Upload
uns-id
View
0
Download
0
Embed Size (px)
Citation preview
1
BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah
Cabai rawit merupakan bahan salah satu tanaman jenis holtikultura yang
sangat dibutukan karena setiap hari dikonsumsi oleh sebagian masyarakat di
seluruh Indonesia. Kebutuhan cabai rawit akan meningkat sejalan dengan
pertambahan jumlah penduduk yang semakin menigkat.
Menurut data yang diambil dari Badan Pusat Statistik, produksi cabai
rawit tahun 2011 sebesar 606,22 ribu ton dan mengalami kenaikan sebanyak
18,18% di tahun 2012 menjadi 702,25 ribu ton. Kenaikan ini disebabkan oleh
kenaikan produktivitas sebanyak 0,74 ton per hektar (14,77%) dan kenaikan luas
panen seluas 3,38 ribu hektar (2,85%) dibandingkan tahun 2011. Peningkatan
produksi cabai besar tersebut terjadi di Pulau Jawa sebanyak 48,06 ribu ton.
Sementara di luar Jawa meningkat sebanyak 17,45.
Analisis regresi merupakan teknik statistika yang digunakan untuk
menyelidiki dan nemodelkan hubungan antara variabel dependen dan variabel
independen. Jika Y variabel dependen dan X1, X2, ... , XK variabel independen,
maka model regresi linear secara umum dapat dinyatakan sebagai ππ = π½0 +
π½1ππ1 + π½2ππ2 +β―+ π½ππππ + ππ, dengan π½0, π½1, β¦ , π½π adalah parameter-
parameter regresi dan ππ adalah sisaan yang berdistribusi normal dengan mean nol
dan variansi konstan (Sembiring, 2003). Permasalahan yang muncul dalam
analisis regresi adalah menentukan estimator terbaik οΏ½ΜοΏ½π untuk menentukan
οΏ½ΜοΏ½0, οΏ½ΜοΏ½1, β¦ , οΏ½ΜοΏ½π. Dalam menetukan estimator terbaik sangat dipengaruhi oleh
penggunaan metode. Metode yang biasa digunakan adalah Metode Kuadrat
Terkecil (MKT).
Dalam kasus model regresi linear, dimungkinkan terdapat data outlier
(pencilan) yaitu pengamatan dengan nilai mutlak sisaan jauh lebih besar daripada
sisaan-sisaan lain sehingga akan mempengaruhi model regresi yang terbentuk.
Data pencilan tersebut tidak boleh dibuang begitu saja karena akan mempengaruhi
2
model prediksi serta menghasilkan estimasi parameter yang kurang tepat. Untuk
menyelesaikan masalah tersebut diperlukan adanya metode yang bersifat robust
dimana nilai estimasinya tidak boleh dipengaruhi perubahan kecil dalam data.
Regresi Robust merupakan metode regresi yang digunakan ketika distribui
dari sisaan tidak normalatau adanya beberapa pncilan yang berpengaruh pada
model. Dalam regresi robust terdapat beberapa metode estimsi seperti estimasi-M,
estimasi Least Median Square (LSM), estimasi Least Trimmed Squarre (LTS),
estimasi-S, estimasi-MM (Chen, 2002).
Dalam hal ini peneliti menggunakan Metode estimasi MM. Metode
estimasi MM (Method of Moment) pertama kali diperkenalkan oleh Yohai (1987).
Metode ini merupakan gabungan dari Estimasi-M dan Estimasi-S
1.2 Perumusan masalah
Berdasarkan uraian latar belakang masalah dapat disusun perumun
masalah yaitu bagaimana estimasi produksi cabai rawit di Indonesia tahun 2012
menggunakan metode regresi robust estimasi-MM?
1.3 Tujuan penelitian
Tujuan yang ingin dicapai dalam penelitian ini adalah menentukan
estimasi produksi cabai rawit di Indonesia tahun 2012 menggunakan metode
regresi robust estimasi-MM
1.4 Manfaat penelitian
Manfaat yang diharapkan dalam penelitian ini adalah dapat
mengembangkan ilmu pengetahuan dalam bidang statistika dan industri. Pada
bidang statistika, metode estimasi-MM dapat diaplikasikan terhadap data yang
mengandung pencilan pada variabel dependen dan independennya. Sedangkan
pada bidang industri dapat memberikan masukan dalam meningkatkan produksi
cabai rawit di Indonesia.
3
BAB II
LANDASAN TEORI
2.1 Tinjauan Pustaka
Dalam memprediksi model regresi sering ditemukan bahwa asumsi regresi
klasik dilanggar, salah satunya asumsi kenormalan. Regresi Robust marupakan
metode regresi yang digunakan ketika distribusi dari sisaan tidak berdistribusi
normal (Draper dan Smith). Regresi Robust merupakan alternatif dari MKT.
Dalam keadaan ini, sangat tepat jika menggunakan metode regresi robust yang
tahan terhadap pengaruh pencilan sehingga menghasilkan estimasi yang lebih
baik. Salah satunya dengan metode estimasi-MM.
