analisis faktor-faktor yang mempengaruhi produksi kedelai ... · hasil dan pembahasan. kesimpulan...
Post on 09-Mar-2019
241 Views
Preview:
TRANSCRIPT
Dita Amelia (1309 100 009)Pembimbing : Prof. Dr. Drs. I N Budiantara, M.Si
Jurusan StatistikaFakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember Surabaya
Seminar Hasil Tugas Akhir
Analisis Faktor-Faktor yang Mempengaruhi Produksi Kedelai di Provinsi Jawa Timur dengan Metode RegresiSemiparametrik Spline
Agenda Hari Ini
Pendahuluan TinjauanPustaka
MetodologiPenelitian
Hasil danPembahasan
Kesimpulandan Saran
PENDAHULUAN
Latar Belakang, Rumusan Masalah, Tujuan Penelitian, Manfaat Penelitian, dan Batasan Masalah
Kedelai merupakan sumber proteinnabati yang penting di Indonesia(Mursito, 2003)
Indonesia merupakan negara agraris
Menghasilkan tanaman pangan sepertiberas, jagung, kedelai, ubi, dan kacang-kacangan.
Latar Belakang 1
Latar Belakang
Berdasarkan data dari Badan Pusat Statistik (2012), total luas panen tanaman kedelai di 33 provinsi di
Indonesia mencapai 622.254 Ha
Total produksi kedelai nasional Tahun 2011 adalah 851.286 ton.
Untuk memenuhi kebutuhan kedelai tersebut, produksi dalam
negeri saat ini baru mampu memenuhi ± 907.031 ton (±
41,22 %) dari kebutuhan (Dirjen Tanaman Pangan, 2012)
Dan sisanya dipenuhi melalui IMPOR
Besarnya impor menyebabkan kehilangan devisa negara yang cukup besar dan
sangat rentan terhadap Ketahanan PanganNasional (Dirjen Tanaman Pangan, 2012)
2
Latar Belakang
Menurunkan bea masuk impor kedelai dari 5% menjadi 0% dalam kurun waktu Agustus-Desember 2012, negara akan
kehilangan Rp 400 miliar (Dhany, 2012)
Untuk mengatasi defisit produksi diarahkan pada upayamenekan impor dan meningkatkan produksi kedelai
(Handayani, dkk, 2009)
3
Latar Belakang
Tahun 2011, Jawa Timur memberikan kontribusi sebesar 43.49% untuk total produksi kedelai nasional (Dinas Pertanian Provinsi Jawa Timur, 2011)
Oleh karena itu akan dilakukan pemodelan terhadap produksi kedelai di Jawa Timur
4
Latar Belakang
Komalasari (2008) dan Maretha (2008) pernah melakukan penelitian tentang prediksi penawaran dan permintaan kedelai dengan menggunakan metode Analisis Deret Waktu
Penelitian tentang permintaan kedelai juga dilakukan oleh Purnamasari (2006) dengan menggunakan teori permintaan penawaran serta teori elastisitas
Handayani, dkk (2009) juga melakukan studi tentangSimulasi Kebijakan Daya Saing Kedelai Lokal padaPasar Domestik
5
Latar Belakang
Budiantara (2005) menerapkan metode regresi semiparametrik antara produksi Billet pada suatu perusahaan besi baja dengan variabel proses produksi dengan bahan baku dan lama waktu
Kadiri, dkk (2010) melakukan penelitian berjudulMarginal longitudinal semiparametric regression via penalized splines
Susianto (2008) menerapkan Model RegresiSemiparametrik Kernel untuk Menduga Produksi PadiSawah di Jawa Tengah
PenelitianSebelumnya
6
• Bagaimanakah deskripsi jumlahproduksi kedelai di Provinsi JawaTimur beserta faktor-faktor yang diduga mempengaruhi?
• Bagaimana pemodelan jumlahproduksi kedelai di Provinsi JawaTimur dengan menggunakan Regresi Semiparametrik Spline ?
