1
Pemodelan Anomali Luas Panen Padi dan Curah Hujan Terboboti (Weighted Rainfall Index) dengan Pendekatan Robust Bootstrap LTS
(Studi Kasus: Pemodelan Luas Panen di Kabupaten Subang)
Ika Dewi Ariyanti1 dan Sutikno2
1Mahasiswa S1 Statistika ITS,2Dosen Pembimbing, Staf Pengajar Jurusan Statistika FMIPA-ITS.
e-mail : [email protected], [email protected]
ABSTRAK
Padi merupakan makanan pokok untuk sebagian besar penduduk di wilayah Indonesia.Luas panen padi dipengaruhi oleh curah hujan yang seringkali mengalami kejadian ekstrim (kebanjiran dan kekeringan). Kejadian ekstrim inilah yang menyebabkan adanya outlier. Estimasi parameter regresi dengan metode Ordinary Least Square (OLS) kurang baik digunakan apabila ada pengamatan outlier. Regresi robust merupakan salah satu metode untuk menduga parameter jika terjadi amatan outlier. Penelitian ini bertujuan memodelkan anomali luas panen padi (AnLPp) di Kabupaten Subang yang merupakan salah satu sentra produksi padi di Jawa Barat sebagai variabel respon dan curah hujan terboboti (WRI) sebagai variabel prediktor dengan pendekatan robust bootstrap LTS. Penggunaan metode tersebut untuk mengatasi adanya outlier dan jumlah data yang sedikit. Untuk mengetahui kehandalan dari model digunakan metode LTS (tanpa bootstrap) sebagai pembanding. Dalam hal ini, untuk mendapatkan model terbaik dari estimator metode robust bootstrap LTS tersebut digunakan kriteria RMSEP. Hasil penelitian menunjukkan bahwa metode robust bootstrap LTS diperoleh nilai RMSEP periode II dan III lebih kecil dibandingkan metode robust LTS (tanpa bootstrap) yaitu sebesar 10.71411 dan 24.43047, sehingga dapat disimpulkan metode robust bootstrap LTS memiliki kinerja yang lebih baik. Metode robust bootstrap LTS ini memiliki kinerja yang lebih baik ketika jumlah observasi yang merupakan outlier lebih banyak.
Kata kunci: analisis regresi, OLS, outlier, robust bootstrap LTS, RMSEP.
1. PendahuluanPadi merupakan makanan pokok untuk sebagian besar penduduk di wilayah Indonesia.
Akan tetapi letak wilayah Indonesia yang dilalui garis katulistiwa, menyebabkan adanya keragaman iklim (curah hujan) yang tinggi, sehingga mempengaruhi sektor pertanian salah satunya yaitu produksi padi. Kejadian alam seperti iklim seringkali tidak menentu (berfluktuasi) sehingga ditemukan adanya pengamatan outlier karena adanya kejadian-kejadian ekstrim.Ketersediaan komoditas padi sangat berpengaruh terhadap ketahanan pangan nasional. Oleh karena itu, salah satu upaya yang perlu dilakukan untuk mempertahankan ketahanan pangan yaitu melakukan pemodelan yang handal terhadap kejadian ekstrim untuk mengetahui produksi padi yang dihasilkan.
Analisis regresi merupakan analisis untuk mengetahui hubungan antara satu variabel respon (Y) dan satu atau lebih variabel prediktor (X). Dalam analisis regresi, asumsi residual yang harus terpenuhi antara lain identik, independen dan berdistribusi normal dengan mean nol dan varians σ2, residual dinotasikan ε dengan asumsi IIDN (0,σ2). Apabila asumsi residual ter-penuhi maka metode Ordinary Least Square (OLS) dapat menduga parameter dengan baik. Akan tetapi, jika tidak terpenuhi maka hasil estimasi OLS tidak sahih. Regresi robust meru-pakan metode regresi yang digunakan ketika adanya beberapa pengamatan outlier yang berpengaruh terhadap model (Ryan, 1997).
Pemodelan luas panen yang pernah dilakukan sebelumnya antara lain Sutikno (2008) memodelkan curah hujan terboboti (Weighted Rainfall Index: WRI) terhadap anomali luas panen per periode (AnLPp) dengan menggunakan metode regresi OLS dan Robust. Munir
2
(2009) mengindikasikan bahwa pemodelan dengan variabel WRI sebagai variabel prediktor mempunyai tingkat ketepatan prediksi yang akurat. Adiba (2009) menggunakan metode bootstrap untuk mengestimasi parameter karena jumlah datanya sedikit tetapi tidak mengan-dung outlier. Bekti (2009) menyatakan secara umum metode regresi robust menunjukkan kinerja yang baik daripada metode OLS. Pada penalitian ini akan dilakukan pemodelan regresi antara anomali luas panen padi per periode (AnLPp) sebagai variabel respon dan curah hujan terboboti (WRI) sebagai variabel prediktor dengan pendekatan robust bootstrap LTS. Penggunaan metode tersebut untuk mengatasi adanya outlier dan jumlah data yang sedikit. Untuk mengetahui kehandalan model digunakan metode LTS (tanpa bootstrap) sebagai pembanding.
