SELEKSI PEUBAH DALAM PEMODELAN PDRB SEKTOR PERTANIAN DENGAN METODE REGRESI KUADRAT TERKECIL PARSIAL
ASTUTI DEWI WARAWATI
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2017
PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA* Dengan ini saya menyatakan bahwa tesis berjudul Seleksi Peubah dalam Pemodelan PDRB Sektor Pertanian dengan Metode Regresi Kuadrat Terkecil Parsial adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Januari 2017 Astuti Dewi Warawati NIM G151140271
RINGKASAN ASTUTI DEWI WARAWATI. Seleksi Peubah dalam Pemodelan PDRB Sektor Pertanian dengan Metode Regresi Kuadrat Terkecil Parsial. Dibimbing oleh BUDI SUSETYO dan UTAMI DYAH SYAFITRI. Produk Domestik Regional Bruto (PDRB) merupakan indikator penting yang berguna untuk mengetahui kondisi perekonomian di suatu daerah. Nilai PDRB diperoleh dari selisih output dengan biaya antara. Banyaknya komoditas yang terlibat dalam perhitungan tersebut lebih dari tiga ratus komoditas pertanian. Secara ekonomi, biaya yang diperlukan dalam pengumpulan ke-300 peubah tersebut relatif besar, sedangkan secara statistik dimungkinkan PDRB dapat dihitung hanya dengan sebagian dari 300 peubah yang berpengaruh. Penelitian ini bertujuan melakukan pemodelan untuk menentukan peubah penjelas yang memiliki pengaruh besar terhadap PDRB provinsi pada sektor pertanian. Penelitian ini menggunakan data sekunder yang terdiri dari data PDRB sektor pertanian tahun 2013 dan data Sensus Pertanian 2013 (ST2013). Data PDRB diperoleh dari publikasi yang dikeluarkan oleh Badan Pusat Statistik (BPS), sedangkan data Sensus Pertanian 2013 (ST2013) diunduh dari situs ST2013 yang dikelola oleh BPS. Data ST2013 tersusun atas subsektor tanaman pangan, tanaman hortikultura, perikanan, tanaman perkebunan, peternakan, dan tanaman kehutanan sejumlah 590 peubah. Amatan yang digunakan adalah semua provinsi di Indonesia. Penelitian ini menggunakan data ST2013 sebagai matriks peubah penjelas (X) dan data PDRB sebagai vektor peubah respon (y y) . Metode analisis yang biasanya digunakan dalam pemodelan adalah Metode Kuadrat Terkecil (MKT). Terdapat beberapa asumsi yang perlu dipenuhi pada MKT, salah satunya adalah tidak adanya multikolinieritas di antara peubah penjelas. Multikolinieritas terjadi ketika terdapat korelasi yang tinggi di antara peubah penjelas. Kondisi multikolinieritas juga terjadi pada data berdimensi tinggi, yaitu ketika banyaknya peubah penjelas jauh lebih besar dibandingkan dengan banyaknya amatan yang digunakan. Kondisi multikolinieritas membuat matriks informasi (X''X) tidak memiliki matriks kebalikan. Hal ini berakibat pendugaan dengan MKT, yaitu y=X(X'X)-1X''y tidak dapat dilakukan. Oleh karena itu, perlu digunakan metode lain, salah satunya adalah metode Regresi Kuadrat Terkecil Parsial (RKTP). Metode RKTP memiliki kemampuan untuk mereduksi dimensi (komponen) dari matriks data yang berdimensi lebih besar dan saling berkorelasi. Pereduksian dimensi tidak mempengaruhi banyaknya peubah penjelas yang terlibat dalam model. Hal ini dikarenakan komponen adalah kombinasi linier dari peubah penjelas dengan peubah respon pada model RKTP. Metode RKTP merupakan metode regresi yang bertujuan untuk menghasilkan dugaan peubah respon dengan memanfaatkan semua peubah penjelas. Meskipun demikian, penelitian ini akan memilih peubah penjelas yang berpengaruh besar terhadap peubah respon. Metode pemilihan peubah penjelas dilakukan dengan dua strategi, yaitu dengan regresi Least Absolute Shrinkage and Selection Operator (LASSO) dan statistik Variable Importance in the Projection (VIP). Strategi pertama dilakukan dengan penerapan regresi LASSO sebelum analisis RKTP. Regresi LASSO dipilih sebagai metode seleksi karena koefisien regresi dapat disusutkan hingga bernilai nol. Peubah penjelas yang bersesuaian dengan koefisien regresi LASSO yang
bernilai selain nol adalah peubah penjelas yang berpengaruh terhadap peubah respon. Peubah-peubah tersebut selanjutnya dimasukan ke dalam analisis RKTP. Strategi kedua dilakukan dengan penerapan satistik VIP setelah analisis RKTP. Pengambilan keputusan peubah penjelas yang berpengaruh terhadap peubah respon diambil berdasarkan kriteria ambang batas sebesar VIP=0.8 dan VIP=1.0. Suatu peubah penjelas dinyatakan memiliki pengaruh terhadap peubah respon jika VIP dari peubah penjelas tersebut melebihi nilai ambang batas yang digunakan. Berdasarkan analisis yang dilakukan, diperoleh beberapa model yang selanjutnya dipilih model terbaik. Kriteria seleksi yang digunakan dalam pemilihan peubah penjelas adalah nilai korelasi, Root Mean Square Error (RMSE), dan kemampuan model dalam menjelaskan peubah respon. Di samping itu, banyaknya peubah penjelas dan komponen yang digunakan dalam model juga dipertimbangkan. Hasil analisis menunjukan bahwa model RKTP dengan LASSO sebagai kriteria pemilihan peubah dan menggunakan dua komponen merupakan model terbaik. Kata kunci: data berdimensi tinggi, LASSO, PDRB, RKTP, VIP
SUMMARY ASTUTI DEWI WARAWATI. Variable Selection on Agricultural GRDP Modelling using Partial Least Square Regression Method. Supervised by BUDI SUSETYO and UTAMI DYAH SYAFITRI. Gross Regional Domestic Product (GRDP) is an important indicator which can be used to measure the economic status on certain area. GRDP is calculated by deducting the output by the marginal cost of certain commodities. The number of commodities used are more than three hundred commodities. Economically, the cost needed to collect 300 variables is expensive, but statistically it is possible to calculate GRDP by using some of 300 influential variables. The aim of this research is to build model and to select the important variables which have effect towards Agricultural GRDP at province level. This research used secondary data consisting the Agricultural GRDP 2013 and the Agricultural Census 2013. The Agricultural GRDP 2013 data was acquired from publication which was released by Badan Pusat Statistik (BPS), meanwhile the Agricultural Census 2013 data was downloaded from Sensus Pertanian 2013 (ST2013) site under BPS. The independent variables consisted of the variables from crops subsector, horticultures subsector, fisheries subsector, plantations subsector, live stocks subsector, and forestries subsector to the number of 590 variables. The observations used were all the provinces of Indonesia. This research used ST2013 data as the independent variables matrix (X) and the GRDP as the dependent variable vector (y). Ordinary Least Square is one of methods usually used in modelling. There are several assumptions needed to be fulfilled, for instance there is not multicollinearity among the independent variables. Multicollinearity happens when the independent variables have high correlation among the independent variables. Multicollinearity also happens in data with high dimensionality, i.e. when the number of independent variables is much larger than the number of observations. The multicollinearity makes information matrix (X''X) does not have the inverse, so the OLS estimation, y=X(X'X)-1X''y cannot be applied. The alternative method is needed, e.g. Partial Least Square Regression (PLSR). The PLSR method reduces the dimensions (components) based on high dimensionality on data matrix and its intercorelation. The dimension reduction does not have influence towards the number of the independent variables used in the model. This is because the dimension is linear combination of the independent and the dependent variables of PLSR model. The purpose of PLSR is to predict the dependent variable using all independent variables. Nevertheless, this research would like to select the independent variables which had important effect towards the dependent variable. The independent variables selection used two strategies, first by applying Least Absolute Shrinkage and Selection Operator (LASSO) and the second, by applying Variable Importance in the Projection (VIP). The first strategy was proceeded by applying LASSO before the PLSR analysis. LASSO regression was chosen as variables selection because LASSO was able to shrink the regression coefficient towards zero. The independent variables which had important effect towards the dependent variable were the ones with non-zero coefficient. Thus, those selected independent variables were used to build model GRDP using PLSR. The
second selection method was by applying VIP after PLSR analysis. The decision used to decide which independent variables had important effect towards the response was by using VIP=0.8 and VIP=1.0 as the cut-off. An independent variable had important effect towards the dependent variable if the VIP is larger than the cut-off. The next analysis was to select the best model from the built models from previous analysis. The best model was decided based on correlation, Root Mean Square Error (RMSE) and the model ability to explain the variability of response variable. The number of independent variables and components used in model were also considered to decide the best model. The result showed that the PLSR model using LASSO regression as the independent variables selector on two dimensions was the best model. Keywords: GRDP, high dimension data, LASSO, PLSR, VIP
© Hak Cipta Milik IPB, Tahun 2017 Hak Cipta Dilindungi Undang-Undang Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini dalam bentuk apa pun tanpa izin IPB
SELEKSI PEUBAH DALAM PEMODELAN PDRB SEKTOR PERTANIAN DENGAN METODE REGRESI KUADRAT TERKECIL PARSIAL
ASTUTI DEWI WARAWATI
Tesis sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Program Studi Statistika
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2017
Penguji Luar Komisi pada Ujian Tesis: Dr. Ir. Erfiani, MSi
Judul Tesis : Seleksi Peubah dalam Pemodelan PDRB Sektor Pertanian dengan Metode Regresi Kuadrat Terkecil Parsial Nama : Astuti Dewi Warawati NIM : G151140271
Disetujui oleh Komisi Pembimbing
Dr Ir Budi Susetyo, MS Ketua
Dr Utami Dyah Syafitri, SSi, MSi Anggota
Diketahui oleh
Ketua Program Studi Statistika
Dekan Sekolah Pascasarjana
Dr Ir I Made Sumertajaya, MS
Dr Ir Dahrul Syah, MScAgr
Tanggal Ujian: 25 Januari 2017
Tanggal Lulus:
PRAKATA Puji dan syukur penulis panjatkan kepada Allah SWT atas segala rahmat dan karuniaNya sehingga karya ilmiah ini dapat diselesaikan. Tema yang dipilih dalam penelitian yang dilakukan sejak bulan April 2016 adalah makroekonomi dengan judul Seleksi Peubah dalam Pemodelan PDRB Sektor Pertanian dengan Metode Regresi Kuadrat Terkecil Parsial. Terima kasih penulis ucapkan kepada bapak Dr Ir Budi Susetyo, MS selaku ketua komisi pembimbing dan ibu Dr Utami Dyah Syafitri, SSi, MSi selaku anggota komisi pembimbing atas arahan, bimbingan dan saran kepada penulis. Penulis juga mengucapkan terima kasih kepada ibu Dr Ir Erfiani, MSi selaku penguji luar komisi dan bapak Dr Ir I Made Sumertajaya, MS selaku ketua penguji pada ujian sidang yang telah memberikan saran dan masukan sehingga penulis dapat menghasilkan karya tulis yang lebih baik. Selanjutnya penulis mengucapkan terima kasih kepada Direktorat Jenderal Pendidikan Tinggi (DIKTI) atas beasiswa Fresh Graduate (FG) yang diberikan, seluruh dosen serta staf Departemen Statistika IPB atas bimbingan dan bantuannya, dan teman-teman yang selalu mengingatkan dan memberikan semangat kepada penulis. Penghargaan setinggi-tingginya penulis sampaikan kepada bapak Rebani, ibu Lestari Yuli Astuti, adik Lalan Agung Prasetyo dan serta seluruh keluarga atas segala pengorbanan, doa, dan kasih sayang kepada penulis. Semoga karya ilmiah ini dapat bermanfaat bagi khalayak luas.
Bogor, Januari 2017 Astuti Dewi Warawati
DAFTAR ISI DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
1 PENDAHULUAN Latar Belakang Tujuan Penelitian
1 1 2
2 TINJAUAN PUSTAKA Regresi Kuadrat Terkecil Parsial (RKTP) Validasi Silang Pemilihan Peubah Kriteria Pemilihan Model
2 2 3 4 6
3 METODOLOGI PENELITIAN Data Metode Analisis
7 7 8
4 HASIL DAN PEMBAHASAN Data Cleaning Eksplorasi Data RKTP Pemilihan Model Terbaik
12 12 12 13 20
5 SIMPULAN DAN SARAN Simpulan Saran
21 21 22
DAFTAR PUSTAKA
23
LAMPIRAN
25
RIWAYAT HIDUP
49
DAFTAR TABEL 1 Nilai RMSE yang dihasilkan pada proses validasi silang model LRKTPK32 2 Nilai RMSE yang dihasilkan pada proses validasi silang model RKTPVIPK32 3 Kriteria kebaikan model
14 16 20
DAFTAR GAMBAR 1 2 3 4 5 6 7 8 9 10 11 12
Skema pembagian kelompok pada validasi silang Diagram alir pada metode analisis Diagram kotak garis PDRB pada sektor pertanian 2013 Diagram scree dari model RKTP dengan LASSO sebagai kriteria penentu peubah penjelas yang berpengaruh terhadap peubah respon Diagram korelasi loadings antara peubah penjelas dengan dua komponen yang digunakan pada model L-RKTPK02 Diagram nilai loadings pada model L-RKTPK02 Diagram scree model RKTP dengan VIP sebagai kriteria pemilihan peubah penjelas Diagram pencar 590 peubah penjelas dengan batas VIP=0.8 (- -) dan VIP=1.0 (─) Diagram pencar 326 peubah penjelas dengan batas VIP=0.8 Diagram beban korelasi antara peubah penjelas dengan dua komponen yang digunakan pada model RKTP-VIP08K02 Diagram pencar 271 peubah penjelas dengan batas VIP=1.0 Diagram beban korelasi antara peubah penjelas dengan dua komponen yang digunakan pada model RKTP-VIP10K02
4 9 12 14 15 15 16 17 17 18 19 19
DAFTAR LAMPIRAN 1 Daftar peubah yang digunakan dalam penelitian 2 Daftar peubah penjelas yang digunakan pada model RKTP dengan LASSO sebagai peubah penjelas
25 47
1 PENDAHULUAN Latar Belakang Produk Domestik Regional Bruto (PDRB) merupakan indikator penting yang berguna untuk mengetahui kondisi perekonomian di suatu daerah. Angka ini diperoleh dari nilai tambah bruto seluruh barang dan jasa yang dihasilkan pada suatu wilayah sebagai akibat aktivitas ekonomi dalam periode tertentu (BPS 2015). Angka PDRB diukur pada dua level pemerintahan, yaitu pada tingkat kabupaten dan tingkat provinsi. Fokus penelitian ini adalah PDRB pada tingkat provinsi. Angka PDRB memiliki beberapa kegunaan, antara lain untuk melihat pergeseran struktur ekonomi, mengetahui pertumbuhan ekonomi di suatu daerah dari tahun ke tahun, dan untuk melihat struktur perekonomian atau peranan setiap lapangan usaha dalam menunjukan basis perekonomian pada suatu daerah. Berkaitan dengan manfaat yang terakhir, informasi tersebut dapat diperoleh dari angka PDRB berdasarkan lapangan usaha. Badan Pusat Statistik (BPS) mengelompokkan PDRB berdasarkan lapangan usaha ke dalam 17 kategori, salah satunya adalah Kategori A yang merupakan sektor pertanian. Sektor ini diperinci menjadi subsektor pertanian, peternakan, perburuan, dan jasa pertanian; subsektor perikanan; serta subsektor kehutanan dan penebangan kayu. Perhitungan angka PDRB pada sektor pertanian dilakukan dengan pendekatan produksi yang dihitung berdasarkan selisih antara output dengan biaya antara yang digunakan untuk proses produksi pada suatu sektor/subsektor (BPS Provinsi Maluku Utara 2015). Output adalah nilai barang atau jasa yang dihasilkan dalam suatu periode tertentu, sedangkan biaya antara adalah barang dan jasa tidak tahan lama yang digunakan dalam proses produksi. Perhitungan PDRB pada sektor pertanian melibatkan lebih dari 300 komoditas pertanian. Secara ekonomi, biaya yang diperlukan dalam pengumpulan ke-300 peubah tersebut relatif besar, sedangkan secara statistik dimungkinkan PDRB dapat dihitung hanya dengan sebagian dari 300 peubah yang berpengaruh. Salah satu metode statistika yang dapat digunakan dalam penentuan peubah yang berpengaruh tersebut adalah metode regresi. Metode regresi yang biasanya digunakan dalam analisis adalah Metode Kuadrat Terkecil (MKT). Analisis pemodelan dengan MKT memerlukan gugus peubah penjelas dan peubah respon. Ada beberapa asumsi yang perlu dipenuhi dalam MKT, salah satunya adalah tidak adanya multikolinieritas di antara peubah penjelas (X). Multikolinieritas merupakan kondisi ketika peubah-peubah penjelas memiliki korelasi yang relatif tinggi. Kondisi multikolinieritas juga terjadi pada data berdimensi tinggi, yaitu ketika banyaknya peubah penjelas jauh lebih besar dibandingkan dengan banyaknya amatan yang digunakan. Kondisi multikolinieritas membuat matriks informasi (X''X) tidak memiliki matriks kebalikan sehingga tidak dapat melakukan pendugaan terhadap parameter regresi dan pengujian parameter regresi. Oleh karena itu, perlu digunakan metode lain, salah satunya adalah metode Regresi Kuadrat Terkecil Parsial (RKTP). Metode RKTP merupakan metode yang mampu mereduksi dimensi. Metode ini hampir mirip dengan metode Regresi Komponen Utama (RKU), hanya saja RKTP melibatkan keragaman peubah penjelas dan peubah respon dalam
2 membangun skor komponen (Mevik & Wehrens 2007). Ada beberapa algoritme RKTP, yaitu Non-linear Iterative Partial Least Square (NIPALS), Straight Forward Implementation of Statistically Inspired Modification (SIMPLS), dan algoritme kernel. Metode RKTP biasanya diterapkan pada bidang kemometrika, ekologi, kedokteran, klimatologi, dan biologi. Penerapan RKTP pada bidang kimia dilakukan oleh Wold et al. (2001) dalam analisis data enzim. Penerapan lain dalam bidang kemometrika dilakukan oleh Wigena & Aunuddin (1998) pada analisis yang bertujuan menduga kandungan protein dalam gandum. Wigena (2011) menerapkan metode RKTP pada bidang klimatologi untuk menduga curah hujan pada beberapa stasiun curah hujan di Indramayu berdasarkan data Global Circulation Model (GCM). Metode RKTP diterapkan oleh Carascal et al. (2009) pada data ekologi karena amatan lebih sedikit dibandingkan dengan peubah yang digunakan. Tondel et al. (2011) menggunakan RKTP pada salah satu tahapan analisisnya untuk memodelkan data genetik. Metode RKTP dapat menghasilkan dugaan peubah respon dengan memanfaatkan semua peubah penjelas. Meskipun demikian, penelitian ini akan memilih peubah penjelas yang benar-benar berpengaruh terhadap respon. Proses pemilihan peubah penjelas dilakukan dengan metode regresi Least Absolute Shrinkage and Selection Operator (LASSO) dan statistik Variable Importance in the Projection (VIP).