• Faktor-faktor apa sajakah yang mempengaruhi produksi kedelai di Provinsi Jawa Timur ?
Rumusan Masalah
7
• Mendeskripsikan jumlah produksikedelai di Provinsi Jawa Timurbeserta faktor-faktor yang didugamempengaruhinya.
• Mendapatkan pemodelan terbaikuntuk produksi kedelai di ProvinsiJawa Timur dengan menggunakanRegresi Semiparametrik Spline.
• Mendapatkan faktor-faktor yang mempengaruhi produksi kedelai di Provinsi Jawa Timur.
Tujuan Penelitian
8
• Memberikan informasi, khususnyabagi instansi/kelembagaan terkaitsebagai dasar pengambilankebijakan/keputusan di sektorpertanian.
• Sebagai pengembangan keilmuan yaitu dalam kaitannya denganpenerapan metode RegresiSemiparametrik Spline dalambidang pemerintahan.
Manfaat Penelitian
9
• Terdapat beberapa kabupaten/kotayang tidak menghasilkan produksikedelai yaitu Kota Blitar, Kota Malang, dan Kota Probolinggo, sehingga data yang digunakandalam penelitian ini hanya berasaldari 35 kabupaten/kota di ProvinsiJawa Timur
Batasan Masalah
10
TINJAUAN PUSTAKA
Analisis RegresiAnalisis regresi adalah suatu analisa statistika yang digunakan untuk
mengetahui pola hubungan antara satu atau lebih variabel. Selain itu, analisis regresi juga dapat digunakan untuk memprediksi
11
Regresi Nonparametrik Bentuk kurva regresi di-
asumsikan tidak diketahui Data sendiri yang akan mencari
bentuk estimasi dari kurvaregresinya
Kurva regresi dalam regresinonparametrik diasumsikanhalus (smooth)
Beberapa model regresinonparametrik yang banyakdigunakan diantaranya Spline,Kernel, Deret Fourier, danMARSSumber : http://oklo.org
13
Regresi ParametrikTerdapat asumsi yang sangat kakuyaitu bentuk kurva regresi diketahui,misalnya linear, kuadratik, kubik,dan lain-lain (Budiantara, 2009)
Sumber : http://scikit-learn.org
12
ililiii xxxy εββββ +++++= ...22110
liliii xxxxf ββββ ++++= ...)( 22110
+
=
nLnn
l
l
l
n xxx
xxxxxxxxx
y
yyy
ε
εεε
β
βββ
3
2
1
2
1
0
ln21
32313
22212
12111
3
2
1
1
111
Regresi SemiparametrikDalam regresi semiparametrik, terdapat dua komponen yaitu
komponen parametrik dankomponen nonparametrik (Ruppert,
Wand, Carrol, 2003).
Komponen parametrik dimanabentuk kurvanya diketahui, dankomponen nonparametrikdimana bentuk kurvanya tidakdiketahui
Spline memiliki kemampuanuntuk menangani data yang perilakunya berubah-ubah padasub-sub interval tertentu(Budiantara, 2009)
14
Fungsi spline linear dengan duaknot dapat dituliskan sebagai berikut.