2.1.1 Model regresi Linear
Analisis regresi merupakan analisis ststistik untuk mengetahui hubungan
antara variabel independen dan variabel dependen. Analisis regresi yang
dilakukan untuk satu variabel independen dan satu variabel dependen disebut
regresi sederhana. Apabila terdapat beberapa variabel independen dengan satu
variabel dependen disebut regresi linear ganda.
Model regresi linear ganda dengan k variabel independen dapat dituliskan
dengan
ππ = π½0 + π½1ππ1 + π½2ππ2 +β―+ π½ππππ + ππ
= π½0 + β π½ππππ +ππ=1 ππ π = 1, 2, β¦ , π
dengan
ππ : variabel dependen pada pengamatan ke-i
ππ1, ππ2, β¦ , πππ : pengamatan ke-I dari variabel independen ke-j
π½1, π½1, β¦ , π½π : parameter koefisien regresi
ππ : sisaan dengan ππ~π(0, π2)
4
2.1.2 Metode Kuadrat Terkecil
Menurut Montgomery (1992), metode kuadrat terkecil (MKT) digunakan
untuk mengestimasi koefisien model regresi pada persamaan π = ππ½ + π. Prinsip
MKT adalah meminimumkan jumlah kuadrat sisaan.
2.1.3 Pengujian Asumsi Analisis Regresi
Pada model regresi, perlu dilakukan uji asumsi analisis regresi untuk
mengetahui apakah model memenuhi asumsi atau tidak. Uji asumsi yang
dilakukan pada model regresi adalah
1. Uji Normalitas
Analisis regresi linier mengasumsikan bahwa sisaan (ππ)
berdistribusi normal. Menurut Gujarati (1978) pada regresi linier klasik
diasumsikan bahwa tiap ππ didistribusikan secara random dengan
ππ~π(0, π2).
Salah satu cara untuk menguji asumsi kenormalan adalah dengan
uji Kolmogorov-Smirnov. Uji ini didasarkan pada nilai D dengan
π· = max|πΉ0(ππ) β ππ(ππ)| , π = 1,2, β¦ , π.
dengan πΉ0(ππ) adalah fungsi distribusi frekuensi kumulatifrelatif dari
distribusi teoritis dibawah π»0. ππ(ππ) adalah distribusi frekuensi
kumulatif pengamatan sebanyak sampel. π»0 adalah sisaan berdistribusi
normal. Selanjutnya nilai D ini dibandingkan dengan nilai D kritis
dengan signifikansi πΌ (tabel Kolmogorov-Smirnov). Apabila nilai π· >
π·π‘ππππatau π β π£πππ’π < πΌ, maka asumsi kenormalan tidak dipenuhi.
2. Uji Non Heteroskedastisitas
Salah satu asumsi penting dalam analisis regresi adalah variasi
sisaan (ππ) pada setiap variabel independen adalah homoskedastisitas.
Tujuan dari pengujian ini adalah untuk mengetahui apakah variansi pada
tiap sisaan ππ konstan. Asumsi ini dapat ditulis sebagai berikut
πππ(ππ) = π2 π = 1,2, β¦ , π
Salah satu cara menguji kesamaan variansi yaitu dengan melihat
pola tebaran sisaan (ππ) terhadap nilai estimasi Y. Jika tebaran sisaan
5
bersifat acak (tidak membentuk pola tertentu), maka dikatakan bahwa
variansi sisaan homogen (Draper dan Smith, 1998).
Untuk lebih tepatnya, menurut Gujarati (1978) salah satu cara
untuk mendeteksi heteroskedastisitas adalah dengan pengujian korelasi
rank Spearman yang didefinisikan sebagai berikut
ππ = 1 β 6 [βππ
2
π(π2 β 1)]
dengan ππ adalah selisih antara masing-masing rank variabel independen
dengan variabel dependen dan π adalah banyaknya data yang di rank.
Adapun tahapannya adalah
a. Melakukan analisis regresi dengan menggunakan MKT untuk
mendapatkan sisaan ππ,
b. Mengabsolutkan nilai ππ, kemudian merangking nilai absolut ππ dan
ππ sesuai dengan urutan yang meningkat atau menurun dan
menghitung koefisien rank korelasi Spearman yang telah diberikan
sebelumnya,
c. Mengasumsikan bahwa koefisien rank korelasi populasi ππ adalah
nol dan π > 8, signifikan dari ππ dapat diuji dengan pengujian π‘,
π‘ =ππ βπ β 2
β1 β ππ 2
Dengan derajat bebas π β 2
Jika nilai π‘ yang dihitung melebihi nilai π‘ kritis maka π»0 ditolak,
artinya asumsi homoskedastisitas tidak dipenuhi. Jika model lebih
dari satu variabel π, ππ dapat dihitung antara |ππ| dan tiap-tiap
variabel π secara terpisah dan dapat diuji secara statistik dengan
pengujian π‘ yang diberikan di atas.
3. Non Non Autokorelasi
Salah satu asumsi penting dari regresi linear adalah bahwa tidak
ada autokorelasi antara serangkaian pengamatan yang diurutkan menurut
waktu. Uji autokorelasi yaitu dengan Durbin Watson (Gujarati, 2003).