2. Tinjauan PustakaAnalisis Regresi
Analisis regresi merupakan analisis untuk mendapatkan hubungan dan model matematis antara variabel respon (Y) dan satu atau lebih variabel prediktor (X). Pendugaan parameter dalam model regresi dapat dilakukan dengan menggunakan metode OLS (ordinary least square). Hubungan antara variabel respon dan prediktor sebagai berikut :
k
jiijji XY
10 (1)
Taksiran persamaan tersebut adalah
k
jijji XbbY
10
ˆ (2)
i = 1,2 …, n dan j = 1,2,…, k, dengan n adalah banyaknya pengamatan dan (k+1) adalah banyaknya parameter, ε adalah residual dengan asumsi ε~IIDN(0,σ2).
Pendugaan parameter β melalui metode OLS bertujuan untuk meminimumkan Sum Square Error (SSE). Persamaan regresi dapat dinotasikan dalam bentuk matrik :
εβy X (3)
untuk menaksir β maka :
yb TT XXX 1)( (4)
Deteksi Outlier
Outlier merupakan pengamatan yang menyimpang jauh dibandingkan pengamatan lainnya. Cara yang dapat dilakukan untuk memutuskan yaitu suatu pengamatan outlierdihilangkan kemudian menganalisis kembali tanpa amatan tersebut. Namun dalam beberapa kasus, pengamatan outlier memberikan informasi yang tidak dapat diberikan oleh pengamatan lain dan bahkan perlu diselidiki lebih jauh (Drapper and Smith, 1996). Untuk mendeteksi pengamatan outlier dapat dilakukan dengan DFFITS (Myers, 1990). Adapun persamaan untuk DFFITS sebagai berikut :
iii
iiii
hS
YYDFFITS
2
,ˆˆ
untuk i = 1,2,...,n (5)
iY nilai taksiran iY dengan menggunakan pengamatan ke-i, iiY ,ˆ nilai taksiran iY tanpa
menggunakan pengamatan ke-i, 2iS
mean square error tanpa menggunakan pengamatan ke-i,
dan iih adalah elemen diagonal ke-i dari matrik TT )(H XXXX 1 .
3
Jikan
kDFFITSi
12
dengan (k+1) merupakan banyaknya parameter dalam model
dan n adalah banyaknya pengamatan maka pengamatan ke-i merupakan pengamatan outlier yang berpengaruh.
Regresi Robust
Regresi robust merupakan alat yang digunakan untuk menganalisis adanya data outliersupaya diperoleh model yang robust terhadap outlier. Dalam pembahasan ini, pendugaan parameter akan dilakukan menggunakan metode LTS-Estimation.
Least Trimmed Square (LTS)
Regresi LTS pertama kali dikenalkan oleh Roesseauw&Leroy (1987). Metode ini ham-pir sama dengan OLS. Least Trimmed Square (LTS) merupakan metode pendugaan parameter regresi robust untuk meminimumkan jumlah kuadrat h residual (fungsi objektif) (Ryan, 1997) :
h
inie
1
2):( (6)
dengan h = 2/)2(2/ kn (7)2
)(ie adalah kuadrat residual yang diurutkan dari terkecil ke terbesar, 2)1(e < 2
)2(e < 2)3(e < … <
2)(ne dan k adalah banyaknya variabel prediktor.
Pada persamaan (7) jumlah h menunjukkan subset data dengan kuadrat fungsi objektif terkecil. LTS meminimumkan trimmed sum square of residuals, dengan membiarkan beberapa pengamatan outlier yang memiliki residual besar. Algoritma LTS menurut Rousseeuw dan Van Driessen (1999) dalam Willems & Aelst (2005) adalah gabungan FAST-LTS dan C-steps. Estimasi parameter dilakukan hingga proses Final Weighted Least Square (FWLS). Fungsi pembobotnya yaitu :
ya , lainn
r/se , w LTSi
i1
0(8)
dengan r = 3 dan
h
iinhLTS e
hds
1
2)(,
1(9)
)/1(2
1
1
,,
,
nhnh
nh
chc
nd
(10)
.))2/)((
11, nnh
c nh
(11)
adalah fungsi komulatif normal standart dan adalah fungsi density normal standart.