∑∑=
++=
−+=K
k
pkkp
p
j
jj Ktttf
10)()( αα
123
11210 )()()( ++ −+−++= KtKtttf αααα
Regresi Semiparametrik 15
iQiQiilii tftftfxy εβ +++++= )()()( 2211'
i
Q
qqiqlii tfxy εβ ++= ∑
=1
' )(
∑∑=
++=
−+=K
k
pkqiqkp
p
j
jqijqqiq Ktttf
1)(
0)()( αα
<≥−
=− +kqi
kqip
kqipkqi Kt
KtKtKt
,0,)(
)(
16 GCV (Generalized Cross Validation)
[ ]( )2211
2121
),,,(
),,,(),,,(
k
kk
KKKAItracen
KKKMSEKKKGCV
−=
−
( )2
1
121 ˆ),,,( ∑
=
− −=n
iiik yynKKKMSE
Uji Parameter 17
0: 2110 ======= QLH αααββ
:1H 0≠lβ
Pengujian overall
minimal terdapat satu atau 0≠qα
residual
regresihitung MS
MSF =
0H tabelhitung FF >
)1)(,(; −+−+= QLnQLtabel FF α
Tolak jika
Pengujian parsial0:0 =qH α0:1 ≠qH α
)ˆ(.ˆ
q
qhitung es
tαα
=
tabelhitung tt >
)1)((;2
−+−=
QLntabel tt α
0HTolak jika
Uji Asumsi Residual
Identik merupakan asumsihomoskedastisitas/asumsivarians sama(Gujarati, 2004)menggunakan metode formalseperti uji glejser
Independen,yaituasumsi bahwa tidak adakorelasi antar residual. Salah satu cara untuk menguji korelasi residual yaitu dengan melihat plot ACF (Autocorrelation Function)
)()( 0 xFxFSupD nx
−=
18
KedelaiBahan Dasar Makanan
Dibudidayakan sejak 3500 tahun yang lalu di Asia TimurDibudidayakan di lahan sawahmaupun lahan kering (ladang)
Pertumbuhan kedelai dipengaruhioleh beberapa faktor sepertitanah, pupuk, curah hujan, kelembapan, serta jenis benih yang ditanam
Departemen Pertanian memasukan kedelai dalam kebijakan pengadaan pangan melalui peningkatan produksi
19
-
10.00
20.00
30.00
40.00
50.00
2008 2009 2010 2011
35.75 36.51 37.43 43.49
Produksi Kedelai Jawa Timur
Kontribusi Produksi Jawa Timur TerhadapProduksi Nasional
Balai Benih danSentra ProdusenBenih
Di Malang danKediri
20
METODOLOGI PENELITIAN
Sumber, Variabel, Langkah Analisis
Sumber DataDinas Pertanian Provinsi Jawa Timur, BadanKetahanan Pangan Provinsi Jawa Timur, Badan PusatStatistik Provinsi Jawa Timur, dan Dinas PU PengairanProvinsi Jawa Timur untuk Tahun 2011
Unit pengamatan yang digunakan adalah kabupaten / kota yang ada di Provinsi Jawa Timur yaitu sebanyak35 kabupaten/kota.
21
Variabel PenelitianProduksi Kedelai
Luas Panen
Luas Puso/Kerusakan
Konsumsi Kedelai
Curah Hujan
Alokasi Pupuk Bersubsidi
Ketinggian Rata-rata dariPermukaan Laut
yx1
22
t1
t2
t3
t4
t5
Struktur Data Penelitian23
Respon(y)
Prediktor
KomponenParametrik (x)
KomponenNonparametrik (t)
x1 t1 t5
y1 x11 t11 t51
y2 x12 t12 t52
y35 x135 t135 t535
Langkah Analisis
TerpenuhiTidak
Uji Asumsi Residual
Hasil dan Kesimpulan
Mendeskripsikan Data yang Diperoleh dengan Metode Statistika
Deskriptif
Membuat Scatterplot Antara Produksi Kedelaidengan Faktor yang Mempengaruhinya
Menetukan Tititk Knot Optimal dengan MetodeGCV (Generalized Cross Validation)
Melakukan Pemodelan dengan Metode Spline dengan Tititk Knot Optimal
Data Produksi Kedelai
Transformasi
24
Uji Signifikansi Parameter
HASIL DAN PEMBAHASAN