Adapun langkah-langkahnya adalah
6
a. Melakukan perhitungan metode kuadrat terkecil untuk memperoleh
nilai ππ,
b. Mencari besarnya nilai π yang diperoleh dengan rumus
π =β (ππ‘ β ππ‘β1)
2ππ‘=2
β ππ‘2π
π‘=1
c. Untuk ukuran sampel π dan π = π β 1, dengan π adalah banyaknya
parameter sehingga diperoleh nilai kritis ππ dan ππ’,
d. Untuk uji Durbin Watson ada lima himpunan daerah untuk π, agar
lebih jelas dapat dilihat pada gambar dibawah ini
Pengambilan keputusan ada tidaknya autokorelasi:
1. Bila nilai DW terletak antara batas atas atau upper bound (ππ’) dan (4
- ππ’), maka koefisien autokorelasi sama dengan nol, berarti tidak ada
autokorelasi.
2. Bial nilai DW lebih rendah daripada batas bawah atau lower bound
(ππ), maka koefisien autokorelasi lebih besar daripada nol, berarti ada
autokorelasi positif.
3. Bila nilai DW lebih besar daripada (4 - ππ), maka koefisien
autokorelasi lebih kecil daripada nol, berarti ada autokorelasi negatif.
Bila nilai DW terletak di antara batas atas (ππ’) dan batas bawah (ππ)
ada DW terletak antara (4 - ππ’) dan (4 - ππ), maka hasilnya tidak dapat
disimpulkan.
4. Non Multikolinearitas
Menurut Montgomery dan Peck (1992), kolinearitas terjadi
karena terdapat korelasi yang cukup tinggi di antara variabel independen.
VIF (Variance Inflation Factor) merupakan salah satu cara untuk
mengukur besar kolinearitas. Jika nilai VIF lebih dari 10,
multikolinearitas memberikan pengaruh yang serius pada pendugaan
metode kuadrat terkecil.
7
2.1.4 Pencilan
Pada beberapa kasus dimungkinkan adanya data yang jauh dari pola
kumpulan dan keseluruhan, yang lazim didefinisikan sebagai data pencilan.
Keberadaan dari pencilan akan menyebabkan kesulitan dalam proses analisis data
dan perlu untuk dihindari. Permasalahan yang uncul akibat adanya pencilan antara
lain:
1. Sisaan yang besar dari model yan terbentuk πΈ(ππ) β 0
2. Variansi dari data akan menjadi lebih besar
3. Estimasi interval akan memiliki rentang yag lebih besar
Menurut Drape dan Smith (1998) metode yang digunakan dalam
mengidentifikasi pencilan terhadap variabel Y adalah Studientized Deleted
Residual (TRES) yang didefinisikan sebagai:
ππ πΈππ =πππππ
= ππ [π β π β 1
π½πΎπ(1 β βππ) β ππ2]
1
2
Dimana: π = 1,2,.....,n
ππ =ππ β οΏ½ΜοΏ½π
ππ =ππ β οΏ½ΜοΏ½(π)
πππ = simpangan baku beda (ππ)
βππ=π₯πβ²(πβ²π)β1π₯π
π=p+1
π = banyaknya pengamatan
Hipotesis untuk menguji adanya pencilan adalah:
H0: pengamatan ke-i bukan pencilan
H1: pengamatan ke-i merupakan pencilan
ππ πΈπ adalah stastistik uji untuk mengetahui pencilan terhadap π
8
Kriteria pengujian yang melandasi keputusan adalah:
|ππ πΈππ| {β€ π‘πΌ
2,πβπβ1 , π»0 π‘ππππ πππ‘ππππ
> π‘πΌ2,πβπβ1 , π»0 πππ‘ππππ
Metode yang diunakan dalam mengidentifikasi pencilan terhadap variabel
π adalah nlai pengaruh (Leverage Point). Nilai pengaruh (βππ) dari penamatan
(ππ , ππ) menunjukan besarnya peranan ππ terhadap οΏ½ΜοΏ½π dan didefinisikan sebagai:
βππ=π₯πβ²(πβ²π)β1π₯π
Dimana i: 1,2,...,n
x1 = [1π₯π2π₯π3β¦π₯ππ] adalah vektor baris yang berisi nilai-nilai dari peubah
variabel independen dalam pengamatan ke-i. Nilai βππ berada diantara 0 dan 1
(0 β€ βππ β€ 1)β βππ = πππ=1 dengan k=p+1. Jika βππ lebih besar dari 2βΜ dengan
2βΜ =2β βππ
ππ=1
π=2π
π
Maka pengamatan ke-i dikatakan pencilan terhadap X.
2.1.5 Estimasi-MM
Estimasi-MM (Method of Moment) pertama kali diperkenalkan oleh
Yohai (1987). Metode ini merupakan gabungan dari Estimasi-M dan Estimasi-S.
Langkah pertama dalam estimasi ini adalah mencari π½0Μ dari estimator-S,
kemudian menetapkan parameter-parameter regresi menggunakan estimasi-M.