Tujuan Penelitian Tujuan dari penelitian ini adalah sebagai berikut: 1. Mengaplikasikan RKTP untuk mengatasi data berdimensi tinggi (jumlah peubah penjelas yang lebih banyak dari pada jumlah amatan yang digunakan). 2. Menyeleksi peubah penjelas yang berpengaruh terhadap PDRB sektor pertanian dengan LASSO dan VIP.
2 TINJAUAN PUSTAKA Regresi Kuadrat Terkecil Parsial (RKTP) Metode RKTP merupakan metode regresi yang tidak memerlukan asumsi sebaran. Metode ini memiliki dua persamaan linier sehingga disebut sebagai model bilinier. Berikut ini adalah model bilinier RKTP: X=TP' +E y=Uc'+f dengan X (n×k) merupakan matriks peubah penjelas, T adalah matriks skor peubah penjelas berukuran n×a yang kolom-kolomnya berisikan vektor ta . P (k×a) adalah matriks loading dari matriks X yang kolom-kolomnya berisikan vektor loading matriks peubah penjelas pa . Matriks E merupakan matriks sisaan yang berukuran n×k . Vektor y (n×1) adalah vektor peubah respon, U merupakan matriks skor peubah respon berukuran (n×a) yang disusun oleh vektor kolom ua . Vektor c (1×a)
3 adalah vektor weight bagi vektor y. Vektor f merupakan vektor sisaan y berukuran n×1. Indeks n menunjukan banyaknya amatan, a merupakan banyaknya komponen (peubah laten) pada model RKTP, dan indeks k menunjukan banyaknya peubah penjelas. Komponen merupakan kombinasi linier dari peubah penjelas yang memiliki koragam tinggi dengan peubah respon (Akarachantachote et al. 2014). Sifat komponen tersebut saling bebas sehingga kondisi multikolinieritas dari data berdimensi tinggi dapat teratasi. Penentuan banyaknya komponen yang digunakan pada data dapat diputuskan dengan diagram scree, yaitu ketika garis pada diagram pada suatu titik lebih curam ke kiri namun landai ke kanan. Diagram scree diperoleh dari statistik tertentu yang digunakan pada proses validasi silang.
Validasi Silang Banyaknya komponen yang terlibat di dalam analisis RKTP ditentukan dengan validasi silang. Metode ini mampu memprediksi kesalahan pendugaan dalam pemodelan dengan melibatkan komponen dengan jumlah tertentu. Ada dua metode dalam validasi silang, yaitu validasi lipat-K (K-fold validation) dan metode leave-one-out (LOO) (Hastie et al. 2008). Validasi lipat-K dilakukan dengan membagi data sebanyak K kelompok dengan ukuran yang relatif sama. Sebanyak K-1 kelompok bertugas untuk membangun model dan gugus data ini disebut sebagai gugus data pemodelan. Satu kelompok sisanya digunakan sebagai gugus data validasi. Simpangan hasil pemodelan dihitung berdasarkan kedua gugus tersebut. Proses ini diulangi hingga semua kelompok data telah digunakan sebagai gugus data validasi. Proses iterasi tersebut akan menghasilkan K buah nilai simpangan yang selanjutnya digunakan untuk menghitung kesalahan prediksi pada validasi silang. Ilustrasi proses validasi silang lipat-K ditampilkan pada Gambar 1. Metode validasi LOO biasa digunakan pada data dengan jumlah amatan yang relatif kecil. Konsep metode validasi LOO hampir mirip dengan metode lipat-K dengan perbedaan yang terletak pada banyaknya kelompok validasi. Metode LOO membagi data sebanyak amatan yang terlibat, sehingga kelompok validasi yang terbentuk adalah sejumlah n. Amatan sejumlah n-1 digunakan sebagai gugus pemodelan dan satu amatan yang tidak termasuk ke dalam gugus data pemodelan digunakan sebagai data validasi. Proses ini dilakukan n kali hingga semua amatan pernah digunakan gugus validasi. Proses validasi silang diakhiri dengan perhitungan kesalahan prediksi pada validasi silang. Metode validasi silang yang digunakan pada penelitian ini adalah metode LOO. Kesalahan prediksi akan dihitung dengan Root Mean Square Error of Prediction (RMSEP). Berikut ini adalah persamaan RMSEP yang digunakan dalam validasi silang. ∑ni=1 y-ii -yi RMSEP = n
2
4
Iterasi ke-1
Kelompok 1
Kelompok 2
Gugus data validasi Iterasi ke-2
Kelompok 1
Gugus data pemodelan
Iterasi ke-K-1
Kelompok 1
…
Kelompok 1
Kelompok K
Gugus data pemodelan
Kelompok 2
…
Kelompok 2
Kelompok 2
Kelompok K-1
Kelompok K
Gugus data pemodelan
Gugus data validasi
…
Gugus data pemodelan
Iterasi ke-K
Kelompok K-1
…
Gugus data pemodelan
Kelompok K-1
Kelompok K
Gugus data validasi
Gugus data pemodelan
Kelompok K-1
Kelompok K
Gugus data validasi
Gambar 1 Skema pembagian kelompok pada validasi silang dengan y-ii merupakan prediksi peubah respon ke-i tanpa mengikutsertakan amatan ke-i dan yi menyatakan nilai peubah respon yang sesungguhnya pada amatan kei, i=1, 2, …, n (Esbensen et al. 2002). Pemilihan Peubah LASSO Metode Least Absolute Shrinkage and Selection Operator (LASSO) adalah metode regresi yang diajukan oleh Tibshirani pada tahun 1996. Metode ini merupakan solusi untuk memperbaiki hasil dugaan koefisien regresi yang dihasilkan oleh MKT (Tibshirani 1996). Nilai dugaan yang dihasilkan oleh MKT cenderung memiliki bias yang rendah namun memiliki ragam tinggi. Keakuratan dugaan parameter regresi tersebut dapat ditingkatkan dengan penyusutan beberapa koefisien regresi LASSO. Regresi LASSO memiliki asumsi bahwa amatan bersifat saling bebas dan peubah penjelas memiliki kondisi yang terbakukan. Peubah penjelas yang digunakan dalam regresi LASSO perlu ditransformasi dengan persamaan berikut
5 xij - xj sj dengan zij adalah data dalam kondisi terbakukan, xj adalah rataan peubah penjelas ke-j, dan sj adalah simpangan baku pada peubah ke-j. Data yang sudah mengalami proses transformasi memiliki nilai harapan nol dan ragam satu. Ide dasar regresi LASSO dalam menghasilkan dugaan parameter regresi adalah dengan menambahkan kendala pada solusi MKT. Misalkan terdapat gugus data dengan n amatan z i ,yi , i=1,2,…, n, dan z i = zi1 ,…,zik T merupakan peubah penjelas sebanyak k peubah. Persamaan regresi yang digunakan adalah zij =
yi = β0 +
zij βj + εi
k
j=1
dengan εi merupakan dugaan sisaan. Solusi untuk dugaan persamaan regresi dengan MKT diperoleh dengan meminimumkan jumlah sisaan kuadrat atau dapat dituliskan sebagai β min
k
n
ε2i
= min
2
yi -yi
dengan i adalah dugaan peubah respon yang diperoleh dari y = β0 - ∑kj=1 zij βj . Sehingga persamaan diperoleh jumlah kuadrat sisaan yang diminimumkan sebagai berikut β min
j=1
i=1
k
n
k
ε2i = min j=1
yi - β0 i=1
j=1
zij βj
2
Solusi LASSO diperoleh dari persamaan bagi solusi MKT ditambahkan kendala ∑kj=1 βj ≤ t dan t ≥0, dengan t adalah parameter tuning yang berpengaruh terhadap besarnya penyusutan. Sehingga solusi bagi regresi LASSO n
β
lasso
= arg min
yi -β0 -
β
k
zij βj
2
dengan kendala ∑kj=1 βj ≤ t dan t ≥0 . Persamaan tersebut juga dapat dituliskan dalam bentuk berikut i=1
β
lasso
= arg min
n
j=1
k
yi -β0 -
β
i=1
j=1
zij βj
2
k
+λ j=1
βj , λ ≥ 0 ∑ni=1 yi -β0 -
dengan λ adalah parameter kompleksitas yang mengatur besarnya penyusutan. Fungsi
∑kj=1 zij βj
tersebut 2
+λ ∑kj=1 βj
mencari
nilai
β
sehingga
fungsi
mencapai minimum. Fungsi ∑ni=1 yi -β0 - ∑kj=1 zij βj
2
akan
p selalu bernilai positif, sehingga fungsi λ ∑j=1 βj yang dapat mengatur agar fungsi
∑ni=1 yi -β0 - ∑kj=1 zij βj
2
+λ ∑kj=1 βj mencapai nilai minimum. Nilai terkecil dari
6
∑kj=1 βj adalah nol, sehingga konstanta λ yang memegang kendali agar fungsi ∑ni=1 yi -β0 - ∑kj=1 zij βj
2
+λ ∑kj=1 βj menjadi minimum. Nilai terkecil dari λ adalah
nol dan jika λ 0, maka solusi yang dihasilkan sama dengan solusi yang dihasilkan MKT. Sehingga semakin tinggi nilai λ maka parameter LASSO yang diperoleh akan semakin mendekati nol. Metode LASSO merupakan metode regresi yang dapat menyusutkan beberapa dugaan parameter regresi sehingga menjadi nol. Koefisien regresi LASSO yang mencapai nilai nol menunjukan bahwa peubah penjelas terkait tidak memiliki pengaruh penting terhadap peubah respon. Kemampuan regresi LASSO yang dapat menyusutkan dugaan koefisien regresi tersebut dapat digunakan sebagai metode seleksi peubah penjelas. Solusi persamaan LASSO tidak memiliki bentuk tertutup dan hanya dapat diperoleh dengan pemrograman kuadratik (Tibshirani 1996). Ada beberapa algoritme yang dapat digunakan pada analisis regresi LASSO, salah satunya adalah dengan memodifikasi algoritme Least Angle Regression (LARS). Hastie et al. (2008) menyebutkan bahwa algoritme LARS merupakan algoritme yang efisien untuk kasus k≫n.
Variable Importance in the Projection Variable importance in the projection (VIP) adalah salah satu metode yang digunakan untuk pemilihan peubah. Statistik ini biasanya digunakan pada pemilihan peubah dengan RKTP. Pemilihan peubah tersebut akan didasarkan atas nilai VIP yang dihitung berdasarkan persamaan berikut VIPj = k #
a
c2i t'i ti i=1
wji /‖wi ‖ %&
a
2
c2i t'i ti i=1
dengan k menunjukan banyaknya peubah penjelas yang digunakan, i=1, 2, …, a menunjukan komponen yang digunakan, ci menunjukan bobot pada vektor respon untuk komponen ke-i, dan wji menunjukan bobot matriks peubah penjelas ke-j pada komponen ke-i. Ada beberapa nilai ambang batas (cut-off) yang dapat digunakan dalam RKTP. Chong & Jun (2004) berpendapat bahwa suatu peubah penjelas memberikan pengaruh yang signifikan jika nilai VIP-nya melebihi 1.0, sedangkan Wold (1994) berpendapat bahwa suatu peubah penjelas memberikan pengaruh yang penting terhadap peubah respon jika nilai VIP-nya di atas 0.8.
Kriteria Pemilihan Model Model terbaik dipilih berdasarkan beberapa kriteria, di antaranya kemampuan model dalam menghasilkan nilai dugaan peubah respon, tingkat kesalahan, dan kesederhanaan model. Statistik yang dapat digunakan dalam pengukuran kemampuan prediksi model di antaranya adalah korelasi dan Root Mean Square Error (RMSE). Model terbaik ditunjukan dengan nilai korelasi yang paling besar namun nilai RMSE yang paling kecil. Kekuatan hubungan linier antara dua peubah dapat diukur dengan nilai korelasi. Semakin mirip hasil dugaan peubah penjelas dengan data aslinya, maka
7 nilai korelasinya mendekati satu. Berikut ini adalah formula untuk menghitung nilai korelasi ∑ni=1 yi -y yi -y rYY' = 2 2 (∑ni=1 y -y (∑ni=1 y -y i i
dengan yi menyatakan nilai sesungguhnya dan yi merupakan hasil prediksi data pemodelan pada amatan ke- i, i=1,2,…,n. Notasi y menyatakan rataan peubah respon yang sesungguhnya dan y menyatakan rataan dugaan peubah respon. RMSE adalah statistik yang dapat digunakan untuk mengukur kesalahan hasil prediksi dengan data aslinya. Berikut ini adalah rumus perhitungan RMSE (Chen & Wei 2006)
dengan i=1, 2, …, n.
1 RMSE = n
n i=1
yi -yi
2
3 METODOLOGI PENELITIAN Data Data yang digunakan dalam penelitian ini adalah data sekunder yang terdiri dari data PDRB sektor pertanian tahun 2013 dan data Sensus Pertanian 2013 (ST2013). Data PDRB diperoleh dari publikasi yang dikeluarkan oleh BPS sedangkan data Sensus Pertanian 2013 (ST2013) diunduh dari situs ST2013 yang dikelola oleh BPS. Data PDRB digunakan sebagai peubah respon sedangkan data ST2013 digunakan sebagai peubah penjelas. Data tersebut dikumpulkan pada skala provinsi sehingga banyaknya amatan yang digunakan adalah 34 provinsi. Data yang digunakan untuk memodelkan PDRB berbeda dengan data dalam perhitungan PDRB secara konvensional. Perhitungan PDRB selama ini memerlukan data harga dan kuantitas suatu komoditas. Sementara itu, penelitian ini tidak melibatkan harga namun melibatkan informasi lain terkait komoditas tersebut. Semua informasi yang terkandung di dalam data ST2013 diikutsertakan dalam pemodelan, yaitu sejumlah 590 peubah. Data ST2013 terdiri dari 85 peubah mencakup informasi umum berkaitan pertanian Indonesia, 162 peubah berasal dari subsektor tanaman pangan, 31 peubah berasal dari subsektor tanaman hortikultura, 46 peubah berasal dari subsektor perikanan, 214 peubah berasal dari subsektor perkebunan, 33 peubah berasal dari subsektor peternakan, dan 19 peubah berasal dari subsektor kehutanan. Daftar peubah yang digunakan pada penelitian ini terdapat pada Lampiran 1. Kegiatan ST2013 dilakukan dalam tiga tahap, yaitu pencacahan lengkap usaha pertanian yang dilakukan pada Mei 2013, survei pendapatan rumah tangga usaha pertanian yang dilakukan pada November 2013, dan survei struktur ongkos komoditas pertanian strategis dalam setiap subsektor pertanian yang dilakukan dari bulan Mei hingga Oktober 2014. Pendekatan PDRB yang digunakan adalah pendekatan produksi sehingga data dari survei yang terakhir tidak diikutsertakan dalam analisis.