Pengujian Signifikansi Parameter
Pengujian signifikansi parameter model regresi bertujuan mengetahui apakah parameter menunjukkan hubungan yang nyata antara variabel prediktor dengan variabel respon dan mengetahui kelayakan parameter menerangkan model.
4
a. Uji SerentakHipotesis yang digunakan dalam pengujian secara bersama-sama untuk semua
parameter model regresi sebagai berikut :
H0 : 021 j
H1 : minimal ada satu 0j , (j = 1, 2, … k)
Statistik uji : Fhitung = MSE
MSR(12)
Daerah keputusan : jika Fhitung F (k, n-k-1) atau P-value < α maka tolak H0.
b. Uji ParsialPengujian parameter dalam model regresi secara individu bertujuan untuk mengetahui
parameter model regresi telah signifikan atau tidak. Hipotesis yang digunakan adalah sebagai berikut :
H0 : 0j
H1 : 0j , j = 0, 1, 2, … k
Statistik uji : j
jhitung
St
ˆ
ˆ (13)
Daerah keputusan : jika | thitung | > t(1-α/2, n-k-1) maka tolak H0.
Pengujian Asumsi Residual
Asumsi residual yang harus terpenuhi dalam analisis regresi yaitu identik, independen dan berdistribusi normal (0,σ2).
a. Uji Asumsi Identik
Pendeteksian heteroskedastisitas residual dapat secara visual yaitu membuat plot antara
residual dan Y . Cara kedua mendeteksi heteroskedastisitas yaitu melalui uji glejser yang dilakukan dengan cara meregresikan harga mutlak residual dengan variabel prediktor (X).
Xe (14)
Hipotesis yang digunakan adalah :H0 :
2222
21 ... k
H1 : minimal ada satu 22ji
dimana i, j = 1, 2, ... , k i ≠ j dan k adalah variabel prediktor.
Statistik uji : .
)1/()|||(|
)/()||||(
1
2^
1
2^
knee
kee
MSE
MSRF
n
iii
n
ii
hitung
(15)
Daerah keputusan : jika Fhitung F (k, n-k-1) atau P-value < α maka Tolak H0.
b. Uji Independen
Uji independen atau uji autokorelasi residual untuk mengetahui apakah ada korelasi antar residual atau tidak. Hipotesis pengujian melalui uji Durbin-Watson sebagai berikut :
H0 : 0
H1 : 0
Statistik uji:
n
ii
n
iii
hitung
e
eed
1
2
1
21
(16)
5
Daerah keputusan : jika dhitung ≤ dL,α/2 atau dL,α/2 ≤ (4-dhitung)≤ dL,α/2 maka tolak H0.
c. Uji Distribusi Normal
Pengujian asumsi residual normal (0,σ2) dapat dilakukan melalui uji Kolmogorov Smirnov. Hipotesis yang digunakan adalah :
H0 : F0(x)=F(x) (Residual berdistribusi normal (0,σ2))H1 : F0(x)≠F(x) (Residual tidak berdistribusi normal (0,σ2))
Statistik uji : xSxFmaksD N 0 (17)
F0(x) adalah fungsi distribusi kumulatif sedangkan SN(x)=i/n merupakan fungsi peluang kumu-latif pengamatan dari sampel dengan i adalah pengamatan dan n banyaknya pengamatan.
Daerah keputusan : jika D > q(1-α) maka tolak H0.
Regresi Bootstrap
Bootstrap pertama kali dikenalkan oleh Bradley Efron pada tahun 1979. Konsep dasar metode ini adalah membangkitkan sampel data yang besar secara acak dari sekumpulan sampel pengamatan dengan pengembalian. Jumlah replikasi bootstrap (B) yang digunakan untuk mendapatkan nilai taksiran statistik yang cukup baik berada pada selang 50 sampai 200 (Efron &Tibshirani, 1993). Dalam penelitian ini metode bootstrap yang digunakan yaitu pairs bootstrap. Resampling dalam metode bootstrap ini dilakukan pada masing-masing variabel prediktor dan respon dari data asli (Flachaire, 2003).
Robust Bootstrap LTS
Penerapan prosedur bootstrap, yaitu dengan cara mengambil sampel dengan pengem-balian sebanyak n dari data asli, kemudian dilakukan berulang-ulang sebanyak B. Langkah untuk menghitung setiap sampel bootstrap menggunakan LTS-Estimation sebagai berikut : 1. Menghitung estimasi parameter b0 melalui OLS.
2. Menentukan h-subset (persamaan 7) dan menghitung
h
inie
1
2):(.