Deskripsi Produksi Kedelai di ProvinsiJawa Timur beserta Faktor-faktor yang
Diduga Mempengaruhi
25
Variabel Rata-rata Varians Minimum Maksimum
y 10486 187778751 1 61767
x1 7223 76896937 1 35150
t1 15,89 1389,57 0,00 172,00
t2 12936 59610904 1499 34485
t3 1726,8 186698,7 274,3 2307,8
t4 7175 21991547 134 16223
t5 91,7 29787,5 2,0 831,0
Kab. Banyuwangi
Pengelompokanjumlah produksikedelai di masing-masing wilayah
Plot antara Produksi Kedelai denganFaktor-faktor yang Diduga
Mempengaruhinya
26
40000200000 160800 30000150000
60000
45000
30000
15000
0
200010000
60000
45000
30000
15000
0
1600080000 8004000
Luas Panen (Ha)
Prod
uksi
(To
n)
Luas Kerusakan / Puso (Ha) Konsumsi (Ton)
Curah Hujan per Tahun (mm) Pupuk (Ton) Tinggi dari Permukaan (m)
MengandungKomponenParametrik danNonparametrik
Pemilihan Titik Knot Optimal27
No.Knot
GCVt1 t2 t3 t4 t5
1 3,510204 2172,184 315,75 462,3469 18,91837 14709824
2 168,4898 33811,82 2266,25 15894,65 814,0816 13000513
3 38,61224 8904,02 730,75 3745,816 188,102 13781971
4 63,18367 13616,31 1021,25 6044,245 306,5306 14259599
5 98,28571 20348,14 1436,25 9327,714 475,7143 14387838
6 122,8571 25060,43 1726,75 11626,14 594,1429 15694610
7 133,3878 27079,98 1851,25 12611,18 644,898 15628454
8 147,4286 29772,71 2017,25 13924,57 712,5714 15141300
9 157,9592 31792,27 2141,75 14909,61 763,3265 13691289
10 164,9796 33138,63 2224,75 15566,31 797,1633 13771009
Pemilihan Titik Knot Optimal28
No.Knot
GCVt1 t2 t3 t4 t5
13,510204 2172,184 315,75 462,3469 18,91837
217853337,020408 2845,367 357,25 790,6939 35,83673
23,510204 2172,184 315,75 462,3469 18,91837
2120944342,12245 9577,204 772,25 4074,163 205,0204
33,510204 2172,184 315,75 462,3469 18,91837
22914737105,3061 21694,51 1519,25 9984,408 509,551
43,510204 2172,184 315,75 462,3469 18,91837
23934724133,3878 27079,98 1851,25 12611,18 644,898
528,08163 6884,469 606,25 2760,776 137,3469
2197120984,2449 17655,41 1270,25 8014,327 408,0408
666,69388 14289,49 1062,75 6372,592 323,449
20521930154,449 31119,08 2100,25 14581,27 746,4082
784,2449 17655,41 1270,25 8014,327 408,0408
24325216126,3673 25733,61 1768,25 11954,49 611,0612
8126,3673 25733,61 1768,25 11954,49 611,0612
12524071133,3878 27079,98 1851,25 12611,18 644,898
9143,9184 29099,53 1975,75 13596,22 695,6531
19359548164,9796 33138,63 2224,75 15566,31 797,1633
10164,9796 33138,63 2224,75 15566,31 797,1633
17043604
Pemilihan Titik Knot Optimal29
No.Knot
GCVt1 t2 t3 t4 t5
13,510204 2172,184 315,75 462,3469 18,91837
185810167,020408 2845,367 357,25 790,6939 35,8367310,53061 3518,551 398,75 1119,041 52,7551
27,020408 2845,367 357,25 790,6939 35,83673
29151514115,8367 23714,06 1643,75 10969,45 560,3061119,3469 24387,24 1685,25 11297,8 577,2245
335,10204 8230,837 689,25 3417,469 171,1837
2527199466,69388 14289,49 1062,75 6372,592 323,44987,7551 18328,59 1311,75 8342,673 424,9592