8 Metode Analisis Gambar 2 menunjukan diagram alir metode analisis pada penelitian ini. Tahapan analisis adalah sebagai berikut: 1. Mengumpulkan data ST2013 dan data PDRB provinsi atas dasar harga berlaku menurut lapangan usaha pada sektor pertanian tahun 2013. 2. Melakukan data cleaning. 3. Melakukan eksplorasi data. 4. Melakukan pembakukan data dengan transformasi berikut Xij - µj , i=1,2,…, 34; dan j=1,2,…,590; Zij = σj dengan Zij adalah data yang sudah dibakukan pada amatan ke-i dan peubah penjelas ke-j, μj adalah rataan peubah penjelas ke-j, σj merupakan simpangan baku pada peubah penjelas ke-j. 5. Melakukan analisis data. Analisis RKTP pada penelitian ini menggunakan algoritme NIPALS (Wold et al. 2001), yaitu dengan tahapan sebagai berikut: 1) Melakukan inisialisasi vektor u dengan memanfaatkan vektor peubah respon, u=y. .
X' u
2) Menghitung pembobot matriks peubah penjelas X, yaitu w= u'u dan mengubah vektor w menjadi otonormal, w= 3) 4) 5) 6)
,(w'w) w
Menduga skor pada matriks X, yaitu t=Xw. Menghitung pembobot peubah respon, yaitu c=y' t/(t' t). Memperbarui skor pada vektor peubah respon, yaitu u=yc/(c' c). Menguji kekonvergenan berdasarkan perubahan t dengan menggunakan ‖tlama -tbaru ‖ <ε , dengan ε merupakan batas kekonvergenan yang nilainya ‖t )‖ baru
sangat kecil. Jika kondisi tersebut tidak tercapai, maka iterasi dikembalikan ke langkah 2), namun jika kondisi tersebut tercapai maka iterasi dilanjutkan ke langkah 7). Kesimpulan yang dihasilkan pada data dengan satu peubah respon bersifat konvergen sehingga analisis dapat dilanjutkan ke tahapan berikutnya. 7) Menyederhanakan matriks X dan vektor y. p=X' t/(t't) X=X-tp' y=y-tc' 8) Mengulangi proses iterasi pada komponen selanjutnya (dari langkah 1) hingga validasi silang mengindikasikan bahwa tidak terdapat informasi penting di dalam X yang berkaitan dengan y. Parameter regresi yang dihasilkan oleh analisis RKTP dengan algoritme NIPALS dapat diduga dengan persamaan berikut bRKTP =w p'w -1 (t't)-1 t'y.
9 Data Data Cleaning
Eksplorasi Data
Transformasi X ke Z ./0 1
Regresi LASSO Z terhadap Y
Pemeriksaan kebebasan antar sisaan dengan uji runtunan S t r a t e g i 1
Analisis RKTP antara Z dengan Y
VIP = 0.8
Seleksi peubah
VIP = 1.0
Y dan Z terpilih dari Regresi LASSO RKTP
Analisis model berdasarkan hasil seleksi peubah dengan regresi LASSO
Seleksi komponen berdasarkan validasi silang
Analisis dengan peubah penjelas yang memiliki pengaruh penting terhadap peubah respon
Analisis dengan peubah penjelas yang memiliki pengaruh penting terhadap peubah respon
Seleksi komponen berdasarkan validasi silang
Seleksi komponen berdasarkan validasi silang
S t r a t e g i 2
Pemilihan model terbaik
Transformasi balik dari Z ke X pada model terbaik
Gambar 2 Diagram alir pada metode analisis Analisis RKTP digunakan sebagai analisis utama dan dikombinasikan dengan metode pemilihan peubah yang terbagi ke dalam dua strategi. Strategi pertama dilakukan dengan penerapan regresi LASSO sebelum analisis RKTP sedangkan strategi kedua dilakukan dengan statistik VIP setelah analisis RKTP.
10 a. Strategi 1. Melakukan pengujian asumsi pada pada regresi LASSO sebelum melakukan analisis dengan RKTP. Berikut adalah algoritme LARS (Hastie et al. 2008) yang digunakan pada penelitian ini: 1) Melakukan inisialisasi e=y-y2 dan βj =0, j=1,2,…,k, dengan notasi e merupakan vektor sisaan dan k adalah banyaknya peubah penjelas. 2) Menemukan peubah penjelas zj yang memiliki korelasi yang paling kuat dengan e. 3) Memperbarui βj dari nilai 0 bergerak menuju koefisien kuadrat terkecil 〈zzj ,e e〉, hingga peubah kompetitor zk lain memiliki korelasi sebesar korelasi antara zj dengan sisaan saat ini. 4) Mengubah βj dan βk ke arah yang didefinisikan oleh koefisien kuadrat terkecil bersama dari sisaan sekarang pada zj ,zk , hingga beberapa peubah kompetitor zl memiliki korelasi dengan sisaan sekarang dengan besaran yang sama. 5) Mengulangi langkah-langkah tersebut hingga semua peubah penjelas k telah masuk. Solusi model penuh untuk model penuh kuadrat terkecil diperoleh setelah min (n-1,k) langkah. Algoritme LASSO memodifikasi langkah 4 dengan mengeluarkan peubah penjelas jika terdapat koefisien regresi yang nilai awalnya bukan nol mencapai nilai nol dan menghitung kembali arah kuadrat terkecil bersama. Regresi LASSO menghasilkan nilai dugaan peubah respon. Selisih antara peubah respon dengan dugaannya akan menghasilkan sisaan. Nilai tersebut selanjutnya diuji kebebasan dengan uji runtunan. Pengujian terhadap sisaan dilakukan karena terdapat asumsi pada regresi LASSO, yaitu berkaitan dengan kebasan antar amatan. Sisaan digunakan dalam pengujian karena keragaman data berasal dari sisaan dan peubah penjelas diasumsikan bersifat tetap. Hal ini berakibat keragaman peubah respon dapat diukur berdasarkan keragaman sisaan model. Hipotesis yang digunakan pada uji runtunan adalah sebagai berikut. H6 : sisaan saling bebas H8 : sisaan tidak saling bebas. Peubah penjelas yang terpilih dari regresi LASSO selanjutnya digunakan sebagai peubah penjelas pada analisis RKTP. Model yang dihasilkan disebut sebagai model L-RKTPKAA. Notasi L menunjukan bahwa model tersebut menggunakan regresi LASSO sebagai metode pemilihan peubah. Posisi notasi L yang terletak sebelum notasi RKTP berarti proses pemilihan peubah dilakukan sebelum analisis RKTP. Notasi KAA menunjukan banyaknya komponen yang terlibat di dalam model, dengan AA berupa angka yang terdiri dari dua digit. Analisis dilakukan dengan semua komponen yang mungkin diikutsertakan pada model dan dengan jumlah komponen yang lebih sedikit. b. Strategi 2. Melakukan analisis RKTP pada 590 peubah penjelas dan satu peubah respon. Analisis dilanjutkan dengan dengan pemilihan peubah penjelas
11 berdasarkan nilai VIP. Jika nilai VIP suatu peubah penjelas di atas nilai ambang batas, yaitu VIP=0.8 dan VIP=1.0, peubah penjelas tersebut memiliki pengaruh penting terhadap peubah respon. Notasi model yang dihasilkan analisis RKTP Strategi 2 dinyatakan dengan RKTP-VIPBBKAA. Notasi VIP yang terletak di belakang RKTP berarti bahwa proses pemilihan peubah dilakukan setelah analisis RKTP. Notasi BB menunjukan nilai VIP yang digunakan sebagai batas dan KAA menunjukan banyaknya komponen yang terlibat di dalam model. Analisis dilakukan dengan semua komponen yang mungkin diikutsertakan pada model dan dengan jumlah komponen yang lebih sedikit. Perangkat lunak yang digunakan dalam penelitian ini adalah perangkat lunak R dan dengan bantuan beberapa paket. Analisis RKTP dilakukan dengan paket pls. Pemilihan peubah dengan regresi LASSO menggunakan paket lars sedangkan statistik VIP tidak menggunakan paket. Nilai VIP diperoleh dari fungsi yang dikembangkan oleh Bjørn & Mevik (2007) dan fungsi tersebut berhubungan dengan paket pls. 6. Melakukan pemilihan model terbaik hasil analisis dengan Strategi 1 dan Strategi 2 berdasarkan tiga kriteria. Kriteria yang pertama adalah kemampuan model dalam menghasilkan nilai dugaan peubah respon. Statistik yang digunakan dalam kriteria ini adalah nilai korelasi dan RMSE. Suatu model semakin baik jika nilai korelasinya semakin mendekati satu namun nilai RMSEnya kecil. Nilai korelasi antara peubah respon dengan dugaannya yang mendekati berarti nilai dugaan yang dihasilkan semakin mirip dengan nilai aslinya. Sementara nilai RMSE yang semakin kecil menandakan bahwa kesalahan model dalam menghasilkan nilai dugaan juga semakin kecil. Kriteria kedua dalam penentuan model terbaik adalah kemampuan model dalam menjelaskan keragaman peubah respon dan peubah penjelas. Metode RKTP merupakan metode analisis regresi yang menghasilkan nilai dugaannya dengan memanfaatkan proses penguraian peubah dan transformasi. Proses penguraian peubah dapat dilihat dari persamaan RKTP yang merupakan model bilinier. Peubah penjelas diuraikan menjadi persamaan yang terpisah dari peubah respon. Kedua peubah tersebut mengandung komponen yang nilainya diperoleh dari kombinasi linier antara peubah penjelas dan peubah respon. Sehingga, kemampuan RKTP dalam menjelaskan peubah penjelas dan peubah respon menjadi salah satu kriteria penentu kebaikan model. Kriteria terakhir yang digunakan sebagai penentu model terbaik adalah banyaknya peubah dan komponen di dalam model yang terbentuk. Hal tersebut berkaitan dengan kesederhanaan model. Model sederhana merupakan model yang melibatkan sedikit peubah penjelas dan komponen. 7. Melakukan transformasi balik pada model terbaik yang terpilih.
12
4 HASIL DAN PEMBAHASAN Data Cleaning Proses data cleaning dilakukan pada data ST2013. Banyaknya peubah yang diperoleh dari situs Sensus Pertanian 2013 adalah sejumlah 1278 peubah. Data tersebut mengandung informasi mengenai subsektor penyusun pertanian Indonesia dan jasa pertanian. Perhitungan PDRB dengan pendekatan produksi tidak mengikutsertakan data terkait jasa pertanian, sehingga peubah-peubah tersebut dikeluarkan dari calon peubah penjelas. Jumlah calon peubah penjelas setelah peubah jasa pertanian dikeluarkan adalah 606 peubah. Proses data cleaning dilanjutkan dengan pemeriksaan calon peubah penjelas agar tidak muncul sebanyak dua kali atau lebih. Setelah diperiksa, banyaknya peubah penjelas yang digunakan dalam analisis berjumlah 590 peubah.
Eksplorasi Data Pemeriksaan pada peubah respon dilakukan pada data yang belum dibakukan dan dilakukan dengan bantuan diagram kotak garis. Berdasarkan Gambar 3, diperoleh informasi bahwa terdapat pencilan pada data PDRB sektor pertanian tahun 2013. Kriteria batas pencilan yang digunakan adalah 1.5× Jangkauan Antar Kuartil 1.5× JAK , sehingga suatu provinsi tergolong sebagai pencilan jika memiliki nilai PDRB di luar selang 9Kuartil1 -1.5× JAK, Kuartil3 +1.5× JAK: atau tidak berada di antara selang [-36821.5, 86446.5]. Provinsi yang memiliki nilai PDRB di luar selang tersebut adalah provinsi Jawa Timur, Jawa Tengah, Jawa Barat, Sumatera Utara, dan Riau. Kelima provinsi ini memiliki nilai PDRB yang relatif lebih tinggi dibandingkan provinsi lain.
200000
PDRB Sektor Pertanian 2013
Jawa Timur
150000 Jawa Tengah Riau Sumatera Utara Jawa Barat
100000
50000
0
Gambar 3 Diagram kotak garis PDRB pada sektor pertanian 2013
13 Proses eksplorasi data pada peubah penjelas tidak menggunakan diagram kotak garis. Hal ini dikarenakan terdapat 590 peubah sehingga pemeriksaan dilakukan dengan nilai terbakukan provinsi pada masing-masing peubah. Provinsi Jawa Timur, Jawa Tengah, Jawa Barat, Sumatera Utara, dan Riau memiliki nilai terbakukan yang relatif jauh dari nilai nol pada hampir semua peubah penjelas. Nilai peubah penjelas pada kelima provinsi tersebut relatif lebih tinggi dibandingkan provinsi lain. Hal ini berarti kelima provinsi tersebut menghasilkan komoditas pertanian yang relatif lebih tinggi dibandingkakn provinsi lain. Tingginya nilai PDRB pada Jawa Timur, Jawa Tengah, Jawa Barat, Sumatera Utara, dan Riau dapat dikaitkan dengan tingginya peubah penjelas pada provinsi yang bersangkutan. Karena sesuai dengan pendapat Frank & Bernanke (2004) dan Mankiw (2007), PDRB diperoleh dari hasil kali kuantitas produk dengan harganya. Berdasarkan hal ini, dapat disimpulkan bahwa semakin tinggi produk pertanian maka PDRB sektor pertanian pada wilayah tersebut akan semakin tinggi.
RKTP L-RKTP Nilai-p yang dihasilkan uji runtunan pada sisaan yang dihasilkan model regresi LASSO adalah sebesar 0.696. Kesimpulan yang diambil dengan taraf nyata 5% adalah tidak tolak H0 yang artinya sisaan LASSO bersifat saling bebas. Karena asumsi regresi LASSO sudah terpenuhi, maka analisis dilanjutkan dengan RKTP. Analisis dengan regresi LASSO menunjukan bahwa terdapat 33 peubah penjelas yang memiliki pengaruh terhadap peubah respon. Ke-33 peubah tersebut merupakan peubah dengan koefisien regresi LASSO yang nilainya tidak nol. Peubah-peubah tersebut tersusun dari 2 peubah dari subsektor pertanian umum, 5 peubah dari subsektor tanaman pangan, 4 peubah dari subsektor tanaman hortikultura, 2 peubah dari subsektor peternakan, 13 peubah dari subsektor tanaman perkebunan, 6 peubah dari subsektor perikanan, dan 1 peubah dari subsektor kehutanan. Peubah penjelas terpilih ini selanjutnya digunakan untuk memodelkan peubah respon dengan metode RKTP. Analisis dengan RKTP menunjukan bahwa terdapat 32 komponen yang terbentuk dari 33 peubah penjelas. Model ini selanjutnya disebut sebagai model LRKTPK32. Model L-RKTPK32 mampu menjelaskan 99.99% keragaman peubah penjelas dan seluruh keragaman pada peubah respon. Korelasi yang dihasilkan antara PDRB dugaan model dengan data asli PDRB sektor pertanian tahun 2013 adalah sebesar 0.997. Besarnya kesalahan yang dihasilkan model diukur dengan RMSE, yaitu sebesar 21556.08. Analisis dilanjutkan dengan pembentukan model yang lebih sederhana, yaitu dengan melibatkan jumlah komponen yang lebih sedikit. Tabel 1 menunjukan nilai RMSEP yang dihasilkan. Nilai tersebut selanjutnya digunakan untuk membangun diagram scree pada Gambar 4. Berdasarkan Gambar 4, banyaknya dimensi yang digunakan adalah sebanyak dua dimensi karena garis yang terletak pada sisi kiri pada titik komponen kedua relatif curam dan garis sebelah kanan relatif landai. Model RKTP dengan dua komponen ini selanjutnya disebut sebagai model L-RKTPK02 dengan K02 menunjukan banyaknya komponen yang digunakan, yaitu dua komponen. Model ini mampu menjelaskan keragaman peubah penjelas
14 Tabel 1 Nilai RMSE yang dihasilkan pada proses validasi silang model LRKTPK32 Banyaknya Komponen yang Digunakan
RMSEP
Banyaknya Komponen yang Digunakan
RMSEP
Banyaknya Komponen yang Digunakan
RMSEP
(Intersep) 1 2 3 4 5 6 7 8 9 10
44694 17180 12348 10280 9250 8342 7858 7344 6758 6034 5110
11 12 13 14 15 16 17 18 19 20 21
4713 4406 4330 4268 4238 4264 4346 4301 4223 4166 4061
22 23 24 25 26 27 28 29 30 31 32
4008 3978 3862 3707 3631 3620 3596 3656 3667 3695 3697
Gambar 4 Diagram scree dari model RKTP dengan LASSO sebagai kriteria penentu peubah penjelas yang berpengaruh terhadap peubah respon sebesar 46% dan peubah respon sebesar 98.56%. Kemampuan model dalam menjelaskan keragaman pada peubah respon tidak terlalu berbeda, namun relatif lebih buruk dalam menjelaskan keragaman peubah penjelas dibandingkan dengan model L-RKTPK32. Sebagian besar peubah penjelas yang digunakan dalam model L-RKTPK02 memiliki korelasi yang positif dengan kedua komponen dalam model. Hal ini ditunjukan oleh diagram korelasi pada Gambar 5. Diagram korelasi loadings tersusun oleh dua buah lingkaran dengan pusat lingkaran yang sama. Kedua lingkaran ini disebut dengan lingkaran konsentris. Lingkaran yang paling dalam menjelaskan keragaman sebesar 50% dan lingkaran luar menjelaskan keragaman sebesar 100%. Berdasarkan diagram tersebut diperoleh informasi bahwa lebih dari 50% keragaman peubah penjelas yang digunakan dalam model L-RKTPK02 dapat dijelaskan dengan dua komponen.
