
Latar Belakang, Rumusan Masalah, Tujuan Penelitian, Manfaat Penelitian, dan Batasan Masalah
Latar Belakang
1
Indonesia merupakan negara agraris Menghasilkan tanaman pangan seperti beras, jagung, kedelai, ubi, dan kacangkacangan.
Kedelai merupakan sumber protein nabati yang penting di Indonesia (Mursito, 2003)
Latar Belakang
2
Besarnya impor menyebabkan kehilangan Berdasarkan data dari Badan Pusat Statistik (2012), total luas panen tanaman kedelai di 33 provinsi di devisa negara yang cukup besar dan Indonesia mencapai 622.254 Ha sangat rentan terhadap Ketahanan Pangan Nasional (Dirjen Tanaman Pangan, Total produksi kedelai2012) nasional Dan sisanya dipenuhi melalui IMPOR Tahun 2011 adalah 851.286 ton. Untuk memenuhi kebutuhan kedelai tersebut, produksi dalam negeri saat ini baru mampu memenuhi ± 907.031 ton (± 41,22 %) dari kebutuhan (Dirjen Tanaman Pangan, 2012)
Latar Belakang Menurunkan bea masuk impor kedelai dari 5% menjadi 0% dalam kurun waktu Agustus-Desember 2012, negara akan kehilangan Rp 400 miliar (Dhany, 2012)
Untuk mengatasi defisit produksi diarahkan pada upaya menekan impor dan meningkatkan produksi kedelai (Handayani, dkk, 2009)
3
Latar Belakang
4
Tahun 2011, Jawa Timur memberikan kontribusi sebesar 43.49% untuk total produksi kedelai nasional (Dinas Pertanian Provinsi Jawa Timur, 2011)
Oleh karena itu akan dilakukan pemodelan terhadap produksi kedelai di Jawa Timur
Latar Belakang
5
Komalasari (2008) dan Maretha (2008) pernah melakukan penelitian tentang prediksi penawaran dan permintaan kedelai dengan menggunakan metode Analisis Deret Waktu Penelitian tentang permintaan kedelai juga dilakukan oleh Purnamasari (2006) dengan menggunakan teori permintaan penawaran serta teori elastisitas
Handayani, dkk (2009) juga melakukan studi tentang Simulasi Kebijakan Daya Saing Kedelai Lokal pada Pasar Domestik
Latar Belakang
6
Budiantara (2005) menerapkan metode regresi semiparametrik antara produksi Billet pada suatu perusahaan besi baja dengan variabel proses produksi dengan bahan baku dan lama waktu
Kadiri, dkk (2010) melakukan penelitian berjudul Marginal longitudinal semiparametric regression via penalized splines
Susianto (2008) menerapkan Model Regresi Semiparametrik Kernel untuk Menduga Produksi Padi Sawah di Jawa Tengah
Penelitian Sebelumnya
Rumusan Masalah • Bagaimanakah deskripsi jumlah produksi kedelai di Provinsi Jawa Timur beserta faktor-faktor yang diduga mempengaruhi? • Bagaimana pemodelan jumlah produksi kedelai di Provinsi Jawa Timur dengan menggunakan Regresi Semiparametrik Spline ? • Faktor-faktor apa sajakah yang mempengaruhi produksi kedelai di Provinsi Jawa Timur ? 7
Tujuan Penelitian • Mendeskripsikan jumlah produksi kedelai di Provinsi Jawa Timur beserta faktor-faktor yang diduga mempengaruhinya. • Mendapatkan pemodelan terbaik untuk produksi kedelai di Provinsi Jawa Timur dengan menggunakan Regresi Semiparametrik Spline. • Mendapatkan faktor-faktor yang mempengaruhi produksi kedelai di Provinsi Jawa Timur. 8