456,16327 12269,94 938,25 5387,551 272,6939
2045856159,67347 12943,12 979,75 5715,898 289,6122143,9184 29099,53 1975,75 13596,22 695,6531
5129,8776 26406,8 1809,75 12282,84 627,9796
10582160133,3878 27079,98 1851,25 12611,18 644,898157,9592 31792,27 2141,75 14909,61 763,3265
6161,4694 32465,45 2183,25 15237,96 780,2449
13743833164,9796 33138,63 2224,75 15566,31 797,1633168,4898 33811,82 2266,25 15894,65 814,0816
Pemilihan Titik Knot Optimal30
No.Knot
GCVt1 t2 t3 t4 t5
1 168,4898 33811,82 2266,25 15894,65627,9796
14027786644,898763,3265
2 168,4898 33811,821768,25 12282,84
814,0816 75838561851,25
12611,1814909,61
3126,3673 26406,8 1768,25 12282,84 611,0612
9378075133,3878
27079,981851,25
12611,18644,898
31792,27 14909,61
4129,8776 25733,61 1809,75
15894,65627,9796
17751971133,387827079,98
1851,25 644,898157,9592 2141,75 763,3265
5129,8776 26406,8
2266,2511954,49
814,0816 9507322133,3878 27079,9812611,18
157,9592 31792,27
Merupakannilai GCV terkecildiantara 1 knot, 2 knot, 3 knot
Knot yang terpilih untukpemodelan
Pemodelan Regresi Semiparametrik Spline dengan Titik Knot Optimal31
( ) ( )( ) ( )
( ) ( ) ( )( )+
+++
++
++
−++
−+−+−+
+−+−++
−++−+++=
15251
344243142
4123313231
1222111211110
ˆˆˆˆˆ
ˆˆˆˆˆˆˆˆˆˆˆ
KttKtKtKttKtKtt
KttKttxy
ii
iii
iiii
iiiiii
ϕϕτττ
τδδδ
ααγγββ
( )( )
( ) ( )( ) ( )
( ) ( )++
++
++
+
+
−−−−+
−−−++
−+−−
+−+−
−−−+−=
0816,81434,0898,061,149093224,1418,126111296,6984,122821888,591655,0
25,18510586,2925,17680207,223547,082,338117249,10443,0
4849,1684547,04041,201,2892033,0ˆ
554
444
33
322
111
iii
iii
ii
iii
iiii
tttttt
ttttt
ttxy
Uji Parameter Model Regresi32
Sumber Variasi df SS MS F P-valueRegresi 14 6277119167 448365655
78,2320 0,00Error 20 114624566 5731228
Total 34 6391743734
Terdapat minimal satu variabel yang memberikan pengaruh signifikan
- Uji Overall (Serentak) -
Uji Parameter Model Regresi33
Variabel Parameter Koefisien P-value- -0,0331 -0,4213 0,6780326
1,2892 16,8513 0,00*-20,4041 -1,7080 0,1031063-0,4547 -1,9483 0,06554504-0,0443 -0,4872 0,63140581,7249 0,3137 0,75698320,3547 0,4790 0,6371034
-22,0207 -1,2992 0,208645129,0586 1,4421 0,16475210,1655 0,9574 0,349793359,1888 4,8013 0,0001086689*-69,1296 -4,7469 0,0001232661*14,3224 3,0368 0,006512625*-0,8980 -0,3481 0,7314316-0,3400 -2,6895 0,01409778*
hitungt
0β
1x 1β
1t1γ
2γ
2t1α
2α
3t1δ
2δ
3δ
4t
1τ
2τ
3τ
4τ
5t 1ϕ
2ϕ
* ) Memberikan pengaruh yang signifikan pada alpha 0,05
- Uji Parsial -
Uji Asumsi Residual34
Sumber Variasi
df SS MS F P-value
Regresi 14 33017251 2358375
1,182466 0,357Error 20 39889093 1994455
Total 34 72906345
Tidak terjadikasus Hetero-skedastisitas/identik
302520151051
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Aut
ocor
rela
tion
Independen
Uji Glejser
Plot ACF
202,035;05,0 =D
166383565.0)()( 0 =−= xFxFSupD nx
nDD ;α< maka gagal tolak 0H
Uji KS
Berdistribusi Normal
Interpretasi Faktor-faktor yang Mempengaruhi Produksi Kedelai