15
Gambar 5 Diagram korelasi loadings antara peubah penjelas dengan dua komponen yang digunakan pada model L-RKTPK02
Gambar 6 Diagram nilai loadings pada model L-RKTPK02 Profil nilai loadings yang dihasilkan model L-RKTPK02 ditampilkan pada Gambar 6. Informasi yang dapat diperoleh dari Gambar 6 adalah sebagian besar nilai loadings pada komponen satu memiliki nilai positif, sedangkan sebagian besar nilai loadings pada komponen dua bernilai negatif. Nilai loadings pada komponen kedua yang bernilai positif memiliki nilai yang relatif lebih tinggi dari pada nilai loadings pada komponen pertama. Nilai loadings yang dihasilkan tersebut digunakan dalam perhitungan dugaan koefisien regresi pada model dan pada pendugaan peubah respon. RKTP-VIP Analisis RKTP dengan perangkat lunak R menunjukan bahwa terdapat 32 komponen pada data. Model ini selanjutnya disebut sebagai model LRKTP-
16 Tabel 2 Nilai RMSE yang dihasilkan pada proses validasi silang model RKTP-VIPK32 Banyaknya Komponen yang Digunakan
RMSEP
Banyaknya Komponen yang Digunakan
RMSEP
Banyaknya Komponen yang Digunakan
RMSEP
(Intersep) 1 2 3 4 5 6 7 8 9 10
44694 24663 20729 20267 20624 20988 20902 20959 20881 20857 20836
11 12 13 14 15 16 17 18 19 20 21
20874 20916 20952 20990 20986 20998 21004 21009 21010 21012 21012
22 23 24 25 26 27 28 29 30 31 32
21012 21012 21012 21012 21012 21012 21012 21012 21012 21012 21012
Gambar 7 Diagram scree model RKTP dengan VIP sebagai kriteria pemilihan peubah penjelas VIPK32. Model ini mampu menjelaskan keragaman peubah penjelas sebesar 99.39% dan peubah respon sebesar 100%. Kemiripan hasil prediksi peubah penjelas yang diukur dengan korelasi adalah 0.881, sedangkan kesalahan prediksi yang diukur dengan RMSE adalah sebesar 122520.67 Tabel 2 menunjukan hasil validasi silang pada model RKTP-VIPK32. Nilai RMSEP yang dihasilkan tabel tersebut digunakan pada diagram scree yang terlihat pada Gambar 7. Selisih nilai RMSEP antara komponen pertama dan komponen kedua relatif lebih besar dibandingkan dengan selisih nilai RMSEP antara komponen kedua dengan komponen ketiga. Nilai RMSEP pada komponen ketiga hingga komponen terakhir relatif sama. Kondisi ini terlihat pada Gambar 7 yang menunjukan kondisi garis yang curam pada sisi kiri titik komponen kedua dan sisi yang relatif lebih landai pada sisi kanannya. Berdasarkan hal ini, banyaknya komponen yang digunakan pada model yang dibangun dari model RKTP-VIPK32
17 adalah sebanyak dua komponen. Selanjutnya, berdasarkan model RKTP-VIPK32 akan dibentuk model dengan peubah penjelas yang dianggap berpengaruh terhadap peubah respon. Seleksi peubah penjelas tersebut menggunakan nilai ambang batas VIP=0.8 dan VIP=1.0. Model RKTP dengan VIP=0.8 Pemilihan peubah dengan 32 komponen dan kriteria pemilihan peubah VIP=0.8 menunjukan bahwa terdapat 326 peubah penjelas yang memiliki pengaruh pada peubah respon (Gambar 8). Peubah-peubah tersebut digambarkan sebagai pencaran data yang berada di atas garis VIP=0.8 pada Gambar 8. Model ini selanjutnya disebut sebagai model RKTP-VIP08K32. Model dengan komponen yang lebih sederhana selanjutnya dibangun dari model RKTP-VIP08K32. Penentuan banyaknya komponen yang digunakan pada pembangunan model yang lebih sederhana berdasarkan model RKTP-VIP08K32 dilakukan dengan bantuan diagram scree. Berdasarkan diagram scree pada Gambar 7, sisi kiri pada
Gambar 8 Diagram pencar 590 peubah penjelas dengan batas VIP=0.8 (- -) dan VIP=1.0 (─)
Gambar 9 Diagram pencar 326 peubah penjelas dengan batas VIP=0.8
18
Gambar 10 Diagram beban korelasi antara peubah penjelas dengan dua komponen yang digunakan pada model RKTP-VIP08K02 titik komponen kedua menunjukan kondisi yang curam namun landai pada sisi kanannya. Sehingga banyaknya komponen yang digunakan pada model yang dibangun dari model RKTP-VIP08K32 adalah dua komponen. Model ini disebut sebagai model RKTP-VIP08K02. Berdasarkan model RKTP-VIP08K02, terdapat 218 dari 326 peubah penjelas yang memiliki pengaruh yang dianggap penting terhadap peubah respon. Ke-218 peubah tersebut merupakan pencaran data yang terletak di atas garis horizontal VIP=0.8 pada Gambar 9. Tebaran data yang berada di bawah garis tersebut dianggap tidak memberikan pengaruh yang penting terhadap peubah respon. Model RKTP-VIP08K02 mampu menjelaskan keragaman peubah penjelas sebesar 72.55% dan peubah respon sebesar 95.95%. Kemampuan model dalam penjelasan keragaman peubah penjelas dan peubah respon lebih banyak dipengaruhi oleh komponen pertama, yaitu sebesar 65.3%. Sebagian besar peubah penjelas pada model RKTP-VIP08K02 memiliki korelasi positif yang relatif kuat dengan komponen pertama, sedangkan peubah penjelas yang memiliki nilai korelasi mendekati nol dengan komponen pertama cenderung memiliki nilai korelasi positif yang cukup kuat dengan komponen kedua (Gambar 10). Model RKTP dengan VIP=1.0 Pemilihan peubah dengan nilai batas VIP=1.0 dari model RKTP-VIP32 menunjukan bahwa terdapat 271 peubah penjelas yang berpengaruh terhadap peubah respon. Berdasarkan Gambar 8, ke-271 peubah tersebut merupakan tebaran data yang berada di atas garis horizontal yang menunjukan nilai VIP=1.0. Model ini selanjutnya akan disebut sebagai model RKTP-VIP10K32. Berdasarkan model RKTP-VIP10K32 akan dibangun model baru dengan banyaknya komponen yang
19
Gambar 11 Diagram pencar 271 peubah penjelas dengan batas VIP=1.0
Gambar 12 Diagram beban korelasi antara peubah penjelas dengan dua komponen yang digunakan pada model RKTP-VIP10K02 terlibat lebih sedikit sehingga dihasilkan model yang lebih sederhana. Sesuai dengan informasi yang diperoleh dari Gambar 7, banyaknya komponen yang dilibatkan pada model yang baru adalah dua. Hal ini dikarenakan sisi kiri dari komponen dua bersifat curam dan landai di sisi kanannya. Model yang dihasilkan selanjutnya disebut sebagai model RKTP-VIP10K02. Model RKTP-VIP10K02 menunjukan bahwa terdapat 172 peubah penjelas yang mempengaruhi peubah respon. Ke-172 peubah tersebut merupakan tebaran data yang berada di atas garis VIP=1.0 pada Gambar 11. Peubah-peubah tersebut terdiri dari 56 peubah berisikan informasi umum berkaitan pertanian Indonesia, 46 peubah berasal dari subsektor tanaman pangan, 10 peubah berasal dari subsektor hortikultura, 14 peubah berasal dari subsektor peternakan, 29 peubah berasal dari tanaman perkebunan, 9 peubah dari subsektor perikanan, dan 8 peubah dari subsektor kehutanan.
20 Gambar 12 menunjukan hubungan antara 271 peubah penjelas dengan dua komponen. Sebagian besar peubah penjelas berada di luar lingkaran konsentris 50%. Hal ini berarti keragaman yang mampu dijelaskan oleh komponen pertama hampir 100%. Sementara sebagian kecil peubah penjelas mampu dijelaskan keragamannya oleh komponen kedua. Kemampuan model RKTP-VIP10K02 dalam menjelaskan keragaman peubah penjelas dengan dua komponen adalah sebesar 77.79%. Sementara itu, kemampuan model dalam menjelaskan keragaman peubah respon adalah sebesar 96.16%.
Pemilihan Model Terbaik Tiga kriteria yang digunakan dalam pemilihan peubah ditampilkan pada Tabel 3. Berdasarkan kriteria pertama, yaitu kemampuan model dalam menghasilkan nilai dugaan peubah respon, model L-RKTPK32. Hal ini dikarenakan model ini memiliki nilai korelasi yang paling tinggi dan RMSE yang paling rendah. Selain itu, model L-RKTPK32 merupakan model terbaik berdasarkan kriteria kedua. Model L-RKTPK32 mampu menjelaskan dengan paling berkaitan keragaman peubah penjelas dan peubah respon. Sementara itu, berdasarkan kriteria terakhir, yaitu kesederhanaan model, model terbaik adalah model L-RKTPK02. Meskipun banyaknya peubah penjelas yang digunakan dalam model L-RKTPK32 sama dengan model L-RKTPK02. Model L-RKTPK02 menggunakan komponen yang lebih sedikit dibandingkan model L-RKTPK32, sehingga model L-RKTPK02 lebih sederhana dari pada model L-RKTPK32. Kemampuan model L-RKTPK02 dalam menghasilkan nilai dugaan relatif hampir sama dengan model L-RKTPK32. Hal tersebut terlihat dari nilai korelasi kedua model yang relatif hampir sama. Namun kemampuan model L-RKTPK02 dalam menjelaskan keragaman peubah penjelas kurang baik, yaitu hanya sebesar 46%. Karena fokus dari penelitian ini adalah mendapatkan model model yang mampu menghasilkan nilai dugaan peubah respon dengan baik, kriteria kemampuan model dalam menjelaskan peubah respon tidak begitu diperhatikan. Kemampuan model L-RKTPK02 dalam menjelaskan keragaman peubah penjelas mendekati 100% dan nilai tersebut relatif dekat dengan model L-RKTPK32. Kemampuan model L-RKTPK02 yang dapat menjelaskan keragaman peubah respon sebesar 98.56% hanya dengan dua komponen mebuat model ini terpilih sebagai model terbaik. Tabel 3 Kriteria kebaikan model Model
Korelasi
RMSE
0.997 0.969 0.881
21556.08 72000.08 122520.67
RKTP-VIP08K32 RKTP-VIP10K32 RKTP-VIP08K02 0.920 RKTP-VIP10K02 0.928
103066.86 97616.36
L-RKTPK32 L-RKTPK02 RKTP-VIPK32
Kemampuan dalam Menjelaskan Keragaman X Y 99.99% 100% 46% 98.56% 99.39% 100%
72.55% 77.79%
95.93% 96.16%
Banyaknya X yang Terpilih 33 33
218 172
21
Berikut ini adalah persamaan model L-RKTPK02 yang diajukan oleh penulis yi = 4394.89 Z4 + 2746.13 Z61 + 5529.24 Z82 + 947.19 Z112 + 4926.60 Z137 + 3821.84 Z139 + 2404.07 Z147 + 3312.40 Z247 + 3291.80 Z275 + 925.67 Z283 + 2446.10 Z293 + 1204.82 Z300 - 890.37 Z324 + 1452.61 Z335 + 1232.52 Z346 + 1933.66 Z358 + 5565.83 Z381 + 3586.95 Z427 + 3212.52 Z460 + 228.89 Z483 - 224.87 Z491 + 416.51 Z493 + 327.57 Z513 + 967.16 Z514 + 3005.52 Z525 + 2304.84 Z536 + 1473.65 Z546 + 1177.24 Z556 + 1064.68 Z565 - 113.60 Z568 + 2580.25 Z583 + 832.47 Z832 + 2267.48 Z606 Berdasarkan persamaan tersebut, peubah penjelas yang digunakan berada dalam kondisi yang terbakukan. Oleh karena itu, diperlukan transformasi balik agar diperoleh bentuk asal peubah penjelas, yaitu sebagai berikut yi = 4394.89 Z4 + 2746.13 Z61 +…+ 2267.48 Z606
yi = 4394.89 yi = 4394.89
X4 -µ4
+ 2746.13
σ4 X4 -123.79
X61 -µ61
+ 2746.13
+…+ 2267.48
σ61 X61 -93.41
X606 -µ606
σ606 X606 -78147.97
+…+ 2267.48
yi = 4394.89 - 123.21 + 2746.13 - 170.92 +…+ 2267.48 - 218217.41 4394.89
123.21 123.79
2746.13
170.92 93.41
218217.41 78147.97
2267.48
+ 123.21 X4 + 170.92 X61 +…+ 218217.41 X606 Sehingga diperoleh persamaan yi = -42574.65 + 35.67X4 + 16.07X61 + 0.58X82 + 0.000003X112 + 2.60X137 + 7.32X139 + 0.03X147 + 0.50X247 + 0.00012X275 + 0.54X283 + 0.00034X293 + 0.02X300 - 0.06X324 + 0.49X335 + 0.05X346 + 195.07X358 + 0.00029X381 + 0.01X427 + 1.51X460 + 0.02X483 - 0.13X491 + 0.07X493 +0.09X513 + 0.56X514 + 0.09X525 + 0.00003X536 + 0.20X546 + 2.18X556 - 0.31X568 +0.45X583 + 0.60X585 + 0.01X606 dengan i=1,2, … ,34. Daftar peubah yang terpilih dalam model L-RKTPK02 tercantum pada Lampiran 2.
5 SIMPULAN DAN SARAN Simpulan Hasil analisis data menunjukan bahwa model L-RKTPK02 merupakan model yang paling baik. Hal ini diputuskan berdasarkan kemampuan model dalam menghasilkan dugaan peubah respon, kemampuan model dalam penjelasan keragaman peubah respon, dan kesederhanaan model yang dihasilkan. Banyaknya peubah penjelas yang terpilih adalah 33, yaitu 2 peubah berasal dari subsektor pertanian umum, 5 peubah dari subsektor tanaman pangan, 4 peubah dari subsektor tanaman hortikultura, 2 peubah dari subsektor peternakan, 13 peubah dari subsektor tanaman perkebunan, 6 peubah dari subsektor perikanan, dan 1 peubah berasal dari subsektor kehutanan.
22 Saran Hasil analisis dapat diperbaiki lagi dengan menerapkan analisis kekar (robust) ke dalam metode RKTP. Analisis kekar diterapkan untuk mengatasi pencilan pada data. Nilai prediksi yang dihasilkan model biasanya lebih baik setelah masalah pencilan diatasi.
