PEMODELAN PRODUKSI PADI DI KABUPATEN
Transcript of PEMODELAN PRODUKSI PADI DI KABUPATEN
PEMODELAN PRODUKSI PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR ENSO MELALUI
PENDEKATAN ROBUST BOOTSTRAP LTS
Dipresentasikan dalam Seminar Hasil Tugas Akhir
Jurusan Statistika Institut Teknologi Sepuluh Nopember Surabaya
Penyaji: Bin Hariyati Dosen Pembimbing: Dr. Sutikno, S.Si, M.Si
PENDAHULUAN TINJAUAN PUSTAKA
METODE PENELITIAN
PEMODELAN PRODUKSI PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR ENSO MELALUI
PENDEKATAN ROBUST BOOTSTRAP LTS
PEMBAHASAN KESIMPULAN
SARAN DAFTAR PUSTAKA
Pengembangan model produksi padi sebagai
upaya taktis dan langkah antisipasi
kemungkinan buruk terjadi Padi merupakan salah satu
komoditas pangan utama di Indonesia
Berbagai polemik tentang produksi padi:
keterbatasan pasokan, pro kontra impor beras, gagal panen,
ketidakmerataan distribusi padi.
PENDAHULUAN
BPS dan Deptan telah mengembangkan model
produksi padi di Indonesia
Namun model produksinya tidak melibatkan
faktor iklim
Pengembangan model produksi padi dengan melibatkan indikator ENSO yaitu
Sea Surface Temperature
PENDAHULUAN
1. Bagaimana pola hubungan antara luas panen padi dan indikator ENSO Sea Surface Temperature di Kabupaten Lamongan?
2. Bagaimana menyusun model produksi padi dengan melibatkan indikator ENSO Sea Surface Temperature di Kabupaten Lamongan?
Rumusan Masalah
PENDAHULUAN
1. Mengetahui pola hubungan antara luas panen padi dan indikator ENSO Sea Surface Temperature di Kabupaten Lamongan
2. Menyusun model produksi padi dengan melibatkan indikator ENSO Sea Surface Temperature di Kabupaten Lamongan
Departemen Pertanian Memberikan informasi sebagai dasar penyusunan kalender tanam langkah antisipatif dampak kerugian gagal panen akibat faktor iklim
Badan Pusat Statistik Merestrukturisasi data dan model produksi padi dengan metode yang lebih mutakhir.
Manfaat Keilmuan Mengembangkan keilmuan statistika di bidang pertanian dan iklim (agroklimatologi)
Tujuan
Manfaat
TINJAUAN PUSTAKA
Outlier
Regresi Robust
LTS Estimation
Robust Bootstrap LTS
Indikator ENSO SST
Penelitian Sebelumnya
TINJAUAN PUSTAKA
Pengamatan yang terlalu menyimpang jauh dibandingkan pengamatan-pengamatan lainnya
Pendeteksian pengamatan outlier yang paling
sederhana adalah dengan melihat plot antara variabel prediktor dan variabel responnya
(hanya berlaku pada regresi sederhana)
Cara lain untuk mendeteksi amatan outlier adalah
dengan menggunakan DFFITS (Myers, 1990).
untuk i = 1,2,...,n
Jika maka pengamatan ke-i merupakan pengamatan outlier yang berpengaruh
iii
iii
i
hS
yyDFFITS
2
,ˆˆ
n
kDFFITS
i
12
Outlier
Regresi Robust
LTS Estimation
Robust Bootstrap LTS
Indikator ENSO SST
Penelitian Sebelumnya
TINJAUAN PUSTAKA
Outlier
Regresi Robust
LTS Estimation
Robust Bootstrap LTS
Indikator ENSO SST
Penelitian Sebelumnya
Pendugaan parameter metode OLS ini hanya akan baik jika tidak ada pengaruh outlier dalam
pengamatannya
Metode regresi robust diperkenalkan Andrews (1972) dalam Ryan (1997) ini merupakan alat
penting untuk menganalisa data yang dipengaruhi oleh outlier sehingga dihasilkan model yang robust
atau resistance terhadap outlier
Terdapat berbagai metode estimasi dalam regresi robust antara lain M-Estimation, Least Trimmed Square (LTS), MM estimation, S estimation, dan
Least Mean Square (LMS)
TINJAUAN PUSTAKA
Outlier
Regresi Robust
LTS Estimation
Robust Bootstrap LTS
Indikator ENSO SST
Penelitian Sebelumnya
LTS : metode pendugaan parameter regresi robust untuk meminimumkan jumlah kuadrat h
residual (fungsi objektif)
dengan
2:
1
h
i n
i
e 2/)2(2/ knh
TINJAUAN PUSTAKA
Outlier
Regresi Robust
LTS Estimation
Robust Bootstrap LTS
Indikator ENSO SST
Penelitian Sebelumnya
Algoritma LTS menurut Rousseeauw dan Van Driessen (1999) dalam Willems dan Aels (2005)
adalah C-steps
Pembentukan estimasi parameter dilakukan hingga proses Final Weighted Scale Estimator.