di Jawa Timur
35
Nilai koefisien determinasi sebesar 98,2% yang berarti variabel luas panenkedelai, luas puso kedelai, konsumsi kedelai, curah hujan, alokasi pupuk
bersubsidi, dan ketinggian rata-rata dari permukaan laut mampu menjelaskan variabilitas produksi kedelai sebesar 98,2%
≥+−<≤−<≤+−
<+−
=
61,14909;5498,4162,6874261,1490918,12611;7726,9236,14479918,1261184,12282;3543,59593,727006
84,12282;1655,0033,0
ˆ
44
44
44
44
tttttt
tt
y
( )( ) ( )++
+
−+−−
−++−=
61,149093224,1418,126111296,6984,122821888,591655,0033,0ˆ
44
44
tttty
≥−<−−
=0816,814;238,1755,2760816,814;898,0033,0
ˆ55
55
tttt
y
( )+−−−−= 0816,81434,0898,0033,0ˆ 55 tty
Terhadap variabel t4 denganasumsi variabel lain konstan
Terhadap variabel t5 denganasumsi variabel lain konstan
KESIMPULAN DAN SARAN
Kesimpulan36
Rata-rata produksi kedelai di Jawa Timur adalah 10486 ton selamatahun 2011 dan merupakan produksi terbesar di Indonesia.Kabupaten Banyuwangi merupakan kabupaten penghasil kedelaiterbesar di Jawa Timur dengan produksi sebesar 61767 ton
Model regresi semiparametrik spline yang dihasilkan adalah :
( ) ( )( ) ( ) ( )( ) ( ) ( )+++
+++
++
−−−−+−−
−++−+−−
+−+−−−−+−=
0816,81434,0898,061,149093224,1418,126111296,6984,122821888,591655,025,18510586,2925,17680207,22
3547,082,338117249,10443,04849,1684547,04041,201,2892033,0ˆ
5544
4433
322111
tttttttt
tttttxy
Variabel luas panen kedelai (t1), alokasi pupuk bersubsidi (t4), danvariabel ketinggian rata-rata dari permukaan laut (t5)
Saran37
Dalam pengambilan kebijakan untuk peningkatan produksi kedelaihendaknya disesuaikan dengan wilayah yang memiliki ketinggianyang sesuai, serta mengupayakan penyediaan pupuk yang tepat, dan juga kebijakan mengenai lahan untuk penanamankedelai.
Untuk pengembangan dari penelitian ini, hendaknya menambah variabellain yang juga diduga mempengaruhi dimana untuk saat ini masihterkendala dalam hal penyediaan data, seperti harga riil kedelai tingkatprodusen, harga riil jagung tingkat produsen, harga riil benihkedelai, volume impor kedelai, dan harga riil kedelai impor.
Peningkatan orde menjadi kuadratik ataupun meningkatkanjumlah titik knot yang digunakan pada variabel komponennonparametrik.
Aczel and Sounderpandian. 2008. Complete Businnes Statistics 7th Edition. McGraw-Hill Companies, Inc. New YorkBadan Ketahanan Pangan Provinsi Jawa Timur. 2011. Tabel Ketersediaan dan Konsumsi Komoditas Kedelai per
Kabupaten/Kota Tahun 2011. SurabayaBPS. 2012. Tabel Luas Panen-Produktivitas-Produksi Tanaman Kedelai Seluruh Provinsi. JakartaBPS Jawa Timur. 2012. Survei Pertanian Produksi Padi dan Palawija Di Jawa Timur Tahun 2011. BPS Provinsi Jawa
Timur. SurabayaBPS Jawa Timur. 2012. Jawa Timur Dalam Angka 2012. BPS Provinsi Jawa Timur. SurabayaBudiantara, I. N. 2005. Model Keluarga Spline Polinomial Truncated Dalam Regresi Semiparametrik. Berkala MIPA.