Pada penelitian ini digunakan fungsi Tukey Bisquare baik pada estimasi-S
maupun estimasi-M. Bentuk dari metode estimasi-MM adalah
π½ποΏ½ΜοΏ½ = β π (ππ
οΏ½ΜοΏ½) =π
π=1π½
ππππππβ π (
π¦πββ π₯πππ½πππ=0
οΏ½ΜοΏ½)π
π=1π½
ππππππ
(1)
Dengan π(π’π) didefinisikan sebagai fungsi objektif Tukey Bisquare
9
π(π’π) =
{
π’π2
2β π’π4
2π2βπ’π6
6π4
π2
6
Dimana nilai π’π =ππ
οΏ½ΜοΏ½,dengan οΏ½ΜοΏ½ merupakan skala yang juga diestimasi.Dengan
demikian fungsi (1) menjadi
π(π½π) = β π (π¦πββ π₯πππ½π
ππ=0
οΏ½ΜοΏ½)π
π=1 (2)
Menurut Yohai (1987), pilihan estimasi populasi untuk οΏ½ΜοΏ½ adalah οΏ½ΜοΏ½ π π yang
bersifat tetap. Dimana οΏ½ΜοΏ½ π π merupakan skala οΏ½ΜοΏ½ dari estimasi-S pada iterasi ke-n.
Penyelesaian persamaan (2) adalah dengan cara menurunkannya terhadap π½π,
j=0,β¦,k sehingga diperoleh
β πβ² (π¦πββ π₯πππ½π
ππ=0
οΏ½ΜοΏ½π )π
π=1 = 0 j=0,β¦,k
β π₯πππ (π¦πββ π₯πππ½π
ππ=0
οΏ½ΜοΏ½) = 0π
π=1 j=0,β¦,k (3)
π disebut fungsi pengaruh yang merupakan turunan dari π(πβ² = π) turunan dari
fungsi π adalah
π(π’π) = πβ²(π’π) = {π’π β
2π’π3
π2βπ’π5
π4 , |π’π| β€ π
0 , |π’π| > π
= {π’π (1 β
2π’π2
π2βπ’π4
π4) , |π’π| β€ π
0 , |π’π| > π
= {π’π (1 β
π’π2
π2) 2 , |π’π| β€ π
0 , |π’π| > π
= {π’π (1 β (
π’π
π)2
) 2 , |π’π| < π
0 , |π’π| > π
dimana π€π merupakan fungsi pembobot IRLS dengan π’π =ππ
οΏ½ΜοΏ½ π π dengan c=4,685
10
π€π(π’π) =π(π’π)
π’π
= {π’π(1β(
π’ππ)2) 2
π’π , |π’π| < π
0 , |π’π| > π
= {[1 β (
π’π
π)2
] 2 , |π’π| < π
0 , |π’π| > π
Sisaan awal yang digunakan pada estimasi-MM adalah sisaan yang diperoleh dari
estimasi-S. Persamaan (3) dapat diselesaikan dengan IRLS hingga mencapai
konvergen.
11
BAB III
METODE PENELITIAN
Metode penelitian yang digunakan dalam penulisan makalah ini adalah studi
kasus, yaitu melakukan estimasi regresi robust pada model produksi cabai rawit di
33 provinsi di Indonesia tahun 2012. Data yang digunakan adalah data sekunder
yang diambil dari Badan Pusat Statistik dan Direktorat Jenderal Hortikultura.
Metode MM dapat dikerjakan apabila kita telah memperoleh nilai standart
deviasi pada Metode M dan metode S. Sehingga untuk menyelesaikan masalah
dengan estimasi-MM digunakan 3 langkah yaitu langkah metode estimasi-S,
metode estimasi-M, baru kemudian metode estimasi-MM
Langkah-langkah yang dilakukan dalam mengestimasi parameter pada regresi
robust estimasi-MM adalah
1. Melakukan estimasi koefisien regresi pada data dengan MKT (Metode
Kuadrat Terkecil).
2. Menguji asumsi klasik dari model regresi.
3. Mendeteksi adanya pencilan pada data dengan metode TRES dan hii
4. Mengestimasi koefisien regresi robust menggunakan estimasi-MM
a. Menghitung estimator awal koefisien π½ dengan regresi robust metode
estimasi-S.
1. Menghitung parameter οΏ½ΜοΏ½0 dengan MKT.
2. Menghitung nilai sisaan ππ = π¦π β οΏ½ΜοΏ½π.
3. Menghitung nilai
ππππππ |ππππππ (ππ)|
0.6745 , ππ‘ππππ π = 1
οΏ½ΜοΏ½π =
β1
ππΎβ π€πππ
2ππ=1 , ππ‘πππ ππ π > 1
4. Menghitung nilai π’π =ππ
οΏ½ΜοΏ½π
12
5. Menghitung pembobot
[1 β (π’π
1.547)2
]2
, |π’π| β€ 1.547 , ππ‘ππππ π = 1
π€π = 0 ,|π’π| > 1.547
π(π’)
π’2 , ππ‘ππππ π > 1
6. Menghitung parameter οΏ½ΜοΏ½π dengan metode WLS dengan pembobot π€π0.
7. Mengulangi langkah 2 β 5 sampai diperoleh οΏ½ΜοΏ½π yang konvergen.
b. Menghitung nilai sisaan ππ = π¦π β οΏ½ΜοΏ½π.
c. Menghitung nilai οΏ½ΜοΏ½π = οΏ½ΜοΏ½π π.
d. Menghitung nilai π’π =ππ
οΏ½ΜοΏ½π.
e. Menghitung pembobot
[1 β (π’π
4.685)2
]2
, |π’π| β€ 4.685
π€π =
0 , |π’π| > 4.685
f. Menghitung parameter οΏ½ΜοΏ½ππ dengan metode WLS dengan pembobot π€π0.
g. Mengulangi langkah b β e sampai diperoleh nilai οΏ½ΜοΏ½ππ yang konvergen.