Fungsi pembobotnya yaitu: dengan r = 3
ya , lainn
r/se , w
LTSi
i
1
0
n
i
inhLTSe
hds
1
2)(,
1
)/1(2
1
1
,,
,
nh
nh
nh
chc
nd
))2/)((
11,
nnhc
nh
TINJAUAN PUSTAKA
Outlier
Regresi Robust
LTS Estimation
Robust Bootstrap LTS
Indikator ENSO SST
Penelitian Sebelumnya
Pendugaan parameter dalam model regresi robust dengan LTS terdapat dua pendekatan:
1. Pendekatan standard error dari LTS-estimate dengan menggunakan asymtotic variances. (hanya sesuai untuk model yang berdistribusi spesifik)
2. Pendekatan dengan distribusi sampel dari LTS-Estimation
Konsep metode Robust Bootstrap LTS adalah
mengestimasi distribusi sampel LTS dengan menggunakan bootstrap
(sampling dengan pengembalian sebanyak n dari data asli, dilakukan berulang kali sebanyak B, dan setiap sampel bootstrap
dihitung menggunakan LTS estimation)
TINJAUAN PUSTAKA
Outlier
Regresi Robust
LTS Estimation
Robust Bootstrap LTS
Indikator ENSO SST
Penelitian Sebelumnya
Mulai
Estimasi parameter bo
Menentukan ho
Data observasi (n)
Pengambilan sampel
Sampel baru (n)
Estimasi parameter bnew dari ho
Menghitung oh
i
ie
1
2)(
A
B
kecil dan
bnew konvergen
oh
i
ie
1
2)(
FWLS
Pengujian signifikansi parameter
B
Rata-rata parameter
Model Robust Bootstrap LTS
Selesai
ya
tidak
tidak A
ya
TINJAUAN PUSTAKA
Outlier
Regresi Robust
LTS Estimation
Robust Bootstrap LTS
Indikator ENSO SST
Penelitian Sebelumnya
IKLIM IKLIM EKSTRIM
El Nino Southern Oscillation
Anomali SST merupakan indeks yang menunjukkan perkembangan
intensitas El Nino dan La Nina di lautan Pasifik
Peristiwa memanasnya suhu permukaan laut di
Samudera Pasifik
Peristiwa terjadinya penurunan suhu
permukaan laut yang tidak biasa di Samudra Pasifik
TINJAUAN PUSTAKA
Outlier
Regresi Robust
LTS Estimation
Robust Bootstrap LTS
Indikator ENSO SST
Penelitian Sebelumnya
1 BPS dan Departemen Pertanian (2003)
melakukan peramalan dengan analisis regresi dan kecenderungan linier.