3. Menerapkan langkah C-steps pada initial h-subset tersebut sampai konvergen untuk mendapatkan pendekatan LTS. Adapun langkah C-steps yaitu :- Melakukan estimasi parameter bnew dari ho pengamatan melalui OLS.
- Menentukan 2ie yang bersesuaian dengan OLS (bnew). Kemudian menghitung sejumlah
hnew dengan nilai 2)(ie terkecil.
- Menghitung
newh
iie
1
2)(
4. Menggabungkan sampel bootstrap untuk mendapatkan estimasi rata-rata parameternya.
Seleksi Model Terbaik
Pemilihan model terbaik dapat dilakukan dengan melihat nilai R2. Model dikatakan baik jika nilai (R2) tinggi. Adapun cara untuk memperoleh nilai R2 sebagai berikut :
yS
yXSR
LTS
LTSLTS ,1
,1
2
22 (18)
Selain dari nilai R2 dilakukan juga dengan pendekatan out sampel yaitu menggunakanRoot Mean Square Error Prediction (RMSEP). Metode terbaik adalah metode dengan nilai RMSEP terkecil. Kriteria RMSEP ditentukan dengan cara :
n
iie
nRMSEP
1
21 dimana i = 1, 2,...n (19)
6
Curah Hujan Terboboti (WRI) dan Anomali Luas Panen Padi
Curah hujan terboboti (Weighted Rainfall Index=WRI) dikembangkan di Australia oleh Stephen et al. (1994) dalam (Sutikno, 2008). Nilai bobot yang digunakan masing-masing bulan berbeda bergantung pada siklus pertumbuhan tanaman. Bulan dengan fase pembungaan (fase yang sensitif terhadap kekurangan air) umumnya akan memiliki bobot yang tinggi karena besar kecilnya hujan pada bulan ini sangat berpengaruh besar terhadap keragaman produksi gandum.
WRI yang digunakan dalam pemodelan adalah WRI yang sistem pembobotnya telah dimodifikasi oleh Sutikno (2008). Perbedaan tingkat penyerapan air tiap tempat penanaman padi disebabkan karena setiap wilayah di Indonesia mendapatkan jumlah curah hujan yang berbeda-beda. Tujuan pembobotan terhadap curah hujan per wilayah yaitu untuk mendapatkan asumsi bahwa semua tempat penanaman padi mendapatkan penyerapan air yang sama. Pembobotan kedua yaitu melalui luas tanam dan luas baku. Luas baku merupakan luas lahan yang seharusnya ditanami padi, sedangkan luas tanam adalah luas lahan yang telah ditanami padi.
Menurut BPS & Deptan (2003) luas panen merupakan luas tanaman yang diambil hasilnya setelah tanaman yang bersangkutan cukup umur dan sesuai dengan kriteria panen. Sedangkan anomali luas panen per periode merupakan luas panen per periode yang dikurangi rata-rata luas panen selama periode tertentu. Pendataan dan peramalan produksi padi di Indonesia yang dilakukan BPS dan Departemen Pertanian dibagi dalam tiga periode yaitu Januari – April, Mei – Agustus, dan September – Desember. Luas panen per periode diperoleh dari jumlah luas panen pada bulan pertama hingga bulan keempat dalam satu periode. Produksi dan luas panen dalam setahun (Januari-Desember) didapatkan dari penjumlahan produksi dan luas panen selama tiga periode. Model yang dikembangkan adalah modifikasi antara model BPS dan Stephen et al. (1994) dalam Sutikno (2008).
Model hubungan anomali luas panen padi per periode (AnLPp) dengan curah hujan terboboti (WRI) adalah sebagai berikut :
AnLPpi= iiiii WRIWRIWRIWRI 443322110 (20)
dengan i =1, 2, 3, … n (n adalah banyaknya pengamatan) dan p = 1, 2, 3 (p adalah periode). WRI1, WRI2, WRI3 dan WRI4 menunjukkan WRI bulan pertama sampai keempat pada masing-masing periode sedangkan i yaitu residual dengan asumsi IIDN (0,σ2).