13
BAB IV
HASIL DAN PEMBAHASAN
4.1 Data
Pada bab ini akan disajikan hasil analisis data sekunder produksi cabai rawit
di Indonesia tahun 2012 yang diperoleh dari Badan Pusat Statistik dan Direktorat
Jenderal Hortikultura. Data tersebut meliputi produksi cabai rawit sebagai variabel
dependen (Y) sedangkan luas lahan, curah hujan dan jumlah benih cabai rawit
sebagai variabel independen (X). Data tersaji pada Tabel 4.1 berikut
Provinsi
Jenis
Tanaman
curah
hujan
(mm)
luas
panen
(ha)
produksi
benih
(kg)
hasil
produksi
(ton)
Aceh cabai rawit 123 3184 25 38615
Sumatra Utara cabai rawit 169 4478 110 48361
Sumatra barat cabai rawit 329 1516 25 7433
Riau cabai rawit 335 1395 0 5951
Kepulauan Riau cabai rawit 500 315 0 1102
Jambi cabai rawit 239 1166 20 4379
Sumatra Selatan cabai rawit 349 1993 15 4974
Kepulauan Bangka
Belitung cabai rawit 269 479 0 2873
Bengkulu cabai rawit 221 1892 0 11279
Lampung cabai rawit 104 2319 100 14308
DKI Jakarta cabai rawit 177 0 30 0
Jawa Barat cabai rawit 259 6884 0 90522
Banten cabai rawit 112 582 23050 5184
Jawa Tengah cabai rawit 138 16189 0 84997
DI Yogyakarta cabai rawit 310 708 5200 2319
Jawa Timur cabai rawit 356 49111 964 244040
Bali cabai rawit 335 3356 27800 16040
NTB cabai rawit 338 4597 35 29700
14
NTT cabai rawit 299 1334 12 4521
Kalimantan Barat cabai rawit 566 1503 10 5472
Kalimantan Tengah cabai rawit 389 1239 3 2872
Kalimantan Selatan cabai rawit 639 592 0 2192
Kalimantan Timur cabai rawit 244 1818 25 7168
Sulawesi Utara cabai rawit 477 2539 45 9656
Gorontalo cabai rawit 186 2296 110 11834
Sulawesi Tengah cabai rawit 380 1990 11 10156
Sulawesi Selatan cabai rawit 867 4319 10 20673
Sulawesi Barat cabai rawit 456 654 0 9656
Sulawesi Tenggara cabai rawit 382 1202 10 4086
Maluku cabai rawit 506 675 15 2028
Maluku Utara cabai rawit 545 265 25 523
Papua cabai rawit 305 869 0 1651
Papua Barat cabai rawit 224 632 0 5141
4.2 Metode Kuadrat Terkecil
Model regresi ganda dengan metode kuadrat terkecil adalah
οΏ½ΜοΏ½π = πππππ β ππ. ππΏπ β π. ππππΏπ + π. πππΏπ
dengan
οΏ½ΜοΏ½π : Produksi cabai rawit (Ton)
π1 : Curah hujan (mm)
π2 : Produksi benih cabai rawit (kg)
π3 : Luas panen (Ha)
Interpretasi model yaitu sebesar 93.6% produksi cabai rawit di Indonesia
pada tahun 2012 dapat diterangkan oleh variabel luas panen, curah hujan dan
produksi benih tiap provinsi di Indonesia, sedangkan 6.4% diterangkan oleh
variabel lain. Ketika curah hujan, produksi benih dan luas panen constant maka
produksi cabai rawit di Indonesia akan bertambah sebesar 10053 ton. Setiap
kenaikan satu milimeter (mm) curah hujan maka produksi cabai rawit di Indonesia
akan berkurang sebesar 20.5 ton, setiap kenaikan produksi benih sebesar satu
15
kilogram (kg) maka produksi cabai rawit di Indonesia akan berkurang sebesar
0.206 ton atau sebesar 206 kg dan setiap peningkatan luas panen sebesar satu
hektar (ha) maka produksi cabai rawit di Indonesia akan bertambah sebesar 5.06
ton.
4.2.1 Uji Signifikansi
Uji Signifikansi serempak
i. π»0: π½π = 0, π = 0,1,2,3
(curah hujan, produksi benih, dan luas panen tidak berpengaruh secara
signifikan terhadap produksi cabai rawit di Indonesia tahun 2012)
π»1: π½π β 0, π = 0,1,2,3
(curah hujan, produksi benih, dan luas panen berpengaruh secara
signifikan terhadap produksi cabai rawit di Indonesia tahun 2012)
ii. Pilih πΌ = 0.05
iii. Daerah kritis : π»0 ditolak jika p-value <πΌ = 0.05
iv. Statistik uji
Berdasarkan output Regresi dengan variabel X1, X2, X3 diperoleh hasil
output dengan π β π£πππ’π = 0.000
v. Kesimpulan
Berdasarkan hasil regresi dapat dilihat p-value = 0.000 < 0.05 maka π»0
ditolak artinya curah hujan, produksi benih, dan luas panen berpengaruh
secara signifikan terhadap produksi cabai rawit di Indonesia tahun 2012.