Manfaat Penelitian • Memberikan informasi, khususnya bagi instansi/kelembagaan terkait sebagai dasar pengambilan kebijakan/keputusan di sektor pertanian. • Sebagai pengembangan keilmuan yaitu dalam kaitannya dengan penerapan metode Regresi Semiparametrik Spline dalam bidang pemerintahan. 9
Batasan Masalah • Terdapat beberapa kabupaten/kota yang tidak menghasilkan produksi kedelai yaitu Kota Blitar, Kota Malang, dan Kota Probolinggo, sehingga data yang digunakan dalam penelitian ini hanya berasal dari 35 kabupaten/kota di Provinsi Jawa Timur
10
TINJAUAN PUSTAKA
Analisis Regresi Analisis regresi adalah suatu analisa statistika yang digunakan untuk mengetahui pola hubungan antara satu atau lebih variabel. Selain itu, analisis regresi juga dapat digunakan untuk memprediksi
11
Regresi Nonparametrik
Sumber : http://oklo.org
Bentuk kurva regresi diasumsikan tidak diketahui Data sendiri yang akan mencari bentuk estimasi dari kurva regresinya Kurva regresi dalam regresi nonparametrik diasumsikan halus (smooth) Beberapa model regresi nonparametrik yang banyak digunakan diantaranya Spline, Kernel, Deret Fourier, dan MARS
13
12
Regresi Parametrik Terdapat asumsi yang sangat kaku yaitu bentuk kurva regresi diketahui, misalnya linear, kuadratik, kubik, dan lain-lain (Budiantara, 2009)
y i = β 0 + β1 x1i + β 2 x 2i + ... + β l xli + ε i f ( xi ) = β 0 + β1 x1i + β 2 x 2i + ... + β l xli
y1 1 y 2 1 y = 1 3 y 1 n
x11 x12 x13 x1n
x 21 xl1 β 0 ε 1 x 22 xl 2 β1 ε 2 x 23 xl 3 β 2 + ε 3 x 2 n xln β L ε n
Sumber : http://scikit-learn.org
14
Regresi Semiparametrik Dalam regresi semiparametrik, terdapat dua komponen yaitu komponen parametrik dan komponen nonparametrik (Ruppert, Wand, Carrol, 2003).
Komponen parametrik dimana bentuk kurvanya diketahui, dan komponen nonparametrik dimana bentuk kurvanya tidak diketahui
p
K
f (t ) = ∑ α j t + ∑ α p + k (t − K k ) +p j
j =0
k =1
Fungsi spline linear dengan dua knot dapat dituliskan sebagai berikut. f (t ) = α 0 + α 1t + α 2 (t − K 1 )1+ + α 3 (t − K 2 )1+
Spline memiliki kemampuan untuk menangani data yang perilakunya berubah-ubah pada sub-sub interval tertentu (Budiantara, 2009)
Regresi Semiparametrik y i = xli' β + f1 (t1i ) + f 2 (t 2i ) + + f Q (t Qi ) + ε i Q
y i = x β + ∑ f q (t qi ) + ε i ' li
q =1
p
K
f q (t qi ) = ∑ α t + ∑ α ( p + k ) q (t qi − K k ) +p j =0
j jq qi
k =1
(t qi − K k ) p , t qi ≥ K k (t qi − K k ) = 0, t qi < K k p +
15
GCV (Generalized Cross Validation) GCV ( K 1 , K 2 , , K k ) =
(n
MSE ( K 1 , K 2 , , K k )
−1
)
trace[I − A( K 1 , K 2 , , K k )] n
MSE ( K 1 , K 2 , , K k ) = n −1 ∑ ( y i − yˆ i ) i =1
2
2
16
17
Uji Parameter Pengujian overall
Pengujian parsial
H 0 : β1 = = β L = α 1 = α 2 = = α Q = 0 H 1 : minimal terdapat satu β l ≠ 0 atau α q ≠ 0
H0 :αq = 0
Fhitung = Tolak
MS regresi MS residual
H 0 jika Fhitung > Ftabel
Ftabel = Fα ;( L +Q ,n −( L +Q ) −1)
H1 : α q ≠ 0 t hitung
αˆ q = s.e(αˆ q )
Tolak
H 0 jika t hitung > t tabel
ttabel = t α 2
;( n − ( L + Q ) −1)