• Tidak melibatkan faktor iklim • Metodologi sederhana
2 Sutikno (2008) memodelkan anomali luas panen per periode
dan indeks curah hujan terboboti (weighted rainfall index : WRI) dengan OLS dan regresi robust
• Pendekatan regresi robust lebih baik daripada OLS • Data untuk variabel WRI tidak selalu tersedia di setiap zona dan banyak missing
TINJAUAN PUSTAKA
Outlier
Regresi Robust
LTS Estimation
Robust Bootstrap LTS
Indikator ENSO SST
Penelitian Sebelumnya
3 Mishbahul (2010) meneliti produksi padi dan indikator
indeks curah hujan terboboti metode fast and robust bootstrap for least trimmed square
• Metode lebih mutakhir, hasil lebih baik dari robust konvensional • Data untuk variabel WRI tidak selalu tersedia di setiap zona dan
banyak missing
4 Naylor (2001, 2002, 2007) melakukan penelitian produksi padi
dengan peubah anomali SST Nino 3.4 menggunakan metode regresi sederhana
• Data SST El-Nino lebih memadai dan tersedia untuk berbagai kawasan • Kekurangan pada segi metode • Belum mampu memenuhi asumsi data dan berpengaruh pada
interpretasi model
METODE PENELITIAN
Sumber Data
Data sekunder Badan Pusat Statistik, Dinas Pertanian dan The National Oceanic and Atmospheric Administration (NOAA)
Studi kasus data yang diambil berasal dari data Kabupaten
Lamongan
Variabel Penelitian Variabel respon (y) adalah luas panen padi per periode meliputi:
1. LP1 (luas panen periode 1, yaitu Januari - April) 2. LP2 (luas panen periode 2, yaitu Mei - Agustus) 3. LP3 (luas panen periode 3, yaitu September - Desember)
Variabel prediktor (x) adalah data SST Nino 3.4 tiap bulan, yaitu 1. Periode 1: SST1 (Januari), SST2 (Februari), SST3 (Maret), dan SST4 (April) 2. Periode 2: SST5 (Mei), SST6 (Juni), SST7 (Juli), dan SST8 (Agustus) 3. Periode 3: SST9 (September), SST10 (Oktober), SST11 (November), dan SST12 (Desember)
Model akhir yang terbentuk
iiiiiipSSTSSTSSTSSTLP 443322110)(
METODE PENELITIAN Metode Analisis Data
Pembentukan model Robust Bootstrap LTS • Mengambil sampel dengan pengembalian sebanayk n kali dilakukan berulang kali
sebanyak B • Menyusun model LTS dari data bootstrap dengan langkah berikut: C-steps Final Weighted Least Square (FWLS)
Deskripsi dan identifikasi data: • Mendeskripsikan data luas panen dan SST Nino 3.4 • Mengidentifikasi pola hubungan SST Nino 3.4 dan luas panen dengan scaterplot
dan korelasi Pearson • Mengidentifikasi outlier melalui boxplot
Data
Mendefinisikan adanya data outlier melalui residual hasil metode OLS
Meramal produksi padi satu tahun ke depan dengan cara: • Menghitung nilai produktifitas dengan rataan produktifitas 5 tahun terakhir • Mengalikan luas panen hasil model Robust Bootstrap LTS dengan nilai produktifitas
PEMBAHASAN
Deskripsi Karakteristik Data Luas Panen Padi di Kab. Lamongan
0
10000
20000
30000
40000
50000
60000
70000
80000
Lu
as
Pa
ne
n P
ad
i (H
a)
LP1
LP2
LP3
Periode (Subround) Rataan Simpangan
Baku Minimum Maksimum
1 61361,10 3826,64 53981 68125
2 38584,33 8134,39 25825 55465
3 11867,10 4580,21 6252 24786
PEMBAHASAN
Deskripsi dan Karakteristik Data SST Nino 3.4