Uji Signifikansi untuk masing-masing variabel
Akan diuji apakah setiap variabel signifikan masuk ke dalam model.
Tabel 4.6.1 Uji signifikansi masing-masing variabel
Variabel Independen p-value Keterangan
π1(Curah Hujan) 0.110 > Ξ± Koefisien regresi tidak signifikan
π2(Produksi Benih) 0.541 Λ Ξ± Koefisien regresi tidak signifikan
π3(Luas Panen) 0.000 < Ξ± Koefisien regresi signifikan
16
4.2.2 Uji Asumsi Regresi
Selanjutnya dilakukan uji asuimsi klasik untuk melihat apakah model
regresi yang diperoleh memenuhi asumsi klasik atau tidak. Berikut merupakan
hasil uji asumsi klasik tersebut
1. Uji Asumsi Normalitas
Pengujian kenormalan digunakan untuk mengetahui apakah sistem
berdistribusi normal atau tidak. Plot kenormalan untuk sisaan dari model produksi
cabai rawit Indonesia tahun 2012 sebagai berikut
Gambar 4.1 Plot probabilitas dari sisaan
Berdasar gambar 4.1 terlihat bahwa pola penyebaran sisaan tidak mengikuti
garis lurus. Berarti asumsi kenormalan tidak terpenuhi karena gambar plot
terdapat pencilan. Untuk menguji kenormalan dapat juga digunakan uji
Kolmogorof-Smirnov sebagai berikut
i. π»0: sisaan berdistribusi normal
π»1: sisaan tidak berdistribusi normal
ii. Pilih πΌ = 0.05
6000050000400003000020000100000-10000-20000-30000
99
95
90
80
70
60
50
40
30
20
10
5
1
RESI1
Pe
rce
nt
Mean -7.11059E-12
StDev 10964
N 33
KS 0.247
P-Value <0.010
Probability Plot of RESI1Normal
17
iii. Daerah kritis : π»0 ditolak jika p-value <πΌ = 0.05
iv. Statistik uji
Berdasarkan output pada gambar 4.1 diperoleh π β π£πππ’π < 0.010
v. Kesimpulan
Karena p-value < 0.010 < 0.05 maka π»0 ditolak, artinya sisaan tidak
berdistribusi normal.
Dengan demikian asumsi kenormalan pada data produksi cabai rawit ke-33
provinsi di Indonesia tahun 2012 tidak dapat dipenuhi.
2. Uji Asumsi Non Heterokedastisitas
Untuk menguji non heterokedastisitas dapat dilakukan dengan metode plot.
Plot kesamaan variansi untuk data sisaan pada model produksi cabai rawit di
indonesia tahun 2012 adalah sebagai berikut
Gambar 4.2. Plot sisaan dengan οΏ½ΜοΏ½
Pada gambar 4.2 tampak bahwa variansi sisaan dari satu pengamatan ke
pengamatan lain berpola acak yang mengindikasikan bahwa variansi sisaan
konstan sehingga dapat diindikasikan asumsi homoskedastisitas dipenuhi. Dari
hasil tersebut dapat diambil kesimpulan bahwa asumsi homoskesdastisitas dapat
dipenuhi.
250000200000150000100000500000
50000
40000
30000
20000
10000
0
-10000
Fitted Value
Re
sid
ua
l
Versus Fits(response is Y)
18
3. Uji Asumsi Non Autokorelasi
Autokorelasi diartikan sebagai korelasi antara anggota serangkaian
observasi yang diurutkan menurut waktu. Uji non autokorelasi dapat dideteksi
dengan rumus Durbin-Watson.
Uji Durbin-Watson (Uji DW)
i. π»0: π = 0, artinya tidak ada autokorelasi
π»1: π β 0, artinya ada autokorelasi
ii. Pilih πΌ = 0.05
iii. Daerah kritis
Pada π = 3 dan π = 33 serta πΌ = 0.05 diperoleh nilai ππ = 1.2576 dan
ππ’ = 1.6511 sehingga (4 β π1) = 2.7424 dan (4 β ππ’) = 2.3489
π»0 ditolak jika πβππ‘π’ππ β€ 1.6511 ππ‘ππ’ πβππ‘π’ππ β₯ 2.3489
iv. Statistik uji
Dari perhitungan diperoleh πβππ‘π’ππ =1.88137
v. Kesimpulan
Berdasarkan hasil regresi dapat diperoleh bahwa πβππ‘π’ππ > 1.6511 maka
π»0 tidak ditolak artinya asumsi non autokorelasi pada model produksi
cabai rawit Indonesia tahun 2012 dipenuhi.