23
DAFTAR PUSTAKA [BPS] Badan Pusat Statistik. 2015. Produk Domestik Regional Bruto ProvinsiProvinsi di Indonesia Menurut Lapangan Usaha 2010-2014. Jakarta (ID): BPS. [BPS Provinsi Maluku Utara]. 2015. Tabel-Tabel Pokok PDRB Provinsi Maluku Utara Menurut Lapangan Usaha 2008-2014. (ID): BPS Provinsi Maluku Utara. Akarachantachote A, Chadcham S, Saithanu K. 2014. Cutoff Threshold of Variable Importance in Projection for Variable Selection. IJPAM [Internet]. [diunduh 2016 April 19]. 94(3): 307-322. doi: 10.12732/ijpam.v94i3.2. Carascal LM, Galvan I, Gordo O. 2009. Partial Least Squares Regression as an Alternative to Current Regression Methods Used in Ecology. Oikos [Internet]. [diunduh 2016 Mei 30]. 78: 103-112. doi: 10.1111/j.1600-0706.2008.16881.x. Chen S, Wei W. 2006. Traffic Volume Forecasting Based on Wavelet Transform and Neural Networks. Wang J, Zhang Y, Zurada JM, Lu BL, Yin H, editor. Advances in Neural Networks ISNN 2006; Third International Symposium on Neural Networks [Internet]; Chengdu, Cina; 2006 Mei-Juni 28-1. [tempat tidak diketahui]: Springer. Tersedia pada: http://bit.ly/2i6rmse. Chong IG, Jun CH. 2005. Performance of Some Variable Selection Methods When Multicollinearity is Present. Chemolab [Internet]. [diunduh 2013 Juli 8]. 78: 103-112. doi: 10.1016/j.chemolab.2004.12.011 Esbensen KH, Guyot D, Westad F, Houmoller LP. 2002. An Introduction to Multivariate Data Analysis and Experimental Design. 5th ed. Oslo (NO): CAMO. Frank RH, Bernanke BS. 2004. Principles of Macro Economics. 2nd ed. New York (US): McGraw-Hill. Hastie T, Tibshirani R, Friedman J. 2008. The Elements of Statistical Learning, Data Mining, Inference, and Prediction. 2nd ed. New York (US): SpringerVerlag. Mankiw NG. 2007. Makroekonomi. 6th ed. Liza F, Nurmawan I, penerjemah; Hardani W, Barnadi D, Saat S, editor. Terjemahan dari: Macroeconomics. 6th ed. Jakarta (ID): Erlangga. Mevik BH, Wehrens R. 2007. The pls Package: Principal Component and Partial Least Squares Regression in R. Jstatsoft [Internet]. [diunduh 2016 April 18]; 8(2): 1-23. Tersedia pada: https://www.jstatsoft.org/article/view/v018i02/v18i02.pdf. Tibshirani R. 1996. Regression Shrinkage and Selection via the Lasso. JSTOR [Internet]. [diunduh 2016 April 17]; 58 (1): 267-288. Tersedia pada: http://statweb.stanford.edu/~tibs/lasso/lasso.pdf. Tondel K, Indahl UG, Gjuvsland AB, Vik JO, Hunter P, Omholt SW, Martens H. 2011. Hierarchical Cluster-Based Partial Least Square Regression (HC-PLSR) is an efficient Tool for Metamodelling of Nonlinear Dynamic Model. BMC System Biology [Internet]. [diunduh 2016 Maret 23]. 5(90): 1-17. doi: 10.1186/1752-0509-5-90. Wigena AH, Aunuddin. 1998. Metode PLS untuk Mengatasi Koliniearitas dalam Kalibrasi Ganda. FSK [Internet]. [diunduh 2016 Mei 8]. 3(1):17-19. Tersedia pada: http://journal.ipb.ac.id/index.php/statistika/article/download/2429/1425
24 Wigena AH. 2011. Regresi Kuadrat Terkecil Parsial Multi Respon untuk Statistical Downscaling (Multi Response Partial Least Square for Statistical Downscaling). FSK [Internet]. [diunduh 2013 April 12]. 16(2): 12-15. Tersedia pada: http://journal.ipb.ac.id/index.php/statistika/article/viewFile/4917/3349. Wold S, Sjöström M, Eriksson L. 2001. PLS-Regression: A Basic Tool of Chemometrics. Chem Int Laborat Syst [Internet]. [diunduh 2013 Juli 9]; 58:109130. Tersedia pada: http://www.iasbs.ac.ir/chemistry/chemometrics/history/4th/5.pdf.
25 Lampiran 1 Daftar peubah yang digunakan dalam penelitian No 1
Peubah Y
Nama Peubah PDRB atas harga berlaku menurut lapangan usaha pada tahun 2013*
Satuan Miliar rupiah
2 3 4
X3 X4 X5
Unit Unit Unit
5
X6
Jumlah usaha pertanian berdasarkan rumah tangga Jumlah usaha pertanian berdasarkan perusahaan Jumlah rumah tangga usaha pertanian pada sektor pertanian Jumlah rumah tangga usaha pertanian pada subsektor tanaman pangan
6
X7
Unit
7
X8
8
X9
9
X10
10 11
X11 X12
12 13 14 15 16
X13 X14 X15 X16 X17
Jumlah rumah tangga usaha pertanian tanaman pangan (padi) Jumlah rumah tangga usaha pertanian tanaman pangan (palawija) Jumlah rumah tangga usaha pertanian tanaman hortikultura Jumlah rumah tangga usaha pertanian tanaman perkebunan Jumlah rumah tangga usaha peternakan Jumlah rumah tangga usaha pertanian pada sub sektor perikanan Jumlah rumah tangga usaha perikanan budi daya Jumlah rumah tangga usaha perikanan tangkap Jumlah rumah tangga usaha kehutanan Jumlah rumah tangga usaha jasa pertanian Jumlah usaha pertanian sektor pertanian yang dilakukan oleh perusahaan
17
X18
Jumlah usaha pertanian pada subsektor tanaman pangan yang dilakukan oleh perusahaan
Unit
18
X19
Jumlah usaha pertanian pada sub sektor tanaman pangan (padi) yang dilakukan oleh perusahaan
Unit
19
X20
Jumlah usaha pertanian pada sub sektor tanaman pangan (palawija) yang dilakukan oleh perusahaan
Unit
20
X21
Jumlah usaha pertanian pada sub sektor hortikultura yang dilakukan oleh perusahaan
Unit
21
X22
Jumlah usaha pertanian pada sub sektor perkebunan yang dilakukan oleh perusahaan
Unit
22
X23
Jumlah usaha pertanian pada sub sektor peternakan yang dilakukan oleh perusahaan
Unit
23
X24
Jumlah usaha pertanian pada sub sektor perikanan yang dilakukan oleh perusahaan
Unit
24
X25
Jumlah usaha pertanian pada sub sektor perikanan (budi daya) yang dilakukan oleh perusahaan
Unit
25
X26
Jumlah usaha pertanian pada sub sektor perikanan (tangkap) yang dilakukan oleh perusahaan
Unit
26
X27
Jumlah usaha pertanian pada sub sektor kehutanan yang dilakukan oleh perusahaan
Unit
27
X29
Jumlah rumah tangga usaha pertanian dengan luas tanah yang dikuasai < 1000 m2
Rumah tangga
Unit
Unit Unit Unit Unit Unit Unit Unit Unit Unit Unit
26 No 28
Peubah X30
Nama Peubah Jumlah rumah tangga usaha pertanian dengan luas tanah yang dikuasai 1000-1999 m2
Satuan Rumah tangga
29
X31
Jumlah rumah tangga usaha pertanian dengan luas tanah yang dikuasai 2000-4999 m2
Rumah tangga
30
X32
Jumlah rumah tangga usaha pertanian dengan luas tanah yang dikuasai 5000-9999 m2
Rumah tangga
31
X33
Jumlah rumah tangga usaha pertanian dengan luas tanah yang dikuasai 10000 -19999 m2
Rumah tangga
32
X34
Jumlah rumah tangga usaha pertanian dengan luas tanah yang dikuasai 20000 - 29999 m2
Rumah tangga
33
X35
Jumlah rumah tangga usaha pertanian dengan luas tanah yang dikuasai >= 30000 m2
Rumah tangga
34
X36
Rumah tangga
35
X37
36 37
X38 X39
38 39 40 41
X40 X41 X42 X43
42
X44
43 44 45
X45 X46 X47
46
X48
47
X49
48 49
X50 X51
50
X52
51 52
X53 X54
Jumlah rumah tangga usaha pertanian pengguna lahan Jumlah rumah tangga usaha pertanian pertanian gurem Jumlah petani laki-laki pada sektor pertanian Jumlah petani laki-laki pada sub sektor tanaman pangan Jumlah petani laki-laki pada sub sektor hortikultura Jumlah petani laki-laki pada sub sektor perkebunan Jumlah petani laki-laki pada sub sektor peternakan Jumlah petani laki-laki pada sub sektor perikanan (budi daya) Jumlah petani laki-laki pada sub sektor perikanan (tangkap) Jumlah petani laki-laki pada sub sektor kehutanan Jumlah petani perempuan pada sektor pertanian Jumlah petani perempuan pada sub sektor tanaman pangan Jumlah petani perempuan pada sub sektor hortikultura Jumlah petani perempuan pada sub sektor perkebunan Jumlah petani perempuan pada sub sektor peternakan Jumlah petani perempuan pada sub sektor perikanan (budi daya) Jumlah petani perempuan pada sub sektor perikanan (tangkap) Jumlah petani perempuan pada sub sektor kehutanan Jumlah rumah tangga usaha pertanian yang usia kepala rumah tangganya <15 tahun
53
X55
Jumlah rumah tangga usaha pertanian yang usia kepala rumah tangganya 15-24 tahun
Jiwa
54
X56
Jumlah rumah tangga usaha pertanian yang usia kepala rumah tangganya 25-34 tahun
Jiwa
55
X57
Jumlah rumah tangga usaha pertanian yang usia kepala rumah tangganya 35-44 tahun
Jiwa
56
X58
Jumlah rumah tangga usaha pertanian yang usia kepala rumah tangganya 45-54 tahun
Jiwa
Rumah tangga Jiwa Jiwa Jiwa Jiwa Jiwa Jiwa Jiwa Jiwa Jiwa Jiwa Jiwa Jiwa Jiwa Jiwa Jiwa Jiwa Jiwa
27 No 57
Peubah X59
Nama Peubah Jumlah rumah tangga usaha pertanian yang usia kepala rumah tangganya 55-64 tahun
Satuan Jiwa
58
X60
Jumlah rumah tangga usaha pertanian yang usia kepala rumah tangganya 65+ tahun
Jiwa
59
X61
Jumlah rumah tangga usaha pertanian yang usia petani utamanya <15 tahun
Jiwa
60
X62
Jumlah rumah tangga usaha pertanian yang usia petani utamanya 15-24 tahun
Jiwa
61
X63
Jumlah rumah tangga usaha pertanian yang usia petani utamanya 25-34 tahun
Jiwa
62
X64
Jumlah rumah tangga usaha pertanian yang usia petani utamanya 35-44 tahun
Jiwa
63
X65
Jumlah rumah tangga usaha pertanian yang usia petani utamanya 45-54 tahun
Jiwa
64
X66
Jumlah rumah tangga usaha pertanian yang usia petani utamanya 55-64 tahun
Jiwa
65
X67
Jumlah rumah tangga usaha pertanian yang usia petani utamanya 65+ tahun
Jiwa
66 67 68 69 70
X68 X69 X70 X71 X72
Jumlah sapi potong Jumlah sapi perah Jumlah kerbau Jumlah sapi dan kerbau Rataan luas lahan Bukan Pertanian yang dikuasai per RT usaha pertanian menurut jenis lahan (pembagi adalah jumlah RT pertanian)
Ekor Ekor Ekor Ekor m2
71
X73
m2
72
X74
73
X75
74 75
X76 X77
Rataan luas lahan Pertanian (Sawah) yang dikuasai per RT usaha pertanian (pembagi adalah jumlah RT pertanian) Rataan luas lahan Pertanian (Bukan Sawah) yang dikuasai per RT usaha pertanian (pembagi adalah jumlah RT pertanian) Jumlah rataan lahan pertanian yang dikuasai per RT usaha pertanian (pembagi adalah jumlah RT pertanian) Jumlah lahan yang dikuasai per RT usaha pertanian Rataan luas lahan Pertanian (Sawah) yang dikuasai per RT usaha pertanian (pembagi adalah jumlah RT pertanian sesuai penguasaan lahannya)
76
X78
Rataan luas lahan Pertanian (Bukan Sawah) yang dikuasai per RT usaha pertanian (pembagi adalah jumlah RT pertanian sesuai penguasaan lahannya)
m2
77
X79
Rataan jumlah luas lahan Pertanian yang dikuasai per RT usaha pertanian (pembagi adalah jumlah RT pertanian sesuai penguasaan lahannya)
m2
78
X80
Jumlah rumah tangga jasa pertanian pada sub sektor tanaman pangan
Rumah tangga
79
X81
Rumah tangga
80
X82
Jumlah rumah tangga jasa pertanian pada sub sektor hortikultura Jumlah rumah tangga jasa pertanian pada sub sektor perkebunan
m2 m2 m2 m2
Rumah tangga
28 No 81
Peubah X83
Nama Peubah Jumlah rumah tangga jasa pertanian pada sub sektor peternakan Jumlah rumah tangga jasa pertanian pada sub sektor perikanan Jumlah rumah tangga jasa pertanian pada sub sektor kehutanan Jumlah rumah tangga usaha per jumlah rumah tangga usaha pertanian yang melakukan pengolahan hasil pertanian pada sub sektor tanaman pangan
Satuan Rumah tangga
82
X84
83
X85
84
X86
85
X87
Jumlah rumah tangga usaha per jumlah rumah tangga usaha pertanian yang melakukan pengolahan hasil pertanian pada sub sektor hortikultura
Rumah tangga
86
X88
Jumlah rumah tangga usaha per jumlah rumah tangga usaha pertanian yang melakukan pengolahan hasil pertanian pada sub sektor perkebunan
Rumah tangga
87
X89
Jumlah rumah tangga usaha per jumlah rumah tangga usaha pertanian yang melakukan pengolahan hasil pertanian pada sub sektor peternakan
Rumah tangga
88
X90
Jumlah rumah tangga usaha per jumlah rumah tangga usaha pertanian yang melakukan pengolahan hasil pertanian pada sub sektor perikanan
Rumah tangga
89
X91
Jumlah rumah tangga usaha per jumlah rumah tangga usaha pertanian yang melakukan pengolahan hasil pertanian pada sub sektor kehutanan
Rumah tangga
90
X92
Jumlah rumah tangga usaha per jumlah rumah tangga usaha pertanian yang melakukan pengolahan dari hasil pertanian hasil pertanian produksi sendiri
Rumah tangga
91
X93
Rumah tangga
92 93
X94 X95
94
X96
95
X97
96
X98
97
X99
98
X100
99
X101
100
X102
101
X103
102
X104
103
X105
Jumlah rumah tangga berdasarkan jenis tanaman tanaman pangan Jumlah rumah tangga berdasarkan jenis tanaman padi Jumlah rumah tangga berdasarkan jenis tanaman padi sawah Jumlah rumah tangga berdasarkan jenis tanaman padi ladang Jumlah rumah tangga berdasarkan jenis tanaman palawija Jumlah rumah tangga berdasarkan jenis tanaman jagung Jumlah rumah tangga berdasarkan jenis tanaman kedelai Jumlah rumah tangga berdasarkan jenis tanaman kacang tanah Jumlah rumah tangga berdasarkan jenis tanaman kacang hijau Jumlah rumah tangga berdasarkan jenis tanaman ubi kayu Jumlah rumah tangga berdasarkan jenis tanaman ubi jalar Jumlah rumah tangga berdasarkan jenis tanaman sorgum Jumlah rumah tangga berdasarkan jenis tanaman gandum
Rumah tangga Rumah tangga Rumah tangga
Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga
29 No 104 105
Peubah X106 X107
Nama Peubah Jumlah rumah tangga berdasarkan jenis tanaman talas Jumlah rumah tangga berdasarkan jenis tanaman ganyong Jumlah rumah tangga berdasarkan jenis tanaman garut Luas tanam berdasarkan tanaman pangan Luas tanam berdasarkan tanaman padi Luas tanam berdasarkan tanaman padi sawah Luas tanam berdasarkan tanaman padi ladang Luas tanam berdasarkan tanaman palawija Luas tanam berdasarkan tanaman jagung Luas tanam berdasarkan tanaman kedelai Luas tanam berdasarkan tanaman kacang tanah Luas tanam berdasarkan tanaman kacang hijau Luas tanam berdasarkan tanaman ubi kayu Luas tanam berdasarkan tanaman ubi jalar Luas tanam berdasarkan tanaman sorgum Luas tanam berdasarkan tanaman gandum Luas tanam berdasarkan tanaman talas Luas tanam berdasarkan tanaman ganyong Luas tanam berdasarkan tanaman garut Rataan luas tanam berdasarkan tanaman pangan Rataan luas tanam berdasarkan tanaman padi Rataan luas tanam berdasarkan tanaman padi sawah Rataan luas tanam berdasarkan tanaman padi ladang Rataan luas tanam berdasarkan tanaman palawija Rataan luas tanam berdasarkan tanaman jagung Rataan luas tanam berdasarkan tanaman kedelai Rataan luas tanam berdasarkan tanaman kacang tanah Rataan luas tanam berdasarkan tanaman kacang hijau Rataan luas tanam berdasarkan tanaman ubi kayu Rataan luas tanam berdasarkan tanaman ubi jalar Rataan luas tanam berdasarkan tanaman sorgum Rataan luas tanam berdasarkan tanaman gandum Rataan luas tanam berdasarkan tanaman talas Rataan luas tanam berdasarkan tanaman ganyong Rataan luas tanam berdasarkan tanaman garut Jumlah rumah tangga usaha tanaman padi sawah yang dijual seluruhnya
Satuan Rumah tangga Rumah tangga
106
X108
107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139
X109 X110 X111 X112 X113 X114 X115 X116 X117 X118 X119 X120 X121 X122 X123 X124 X125 X126 X127 X128 X129 X130 X131 X132 X133 X134 X135 X136 X137 X138 X139 X140 X141
140
X142
Jumlah rumah tangga usaha tanaman padi ladang yang dijual seluruhnya