3. MetodologiData yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari
BPS, Departemen Pertanian dan BMKG tahun 1988 – 2006. Lokasi penelitian adalah Kabupaten Subang yang merupakan salah satu sentra produksi padi di Jawa Barat. Variabel yang digunakan adalah anomali luas panen per periode (AnLPp) sebagai variabel respon dan WRI sebagai variabel prediktor. Periode I meliputi bulan Januari – April, periode II bulan Mei – Agustus dan periode III bulan September – Desember. Tahapan analisis dalam penelitian ini, yaitu :1. Mendeskripsikan data luas panen padi untuk masing-masing periode.2. Mengidentifikasi hubungan antara anomali luas panen padi (AnLP) dan curah hujan
terboboti (WRI).3. Mengidentifikasi outlier pada data luas panen padi.4. Membuat model regresi AnLP sebagai variabel respon dan WRI sebagai variabel prediktor
dengan menggunakan pendekatan metode OLS dan robust bootstrap LTS. Pembentukan model dengan metode OLS dilakukan untuk mengestimasi parameter kemudian dilakukan uji signifikansi parameter, asumsi residual IIDN, dan deteksi outlier dengan DFFITS. Oleh karena ada pengamatan outlier dan jumlah data sedikit maka dilanjutkan dengan metode robust bootstrap LTS. Metode bootstrap yang digunakan yaitu pairs bootstrap.
Algoritma dalam pembentukan model dengan metode LTS adalah FAST LTS, C-steps, dan Final Weighted Least Square (FWLS), tahapannya sebagai berikut :
i. Menghitung estimasi parameter bo melalui OLS.
7
ii. Menentukan 2ie melalui OLS (b0) dan menghitung 2/)2( knho pengamatan
dengan nilai 2)(ie terkecil.
iii. Menghitung
oh
iie
1
2)(.
iv. Melakukan estimasi parameter bnew dari ho pengamatan melalui OLS.
v. Menentukan 2ie yang bersesuaian dengan OLS (bnew).
vi. Menghitung sejumlah hnew pengamatan dengan nilai 2)(ie terkecil.
vii. Menghitung
newh
iie
1
2)(.
viii. Melakukan C-steps yaitu tahap iv sampai vii untuk mendapatkan fungsi objektif yang kecil dan konvergen.Nilai h0 = (n+k+2)/2 = (12+4+2)/2 = 9.
5. Membandingkan estimasi model regresi robust bootstrap LTS dengan LTS-Estimationtanpa bootstrapping. Kriteria model terbaik yaitu model dengan nilai RMSEP yang terkecil.
4. Hasil dan PembahasanLuas panen padi periode I di Kabupaten Subang tahun 1992 - 2006 memiliki simpangan
baku 9.26 dengan rata-rata luas panen padi selama periode I (Januari-April) dalam rentangwaktu 15 tahun adalah 73.3 Ha. Rata-rata luas panen periode II (Mei-Agustus) sebesar 56.28 Ha dengan simpangan baku 7.84 yang terbilang lebih kecil dibandingkan periode I dan III. Sementara periode III (September-Desember) memiliki rata-rata 31.49 Ha. Pada periode I luas panen padi relatif lebih tinggi daripada periode II dan III, sedangkan periode II relatif lebih ting-gi dibandingkan periode III. Hal ini disebabkan bulan Januari - April tanaman padi memperoleh pengairan yang cukup dibandingkan bulan Mei - Agustus. Pada bulan September-Desember cu-rah hujan tidak teratur karena merupakan awal musim hujan. Hal ini dapat dilihat juga dari pen-capaian maksimum luas panen periode III tidak lebih besar dari luas panen minimum periode I.
Tabel 1 Nilai Rata-Rata, Simpangan baku, Minimum dan Maksimum Luas Panen Padi
Periode Rata-Rata Simpangan Baku Minimum Maksimum
I 73.3 9.26 49.44 86.57
II 56.28 7.84 34.59 67.81
III 31.49 8.97 15.47 48.39
Pendeteksian outlier dari sisaan metode OLS dilakukan menggunakan nilai DFFITS. Pada Tabel 2 terlihat bahwa terdapat beberapa observasi yang merupakan data outlier, hal inidikarenakan nilai nkDFFITS /)1(2 = 1.1547. Pada periode I ada dua pengamatan yang
outlier yaitu pengamatan ke-12 dan 15. Periode II ada 2 pengamatan yaitu pengamatan ke-13 dan 15, sedangkan periode III ada 3 pengamatan yaitu pengamatan ke-1, 7 dan 14.
Tabel 2 Deteksi Outlier dari DFFITS
Periode Pengamatan Outlier DFFITS
I1215
-2.12502-1.97339
II11315
5.122651.73793-2.04629
III1714
-3.741633.104535.24725
8
Gambar 1 memberikan gambaran pola hubungan linear antara curah hujan terboboti (WRI) dan anomali luas panen padi per periode (AnLPp). Pada periode II (Mei-Agustus) mempunyai hubungan yang cukup erat sedangkan periode I (Januari – April) dan periode III(September-Desember) menunjukkan hubungan yang kurang jelas.