4. Uji Asumsi Non Multikolinearitas
Pengujian multikolinearitas bertujuan untuk mengetahui ada tidaknya
hubungan linear antara variabel independen. Untuk mendeteksi adanya
multikolinearitas dapat dilakukan dengan berbagai uji. Salah satu deteksi ada
tidaknya multikolinearitas adalah dengan melihat pada nilai VIF. Nilai VIF
diperoleh dengan melakukan regresi secara parsial dan kemudian menghitung
nilai VIF.
19
Tabel 4.2. Hasil output uji multikolinearitas
Variabel Independen VIF Keterangan
π1(Curah Hujan) 1.031 < 10 Tidak terdapat multikolinearitas
π2(Jumlah Produksi Benih) 1.029 < 10 Tidak terdapat multikolinearitas
π3(Produksi Cabai Rawit) 1.004 <10 Tidak terdapat multikolinearitas
Berdasarkan hasil output pada Tabel 4.2. dapat dilihat bahwa nilai VIF
untuk semua variabel independen, baik variabel curah hujan (π1), jumlah produksi
benih (π2), maupun produksi cabai rawit (π3) adalah lebih kecil dari 10, sehingga
dapat disimpulkan bahwa asumsi non multikolinearitas dipenuhi.
Berdasarkan pengujian asumsi klasik pada model produksi cabai rawit di
Indonesia tahun 2012 menggunakan analisis regresi diperoleh bahwa semua
asumsi klasik terpenuhi.
4.3 Deteksi Pencilan
Berdasarkan statistik uji untuk mengetahui pencilan terhadap Y yaitu TRES
dengan menarik kesimpulan menolak π»0 apabila nilai ππ πΈπ > π‘π‘ππππ =
1.701 maka diperoleh kesimpulan bahwa terdapat pencilandata ke-2, 12 dan 16.
Berdasar statistik uji untuk mengetahui pencilan terhadap X yaitu hii yang
dengan menarik kesimpulan bahwa pengamatan menolak π»0 apabila nilai βππ >
2π
π= 0.2424 maka diperoleh kesimpulan bahwa terdapat pencilan data ke- 13, 16,
17, 27
Tabel 4.3. Hasil perhitungan TRES dan hii untuk mendeteksi pencilan
No ππ πΈππ βππ
1 1.38480 0.090221
2 1.78486 0.068060
3 -0.30883 0.035225
4 -0.37460 0.035327
5 -0.02736 0.064349
20
6 -0.58775 0.049245
7 -0.70177 0.034071
8 -0.35844 0.044635
9 -0.33564 0.052649
10 -0.48136 0.101301
11 -0.57252 0.072873
12 8.20558 0.044718
13 -0.08659 0.421538
14 -0.38055 0.140528
15 -0.34084 0.043614
16 -1.94934 0.894672
17 0.21446 0.596684
18 0.28831 0.033005
19 -0.53837 0.037959
20 -0.05338 0.090362
21 -0.47898 0.037444
22 0.20414 0.134974
23 -0.62307 0.046585
24 -0.30456 0.053178
25 -0.53184 0.063071
26 -0.18977 0.035361
27 0.69578 0.349664
28 0.49488 0.050308
29 -0.36830 0.036887
30 -0.09528 0.065633
31 0.02583 0.082591
32 -0.57366 0.038454
33 -0.30980 0.054814
21
4.4 Model Regresi Robust dengan Estimasi- MM
Proses perhitungan estimasi-MM yang iteratif dimulai dengan menentukan
estimasi awal koefisien regresi, yang diperoleh dari MKT yaitu οΏ½ΜοΏ½0 =
(10053 ; β20.5 ; β0.206; 5.06 ) kemudian berdasarkan algoritma estimasi-M,
dihitung nilai οΏ½ΜοΏ½π0 dan sisa οΏ½ΜοΏ½π
0 = π¦π β οΏ½ΜοΏ½π0. Proses iterasi menggunakan MKT
terboboti dilanjutkan dengan menghitung sisaan dan pembobot π€(π’π) yang baru
dan dilakukan pendugaan parameter secara berulang-ulang sampai konvergen.
Kekonvergenan tercapai jika koefisien regresi sudah sama dengan koefisien
regresi sebelumnya.(Salibian dan Yohai,2006).