Rumah tangga
141
X143
Rumah tangga
142
X144
Jumlah rumah tangga usaha tanaman jagung yang dijual seluruhnya Jumlah rumah tangga usaha tanaman kedelai yang dijual seluruhnya
143
X145
Jumlah rumah tangga usaha tanaman kacang tanah yang dijual seluruhnya
Rumah tangga
Rumah tangga m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 Rumah tangga
Rumah tangga
30 No 144
Peubah X146
Nama Peubah Jumlah rumah tangga usaha tanaman kacang hijau yang dijual seluruhnya
Satuan Rumah tangga
145
X147
Jumlah rumah tangga usaha tanaman ubi kayu yang dijual seluruhnya
Rumah tangga
146
X148
Jumlah rumah tangga usaha tanaman ubi jalar yang dijual seluruhnya
Rumah tangga
147
X149
Jumlah rumah tangga usaha tanaman sorgum yang dijual seluruhnya
Rumah tangga
148
X150
Jumlah rumah tangga usaha tanaman gandum yang dijual seluruhnya
Rumah tangga
149
X151
Rumah tangga
150
X152
Jumlah rumah tangga usaha tanaman talas yang dijual seluruhnya Jumlah rumah tangga usaha tanaman ganyong yang dijual seluruhnya
151
X153
152
X154
153
X155
Jumlah rumah tangga usaha tanaman padi ladang yang dijual sebagian
Rumah tangga
154
X156
Rumah tangga
155
X157
156
X158
Jumlah rumah tangga usaha tanaman jagung yang dijual sebagian Jumlah rumah tangga usaha tanaman kedelai yang dijual sebagian Jumlah rumah tangga usaha tanaman kacang tanah yang dijual sebagian
157
X159
Jumlah rumah tangga usaha tanaman kacang hijau yang dijual sebagian
Rumah tangga
158
X160
Rumah tangga
159
X161
160
X162
161
X163
162
X164
163
X165
164
X166
165
X167
166
X168
167
X169
168
X170
169
X171
Jumlah rumah tangga usaha tanaman ubi kayu yang dijual sebagian Jumlah rumah tangga usaha tanaman ubi jalar yang dijual sebagian Jumlah rumah tangga usaha tanaman sorgum yang dijual sebagian Jumlah rumah tangga usaha tanaman gandum yang dijual sebagian Jumlah rumah tangga usaha tanaman talas yang dijual sebagian Jumlah rumah tangga usaha tanaman ganyong yang dijual sebagian Jumlah rumah tangga usaha tanaman garut yang dijual sebagian Jumlah rumah tangga usaha tanaman padi sawah yang tidak dijual Jumlah rumah tangga usaha tanaman padi ladang yang tidak dijual Jumlah rumah tangga usaha tanaman jagung yang tidak dijual Jumlah rumah tangga usaha tanaman kedelai yang tidak dijual Jumlah rumah tangga usaha tanaman kacang tanah yang tidak dijual
Jumlah rumah tangga usaha tanaman garut yang dijual seluruhnya Jumlah rumah tangga usaha tanaman padi sawah yang dijual sebagian
Rumah tangga Rumah tangga Rumah tangga
Rumah tangga Rumah tangga
Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga
31 No 170
Peubah X172
Nama Peubah Jumlah rumah tangga usaha tanaman kacang hijau yang tidak dijual Jumlah rumah tangga usaha tanaman ubi kayu yang tidak dijual Jumlah rumah tangga usaha tanaman ubi jalar yang tidak dijual Jumlah rumah tangga usaha tanaman sorgum yang tidak dijual Jumlah rumah tangga usaha tanaman gandum yang tidak dijual Jumlah rumah tangga usaha tanaman talas yang tidak dijual Jumlah rumah tangga usaha tanaman ganyong yang tidak dijual Jumlah rumah tangga usaha tanaman garut yang tidak dijual Jumlah rumah tangga usaha tanaman padi sawah yang dipanen sendiri
171
X173
172
X174
173
X175
174
X176
175
X177
176
X178
177
X179
178
X180
179
X181
180
X182
181
X183
182
X184
Jumlah rumah tangga usaha tanaman padi ladang yang dipanen sendiri
Rumah tangga
183
X185
Rumah tangga
184
X186
185
X187
Jumlah rumah tangga usaha tanaman padi ladang yang ditebaskan Jumlah rumah tangga usaha tanaman padi ladang yang diijonkan Jumlah rumah tangga usaha tanaman padi ladang yang tidak/belum panen
186
X188
187
X189
188
X190
189
X191
190
X192
191
X193
192
X203
193
Jumlah rumah tangga usaha tanaman padi sawah yang ditebaskan Jumlah rumah tangga usaha tanaman padi sawah yang diijonkan Jumlah rumah tangga usaha tanaman padi sawah yang tidak/belum panen
Jumlah rumah tangga usaha tanaman padi dipanen sendiri Jumlah rumah tangga usaha tanaman padi ditebaskan Jumlah rumah tangga usaha tanaman padi diijonkan Jumlah rumah tangga usaha tanaman padi tidak/belum panen Jumlah rumah tangga usaha tanaman jagung dipanen muda Jumlah rumah tangga usaha tanaman kedelai dipanen muda Jumlah rumah tangga usaha tanaman jagung dipanen bentuk lain
Satuan Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga
Rumah tangga Rumah tangga
yang
Rumah tangga
yang
Rumah tangga
yang
Rumah tangga
yang
Rumah tangga
yang
Rumah tangga
yang
Rumah tangga
yang
Rumah tangga
X205
Jumlah rumah tangga usaha tanaman kacang tanah yang dipanen bentuk lain
Rumah tangga
194
X207
Jumlah rumah tangga usaha tanaman ubi kayu yang dipanen bentuk lain
Rumah tangga
195
X208
Jumlah rumah tangga usaha tanaman ubi jalar yang dipanen bentuk lain
Rumah tangga
32 No 196
Peubah X209
Nama Peubah Jumlah rumah tangga usaha tanaman sorgum yang dipanen bentuk lain
Satuan Rumah tangga
197
X211
Jumlah rumah tangga usaha tanaman talas yang dipanen bentuk lain
Rumah tangga
198
X214
Rumah tangga
199
X215
200
X216
Jumlah rumah tangga usaha tanaman jagung yang dipanen sendiri Jumlah rumah tangga usaha tanaman kedelai yang dipanen sendiri Jumlah rumah tangga usaha tanaman kacang tanah yang dipanen sendiri
201
X217
Jumlah rumah tangga usaha tanaman kacang hijau yang dipanen sendiri
Rumah tangga
202
X218
Rumah tangga
203
X219
204
X220
205
X221
206
X222
207
X223
208
X224
209
X225
210
X226
211
X227
Jumlah rumah tangga usaha tanaman ubi kayu yang dipanen sendiri Jumlah rumah tangga usaha tanaman ubi jalar yang dipanen sendiri Jumlah rumah tangga usaha tanaman sorgum yang dipanen sendiri Jumlah rumah tangga usaha tanaman gandum yang dipanen sendiri Jumlah rumah tangga usaha tanaman talas yang dipanen sendiri Jumlah rumah tangga usaha tanaman ganyong yang dipanen sendiri Jumlah rumah tangga usaha tanaman garut yang dipanen sendiri Jumlah rumah tangga usaha tanaman jagung yang ditebaskan Jumlah rumah tangga usaha tanaman kedelai yang ditebaskan Jumlah rumah tangga usaha tanaman kacang tanah yang ditebaskan
212
X228
213
X229
214
X230
215
X231
216
X232
217
X233
218
X234
219
X235
220
X236
221
X237
222
X238
Jumlah rumah tangga usaha tanaman kacang hijau yang ditebaskan Jumlah rumah tangga usaha tanaman ubi kayu yang ditebaskan Jumlah rumah tangga usaha tanaman ubi jalar yang ditebaskan Jumlah rumah tangga usaha tanaman sorgum yang ditebaskan Jumlah rumah tangga usaha tanaman gandum yang ditebaskan Jumlah rumah tangga usaha tanaman talas yang ditebaskan Jumlah rumah tangga usaha tanaman ganyong yang ditebaskan Jumlah rumah tangga usaha tanaman garut yang ditebaskan Jumlah rumah tangga usaha tanaman jagung yang diijonkan Jumlah rumah tangga usaha tanaman kedelai yang diijonkan Jumlah rumah tangga usaha tanaman kacang tanah yang diijonkan
Rumah tangga Rumah tangga
Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga
33 No 223
Peubah X239
Nama Peubah Jumlah rumah tangga usaha tanaman kacang hijau yang diijonkan Jumlah rumah tangga usaha tanaman ubi kayu yang diijonkan Jumlah rumah tangga usaha tanaman ubi jalar yang diijonkan Jumlah rumah tangga usaha tanaman sorgum yang diijonkan Jumlah rumah tangga usaha tanaman talas yang diijonkan Jumlah rumah tangga usaha tanaman ganyong yang diijonkan Jumlah rumah tangga usaha tanaman garut yang diijonkan Jumlah rumah tangga usaha tanaman jagung yang tidak/belum dipanen
Satuan Rumah tangga
224
X240
225
X241
226
X242
227
X244
228
X245
229
X246
230
X247
231
X248
Jumlah rumah tangga usaha tanaman kedelai yang tidak/belum dipanen
Rumah tangga
232
X249
Jumlah rumah tangga usaha tanaman kacang tanah yang tidak/belum dipanen
Rumah tangga
233
X250
Jumlah rumah tangga usaha tanaman kacang hijau yang tidak/belum dipanen
Rumah tangga
234
X251
Jumlah rumah tangga usaha tanaman ubi kayu yang tidak/belum dipanen
Rumah tangga
235
X252
Jumlah rumah tangga usaha tanaman ubi jalar yang tidak/belum dipanen
Rumah tangga
236
X253
Jumlah rumah tangga usaha tanaman sorgum yang tidak/belum dipanen
Rumah tangga
237
X254
Jumlah rumah tangga usaha tanaman gandum yang tidak/belum dipanen
Rumah tangga
238
X255
Jumlah rumah tangga usaha tanaman talas yang tidak/belum dipanen
Rumah tangga
239
X256
Jumlah rumah tangga usaha tanaman ganyong yang tidak/belum dipanen
Rumah tangga
240
X257
Jumlah rumah tangga usaha tanaman garut yang tidak/belum dipanen
Rumah tangga
241
X258
Rumah tangga
242
X259
Jumlah rumah tangga usaha tanaman palawija yang dipanen muda Jumlah rumah tangga usaha tanaman palawija yang dipanen bentuk lain
243
X260
usaha tanaman palawija yang
Rumah tangga
244
X261
usaha tanaman palawija yang
Rumah tangga
245
X262
usaha tanaman palawija yang
Rumah tangga
246
X263
Jumlah rumah tangga dipanen sendiri Jumlah rumah tangga ditebaskan Jumlah rumah tangga diijonkan Jumlah rumah tangga tidak/belum dipanen
usaha tanaman palawija yang
Rumah tangga
247 248 249
X264 X265 X266
Jumlah rumah tangga usaha tanaman tanaman pangan Jumlah rumah tangga usaha tanaman padi sawah Jumlah rumah tangga usaha tanaman padi ladang
Rumah tangga Rumah tangga Rumah tangga
Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga
Rumah tangga
34 No 250 251 252 253
Peubah X267 X268 X269 X270
254 255
X271 X272
256
X273
257
X274
258
X275
259
X276
260
X277
261
Nama Peubah Jumlah rumah tangga usaha tanaman palawija Jumlah rumah tangga usaha tanaman jagung Jumlah rumah tangga usaha tanaman kedelai Jumlah rumah tangga usaha tanaman hortikultura semusim Luas tanam tanaman hortikultura semusim Rataan luas tanam tanaman hortikultura semusim yang diusahakan/dikelola per rumah tangga Jumlah rumah tangga usaha tanaman hortikultura tahunan Jumlah pohon/rumpun per luas tanam yang diusahakan/dikelola pada tanaman hortikultura tahunan Jumlah pohon/rumpun per luas tanam yang sudah produksi pada tanaman hortikultura tahunan
Satuan Rumah tangga Rumah tangga Rumah tangga Rumah tangga m2 m2/Rumah tangga Rumah tangga Pohon/Rumpun per m2 Pohon/Rumpun per m2
Rataan jumlah pohon/rumpun per luas tanam yang diusahakan/dikelola pada tanaman hortikultura tahunan Jumlah rumah tangga usaha hortikultura tahunan berdasarkan kelompok buah-buahan
Pohon/Rumpun per m2
X278
Jumlah rumah tangga usaha hortikultura semusim berdasarkan kelompok buah-buahan
Rumah tangga
262
X279
Jumlah rumah tangga usaha hortikultura tahunan berdasarkan kelompok sayuran
Rumah tangga
263
X280
Jumlah rumah tangga usaha hortikultura semusim berdasarkan kelompok sayuran
Rumah tangga
264
X281
Jumlah rumah tangga usaha hortikultura tahunan berdasarkan kelompok tanaman obat-obatan
Rumah tangga
265
X282
Jumlah rumah tangga usaha hortikultura semusim berdasarkan kelompok tanaman obat-obatan
Rumah tangga
266
X283
Jumlah rumah tangga usaha hortikultura tahunan berdasarkan kelompok tanaman hias
Rumah tangga
267
X284
Jumlah rumah tangga usaha hortikultura semusim berdasarkan kelompok tanaman hias
Rumah tangga
268
X285
Rumah tangga
269
X286
270
X287
271
X288
272
X289
Jumlah rumah tangga usaha tanaman pisang yang diusahakan Jumlah rumah tangga usaha tanaman jeruk yang diusahakan Jumlah rumah tangga usaha tanaman mangga yang diusahakan Jumlah rumah tangga usaha tanaman cabai yang diusahakan Jumlah rumah tangga usaha tanaman bawang merah yang diusahakan
273
X290
274
X291
275
X292
276
X293
Jumlah rumah tangga usaha tanaman kentang yang diusahakan Jumlah rumah tangga usaha tanaman kunyit yang diusahakan Jumlah rumah tangga usaha tanaman anggrek yang diusahakan Jumlah rumah tangga usaha hortikultura strategis Pisang
Rumah tangga
Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga
35 No 277
Peubah X294
278
X295
279
X296
280
X297
281
X298
282
X299
283
X300
284
X301
285
X302
286
X303
287
X304
288
X305
289
X306
290
X307
291
X308
292
X309
293
X310
294
X311
295
X312
296
X313
297
X314
298
X315
299
X316
300
X317
301
X318
302
X319
303
X320
304
X321
Nama Peubah Jumlah rumah tangga usaha hortikultura strategis Jeruk Jumlah rumah tangga usaha hortikultura strategis Mangga Jumlah rumah tangga usaha hortikultura strategis Cabai Jumlah rumah tangga usaha hortikultura strategis Bawang Merah Jumlah rumah tangga usaha hortikultura strategis Kentang Jumlah rumah tangga usaha hortikultura strategis Kunyit Jumlah rumah tangga usaha hortikultura strategis Anggrek Jumlah rumah tangga usaha perkebunan pada tanaman aren/enau Jumlah rumah tangga usaha perkebunan pada tanaman asam jawa Jumlah rumah tangga usaha perkebunan pada tanaman cengkeh Jumlah rumah tangga usaha perkebunan pada tanaman gambir Jumlah rumah tangga usaha perkebunan pada tanaman jambu mete Jumlah rumah tangga usaha perkebunan pada tanaman jarak pagar Jumlah rumah tangga usaha perkebunan pada tanaman kakao Jumlah rumah tangga usaha perkebunan pada tanaman kapok Jumlah rumah tangga usaha perkebunan pada tanaman karet Jumlah rumah tangga usaha perkebunan pada tanaman kayu manis Jumlah rumah tangga usaha perkebunan pada tanaman kelapa sawit
Satuan Rumah tangga
Jumlah rumah tangga tanaman kelapa Jumlah rumah tangga tanaman kemenyan Jumlah rumah tangga tanaman kemiri Jumlah rumah tangga tanaman kemiri sunan
usaha perkebunan pada
Rumah tangga
usaha perkebunan pada
Rumah tangga
usaha perkebunan pada
Rumah tangga
usaha perkebunan pada
Rumah tangga
Jumlah rumah tangga tanaman kenanga Jumlah rumah tangga tanaman kina Jumlah rumah tangga tanaman klerek Jumlah rumah tangga tanaman kopi Jumlah rumah tangga tanaman lada Jumlah rumah tangga tanaman lontar
usaha perkebunan pada
Rumah tangga
usaha perkebunan pada
Rumah tangga
usaha perkebunan pada
Rumah tangga
usaha perkebunan pada
Rumah tangga
usaha perkebunan pada
Rumah tangga
usaha perkebunan pada
Rumah tangga
Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga
36 No 305
Peubah X322
306
X323
307
X324
308
X325
309
Nama Peubah Jumlah rumah tangga usaha perkebunan tanaman murbai Jumlah rumah tangga usaha perkebunan tanaman panili/ vanili Jumlah rumah tangga usaha perkebunan tanaman pala Jumlah rumah tangga usaha perkebunan tanaman pandan anyaman
pada
Satuan Rumah tangga
pada
Rumah tangga
pada
Rumah tangga
pada
Rumah tangga
X326
Jumlah rumah tangga usaha perkebunan pada tanaman pinang/ jambe
Rumah tangga
310
X327
usaha perkebunan pada
Rumah tangga
311
X328
usaha perkebunan pada
Rumah tangga
312
X329
usaha perkebunan pada
Rumah tangga
313
X330
Jumlah rumah tangga tanaman sagu Jumlah rumah tangga tanaman soga Jumlah rumah tangga tanaman teh Jumlah rumah tangga tanaman abaca/manila
usaha perkebunan pada
Rumah tangga
314
X331
usaha perkebunan pada
Rumah tangga
315
X332
usaha perkebunan pada