18012060
0
-15
-30100500 40200 100500
50250 50250 1680 1050
0
-12
-24
420
19
7
-5
30150 100500 15010050
AnLP1*WRI1 AnLP1*WRI2 AnLP1*WRI3 AnLP1*WRI4
AnLP2*WRI5 AnLP2*WRI6 AnLP2*WRI7 AnLP2*WRI8
AnLP3*WRI9 AnLP3*WRI10 AnLP3*WRI11 AnLP3*WRI12
15
1413
12
11109
8
7
65
4
3
21
15
14
13
1211 109
8
7
6 5
43
2
1
15
14
13
12 11109
8
7
6 5
43
2
1
15
1413
12
11109
8
7
6 5
4
3
21
15
14 13
12
11109
8
7
65
4
3
21
15
1413
12
11109
8
7
65
4
3
21
15
14 1312 11 10
9
8
7
6 5
4
3
21
15
141312 11 10
9
8
7
6 5
4
3
21
15
141312 11109
8
7
6 5
4
3
21
15
1413121110
9
8
7
6 5
4
3
21
15
14
13
1211 109
8
7
6 5
43
2
1
15
14
13
1211 109
8
7
6 5
43
2
1
Gambar 1 Diagram Pencar antara AnLPp dan WRI di Kabupaten Subang Periode I (a), Periode II (b) dan Periode III (c).
Pada periode I (April), periode II (Agustus), dan periode III (September dan November) terlihat bahwa hubungan antara AnLP dan WRI cenderung berbanding lurus, yaitu semakin tinggi curah hujan maka semakin tinggi pula luas panen padi. Sedangkan periode I (Januari-Maret), periode II (Mei-Juli) dan periode III (Oktober dan Desember) menunjukkan hubungan yang cenderung saling berkebalikan, semakin tinggi curah hujan maka luas panen padi semakin menurun. Adapun faktor penyebabnya yaitu curah hujan pada bulan-bulan tersebut relatif tinggi yang dapat menyebabkan terjadinya kebanjiran dan tanaman padi mudah rusak.
Tabel 3 Estimasi Parameter Regresi dengan Metode OLS dan Robust LTS
Periode ParameterOLS Robust LTS
Estimasi t R2 (%) Estimasi t R2 (%)
I
β0
β1
β2
β3
β4
0.56
-0.00289
0.0495
-0.2943
0.0318
0.03
-0.04
0.28
-1
0.14
11.1 -5.93437
0.04037
-0.08763
-0.15078
0.11372
-1.56
2.39
-2.15
-1.54
2.45
95.96
II
β0
β1
β2
β3
β4
4.564
-0.2369
-0.0682
0.1445
0.174
0.86
-1.71
-0.28
0.19
0.16
25.6 -2.78875
0.00783
0.55331*
-2.64391*
0.30269
-2.19
0.18
4.93
-6.03
1.13
96.61
III
β0
β1
β2
β3
β4
1.186
1.397
-0.3604
0.04907
0.00283
0.13
0.62
-0.77
0.65
0.03
8.1 5.56266*
-7.74442*
1.37785*
0.10803*
-0.17023*
3.34
-11.90
11.61
7.38
-10.28
98.30
a
b
c
9
Hasil estimasi parameter regresi dengan menggunakan metode OLS untuk masing-masing periode tidak nyata pada taraf signifikansi α = 5%, lebih jelasnya dapat dilihat pada Tabel 3 yang ditunjukkan dengan nilai |thitung| < t(0,975; 10) = 2,228. Untuk metode robust LTS, periode I semua variabel tidak berpengaruh secara nyata. Pada periode II, variabel yang berpengaruh nyata adalah WRI bulan Juni dan Juli, sedangkan periode III semua variabel WRI (September- Desember) berpengaruh terhadap anomali luas panen padi.
Keragaman yang dapat dijelaskan model (R2) metode OLS terbilang kecil, untuk periode I, II dan III, masing-masing sebesar 11.1%, 25.6%, dan 8.1%. Nilai Sum Square Error(SSE) periode I sebesar 10675, sedangkan periode II memiliki SSE lebih rendah dibandingkan periode I yaitu 640.99 dan untuk periode III sebesar 1033.9. Berdasarkan hal tersebut dapat disimpulkan bahwa penaksiran parameter dengan metode OLS memiliki kinerja kurang baik. Hal ini diduga salah satu penyebabnya adalah adanya pengamatan outlier. Penyusunan model regresi menggunakan metode robust LTS estimation menghasilkan nilai R-square secara berurutan periode I, II dan III yaitu 95,96%, 96,61%, dan 98,30%. Nilai R-square yang terbilang besar tersebut menunjukkan metode robust LTS lebih mampu menerangkan keragaman model dibandingkan metode OLS. Nilai SSE untuk tiap periode masing-masing sebesar 10.7046, 7.9535 dan 9.8806. Jika ditinjau dari nilai SSE metode robust LTS jauh lebih kecil dibandingkan metode OLS.