Tabel 4.4.1 Iterasi estimasi-S
b0 b1 b2 b3
iterasi 0 10053 -20.5 -0.206 5.06
iterasi 1 3317 -8.65 -0.0424 5.18
iterasi 2 1297 -4.56 0.0073 5.03
iterasi 3 1268 -4.50 0.0102 5.00
iterasi 4 1257 -4.48 0.0107 5.00
iterasi 5 1256 -4.48 0.0107 5.00
iterasi 6 1255 -4.48 0.0107 5.00
Iterasi 7 1255 -4.48 0.0107 5.00
Iterasi 8 1255 -4.48 0.0107 5.00
Konvrg. Iterasi 7
Std e7 = 11330.3
Tabel 4.4.2 Iterasi estimasi-MM
b0 b1 b2 b3
iterasi 0 10053 -20.5 -0.206 5.06
iterasi 1 5979 -13.7 -0.093 5.00
iterasi 2 5451 -12.7 -0.082 5.00
iterasi 3 5401 -12.6 -0.081 5.00
22
iterasi 4 5396 -12.6 -0.081 5.00
iterasi 5 5396 -12.6 -0.081 5.00
iterasi 6 5396 -12.6 -0.081 5.00
Konvergen iterasi 5
dengan Ο = 11072.9
Berdasarkan tabel 4.4.2 di atas terlihat bahwa koefisien regresi sudah
konvergen di iterasi ke-5 dengan model
π = ππππ β ππ. ππΏπ β π. ππππΏπ + π. πππΏπ
Interpretasi model yaitu sebesar 98.4% produksi cabai rawit di Indonesia
pada tahun 2012 dapat diterangkan oleh variabel luas panen, curah hujan dan
produksi benih tiap provinsi di Indonesia, sedangkan 1.6% diterangkan oleh
variabel lain. Setiap kenaikan satu milimeter (mm) curah hujan maka produksi
cabai rawit di Indonesia akan berkurang sebesar 12.6 ton, setiap kenaikan
produksi benih sebesar satu kilogram (kg) maka produksi cabai rawit di Indonesia
akan berkurang sebesar 0.081 ton atau sebesar 81 kg dan setiap peningkatan luas
panen sebesar satu hektar (ha) maka produksi cabai rawit di Indonesia akan
bertambah sebesar 5 ton.
4.5 Uji Signifikansi
Uji Signifikansi serempak
vi. π»0: π½π = 0, π = 0,1,2,3
(curah hujan, produksi benih, dan luas panen tidak berpengaruh secara
signifikan terhadap produksi cabai rawit di Indonesia tahun 2012)
π»1: π½π β 0, π = 0,1,2,3
(curah hujan, produksi benih, dan luas panen berpengaruh secara
signifikan terhadap produksi cabai rawit di Indonesia tahun 2012)
vii. Pilih πΌ = 0.05
viii. Daerah kritis : π»0 ditolak jika p-value <πΌ = 0.05
ix. Statistik uji
23
Berdasarkan output Regresi dengan variabel X1, X2, X3 diperoleh hasil
output dengan π β π£πππ’π = 0.000
x. Kesimpulan
Berdasarkan hasil regresi dapat dilihat p-value = 0.000 < 0.05 maka π»0
ditolak artinya curah hujan, produksi benih, dan luas panen berpengaruh
secara signifikan terhadap produksi cabai rawit di Indonesia tahun 2012.
Uji Signifikansi untuk masing-masing variabel
Akan diuji apakah setiap variabel signifikan masuk ke dalam model.
Tabel 4.6.1 Uji signifikansi masing-masing variabel
Variabel Independen p-value Keterangan
π1(Curah Hujan) 0.049 < Ξ± Koefisien regresi signifikan
π2(Produksi Benih) 0.623 Λ Ξ± Koefisien regresi tidak signifikan
π3(Luas Panen) 0.000 < Ξ± Koefisien regresi signifikan
24
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan hasil analisis, maka dapat disimpulkan bahwa
Hasil estimasi produksi cabai rawit di Indonesia pada tahun 2012 dengan
metode regresi robust estimasi-MM diperoleh sebagai berikut
π = ππππ β ππ. ππΏπ β π. ππππΏπ + π. πππΏπ
Interpretasi model yaitu sebesar 98.4% produksi cabai rawit di Indonesia
pada tahun 2012 dapat diterangkan oleh variabel luas panen, curah hujan dan
produksi benih tiap provinsi di Indonesia, sedangkan 1.6% diterangkan oleh
variabel lain. Setiap penurunan satu milimeter (mm) curah hujan maka produksi
cabai rawit di Indonesia akan berkurang sebesar 12.6 ton, setiap penurunan
produksi benih sebesar satu kilogram (kg) maka produksi cabai rawit di Indonesia
akan berkurang sebesar 0.081 ton atau sebesar 81 kg dan setiap peningkatan luas
panen sebesar satu hektar (ha) maka produksi cabai rawit di Indonesia akan
bertambah sebesar 5 ton.
25
DAFTAR PUSTAKA
Groebner, Shannon, Fry, dan Smith. 2008. Busines Statistics: A Decision Making
Approach, 6th Ed. http://om375lingo.com.p11.hostingprod.com/
yahoo_site_admin/assets/docs/ch15_minitab_tutorial.26110859.pdf
diakses pada hari Kamis, 9 Mei 2013 pukul 04.50 WIB.
Kementerian Pertanian. 2012. Statistik Pertanian Agricultural Statistics 2012.
http:pusdatin.deptan.go.id/admin/satlak/Statistik_Pertanian_2012.pdf.
diakses pada hari Kamis, 9 Mei 2013 pukul 04.41 WIB.
Sembiring. 1989. Analisis Regresi. Bandung: ITB Press
Murti, Endah Krisna. 2013. Estimasi β MM pada Regresi Robust (Studi Kasus
Produksi Kedelai di Indonesia Tahun 2010). (Tidak Diterbitkan).
Kurniawan, Ananta Ade. 2013. Perbandingan Regresi Robust dengan Estimasi- M
dan Estimasi-MM pada Regresi Linear Berganda (Studi Kasus
Produksi Jagung di Kabupaten Karanganyar Tahun 2011). (Tidak
Diterbitkan).