Rumah tangga
316
X333
usaha perkebunan pada
Rumah tangga
317
X334
usaha perkebunan pada
Rumah tangga
318
X335
usaha perkebunan pada
Rumah tangga
319
X336
Jumlah rumah tangga tanaman akar wangi Jumlah rumah tangga tanaman jute Jumlah rumah tangga tanaman kapas Jumlah rumah tangga tanaman kenaf Jumlah rumah tangga tanaman nilam Jumlah rumah tangga tanaman rami/haramay
usaha perkebunan pada
Rumah tangga
320
X337
Rumah tangga
321
X338
Jumlah rumah tangga usaha perkebunan pada tanaman rosela Jumlah rumah tangga usaha perkebunan pada tanaman sereh wangi
322
X339
Rumah tangga
323
X340
324
X341
Jumlah rumah tangga usaha perkebunan pada tanaman tebu Jumlah rumah tangga usaha perkebunan pada tanaman tembakau Jumlah pohon/lajar/rumpun pada tanaman aren/enau yang belum berproduksi
325
X342
Jumlah pohon/lajar/rumpun pada tanaman asam jawa yang belum berproduksi
Pohon/Lajar/Rumpun
326
X343
Jumlah pohon/lajar/rumpun pada tanaman cengkeh yang belum berproduksi
Pohon/Lajar/Rumpun
327
X344
Jumlah pohon/lajar/rumpun pada tanaman gambir yang belum berproduksi
Pohon/Lajar/Rumpun
328
X345
Jumlah pohon/lajar/rumpun pada tanaman jambu mete yang belum berproduksi
Pohon/Lajar/Rumpun
329
X346
Jumlah pohon/lajar/rumpun pada tanaman jarak pagar yang belum berproduksi
Pohon/Lajar/Rumpun
330
X347
Jumlah pohon/lajar/rumpun pada tanaman kakao yang belum berproduksi
Pohon/Lajar/Rumpun
Rumah tangga
Rumah tangga Pohon/Lajar/Rumpun
37 No 331
Peubah X348
Nama Peubah Jumlah pohon/lajar/rumpun pada tanaman kapok yang belum berproduksi
Satuan Pohon/Lajar/Rumpun
332
X349
Jumlah pohon/lajar/rumpun pada tanaman karet yang belum berproduksi
Pohon/Lajar/Rumpun
333
X350
Jumlah pohon/lajar/rumpun pada tanaman kayu manis yang belum berproduksi
Pohon/Lajar/Rumpun
334
X351
Jumlah pohon/lajar/rumpun pada tanaman kelapa sawit yang belum berproduksi
Pohon/Lajar/Rumpun
335
X352
Jumlah pohon/lajar/rumpun pada tanaman kelapa yang belum berproduksi
Pohon/Lajar/Rumpun
336
X353
Jumlah pohon/lajar/rumpun pada tanaman kemenyan yang belum berproduksi
Pohon/Lajar/Rumpun
337
X354
Jumlah pohon/lajar/rumpun pada tanaman kemiri yang belum berproduksi
Pohon/Lajar/Rumpun
338
X355
Jumlah pohon/lajar/rumpun pada tanaman kemiri sunan yang belum berproduksi
Pohon/Lajar/Rumpun
339
X356
Jumlah pohon/lajar/rumpun pada tanaman kenanga yang belum berproduksi
Pohon/Lajar/Rumpun
340
X357
Jumlah pohon/lajar/rumpun pada tanaman kina yang belum berproduksi
Pohon/Lajar/Rumpun
341
X358
Jumlah pohon/lajar/rumpun pada tanaman klerek yang belum berproduksi
Pohon/Lajar/Rumpun
342
X359
Jumlah pohon/lajar/rumpun pada tanaman kopi yang belum berproduksi
Pohon/Lajar/Rumpun
343
X360
Jumlah pohon/lajar/rumpun pada tanaman lada yang belum berproduksi
Pohon/Lajar/Rumpun
344
X361
Jumlah pohon/lajar/rumpun pada tanaman lontar yang belum berproduksi
Pohon/Lajar/Rumpun
345
X362
Jumlah pohon/lajar/rumpun pada tanaman murbai yang belum berproduksi
Pohon/Lajar/Rumpun
346
X363
Jumlah pohon/lajar/rumpun pada tanaman panili/ vanili yang belum berproduksi
Pohon/Lajar/Rumpun
347
X364
Jumlah pohon/lajar/rumpun pada tanaman pala yang belum berproduksi
Pohon/Lajar/Rumpun
348
X365
Jumlah pohon/lajar/rumpun pada tanaman pandan anyaman yang belum berproduksi
Pohon/Lajar/Rumpun
349
X366
Jumlah pohon/lajar/rumpun pada tanaman pinang/ jambe yang belum berproduksi
Pohon/Lajar/Rumpun
350
X367
Jumlah pohon/lajar/rumpun pada tanaman sagu yang belum berproduksi
Pohon/Lajar/Rumpun
351
X368
Jumlah pohon/lajar/rumpun pada tanaman soga yang belum berproduksi
Pohon/Lajar/Rumpun
352
X369
Jumlah pohon/lajar/rumpun pada tanaman teh yang belum berproduksi
Pohon/Lajar/Rumpun
353
X370
Jumlah pohon/lajar/rumpun pada tanaman tahunan yang belum berproduksi
Pohon/Lajar/Rumpun
354
X371
Jumlah pohon/lajar/rumpun pada tanaman aren/enau yang sudah berproduksi
Pohon/Lajar/Rumpun
38 No 355
Peubah X372
Nama Peubah Jumlah pohon/lajar/rumpun pada tanaman asam jawa yang sudah berproduksi
Satuan Pohon/Lajar/Rumpun
356
X373
Jumlah pohon/lajar/rumpun pada tanaman cengkeh yang sudah berproduksi
Pohon/Lajar/Rumpun
357
X374
Jumlah pohon/lajar/rumpun pada tanaman gambir yang sudah berproduksi
Pohon/Lajar/Rumpun
358
X375
Jumlah pohon/lajar/rumpun pada tanaman jambu mete yang sudah berproduksi
Pohon/Lajar/Rumpun
359
X376
Jumlah pohon/lajar/rumpun pada tanaman jarak pagar yang sudah berproduksi
Pohon/Lajar/Rumpun
360
X377
Jumlah pohon/lajar/rumpun pada tanaman kakao yang sudah berproduksi
Pohon/Lajar/Rumpun
361
X378
Jumlah pohon/lajar/rumpun pada tanaman kapok yang sudah berproduksi
Pohon/Lajar/Rumpun
362
X379
Jumlah pohon/lajar/rumpun pada tanaman karet yang sudah berproduksi
Pohon/Lajar/Rumpun
363
X380
Jumlah pohon/lajar/rumpun pada tanaman kayu manis yang sudah berproduksi
Pohon/Lajar/Rumpun
364
X381
Jumlah pohon/lajar/rumpun pada tanaman kelapa sawit yang sudah berproduksi
Pohon/Lajar/Rumpun
365
X382
Jumlah pohon/lajar/rumpun pada tanaman kelapa yang sudah berproduksi
Pohon/Lajar/Rumpun
366
X383
Jumlah pohon/lajar/rumpun pada tanaman kemenyan yang sudah berproduksi
Pohon/Lajar/Rumpun
367
X384
Jumlah pohon/lajar/rumpun pada tanaman kemiri yang sudah berproduksi
Pohon/Lajar/Rumpun
368
X385
Jumlah pohon/lajar/rumpun pada tanaman kemiri sunan yang sudah berproduksi
Pohon/Lajar/Rumpun
369
X386
Jumlah pohon/lajar/rumpun pada tanaman kenanga yang sudah berproduksi
Pohon/Lajar/Rumpun
370
X387
Jumlah pohon/lajar/rumpun pada tanaman kina yang sudah berproduksi
Pohon/Lajar/Rumpun
371
X388
Jumlah pohon/lajar/rumpun pada tanaman klerek yang sudah berproduksi
Pohon/Lajar/Rumpun
372
X389
Jumlah pohon/lajar/rumpun pada tanaman kopi yang sudah berproduksi
Pohon/Lajar/Rumpun
373
X390
Jumlah pohon/lajar/rumpun pada tanaman lada yang sudah berproduksi
Pohon/Lajar/Rumpun
374
X391
Jumlah pohon/lajar/rumpun pada tanaman lontar yang sudah berproduksi
Pohon/Lajar/Rumpun
375
X392
Jumlah pohon/lajar/rumpun pada tanaman murbai yang sudah berproduksi
Pohon/Lajar/Rumpun
376
X393
Jumlah pohon/lajar/rumpun pada tanaman panili/ vanili yang sudah berproduksi
Pohon/Lajar/Rumpun
377
X394
Jumlah pohon/lajar/rumpun pada tanaman pala yang sudah berproduksi
Pohon/Lajar/Rumpun
378
X395
Jumlah pohon/lajar/rumpun pada tanaman pandan anyaman yang sudah berproduksi
Pohon/Lajar/Rumpun
39 No 379
Peubah X396
Nama Peubah Jumlah pohon/lajar/rumpun pada tanaman pinang/ jambe yang sudah berproduksi
Satuan Pohon/Lajar/Rumpun
380
X397
Jumlah pohon/lajar/rumpun pada tanaman sagu yang sudah berproduksi
Pohon/Lajar/Rumpun
381
X398
Jumlah pohon/lajar/rumpun pada tanaman soga yang sudah berproduksi
Pohon/Lajar/Rumpun
382
X399
Jumlah pohon/lajar/rumpun pada tanaman teh yang sudah berproduksi
Pohon/Lajar/Rumpun
383
X400
Jumlah pohon/lajar/rumpun pada tanaman tahunan yang sudah berproduksi
Pohon/Lajar/Rumpun
384
X401
Jumlah pohon/lajar/rumpun pada tanaman aren/enau yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
385
X402
Jumlah pohon/lajar/rumpun pada tanaman asam jawa yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
386
X403
Jumlah pohon/lajar/rumpun pada tanaman cengkeh yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
387
X404
Jumlah pohon/lajar/rumpun pada tanaman gambir yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
388
X405
Jumlah pohon/lajar/rumpun pada tanaman jambu mete yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
389
X406
Jumlah pohon/lajar/rumpun pada tanaman jarak pagar yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
390
X407
Jumlah pohon/lajar/rumpun pada tanaman kakao yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
391
X408
Jumlah pohon/lajar/rumpun pada tanaman kapok yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
392
X409
Jumlah pohon/lajar/rumpun pada tanaman karet yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
393
X410
Jumlah pohon/lajar/rumpun pada tanaman kayu manis yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
394
X411
Jumlah pohon/lajar/rumpun pada tanaman kelapa sawit yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
395
X412
Jumlah pohon/lajar/rumpun pada tanaman kelapa yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
396
X413
Jumlah pohon/lajar/rumpun pada tanaman kemenyan yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
397
X414
Jumlah pohon/lajar/rumpun pada tanaman kemiri yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
398
X415
Jumlah pohon/lajar/rumpun pada tanaman kemiri sunan yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
399
X416
Jumlah pohon/lajar/rumpun pada tanaman kenanga yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
400
X417
Jumlah pohon/lajar/rumpun pada tanaman kina yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
401
X418
Jumlah pohon/lajar/rumpun pada tanaman klerek yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
402
X419
Jumlah pohon/lajar/rumpun pada tanaman kopi yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
40 No 403
Peubah X420
Nama Peubah Jumlah pohon/lajar/rumpun pada tanaman lada yang diusahakan/dikelola oleh rumah tangga
Satuan Pohon/Lajar/Rumpun
404
X421
Jumlah pohon/lajar/rumpun pada tanaman lontar yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
405
X422
Jumlah pohon/lajar/rumpun pada tanaman murbai yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
406
X423
Jumlah pohon/lajar/rumpun pada tanaman panili/ vanili yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
407
X424
Jumlah pohon/lajar/rumpun pada tanaman pala yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
408
X425
Pohon/Lajar/Rumpun
409
X426
Jumlah pohon/lajar/rumpun pada tanaman pandan anyaman yang diusahakan/dikelola oleh rumah tangga Jumlah pohon/lajar/rumpun pada tanaman pinang/ jambe yang diusahakan/dikelola oleh rumah tangga
410
X427
Jumlah pohon/lajar/rumpun pada tanaman sagu yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
411
X428
Jumlah pohon/lajar/rumpun pada tanaman soga yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
412
X429
Jumlah pohon/lajar/rumpun pada tanaman teh yang diusahakan/dikelola oleh rumah tangga
Pohon/Lajar/Rumpun
413
X430
Pohon/Lajar/Rumpun
414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437
X431 X432 X433 X434 X435 X436 X437 X438 X439 X440 X441 X442 X443 X444 X445 X446 X447 X448 X449 X450 X451 X452 X453 X454
Jumlah pohon/lajar/rumpun pada tanaman perkebunan tahunan yang diusahakan/dikelola oleh rumah tangga Jumlah rumah tangga usaha tanaman tahunan Jumlah rumah tangga usaha tanaman semusim Luas tanaman/luas tanam pada tanaman aren/enau Luas tanaman/luas tanam pada tanaman asam jawa Luas tanaman/luas tanam pada tanaman cengkeh Luas tanaman/luas tanam pada tanaman gambir Luas tanaman/luas tanam pada tanaman jambu mete Luas tanaman/luas tanam pada tanaman jarak pagar Luas tanaman/luas tanam pada tanaman kakao Luas tanaman/luas tanam pada tanaman kapok Luas tanaman/luas tanam pada tanaman karet Luas tanaman/luas tanam pada tanaman kayu manis Luas tanaman/luas tanam pada tanaman kelapa sawit Luas tanaman/luas tanam pada tanaman kelapa Luas tanaman/luas tanam pada tanaman kemenyan Luas tanaman/luas tanam pada tanaman kemiri Luas tanaman/luas tanam pada tanaman kemiri sunan Luas tanaman/luas tanam pada tanaman kenanga Luas tanaman/luas tanam pada tanaman kina Luas tanaman/luas tanam pada tanaman klerek Luas tanaman/luas tanam pada tanaman kopi Luas tanaman/luas tanam pada tanaman lada Luas tanaman/luas tanam pada tanaman lontar Luas tanaman/luas tanam pada tanaman murbai
Pohon/Lajar/Rumpun
Rumah tangga Rumah tangga m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2
41 No 438 439 440
Peubah X455 X456 X457
Nama Peubah Luas tanaman/luas tanam pada tanaman panili/vanili Luas tanaman/luas tanam pada tanaman pala Luas tanaman/luas tanam pada tanaman pandan anyaman Luas tanaman/luas tanam pada tanaman pinang/jambe Luas tanaman/luas tanam pada tanaman sagu Luas tanaman/luas tanam pada tanaman soga Luas tanaman/luas tanam pada tanaman teh Total luas tanaman/luas tanam pada tanaman perkebunan tahunan Luas tanaman/luas tanam pada tanaman abaca/manila Luas tanaman/luas tanam pada tanaman akar wangi Luas tanaman/luas tanam pada tanaman jute Luas tanaman/luas tanam pada tanaman kapas Luas tanaman/luas tanam pada tanaman kenaf Luas tanaman/luas tanam pada tanaman nilam Luas tanaman/luas tanam pada tanaman rami/haramay Luas tanaman/luas tanam pada tanaman rosela Luas tanaman/luas tanam pada tanaman sereh wangi Luas tanaman/luas tanam pada tanaman tebu Luas tanaman/luas tanam pada tanaman tembakau Total luas tanaman/luas tanam pada tanaman perkebunan semusim Rataan luas tanaman/luas tanam per rumah tangga pada tanaman aren/enau
Satuan m2 m2 m2
441
X458
442 443 444 445
X459 X460 X461 X462
446 447 448 449 450 451 452
X463 X464 X465 X466 X467 X468 X469
453 454 455 456 457
X470 X471 X472 X473 X474
458
X475
459
X476
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman asam jawa
m2
460
X477
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman cengkeh
m2
461
X478
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman gambir
m2
462
X479
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman jambu mete
m2
463
X480
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman jarak pagar
m2
464
X481
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman kakao
m2
465
X482
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman kapok
m2
466
X483
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman karet
m2
467
X484
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman kayu manis
m2
468
X485
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman kelapa sawit
m2
469
X486
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman kelapa
m2
m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2 m2
42 No 470
Peubah X487
Nama Peubah Rataan luas tanaman/luas tanam per rumah tangga pada tanaman kemenyan
Satuan m2
471
X488
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman kemiri
m2
472
X489
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman kemiri sunan
m2
473
X490
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman kenanga
m2
474
X491
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman kina
m2
475
X492
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman klerek
m2
476
X493
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman kopi
m2
477
X494
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman lada
m2
478
X495
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman lontar