Uji Asumsi Residual Identik
merupakan asumsi homoskedastisitas/asumsi varians sama(Gujarati, 2004) menggunakan metode formal seperti uji glejser
Independen,yaitu asumsi bahwa tidak ada korelasi antar residual. Salah satu cara untuk menguji korelasi residual yaitu dengan melihat plot ACF (Autocorrelation Function)
D = Sup F n ( x) − F0 ( x) x
18
19
Kedelai Bahan Dasar Makanan
Dibudidayakan sejak 3500 tahun yang lalu di Asia Timur Dibudidayakan di lahan sawah maupun lahan kering (ladang) Pertumbuhan kedelai dipengaruhi oleh beberapa faktor seperti tanah, pupuk, curah hujan, kelembapan, serta jenis benih yang ditanam Departemen Pertanian memasukan kedelai dalam kebijakan pengadaan pangan melalui peningkatan produksi
Produksi Kedelai Jawa Timur 43.49
50.00 40.00
35.75
36.51
37.43
30.00
Balai Benih dan Sentra Produsen Benih Di Malang dan Kediri
20.00 10.00 2008
2009
2010
2011
Kontribusi Produksi Jawa Timur Terhadap Produksi Nasional
20
METODOLOGI PENELITIAN
Sumber, Variabel, Langkah Analisis
21
Sumber Data Dinas Pertanian Provinsi Jawa Timur, Badan Ketahanan Pangan Provinsi Jawa Timur, Badan Pusat Statistik Provinsi Jawa Timur, dan Dinas PU Pengairan Provinsi Jawa Timur untuk Tahun 2011
Unit pengamatan yang digunakan adalah kabupaten / kota yang ada di Provinsi Jawa Timur yaitu sebanyak 35 kabupaten/kota.
22
Variabel Penelitian y
Produksi Kedelai
x1
Luas Panen t1
Luas Puso/Kerusakan
t2 Konsumsi Kedelai t3 Curah Hujan t4 Alokasi Pupuk Bersubsidi t5
Ketinggian Rata-rata dari Permukaan Laut
23
Struktur Data Penelitian Respon Komponen Parametrik (x) (y)
Prediktor Komponen Nonparametrik (t)
x1
t1
t5
y1
x11
t11
t51
y2
x12
t12
t52
y35
x135
t135
t535
Langkah Analisis
24
Data Produksi Kedelai
Membuat Scatterplot Antara Produksi Kedelai dengan Faktor yang Mempengaruhinya
Mendeskripsikan Data yang Diperoleh dengan Metode Statistika Deskriptif
Menetukan Tititk Knot Optimal dengan Metode GCV (Generalized Cross Validation) Melakukan Pemodelan dengan Metode Spline dengan Tititk Knot Optimal
Transformasi
Uji Signifikansi Parameter
Uji Asumsi Residual
Tidak Terpenuhi
Hasil dan Kesimpulan
HASIL DAN PEMBAHASAN
Deskripsi Produksi Kedelai di Provinsi Jawa Timur beserta Faktor-faktor yang Diduga Mempengaruhi
25
Pengelompokan jumlah produksi kedelai di masingmasing wilayah
Kab. Banyuwangi
Variabel
Rata-rata
Varians
Minimum
Maksimum
y
10486
187778751
1
61767
x1
7223
76896937
1
35150
t1
15,89
1389,57
0,00
172,00
t2
12936
59610904
1499
34485
t3
1726,8
186698,7
274,3
2307,8
t4
7175
21991547
134
16223
t5
91,7
29787,5
2,0
831,0
Plot antara Produksi Kedelai dengan Faktor-faktor yang Diduga Mempengaruhinya
26
Luas Panen (Ha)
Luas Kerusak an / Puso (Ha)
Konsumsi (Ton) 60000 45000
Produksi (Ton)
30000 15000 0 0 20000 40000 0 Curah Hujan per Tahun (mm)
80 Pupuk (Ton)
160 0
15000 30000 Tinggi dari Permuk aan (m)
60000 45000 30000 15000 0 0
1000
2000
0
8000
16000 0
400
800
Mengandung Komponen Parametrik dan Nonparametrik
Pemilihan Titik Knot Optimal
27
No.