Tabel 4 Estimasi Parameter Robust Bootstrap LTS
Periode Replikasi Parameter Estimasi RMSEP
I
50
β0
β1
β2
β3
β4
-1.43725
-0.02645
0.002402
0.156477
0.016274
16.26779
100
β0
β1
β2
β3
β4
-3.07378
0.047897
0.044935
-0.10539
0.012352
14.8198
II
50
β0
β1
β2
β3
β4
3.736142
-0.14985
-0.22274
0.91115
-0.44984
10.71411
100
β0
β1
β2
β3
β4
2.900878
-0.14584
-0.02489
0.149353
-0.75009
11.27983
III
50
β0
β1
β2
β3
β4
3.559075
-3.1775
-0.08192
0.008226
-0.05498
24.43047
100
β0
β1
β2
β3
β4
3.187077
-5.76019
0.48803
-0.03679
-0.04182
29.04635
10
Penyusunan model regresi dengan metode robust bootstrap LTS dilakukan menggunakan replikasi pairs bootstrap. Replikasi untuk periode I, II dan III dilakukan sebanyak 50 dan 100 dengan jumlah sampel bootstrap masing-masing periode sebanyak 12. Pada periode I menghasilkan nilai RMSEP (Tabel 4) sebesar 16.26779 dan 14.8198. Sehingga model terbaik untuk periode I yaitu model yang terbentuk dari replikasi sebanyak 100. Nilai RMSEP pada periode II masing-masing sebesar 10.71411 dan 11.27983 sedangkan periode III sebesar 24.43047 dan 29.04635, jadi periode II dan III, model terbaiknya dari replikasi sebanyak 50.
Tabel 5 Estimasi Parameter Metode Robust Bootstrap LTS dan Robust LTS
ParameterRobust LTS Robust Bootstrap LTS
Estimasi RMSE Estimasi RMSE
Periode I
β0
β1
β2
β3
β4
-5.93437
0.04037
-0.08763
-0.15078
0.11372
13.8396 -3.07378
0.047897
0.044935
-0.10539
0.012352
14.8198
Periode II
β0
β1
β2
β3
β4
-2.78875
0.00783
0.55331
-2.64391
0.30269
17.9832 3.736142
-0.14985
-0.22274
0.91115
-0.44984
10.71411
Periode III
β0
β1
β2
β3
β4
5.56266
-7.74442
1.37785
0.10803
-0.17023
37.3272 3.559075
-3.1775
-0.08192
0.008226
-0.05498
24.43047
Hasil estimasi parameter menggunakan kedua metode tersebut diketahui nilai RMSEP periode II dan III dengan metode robust bootstrap LTS lebih kecil dibandingkan metode robustLTS yang tanpa bootstrap sehingga dapat disimpulkan bahwa metode robust bootstrap LTS memiliki kinerja yang lebih baik.
PembahasanPemodelan anomali luas panen padi (AnLP) dan curah hujan terboboti (WRI) di
Kabupaten Subang menggunakan metode OLS diperoleh bahwa WRI untuk periode I, II dan III tidak nyata berpengaruh terhadap AnLP. Sedangkan untuk metode robust LTS pada periode I menghasilkan WRI bulan Januari-April tidak nyata berpengaruh terhadap AnLP. Variabel WRI yang berpengaruh nyata yaitu bulan Juni dan Juli (periode II), bulan September-Desember (periode III). Jika menggunakan metode robust bootstrap LTS diperoleh nilai RMSEP periode II dan III lebih kecil dibandingkan metode robust LTS (tanpa bootstrap) sehingga dapat disimpulkan metode robust bootstrap LTS memiliki kinerja yang lebih baik. Metode robust bootstrap LTS ini memiliki kinerja yang lebih baik ketika jumlah observasi yang merupakan outlier lebih banyak.