Bulan Rataan Simpangan Baku Minimum Maksimum Januari 26,58 1,20 24,65 29,10 Februari 26,73 1,02 24,83 28,86 Maret 27,25 0,76 26,07 28,83 April 27,84 0,57 26,83 29,14 Mei 27,92 0,55 26,97 28,99 Juni 27,69 0,59 26,60 28,94 Juli 27,28 0,68 25,94 28,92 Agustus 26,85 0,80 25,49 28,84 September 26,69 0,86 25,07 28,93 Oktober 26,72 1,05 25,01 29,23 November 26,71 1,20 25,06 29,32 Desember 26,61 1,31 24,79 29,26
25.5
26
26.5
27
27.5
28
28.5
Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember
Te
mp
er
atu
r L
au
t
Suhu tertinggi
PEMBAHASAN
Pola Hubungan Luas Panen Padi dan SST Nino 3.4
282624
65000
60000
55000
292725 28.827.626.4 292827
292827 292827 28.527.526.5 292725
50000
40000
30000
29.027.526.0
20000
15000
10000
292725 292725 292725
LP 1* S S T 1
Sea Surface Temperature
Lu
as
Pa
ne
n P
ad
i
LP 1* S S T 2 LP 1* S S T 3 LP 1* S S T 4
LP 2* S S T 5 LP 2* S S T 6 LP 2* S S T 7 LP 2* S S T 8
LP 3* S S T 9 LP 3* S S T 10 LP 3* S S T 11 LP 3* S S T 12
-0,314 -0,143 -0,028
-0,320 -0,018 -0,101 -0,133
-0,197 -0,185 -0,171
-0,213
-0,197
PEMBAHASAN
Analisis Pengamatan Outlier
LP3LP2LP1
70000
60000
50000
40000
30000
20000
10000
0
Lu
as
Pa
ne
n P
ad
i
62194.5
36716
10416.5
Outlier Tidak Ditemukan
Periode Titik Pengamatan DFFITS
I 9 1,174057 14 -1,327420 19 2,284696
II 9 1,203696 18 1,347443
III 8 -1,279380 16 1,248023 17 1,001234 18 1,062274
0
10000
20000
30000
40000
50000
60000
70000
80000
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Lu
as
Pa
ne
n P
ad
i (H
a)
LP1
LP2
LP3
PEMBAHASAN
Analisis Pengamatan Outlier
”Penurunan hujan di Indonesia yang drastis terjadi ketika El Nino melanda Asia tahun 1997-1998” (Geoenviron, Mei 2011)
”La Nina pada tahun 2007-2008 mengakibatkan musim hujan lebih lama di Indonesia, bahkan hingga terjadi banjir yang memakan korban jiwa di Indonesia” (Warta Geologi, September 2008)
PEMBAHASAN
Pemodelan Regresi Ordinary Least Square (OLS)
43211 3548491580670516928 SSTSSTSSTSSTLP
87652 123722182876404114954 SSTSSTSSTSSTLP
12111093 637159111724134888 SSTSSTSSTSSTLP
Periode Parameter Estimasi thitung P-value
I
β0 -16928 -0,31 0,760 β1 -6705 -2,03 0,060 β 2 580 0,10 0,919 β 3 8491 1,25 0,230 β 4 354 0,09 0,932
II
β0 -16928 1,13 0,277 β 1 -6705 -1,25 0,230 β 2 580 0,03 0,980 β 3 8491 0,17 0,864 β4 354 0,15 0,880
III
β0 -16928 0,80 0,436 β 1 -6705 -0,04 0,967 β 2 580 -0,17 0,865 β 3 8491 -0,02 0,983 β4 354 0,14 0,889
Persamaan
Model FHitun
g P-value
Periode I 2,34 0,103 Periode II 0,83 0,526
Periode III 0,12 0,952
TIDAK SIGNIFIKAN α = 0,1
PEMBAHASAN
Pengujian Asumsi Residual
Residual Model P-value Kolmogorov -Smirnov
Periode I >0,150
Periode II >0,150
Periode III >0,150
Pengujian Normalitas
Residual Model
Periode I Uji Glejser
|residual Y| = f(X) Periode II
Periode III
Pengujian Homogenitas
Residual Model Statistik
Durbin-Watson Periode I 2,008120
Periode II 0,627395
Periode III 0,960153
Pengujian Autokorelasi Hasil Pengujian Multikolinearitas
Model
Periode I VIF
masing-masing prediktor
Periode II
Periode III
NORMAL IDENTIK
INDEPENDEN TERJADI
MULTIKOLINEARITAS