Knot
GCV
t1
t2
t3
t4
t5
1
3,510204
2172,184
315,75
462,3469
18,91837
14709824
2
168,4898
33811,82
2266,25
15894,65
814,0816
13000513
3
38,61224
8904,02
730,75
3745,816
188,102
13781971
4
63,18367
13616,31
1021,25
6044,245
306,5306
14259599
5
98,28571
20348,14
1436,25
9327,714
475,7143
14387838
6
122,8571
25060,43
1726,75
11626,14
594,1429
15694610
7
133,3878
27079,98
1851,25
12611,18
644,898
15628454
8
147,4286
29772,71
2017,25
13924,57
712,5714
15141300
9
157,9592
31792,27
2141,75
14909,61
763,3265
13691289
10
164,9796
33138,63
2224,75
15566,31
797,1633
13771009
Pemilihan Titik Knot Optimal
28 No. 1 2 3 4 5 6 7 8 9
t1 3,510204 7,020408 3,510204 42,12245 3,510204 105,3061 3,510204 133,3878 28,08163 84,2449 66,69388 154,449 84,2449 126,3673 126,3673 133,3878 143,9184 164,9796 164,9796
t2 2172,184 2845,367 2172,184 9577,204 2172,184 21694,51 2172,184 27079,98 6884,469 17655,41 14289,49 31119,08 17655,41 25733,61 25733,61 27079,98 29099,53 33138,63 33138,63
Knot t3 315,75 357,25 315,75 772,25 315,75 1519,25 315,75 1851,25 606,25 1270,25 1062,75 2100,25 1270,25 1768,25 1768,25 1851,25 1975,75 2224,75 2224,75
t4 462,3469 790,6939 462,3469 4074,163 462,3469 9984,408 462,3469 12611,18 2760,776 8014,327 6372,592 14581,27 8014,327 11954,49 11954,49 12611,18 13596,22 15566,31 15566,31
t5 18,91837 35,83673 18,91837 205,0204 18,91837 509,551 18,91837 644,898 137,3469 408,0408 323,449 746,4082 408,0408 611,0612 611,0612 644,898 695,6531 797,1633 797,1633
GCV 21785333 21209443 22914737 23934724 21971209 20521930 24325216 12524071 19359548
Pemilihan Titik Knot Optimal
29 No. 1
2
3
4
5
6
t1 3,510204 7,020408 10,53061 7,020408 115,8367 119,3469 35,10204 66,69388 87,7551 56,16327 59,67347 143,9184 129,8776 133,3878 157,9592 161,4694 164,9796 168,4898
t2 2172,184 2845,367 3518,551 2845,367 23714,06 24387,24 8230,837 14289,49 18328,59 12269,94 12943,12 29099,53 26406,8 27079,98 31792,27 32465,45 33138,63 33811,82
Knot t3 315,75 357,25 398,75 357,25 1643,75 1685,25 689,25 1062,75 1311,75 938,25 979,75 1975,75 1809,75 1851,25 2141,75 2183,25 2224,75 2266,25
t4 462,3469 790,6939 1119,041 790,6939 10969,45 11297,8 3417,469 6372,592 8342,673 5387,551 5715,898 13596,22 12282,84 12611,18 14909,61 15237,96 15566,31 15894,65
GCV t5 18,91837 35,83673 18581016 52,7551 35,83673 560,3061 29151514 577,2245 171,1837 323,449 25271994 424,9592 272,6939 289,6122 20458561 695,6531 627,9796 644,898 10582160 763,3265 780,2449 797,1633 13743833 814,0816