m2
479
X496
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman murbai
m2
480
X497
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman panili/vanili
m2
481
X498
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman pala
m2
482
X499
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman pandan anyaman
m2
483
X500
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman pinang/jambe
m2
484
X501
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman sagu
m2
485
X502
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman soga
m2
486
X503
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman teh
m2
487
X504
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman abaca/manila
m2
488
X505
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman akar wangi
m2
489
X506
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman jute
m2
490
X507
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman kapas
m2
491
X508
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman kenaf
m2
492
X509
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman nilam
m2
493
X510
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman rami/haramay
m2
43 No 494
Peubah X511
Nama Peubah Rataan luas tanaman/luas tanam per rumah tangga pada tanaman rosela
Satuan m2
495
X512
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman sereh wangi
m2
496
X513
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman tebu
m2
497
X514
Rataan luas tanaman/luas tanam per rumah tangga pada tanaman tembakau
m2
498 499 500 501 502 503 504 505 506
X515 X516 X517 X518 X519 X520 X521 X522 X523
Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga Rumah tangga
507
X524
508 509 510
X525 X526 X527
Jumlah rumah tangga usaha peternakan sapi potong Jumlah rumah tangga usaha peternakan sapi perah Jumlah rumah tangga usaha peternakan kerbau Jumlah rumah tangga usaha peternakan kuda Jumlah rumah tangga usaha peternakan kambing Jumlah rumah tangga usaha peternakan domba Jumlah rumah tangga usaha peternakan babi Jumlah rumah tangga usaha peternakan ayam lokal Jumlah rumah tangga usaha peternakan ayam ras petelur Jumlah rumah tangga usaha peternakan ayam ras pedaging Jumlah rumah tangga usaha peternakan itik Jumlah rumah tangga usaha peternakan itik manila Populasi sapi potong yang dipelihara oleh rumah tangga usaha peternakan
511
X528
Populasi sapi perah yang dipelihara oleh rumah tangga usaha peternakan
Ekor
512
X529
Populasi kerbau yang dipelihara oleh rumah tangga usaha peternakan
Ekor
513
X530
Ekor
514
X531
Populasi kuda yang dipelihara oleh rumah tangga usaha peternakan Populasi kambing yang dipelihara oleh rumah tangga usaha peternakan
515
X532
Populasi domba yang dipelihara oleh rumah tangga usaha peternakan
Ekor
516
X533
Ekor
517
X534
Populasi babi yang dipelihara oleh rumah tangga usaha peternakan Populasi ayam lokal yang dipelihara oleh rumah tangga usaha peternakan
518
X535
Populasi ayam ras petelur yang dipelihara oleh rumah tangga usaha peternakan
Ekor
519
X536
Populasi ayam ras pedaging yang dipelihara oleh rumah tangga usaha peternakan
Ekor
520
X537
Ekor
521
X538
Populasi itik yang dipelihara oleh rumah tangga usaha peternakan Populasi itik manila yang dipelihara oleh rumah tangga usaha peternakan
522
X539
Jumlah rumah tangga usaha peternakan dengan 1 jumlah Jenis ternak yang diusahakan
Rumah tangga
Rumah tangga Rumah tangga Rumah tangga Ekor
Ekor
Ekor
Ekor
44 No 523
Peubah X540
Nama Peubah Jumlah rumah tangga usaha peternakan dengan 2 jumlah Jenis ternak yang diusahakan
Satuan Rumah tangga
524
X541
Jumlah rumah tangga usaha peternakan dengan 3 jumlah Jenis ternak yang diusahakan
Rumah tangga
525
X542
Jumlah rumah tangga usaha peternakan dengan 4 jumlah Jenis ternak yang diusahakan
Rumah tangga
526
X543
Jumlah rumah tangga usaha peternakan dengan >= 5 jumlah Jenis ternak yang diusahakan
Rumah tangga
527
X544
Jumlah rumah tangga usaha budi daya ikan menurut jenis ikan hias utama yang dibudidayakan
Rumah tangga
528 529
X545 X546
Rumah tangga Rumah tangga
530
X547
531 532
X548 X549
533 534 535
X550 X551 X552
536
X553
537 538
X554 X555
539 540
X556 X557
Jumlah rumah tangga usaha budi daya ikan di laut Jumlah rumah tangga usaha budi daya ikan di tambak/air payau Jumlah rumah tangga usaha budi daya ikan di kolam/air tawar Jumlah rumah tangga usaha budi daya ikan di sawah Jumlah rumah tangga usaha budi daya ikan di perairan umum Jumlah rumah tangga usaha budi daya ikan hias Rataan luas baku usaha budi daya ikan di laut Rataan luas baku usaha budi daya ikan di tambak/air payau Rataan luas baku usaha budi daya ikan di kolam/air tawar Rataan luas baku usaha budi daya ikan di sawah Rataan luas baku usaha budi daya ikan di perairan umum Rataan luas baku usaha budi daya ikan hias Jumlah rumah tangga usaha budi daya bukan ikan hias dengan nila sebagai jenis ikan utama
541
X558
Jumlah rumah tangga usaha budi daya bukan ikan hias dengan lele sebagai jenis ikan utama
Rumah tangga
542
X559
Jumlah rumah tangga usaha budi daya bukan ikan hias dengan mas sebagai jenis ikan utama
Rumah tangga
543
X560
Jumlah rumah tangga usaha budi daya bukan ikan hias dengan gurame sebagai jenis ikan utama
Rumah tangga
544
X561
Jumlah rumah tangga usaha budi daya bukan ikan hias dengan bandeng sebagai jenis ikan utama
Rumah tangga
545
X562
Jumlah rumah tangga usaha budi daya bukan ikan hias dengan patin sebagai jenis ikan utama
Rumah tangga
546
X563
Jumlah rumah tangga usaha budi daya bukan ikan hias dengan kakap sebagai jenis ikan utama
Rumah tangga
547
X564
Jumlah rumah tangga usaha budi daya bukan ikan hias dengan kerapu sebagai jenis ikan utama
Rumah tangga
548
X565
Jumlah rumah tangga usaha budi daya bukan ikan hias dengan udang windu sebagai jenis ikan utama
Rumah tangga
549
X566
Jumlah rumah tangga usaha budi daya bukan ikan hias dengan udang vaname sebagai jenis ikan utama
Rumah tangga
Rumah tangga Rumah tangga Rumah tangga Rumah tangga m /Rumah Tangga m2/Rumah Tangga 2
m2/Rumah Tangga m2/Rumah Tangga m2/Rumah Tangga m2/Rumah Tangga Rumah tangga
45 No 550
Peubah X567
Nama Peubah Jumlah rumah tangga usaha budi daya bukan ikan hias dengan rumput laut sebagai jenis ikan utama
Satuan Rumah tangga
551
X568
Jumlah rumah tangga usaha budi daya ikan hias dengan arowana sebagai jenis ikan hias utama
Rumah tangga
552
X569
Jumlah rumah tangga usaha budi daya ikan hias dengan koi sebagai jenis ikan hias utama
Rumah tangga
553
X570
Jumlah rumah tangga usaha budi daya ikan hias dengan mas koki sebagai jenis ikan hias utama
Rumah tangga
554
X571
Jumlah rumah tangga usaha budi daya ikan hias dengan cupang sebagai jenis ikan hias utama
Rumah tangga
555 556
X572 X573
Rumah tangga Rumah tangga
557
X574
558
X575
559
X576
560
X577
561
X578
562
X579
563
X580
564
X581
Jumlah rumah tangga usaha penangkapan ikan di laut Jumlah rumah tangga usaha penangkapan ikan di perairan umum Jumlah unit usaha penangkapan ikan dengan kapal motor sebagai jenis kapal/perahu utama yang digunakan di laut Jumlah unit usaha penangkapan ikan dengan perahu motor tempel sebagai jenis kapal/perahu utama yang digunakan di laut Jumlah unit usaha penangkapan ikan dengan perahu tanpa motor sebagai jenis kapal/perahu utama yang digunakan di laut Jumlah unit usaha penangkapan ikan tanpa perahu di laut Jumlah unit usaha penangkapan ikan dengan kapal motor sebagai jenis kapal/perahu utama yang digunakan di perairan umum Jumlah unit usaha penangkapan ikan dengan perahu motor tempel sebagai jenis kapal/perahu utama yang digunakan di perairan umum Jumlah unit usaha penangkapan ikan dengan perahu tanpa motor sebagai jenis kapal/perahu utama yang digunakan di perairan umum Jumlah unit usaha penangkapan ikan tanpa perahu di perairan umum
565
X582
Jumlah unit usaha penangkapan ikan dengan pukat sebagai alat tangkap utama dan dilakukan di laut
Unit
566
X583
Jumlah unit usaha penangkapan ikan dengan jaring sebagai alat tangkap utama dan dilakukan di laut
Unit
567
X584
Jumlah unit usaha penangkapan ikan dengan pancing sebagai alat tangkap utama dan dilakukan di laut
Unit
568
X585
Unit
569
X586
570
X587
571
X588
Jumlah unit usaha penangkapan ikan dengan perangkap sebagai alat tangkap utama dan dilakukan di laut Jumlah unit usaha penangkapan ikan dengan pukat sebagai alat tangkap utama dan dilakukan di perairan umum Jumlah unit usaha penangkapan ikan dengan jaring sebagai alat tangkap utama dan dilakukan di perairan umum Jumlah unit usaha penangkapan ikan dengan pancing sebagai alat tangkap utama dan dilakukan di perairan umum
Unit
Unit
Unit
Unit Unit
Unit
Unit
Unit
Unit
Unit
Unit
46 No 572
Peubah X589
Nama Peubah Jumlah unit usaha penangkapan ikan dengan perangkap sebagai alat tangkap utama dan dilakukan di perairan umum Jumlah rumah tangga usaha budi daya tanaman kehutanan Populasi tanaman kehutanan yang dibudidayakan Rataan populasi per rumah tangga usaha budi daya tanaman kehutanan
573
X590
574 575
X591 X592
576
X593
577 578
X594 X595
579
X596
Jumlah rumah tangga usaha berdasarkan pada kegiatan budidaya tanaman kehutanan
Rumah tangga
580
X597
Jumlah rumah tangga usaha berdasarkan pada kegiatan penangkaran satwa/tumbuhan liar
Rumah tangga
581
X598
Jumlah rumah tangga usaha berdasarkan pada kegiatan penangkapan satwa liar
Rumah tangga
582
X599
Jumlah rumah tangga usaha berdasarkan pada kegiatan pemungutan hasil hutan
Rumah tangga
583 584 585 586 587 588 589 590 591
X600 X601 X602 X603 X604 X605 X606 X607 X608
Jumlah akasia yang diusahakan Jumlah bambu yang diusahakan Jumlah jati yang diusahakan Jumlah mahoni yang diusahakan Jumlah sengon yang diusahakan Jumlah jabon yang diusahakan Jumlah waru yang diusahakan Jumlah jati putih yang diusahakan Jumlah suren yang diusahakan
Jumlah rumah tangga usaha pembibitan tanaman kehutanan Populasi tanaman kehutanan pada pembibitan Rataan populasi per rumah tangga usaha pembibitan tanaman kehutanan
*Merupakan angka sementara
Satuan Unit
Rumah tangga Batang Batang/rumah tangga Rumah tangga Batang Batang/rumah tangga
Batang Batang Batang Batang Batang Batang Batang Batang Batang
47 Lampiran 2 Daftar peubah penjelas yang digunakan pada model RKTP dengan LASSO sebagai peubah penjelas No 1
Peubah X4
Subsektor Informasi Umum Informasi Umum
2
X61
3
X82
Perkebunan
4
X112
5
X137
6
X139
7
X147
Tanaman Pangan Tanaman Pangan Tanaman Pangan Tanaman Pangan
8
X247
Tanaman Pangan
9
X275
Hortikultura
10
X283
Hortikultura
11
X293
Hortikultura
12
X300
Hortikultura
13
X324
Perkebunan
14
X335
Perkebunan
15
X346
Perkebunan
16
X358
Perkebunan
17
X381
Perkebunan
18
X427
Perkebunan
19
X460
Perkebunan
20
X483
Perkebunan
Nama Peubah Jumlah usaha pertanian berdasarkan perusahaan Jumlah rumah tangga usaha pertanian yang usia petani utamanya <15 tahun Jumlah rumah tangga jasa pertanian pada sub sektor perkebunan Luas tanam berdasarkan tanaman padi ladang Rataan luas tanam berdasarkan tanaman gandum Rataan luas tanam berdasarkan tanaman ganyong Jumlah rumah tangga usaha tanaman ubi kayu yang dijual seluruhnya Jumlah rumah tangga usaha tanaman jagung yang tidak/belum dipanen Jumlah pohon/rumpun per luas tanam yang sudah produksi pada tanaman hortikultura tahunan Jumlah rumah tangga usaha hortikultura tahunan berdasarkan kelompok tanaman hias Jumlah rumah tangga usaha hortikultura strategis - Pisang Jumlah rumah tangga usaha hortikultura strategis - Anggrek Jumlah rumah tangga usaha perkebunan pada tanaman pala Jumlah rumah tangga usaha perkebunan pada tanaman nilam Jumlah pohon/lajar/rumpun pada tanaman jarak pagar yang belum berproduksi Jumlah pohon/lajar/rumpun pada tanaman klerek yang belum berproduksi Jumlah pohon/lajar/rumpun pada tanaman kelapa sawit yang sudah berproduksi Jumlah pohon/lajar/rumpun pada tanaman sagu yang diusahakan/dikelola oleh rumah tangga Luas tanaman/luas tanam pada tanaman soga Rataan luas tanaman/luas tanam per rumah tangga pada tanaman karet
Satuan Unit Jiwa
Rumah tangga m2 m2 m2 Rumah tangga
Rumah tangga
Pohon/Rumpun per m2
Rumah tangga
Rumah tangga Rumah tangga Rumah tangga Rumah tangga Pohon/Lajar/Rumpun
Pohon/Lajar/Rumpun
Pohon/Lajar/Rumpun
Pohon/Lajar/Rumpun
m2 m2
48 No 21
Peubah X491
Subsektor Perkebunan
22
X493
Perkebunan
23
X513
Perkebunan
24
X514
Perkebunan
25
X525
Peternakan
26
X536
Peternakan
27
X546
Perikanan
28
X556
Perikanan
29
X565
Perikanan
30
X568
Perikanan
31
X583
Perikanan
32
X585
Perikanan
33
X606
Kehutanan
Nama Peubah Rataan luas tanaman/luas tanam per rumah tangga pada tanaman kina Rataan luas tanaman/luas tanam per rumah tangga pada tanaman kopi Rataan luas tanaman/luas tanam per rumah tangga pada tanaman tebu Rataan luas tanaman/luas tanam per rumah tangga pada tanaman tembakau Jumlah rumah tangga usaha peternakan itik Populasi ayam ras pedaging yang dipelihara oleh rumah tangga usaha peternakan Jumlah rumah tangga usaha budi daya ikan di tambak/air payau Rataan luas baku usaha budi daya ikan hias Jumlah rumah tangga usaha budi daya bukan ikan hias dengan udang windu sebagai jenis ikan utama Jumlah rumah tangga usaha budi daya ikan hias dengan arowana sebagai jenis ikan hias utama Jumlah unit usaha penangkapan ikan dengan jaring sebagai alat tangkap utama dan dilakukan di laut Jumlah unit usaha penangkapan ikan dengan perangkap sebagai alat tangkap utama dan dilakukan di laut Jumlah waru yang diusahakan
Satuan m2 m2 m2 m2
Rumah tangga Ekor
Rumah tangga m2/Rumah Tangga Rumah tangga
Rumah tangga
Unit
Unit
Batang
49
RIWAYAT HIDUP Penulis lahir di Banjarnegara pada 23 Agustus 1991. Penulis merupakan anak pertama dari pasangan orang tua bapak Rebani dan ibu Lestari Yuli Astuti. Penulis mempunyai seorang adik laki-laki bernama Lalan Agung Prasetyo. Penulis menyelesaikan pendidikan sekolah menengah atas di SMA N 1 Banjarnegara pada tahun 2009. Penulis menyelesaikan studi pada strata satu di IPB dengan mayor Statistika dan minor Manajemen dengan jalur USMI pada tahun 2013. Penulis menjadi mahasiswa Pascasarjana di IPB pada program studi Statistika pada tahun 2014 dengan bantuan beasiswa dari Direktorat Jenderal Pendidikan Tinggi (DIKTI) program Fresh Graduate (FG). Penulis aktif menjadi asisten mata kuliah Analisis Eksplorasi Data, Analisis Statistika, Metode Statistika, Metode Penarikan Contoh, Pengantar Model Linier, dan Persamaan Model Struktural. Penulis juga aktif dalam kegiatan organisasi dalam kampus sebagai Ketua Divisi Analisis Data pada Himpunan Profesi Pascasarjana Statistika pada periode 2015-2016.