"DON'T LET OTHERS CONTROL YOUR LIFE, IT'S YOURS NOT THEIRS”
BAB V KESIMPULAN DAN SARAN
51 BAB V KESIMPULAN DAN SARAN
5.1
Kesimpulan Adapun kesimpulan yang didapat dari hasil analisis yaitu sebagai berikut. 1. Diagram pencar hanya menggambarkan hubungan masing-masing variabel prediktor dengan respon secara parsial. Pengaruh yang terdapat dalam model produktivitas padi tidak dapat dibandingkan secara langsung dengan diagram pencar yang dihasilkan secara univariat. Hal ini disebabkan karena faktor linearitas dalam regresi berganda dipengaruhi sebanyak prediktor secara bersama-sama. Berikut hasil pemodelan produktivitas padi di kabupaten Indramayu, Karawang, dan Subang dengan nilai MSE terkecil. Produktivitas padi periode I di Kabupaten Indramayu dipengaruhi curah hujan bulan januari sebanyak 0,005 mm/bulan, 0,005 mm/bulan pada bulan Februari, 0,004 mm/bulan pada bulan April, dan dipengaruhi negatif dengan curah hujan pada bulan Maret. Pada periode II, produktivitas padi di kabupaten Indramayu dipengaruhi curah hujan bulan Mei sebesar -0,044mm/bln, bulan Juni sebesar 0,009 mm/bln, bulan Juli sebesar -0,025 mm/bln,dan -0,116 mm/bulan pada bulan Agustus. Pada periode III, curah hujan memiliki pengaruh yang berbeda-beda terhadap produktivitas padi di Indramayu. Pengaruh sebesar 0,025 mm/bulan berasal dari curah hujan bulan September dan pada bulan oktober curah hujan belum tampak memberikan pengaruh terhadap produktivitas padi. Periode I : 53,626 0,005, 0,004, 0,007, 0,004,
Periode II : 53,997 0,044, 0,009, 0,025, 0,116 ,
52 Periode III : 57,889 0,025, 0,000, 0,028, 0,009 ,
Produktivitas padi pada periode I di kabupaten Karawang dipengaruhi curah hujan bulan Januari sebesar 0,006 mm/bulan, bulan Februari sebesar 0,002 mm/bulan, 0,013mm/bulan, dan dipengaruhi negarif pada bulan Maret. Sama halnya dengan yang terjadi di kabupaten Indramayu Model produktivitas padi pada periode II menunjukkan bahwa curah hujan bulan Mei, Juli, dan Agustus memberikan pengaruh negatif, kecuali pada bulan Juni. Periode II merupakan masa kemarau, sedangkan kadar curah hujan atau air yang dibutuhkan dalam jumlah besar untuk menjaga kestabilan angka produksi padi. Kadar curah hujan periode III pada bulan September dan Desember memberikan pengaruh positif terhadap produktivitas padi di Karawang. La Nina pernah terjadi pada Juli tahun 1998 hingga Maret 1999 dan bulan November 1999 hingga April 2000 sehingga hal tersebut turut menyebabkan angka curah hujan bulan Oktober dan November meningkat dan memberikan pengaruh negatif sebesar -0,078 mm/bulan dan -0,005 mm/bulan. Periode I : 51,272 0,006, 0,002, 0,002, 0,013 ,
Periode II : 58,092 0,067, 0,064, 0,109, 0,0029 ,
Periode III : 54,674 0,006, 0,078, 0,005, 0,022 ,
Produktivitas padi di kabupaten Subang sama halnya dengan yang terjadi di Indramayu dan Karawang. Curah hujan berpengaruh negative terhadap produktivitas padi pada bulanbulan Maret, Mei, Juni, Oktober, November, dan Desember, berikut ini persamaannya.
53 Periode I : 51,306 0,001, 0,008, 0,008, 0,005 ,
Periode II : 55,426 0,008, 0,026, 0,001, 0,015 ,
Periode III : 55,782 0,062, 0,028, 0,005, 0,006 ,
Ketiga kabupaten memiliki kesamaan dalam beberapa sisi, yaitu dalam pemodelan tampak bahwa curah hujan pada bulan ketiga setiap periodenya yaitu bulan Maret, Juli, dan November memiliki pengaruh negatif terhadap angka produktivitas. Penyebab penurunan tersebut adalah puncak dari musim kemarau dan musim penghujan, serta adanya gelombang El-Nino dan La-Nina yang mengganggu musim panen dan musim tanam padi di Indonesia. 2.