Pemilihan Titik Knot Optimal
30
No. 1
t1
t2
Knot t3
168,4898
33811,82
2266,25 1768,25
2
168,4898 126,3673
3
4
5
33811,82
1851,25
26406,8 1768,25 27079,98 133,3878 1851,25 31792,27 129,8776 25733,61 1809,75 133,3878 1851,25 27079,98 157,9592 2141,75 129,8776 26406,8 133,3878 27079,98 2266,25 157,9592 31792,27
GCV t5 627,9796 15894,65 644,898 14027786 763,3265 12282,84 12611,18 814,0816 7583856 14909,61 12282,84 611,0612 12611,18 9378075 644,898 14909,61 627,9796 15894,65 644,898 17751971 763,3265 11954,49 814,0816 9507322 12611,18 t4
Merupakan nilai GCV terkecil diantara 1 knot, 2 knot, 3 knot Knot yang terpilih untuk pemodelan
Pemodelan Regresi Semiparametrik Spline dengan Titik Knot Optimal
31
yˆ i = βˆ0 + βˆ1 x1i + γˆ1t1i + γˆ2 (t1i − K1 )+ + αˆ1t 2i + αˆ 2 (t 2i − K1 )+ + δˆ1t3i + δˆ2 (t3i − K1 )+ + δˆ3 (t3i − K 2 )+ + τˆ1t 4i
+ τˆ2 (t 4i − K1 )+ + τˆ3 (t 4i − K 2 )+ + τˆ4 (t 4i − K 3 )+ + ϕˆ1t5i + ϕˆ 2 (t5i − K1 )+
yˆ i = −0,033 + 1,2892 x1i − 20,4041t1i − 0,4547(t1i − 168,4849)+ − 0,0443t 2i + 1,7249(t 2i − 33811,82)+ + 0,3547t 3i
− 22,0207(t 3i − 1768,25)+ + 29,0586(t 3i − 1851,25)+
+ 0,1655t 4i + 59,1888(t 4i − 12282,84 )+ − 69,1296(t 4i − 12611,18)+
+ 14,3224(t 4i − 14909,61)+ − 0,898t 5i − 0,34(t 5i − 814,0816)+
Uji Parameter Model Regresi
32
- Uji Overall (Serentak) Sumber Variasi df Regresi 14 Error 20 Total
SS 6277119167 114624566
MS F P-value 448365655 5731228 78,2320 0,00
34 6391743734
Terdapat minimal satu variabel yang memberikan pengaruh signifikan
Uji Parameter Model Regresi
33 - Uji Parsial Variabel Parameter β0 x1 t1 t2
β1 γ1 γ2 α1 α2 δ1
t3
δ2 δ3 τ1
t4
τ2 τ3 τ4
t5
ϕ1 ϕ2
t hitung Koefisien P-value -0,0331 -0,4213 0,6780326 1,2892 16,8513 0,00* -20,4041 -1,7080 0,1031063 -0,4547 -1,9483 0,06554504 -0,0443 -0,4872 0,6314058 1,7249 0,3137 0,7569832 0,3547 0,4790 0,6371034 -22,0207 -1,2992 0,2086451 29,0586 1,4421 0,1647521 0,1655 0,9574 0,3497933 59,1888 4,8013 0,0001086689* -69,1296 -4,7469 0,0001232661* 14,3224 3,0368 0,006512625* -0,8980 -0,3481 0,7314316 -0,3400 -2,6895 0,01409778*
*) Memberikan pengaruh yang signifikan pada alpha 0,05
Uji Asumsi Residual
34 Uji Glejser Sumber Variasi Regresi Error Total
df
SS
MS
P-value
14 33017251 2358375 20 39889093 1994455 1,182466 34 72906345
0,357
Tidak terjadi kasus Heteroskedastisitas/ identik
D0, 05;35 = 0,202
1.0 0.8
D = Sup Fn ( x) − F0 ( x) = 0.166383565
0.6
Autocorrelation
F
0.4
x
0.2
D < Dα ;n maka gagal tolak H 0