Vol 15, 49-59Budiantara, I. N. 2009. Spline dalam Regresi Nonparametrik dan Semiparametrik, Sebuah Pemodelan Statistika
Masa Kini dan Masa Mendatang. Pidato Pengukuhan Guru Besar. Institut Teknologi Sepuluh Nopember. Surabaya
Daniel. 1989. Statistika Non Parametrik Terapan. Greamedia. JakartaDhany, R.R. 2012. Impor Kedelai Bebas Bea Masuk, Negara Kehilangan Rp 400 Miliar Dalam 5 Bulan.
http://finance.detik.com/read. Diakses pada tanggal 10 Oktober 2012
Daftar Pustaka38
Dinas Pekerjaan Umum Pengairan Provinsi Jawa Timur. 2011. Data Curah Hujan di Seluruh Stasiun Pengamatan di Provinsi Jawa Timur. Surabaya
Dinas Pertanian Provinsi Jawa Timur. 2012. Tabel Kontribusi Jawa Timur terhadap Nasional untuk Tanaman KedelaiTahun 1970-2011. Surabaya
Dinas Pertanian Provinsi Jawa Timur. 2011. Tabel Alokasi Pupuk Bersubsidi Sektor Pertanian di Provinsi Jawa Timur. Surabaya
Dirjen Tanaman Pangan. 2012. Pedoman Teknis Produksi Tanaman Kedelai. Kementerian Pertanian RIDraper, N.R., and Smith, H. 1992. Analisis Regresi Terapan. PT Gramedia Pustaka Utama. JakartaEubank, R. L. 1999. Nonparametric Regression and Spline Smoothing. Marcel Dekker, Inc. New YorkGujarati, D. N. 2004. Basic Econometric 4th Edition. McGraw-Hill Companies, Inc. New YorkHandayani, D., Bantacut, T., Munandar, J. M., Budijanto, S. 2009. Simulasi Kebijakan Daya Saing Kedelai Lokal
pada Pasar Domestik. J. Tek. Ind. Pertanian. Vol 19, 7-15Kadiri, M. A., Carroll, R. J., and Wand, M. P. 2010. Marginal longitudinal semiparametric regression via penalized
splines. Stat.Probab.Lett. Vol 80, 1242-1252Komalasari, W. B. 2008. Prediksi Penawaran dan Permintaan Kedelai Dengan Analisis Deret Waktu. Informatika
Pertanian. Vol 17 No. 2Malian, A. H. 2004. Kebijakan Perdagangan Internasional Komoditas Pertanian Indonesia. Jurnal Analisis Kebijakan
Pertanian. Vol 2, 135-156
Daftar Pustaka39
Maretha, D. 2008. Peramalan Produksi dan Konsumsi Kedelai Nasional Serta Implikasinya Terhadap StrategiPencapaian Swasembada Kedelai Nasional. Skripsi Sarjana. IPB. Bogor
Martodireso, S., Suryanto, W. A. 2001. Terobosan Teknologi Pemupukan Dalam Era Pertanian Organik, BudidayaTanaman Pangan, Holtikultura, dan Perkebunan. Kanisius. Yogyakarta
Mursito, D. 2003. Heritabilitas dan Sidik Lintas Karakter Fenotipik Beberapa Galur Kedelai (Glycine Max. (L) Merrill). Skripsi Sarjana. Universitas Sebelas Maret. Surakarta
Purnamasari, R. 2006. Analisis Faktor-faktor yang Mempengaruhi Produksi dan Impor Kedelai di Indonesia. SkripsiSarjana. Institut Pertanian Bogor. Bogor
Ruppert, D., Wand, M. P., and Carrol, R. J. 2003. Semiparametric Regression. Cambridge University Press. New York