Metode yang paling sesuai dalam pemodelan hubungan produktivitas padi dengan curah hujan dalam rentang waktu 18 tahun ini adalah residual bootstrap pada kabupaten Indramayu, Karawang, dan Subang periode III, sedangkan pairs bootstrap di Kabupaten Subang periode I dan II. Signifikansi parameter yang dihasilkan menggunakan metode resampling tidak berbeda jauh dengan OLS, namun untuk beberapa periode menunjukkan jumlah parameter yang signifikan dari metode resampling lebih banyak daripada OLS. Hasil regresi pada residual bootstrap dan pairs bootstrap memberikan nilai MSE kecil daripada regresi dari metode OLS. Nilai MSE pairs bootsrap seringkali mendekati nilai MSE residual bootstrap. Hal tersebut disebabkan karena pada untuk mendapatkan nilai MSE yang kecil pada pairs bootstrap dibutuhkan sampel bootstrap dan replikasi yang besar sehingga dapat mengimbangi nilai capaian dari residual bootstrap. Pada residual bootstrap distribusi dari error sudah diketahui normal, sedangkan pada pairs bootstrap diperoleh error baru yang belum diketahui distribusinya, sehingga dibutuhkan waktu yang lama untuk
54 mendapatkan nilai terbaiknya. OLS tidak mampu memberikan estimasi yang baik dengan nilai MSE yang kecil karena jumlah sampel yang terlalu sedikit, oleh karena itu metode resampling mampu memberikan solusi yang baik bagi pemodelan hubungan ini. 5.2
Saran Saran yang dapat direkomendasikan pada penelitian selanjutnya adalah sebagai berikut. 1. Adanya penambahan data curah hujan dan variabel prediktor bidang klimatologi selain curah hujan untuk mendapatkan pemodelan yang lebih tepat. 2. Adanya penambahan jumlah replikasi dan sampel bootstrap untuk kedua metode resampling. 3. Adanya pengembangan sistem informasi untuk perhitungan pairs bootstrap dan residual bootstrap sehingga dapat mempermudah proses perhitungan. 4. Adanya penggunaan metode nonparametrik lainnya, misalnya wild bootstrap.
55
For everything there is a season Whatever begins, also ends
DAFTAR PUSTAKA
56 DAFTAR PUSTAKA
[BMKG] Badan Meteorologi, Klimatologi, dan Geofisika. 2009. www.bmg.go.id. [30 Maret 2009]. [Deptan dan BPS] Departemen Pertanian dan Badan Pusat Statistik. 2003. Buku Pedoman Petugas Kabupaten/Kota dan Propinsi, Pengumpulan Data Tanaman Pangan dan Holtikultura. Jakarta : BPS dan Departemen Pertanian. Bekti, R.D. 2009. Model Hubungan Anomali Luas Panen Padi dan Curah Hujan Terboboti (Weighted Rainfall Index) dengan Regresi Robust [Tugas Akhir]. Surabaya : Program Sarjana Jurusan Statistika ITS. Dira. 2009. Potret Pertanian Indramayu: Paradoks Lumbung Padi Jawa Barat. Indramayu Corner. http://casdiraku.wordpress.com. [10 Juni 2009] Draper, N., Smith, H. 1992. Analisis Regresi Terapan. Jakarta : PT. Gramedia Pustaka Utama. _________________. 1998. Applied Regression Analysis. New York : John Wiley & Sons, Inc. Efron, B., Tibshirani, R. 1993. An Introduction to the Bootstrap. London : Chapman and Hall. Erianto,D.2006. Surplus tapi Harga Melonjak. www.kompas.com. [25 Februari 2009]. Flachaire, E. 2003. Bootstrapping heteroskedastic regression models: wild bootstrap vs. pairs bootstrap. Paris :Universit´e Paris 1 Panth´eon-Sorbonne. Fox, J. 2002. Bootstrapping Regression Models (Appendix to An R and S-PLUS Companion to Applied Regression). Julianery,BE.2002. Agribisnis Jadi Pilihan. http://www.esero.com. [ 10 Juni 2009]
57 Kadarsah. 2007. Tiga Pola Curah Hujan Indonesia. http://kadarsah.wordpress.com/ pengunaan -ncl-dalam- analisisdata-meteorologi. [17 Maret 2009]. MacKinnon, J. G. 2002. Bootstrap Inference in Econometrics. Departement of Economics Queen’s University Kingston, Ontario,Canada. Naylor, R.S., Battisti, D.S., Vimont, D.J., Falcon, W.P. 2007a. Agricultural Decision-Making in Indonesia with ENSO Variability:Integrating Climate Science, Risk Assessment and Policy Analysis. NSF Human and Social Dimensions Program. http://fsi.stanford.edu/research/2007/. [ 11 Oktober 2008]. __________.2007b. Assessing Risk of Climate Variability and Climate Change for Indonesian Rice Agriculture. http://www.pnas.org/cgi/doi. [11 Oktober 2008]. Rahardjo, S. 2008. Perubahan Iklim Sangat Berdampak Pada Tanaman Padi. www.biotek.lipi.go .id. [ 18 Maret 2009]. Ramsey, J.B. 1969. Tests for Specification Error in Classical Linear Least Squares Regression Analysis. Journal of the Royal Statistical Society,Series B 31, 350–371 Rismayadie. 2007. Karawang dalam sudut pandang geografis dan pertanian (Sumber Tulisan dari situs Departemen Pertanian Jawa Barat). http://rismayadie.wordpress.com. [10 Juni 2009] Ryan. T.A., Jr. dan Joiner, B.L. 1976. Normal Probability Plots and Tests for Normality. Pennsylvania State University: Technical Report, Statistics Department. Sahinler, S., Topuz, D. 2007. Bootstrap and Jacknife Resampling Algortihms for Estimation of Regression Parameters. Journal of Applied Quantitative Methods. [13 Maret 2009] Shao, J., Tu, D. 1995. The Jacknife and Bootstrap. New York : Springer. Suhartono. 2008. Analisis Data Statistik Dengan R. Surabaya: Laboratorium Komputasi Statistik ITS. Sutikno. 2008. Statistical Downscaling Luaran GCM dan Pemanfaatannya untuk Peramalan Produksi Padi [Disertasi]. Bogor: Program Pascasarjana, Institut Pertanian Bogor.
58 Irawan, B. 2006. Fenomena anomali iklim el nino dan la nina:Kecenderungan jangka panjang dan penga-ruhnya trhdap produksi pangan. Forum Penelitian agro ekonomi 24:28-45.