0.0 -0.2 -0.4 -0.6 -0.8
Independen
-1.0 1
5
10
15
20
Berdistribusi Normal 25
30
Lag
Plot ACF
Uji KS
Interpretasi Faktor-faktor yang Mempengaruhi Produksi Kedelai di Jawa Timur
35
Nilai koefisien determinasi sebesar 98,2% yang berarti variabel luas panen kedelai, luas puso kedelai, konsumsi kedelai, curah hujan, alokasi pupuk bersubsidi, dan ketinggian rata-rata dari permukaan laut mampu menjelaskan variabilitas produksi kedelai sebesar 98,2%
yˆ = −0,033 + 0,1655t 4 + 59,1888(t 4 − 12282,84 )+
− 69,1296(t 4 − 12611,18)+ + 14,3224(t 4 − 14909,61)+
− 0,033 + 0,1655t 4 − 727006,593 + 59,3543t 4 yˆ = 144799,236 − 9,7726t 4 − 68742,162 + 4,5498t 4
t 4 < 12282,84 ; ; 12282,84 ≤ t 4 < 12611,18 ; 12611,18 ≤ t 4 < 14909,61 t 4 ≥ 14909,61 ;
Terhadap variabel t4 dengan asumsi variabel lain konstan
yˆ = −0,033 − 0,898t5 − 0,34(t5 − 814,0816)+ − 0,033 − 0,898t 5 yˆ = 276,755 − 1,238t 5
; t 5 < 814,0816 ; t 5 ≥ 814,0816
Terhadap variabel t5 dengan asumsi variabel lain konstan
KESIMPULAN DAN SARAN
36
Kesimpulan Rata-rata produksi kedelai di Jawa Timur adalah 10486 ton selama tahun 2011 dan merupakan produksi terbesar di Indonesia. Kabupaten Banyuwangi merupakan kabupaten penghasil kedelai terbesar di Jawa Timur dengan produksi sebesar 61767 ton Model regresi semiparametrik spline yang dihasilkan adalah : yˆ = −0,033 + 1,2892 x1 − 20,4041t1 − 0,4547(t1 − 168,4849)+ − 0,0443t 2 + 1,7249(t 2 − 33811,82)+ + 0,3547t3 − 22,0207(t3 − 1768,25)+ + 29,0586(t3 − 1851,25)+ + 0,1655t 4 + 59,1888(t 4 − 12282,84)+
− 69,1296(t 4 − 12611,18)+ + 14,3224(t 4 − 14909,61)+ − 0,898t5 − 0,34(t5 − 814,0816)+
Variabel luas panen kedelai (t1), alokasi pupuk bersubsidi (t4), dan variabel ketinggian rata-rata dari permukaan laut (t5)
37
Saran
Dalam pengambilan kebijakan untuk peningkatan produksi kedelai hendaknya disesuaikan dengan wilayah yang memiliki ketinggian yang sesuai, serta mengupayakan penyediaan pupuk yang tepat, dan juga kebijakan mengenai lahan untuk penanaman kedelai. Untuk pengembangan dari penelitian ini, hendaknya menambah variabel lain yang juga diduga mempengaruhi dimana untuk saat ini masih terkendala dalam hal penyediaan data, seperti harga riil kedelai tingkat produsen, harga riil jagung tingkat produsen, harga riil benih kedelai, volume impor kedelai, dan harga riil kedelai impor. Peningkatan orde menjadi kuadratik ataupun meningkatkan jumlah titik knot yang digunakan pada variabel komponen nonparametrik.