Sumarno. 1994. Di dalam Handayani, D., Bantacut, T., Munandar, J. M., Budijanto, S. 2009. Simulasi KebijakanDaya Saing Kedelai Lokal pada Pasar Domestik. J. Tek. Ind. Pertanian. Vol 19, 7-15
Susianto, Y. 2008. Model Regresi Semiparametrik Kernel untuk Menduga Produksi Padi Sawah di Jawa Tengah. TesisProgram Magister. Institut Teknologi Sepuluh Nopember. Surabaya
Wahba, G. 1990. Spline Models for Observation Data. Pensylvania: University of Winsconsin at MadisonWalpole, R. E. 1995. Pengantar Metode Statistika. PT Gramedia Pustaka Utama. JakartaWikipedia. 2013. Kedelai. Diakses dari http://id.wikipedia.org/wiki/Kedelai. Hari Minggu, 3 Maret 2013. Jam 10.20Yahya, I., Budiantara N., Fitriasari K. 2006. Analisis Regresi Semiparametrik Pada Kasus Hilangnya Respon. Jurnal
Matematika. Vol. 9, 124-132
Daftar Pustaka40
Terimakasih
Seminar Hasil Tugas Akhir
Analisis Faktor-Faktor yang Mempengaruhi Produksi Kedelai di Provinsi Jawa Timur dengan Metode RegresiSemiparametrik Spline
Dita Amelia (1309 100 009)Pembimbing : Prof. Dr. Drs. I N Budiantara, M.Si
Jurusan StatistikaFakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember Surabaya
? Next…Q and A Session
Thank You
Mengapa Spline ?MengandungKomponenParametrik danKomponenNonparametrik
40000200000 160800 30000150000
60000
45000
30000
15000
0
200010000
60000
45000
30000
15000
0
1600080000 8004000
Luas Panen (Ha)
Prod
uksi
(To
n)
Luas Kerusakan / Puso (Ha) Konsumsi (Ton)
Curah Hujan per Tahun (mm) Pupuk (Ton) Tinggi dari Permukaan (m)
Pertimbangan Variabel ?Luas Panen
Luas Puso/Kerusakan
Konsumsi Kedelai
Curah Hujan
Alokasi Pupuk Bersubsidi
Ketinggian Rata-rata dariPermukaan Laut
x1
t1
t2
t3
t4
t5
Faktor pembentuk nilaiproduksi, dan juga variabel padapenelitian Handayani (2009)
Informasi dari Dinas Terkait
Variabel pada penelitianHandayani (2009) danPurnamasari (2006)
Informasi dari pakar terkaitmengenai pengaruh tanah
Pertimbangan Variabel ?Luas Panen
Luas Puso/Kerusakan
Konsumsi Kedelai
Curah Hujan
Alokasi Pupuk Bersubsidi
Ketinggian Rata-rata dariPermukaan Laut
x1
t1
t2
t3
t4
t5
BPS, Survei Tanaman Padi danPalawija Tahun 2011
BPS, Jawa Timur Dalam Angka2012
Badan Ketahanan Pangan Prov. Jatim
Dinas PU Pengairan Prov. Jatim
Dinas Pertanian Prov. Jatim
Kelebihan Spline ?1
•MARS (Multivariate Adaptive Reg. Spline)•Tingkat kerumitan tinggi karena memperhitungkan adanya
kombinasi diantara variabelnya / tidak parsimoni
2
•Kernel• Susah menyesuaikan dengan dirinya sendiri apabila
mengandung banyak prediktor serta model yang dibentuktidak dapat diinterpretasikan
3•Deret Fourier•Digunakan jika pola data mengikuti pola data berulang
(periodik)
Kelebihan GCV (Wahba, 1999) ?1
2•Punya sifat optimal asymtotik (untuk sampel
besar, optimal)
3•GCV invariant terhadap transformasi
Rumus GCV ?
Matriks Head
top related