Pada penelitian sebelumnya metode terbaik untuk memodelkan hubungan anomali luas panen padi dan curah hujan terboboti di Kabupaten Subang dengan menggunakan regresi robust
11
memiliki metode terbaik untuk periode I dan III adalah metode LTS estimation, sedangkan periode II adalah M-estimation Huber. Pada model hubungan antara anomali luas panen padi (AnLP) dan WRI periode tertentu didapatkan beberapa estimasi parameter WRI tidak signifikan berpengaruh pada anomali luas panen padi. Hal ini dapat disebabkan karena jumlah pengamatan yang relatif kecil yaitu 15 pengamatan untuk masing-masing periode (Bekti, 2009). Munir (2009) melakukan pemodelan WRI dan AnLP di Kabupaten Gunung Kidul periode I, II dan III dengan menggunakan metode OLS, robust LTS dan robust bootstrap LTS. Dalam penelitian tersebut replikasi yang digunakan sebanyak 50. Berdasarkan hasil dari ketiga metode tersebut diperoleh kesimpulan bahwa metode robust bootstrap LTS menghasilkan kinerja yang paling baik dibandingkan metode OLS dan robust LTS sehingga diperkirakan dapat meningkatkan ketepatan dalam prediksi.
5. Kesimpulan dan Saran
KesimpulanBerdasarkan hasil analisis data dan pembahasan diperoleh kesimpulan bahwa model
hubungan anomali luas panen padi per periode (AnLP) dan curah hujan terboboti (WRI) di Kabupaten Subang jika dilihat dari nilai RMSEP yang terkecil antara metode robust LTS dan robust bootstrap LTS didapatkan bahwa untuk periode I, nilai RMSEP metode LTS (tanpa bootstrap) lebih kecil dibandingkan robust bootstrap LTS. Sedangkan untuk periode II dan III, nilai RMSEP motode robust bootstrap LTS lebih kecil dibandingkan LTS (tanpa boostrap).
Model AnLP dan WRI di Kabupaten Subang berdasarkan metode terbaik untuk tiap periode adalah :
Periode I (robust LTS) :
43211 11372.015078.008763,004037,093437.5 WRIWRIWRIWRIAnLP
Periode II (robust bootstrap LTS) :
87652 44984.091115,022274,014985,0736142.3 WRIWRIWRIWRIAnLP
Periode III (robust bootstrap LTS) :
12111093 05498.0008226,008192.01775.3559075.3 WRIWRIWRIWRIAnLP
Dalam penelitian ini, pemodelan AnLP dan WRI di Kabupaten Subang diperoleh hasil bahwa metode robust bootstrap LTS merupakan metode yang memiliki kinerja lebih baik daripada robust LTS ketika jumlah observasi yang merupakan outlier lebih banyak.
Saran
Untuk penelitian selanjutnya, beberapa saran yang dapat direkomendasikan diantaranyayaitu :
1. Menambah jumlah pengamatan untuk mendapatkan model yang lebih tepat.2. Untuk mengetahui kehandalan metode robust bootstrap LTS perlu dilakukan penelitian
pada daerah yang lainnya.
6. Daftar Pustaka
Adiba. (2009). Pendekatan analisis regresi linier, pairs bootstrap, dan residual bootstrap dalam pemodelan hubungan produktivitas padi dengan curah hujan bulanan (studi kasus di wilayah Indramayun Karawang & Subang) (Tugas Akhir tidak dipublikasikan). Institut Teknologi Sepuluh Nopember, Surabaya.
Bekti, R.D. (2008). Model hubungan anomali luas panen padi dan curah hujan terboboti (weighted rainfall index) dengan regresi robust (Tugas Akhir tidak dipublikasikan). Institut Teknologi Sepuluh Nopember, Surabaya.
12
Deptan & BPS. (2003). Buku pedoman petugas kabupaten/kota dan propinsi, pengumpulan data tanaman pangan dan holtikultura. Jakarta: BPS dan Departemen Pertanian.
Drapper, N.,R.,& Smith, H. (1996). Applied regression analysis (2nd ed.). New York: John Wiley & Sons. Chapman and Hall.
Efron, B., & Tibshirani, R. (1993). An introduction to the bootstrap. London: Chapman and Hall.
Flachaire, E. (2003). Bootstrapping heteroskedastic regression models: wild bootstrap vs. pairs bootstrap. Paris Universite Paris 1 Pantheon-Sorbonne.
Munir, A. M. (2009). Prediksi produksi padi menggunakan weighted rainfall index dengan pendekatan fast and robust bootstrap for least trimmed square studi kasus di kabupaten gunungkidul (Tesis tidak dipublikasikan). Institut Teknologi Sepuluh Nopember, Surabaya.
Myers, R. H. (1990). Classical and modern regression with applications. Boston: PWS.
Ryan, T. P. (1997). Modern regression methods. New York: A Wiley-Interscience Publication.
Sutikno. (2008). Statistical downscaling luaran GCM dan pemanfaatannya untuk peramalan produksi padi (Disertasi tidak dipublikasikan). Institut Pertanian Bogor, Bogor.
Willems, G., & Aelst, S.V. (2005). Fast and Robust bootstrap for LTS. Journal of Computational Statistics&Data Analysis, 48, 703-715.