38
Daftar Pustaka Aczel and Sounderpandian. 2008. Complete Businnes Statistics 7th Edition. McGraw-Hill Companies, Inc. New York Badan Ketahanan Pangan Provinsi Jawa Timur. 2011. Tabel Ketersediaan dan Konsumsi Komoditas Kedelai per Kabupaten/Kota Tahun 2011. Surabaya BPS. 2012. Tabel Luas Panen-Produktivitas-Produksi Tanaman Kedelai Seluruh Provinsi. Jakarta BPS Jawa Timur. 2012. Survei Pertanian Produksi Padi dan Palawija Di Jawa Timur Tahun 2011. BPS Provinsi Jawa Timur. Surabaya BPS Jawa Timur. 2012. Jawa Timur Dalam Angka 2012. BPS Provinsi Jawa Timur. Surabaya Budiantara, I. N. 2005. Model Keluarga Spline Polinomial Truncated Dalam Regresi Semiparametrik. Berkala MIPA. Vol 15, 49-59 Budiantara, I. N. 2009. Spline dalam Regresi Nonparametrik dan Semiparametrik, Sebuah Pemodelan Statistika Masa Kini dan Masa Mendatang. Pidato Pengukuhan Guru Besar. Institut Teknologi Sepuluh Nopember. Surabaya Daniel. 1989. Statistika Non Parametrik Terapan. Greamedia. Jakarta Dhany, R.R. 2012. Impor Kedelai Bebas Bea Masuk, Negara Kehilangan Rp 400 Miliar Dalam 5 Bulan. http://finance.detik.com/read. Diakses pada tanggal 10 Oktober 2012
39
Daftar Pustaka Dinas Pekerjaan Umum Pengairan Provinsi Jawa Timur. 2011. Data Curah Hujan di Seluruh Stasiun Pengamatan di P rovinsi Jawa Timur. Surabaya Dinas Pertanian Provinsi Jawa Timur. 2012. Tabel Kontribusi Jawa Timur terhadap Nasional untuk Tanaman Kedelai Tahun 1970-2011. Surabaya Dinas Pertanian Provinsi Jawa Timur. 2011. Tabel Alokasi Pupuk Bersubsidi Sektor Pertanian di Provinsi Jawa Timur. Surabaya Dirjen Tanaman Pangan. 2012. Pedoman Teknis Produksi Tanaman Kedelai. Kementerian Pertanian RI Draper, N.R., and Smith, H. 1992. Analisis Regresi Terapan. PT Gramedia Pustaka Utama. Jakarta Eubank, R. L. 1999. Nonparametric Regression and Spline Smoothing. Marcel Dekker, Inc. New York Gujarati, D. N. 2004. Basic Econometric 4th Edition. McGraw-Hill Companies, Inc. New York Handayani, D., Bantacut, T., Munandar, J. M., Budijanto, S. 2009. Simulasi Kebijakan Daya Saing Kedelai Lokal pada Pasar Domestik. J. Tek. Ind. Pertanian. Vol 19, 7-15 Kadiri, M. A., Carroll, R. J., and Wand, M. P. 2010. Marginal longitudinal semiparametric regression via penalized splines. Stat.Probab.Lett. Vol 80, 1242-1252 Komalasari, W. B. 2008. Prediksi Penawaran dan Permintaan Kedelai Dengan Analisis Deret Waktu. Informatika Pertanian. Vol 17 No. 2 Malian, A. H. 2004. Kebijakan Perdagangan Internasional Komoditas Pertanian Indonesia. Jurnal Analisis Kebijakan Pertanian. Vol 2, 135-156
40
Daftar Pustaka
Maretha, D. 2008. Peramalan Produksi dan Konsumsi Kedelai Nasional Serta Implikasinya Terhadap Strategi Pencapaian Swasembada Kedelai Nasional. Skripsi Sarjana. IPB. Bogor Martodireso, S., Suryanto, W. A. 2001. Terobosan Teknologi Pemupukan Dalam Era Pertanian Organik, Budidaya Tanaman Pangan, Holtikultura, dan Perkebunan. Kanisius. Yogyakarta Mursito, D. 2003. Heritabilitas dan Sidik Lintas Karakter Fenotipik Beberapa Galur Kedelai (Glycine Max. (L) Merrill). Skripsi Sarjana. Universitas Sebelas Maret. Surakarta Purnamasari, R. 2006. Analisis Faktor-faktor yang Mempengaruhi Produksi dan Impor Kedelai di Indonesia. Skripsi Sarjana. Institut Pertanian Bogor. Bogor Ruppert, D., Wand, M. P., and Carrol, R. J. 2003. Semiparametric Regression. Cambridge University Press. New York Sumarno. 1994. Di dalam Handayani, D., Bantacut, T., Munandar, J. M., Budijanto, S. 2009. Simulasi Kebijakan Daya Saing Kedelai Lokal pada Pasar Domestik. J. Tek. Ind. Pertanian. Vol 19, 7-15 Susianto, Y. 2008. Model Regresi Semiparametrik Kernel untuk Menduga Produksi Padi Sawah di Jawa Tengah. Tesis Program Magister. Institut Teknologi Sepuluh Nopember. Surabaya Wahba, G. 1990. Spline Models for Observation Data. Pensylvania: University of Winsconsin at Madison Walpole, R. E. 1995. Pengantar Metode Statistika. PT Gramedia Pustaka Utama. Jakarta Wikipedia. 2013. Kedelai. Diakses dari http://id.wikipedia.org/wiki/Kedelai. Hari Minggu, 3 Maret 2013. Jam 10.20 Yahya, I., Budiantara N., Fitriasari K. 2006. Analisis Regresi Semiparametrik Pada Kasus Hilangnya Respon. Jurnal Matematika. Vol. 9, 124-132
Dita Amelia (1309 100 009) Pembimbing : Prof. Dr. Drs. I N Budiantara, M.Si Jurusan Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya
Seminar Hasil Tugas Akhir
Analisis Faktor-Faktor yang Mempengaruhi Produksi Kedelai di Provinsi Jawa Timur dengan Metode Regresi Semiparametrik Spline
Terimakasih
?
Next… Q and A Session
Thank You
Mengapa Spline Luas Panen (Ha)
Luas Kerusak an / Puso (Ha)
Konsumsi (Ton) 60000
?
45000
Produksi (Ton)
30000 15000 0 0 20000 40000 0 Curah Hujan per Tahun (mm)
80 Pupuk (Ton)
160 0
15000 30000 Tinggi dari Permuk aan (m)
60000 45000 30000 15000 0 0
1000
2000
0
8000
16000 0
400
800
Mengandung Komponen Parametrik dan Komponen Nonparametrik
Pertimbangan Variabel x1
?
Luas Panen
Faktor pembentuk nilai produksi, dan juga variabel pada penelitian Handayani (2009)
t1
Informasi dari Dinas Terkait
t2
Luas Puso/Kerusakan Konsumsi Kedelai
t3 Curah Hujan
Variabel pada penelitian Handayani (2009) dan Purnamasari (2006)
t4 Alokasi Pupuk Bersubsidi t5
Ketinggian Rata-rata dari Permukaan Laut
Informasi dari pakar terkait mengenai pengaruh tanah
Pertimbangan Variabel x1
Luas Panen t1 t2
Luas Puso/Kerusakan Konsumsi Kedelai
t3 Curah Hujan
t5
?
BPS, Survei Tanaman Padi dan Palawija Tahun 2011
Badan Ketahanan Pangan Prov. Jatim Dinas PU Pengairan Prov. Jatim
t4 Alokasi Pupuk Bersubsidi
Dinas Pertanian Prov. Jatim
Ketinggian Rata-rata dari Permukaan Laut
BPS, Jawa Timur Dalam Angka 2012
Kelebihan Spline 1 2 3
?
• MARS (Multivariate Adaptive Reg. Spline) • Tingkat kerumitan tinggi karena memperhitungkan adanya kombinasi diantara variabelnya / tidak parsimoni • Kernel • Susah menyesuaikan dengan dirinya sendiri apabila mengandung banyak prediktor serta model yang dibentuk tidak dapat diinterpretasikan • Deret Fourier • Digunakan jika pola data mengikuti pola data berulang (periodik)
Kelebihan GCV (Wahba, 1999) 1 2 3
• Punya sifat optimal asymtotik (untuk sampel besar, optimal)
• GCV invariant terhadap transformasi
?
?
Rumus GCV
Matriks Head