Regression Analysis: LP1 versus PC1_P1 The regression equation is LP1 = 61550 - 354 PC1_P1 Predictor Coef SE Coef T P VIF Constant 61549.7 864.2 71.22 0.000 PC1_P1 -354.3 455.5 -0.78 0.447 1.000
S = 3864.97 R-Sq = 3.3% R-Sq(adj) = 0.0%
Analysis of Variance Source DF SS MS F P Regression 1 9038962 9038962 0.61 0.447 Residual Error 18 268884564 14938031 Total 19 277923526 Durbin-Watson statistic = 2.25963
PEMBAHASAN
Analisis Komponen Utama
Principal Component Analysis: SST1, SST2, SST3, SST4 Eigenvalue 3.7892 0.1757 0.0224 0.0127 Proportion 0.947 0.044 0.006 0.003 Cumulative 0.947 0.991 0.997 1.000
Variable PC1 PC2 PC3 PC4 SST1 0.498 -0.543 0.601 -0.310 SST2 0.509 -0.228 -0.214 0.802 SST3 0.510 -0.007 -0.692 -0.510 SST4 0.483 0.808 0.337 0.014
Regression Analysis: LP2 versus PC1_P2, PC2_P2 The regression equation is LP2 = 37967 - 14 PC1_P2 - 3916 PC2_P2 Predictor Coef SE Coef T P VIF Constant 37967 1674 22.68 0.000 PC1_P2 -13.7 965.0 -0.01 0.989 1.000 PC2_P2 -3916 2022 -1.94 0.070 1.000
S = 7486.93 R-Sq = 18.1% R-Sq(adj) = 8.4%
Analysis of Variance Source DF SS MS F P Regression 2 210252917 105126459 1.88 0.184 Residual Error 17 952920794 56054164 Total 19 1163173712 Durbin-Watson statistic = 0.617219
PEMBAHASAN
Analisis Komponen Utama
Principal Component Analysis: SST5, SST6, SST7, SST8 Eigenvalue 3.1681 0.7217 0.0777 0.0325 Proportion 0.792 0.180 0.019 0.008 Cumulative 0.792 0.972 0.992 1.000
Variable PC1 PC2 PC3 PC4 SST5 0.374 0.874 -0.299 -0.089 SST6 0.548 0.055 0.716 0.428 SST7 0.539 -0.284 0.080 -0.789 SST8 0.519 -0.392 -0.625 0.432
PEMBAHASAN
Analisis Komponen Utama
Principal Component Analysis: SST9, SST10, SST11, SST12 Eigenvalue 3.8970 0.0796 0.0160 0.0074 Proportion 0.974 0.020 0.004 0.002 Cumulative 0.974 0.994 0.998 1.000
Variable PC1 PC2 PC3 PC4 SST9 0.496 -0.660 -0.561 0.061 SST10 0.503 -0.247 0.769 0.308 SST11 0.504 0.237 0.077 -0.827 SST12 0.497 0.669 -0.297 0.467
Regression Analysis: LP3 versus PC1_P3 The regression equation is LP3 = 11221 - 345 PC1_P3 Predictor Coef SE Coef T P VIF Constant 11221.2 808.9 13.87 0.000 PC1_P3 -344.6 420.4 -0.82 0.423 1.000
S = 3617.33 R-Sq = 3.6% R-Sq(adj) = 0.0%
Analysis of Variance Source DF SS MS F P Regression 1 8791002 8791002 0.67 0.423 Residual Error 18 235531605 13085089 Total 19 244322607 Durbin-Watson statistic = 1.04473
PEMBAHASAN
Robust Bootstrap LTS
Periode Parameter Rata-rata
Estimasi
I
β0 -33326,90 β1 -5089,88 β 2 861,25 β 3 2138,12 β 4 5323,01
II
β0 156114,60 β1 -11453,00 β 2 2081,03 β 3 -220,59 β 4 5538,76
III
β0 -11963,60 β1 4461,60 β 2 3324,44 β 3 -8171,15 β 4 1183,25
R2 80,88%
R2 68,77%
R2 71,23%
Jumlah sampel bootstrap yang
digunakan : 50 kali
Nilai koefisien determinasi untuk model LP1 lebih baik dibandingkan model LP periode lain.
Hal tersebut meng-indikasikan variabel SST lebih kuat mempengaruhi variabel LP pada masa periode I.
PEMBAHASAN
Peramalan Luas Panen Padi
Periode Aktual Ramalan Ketepatan Prediksi
1 63579 60601 95,32% 2 52202 34822 66,71% 3 25002 9207 36,82%
0
10000
20000
30000
40000
50000
60000
70000
Periode 1 Periode 2 Periode 3
Lu
as
Pa
ne
n P
ad
i (H
a)
Aktual Ramalan
PEMBAHASAN
Peramalan Produksi Padi
Periode Aktual Ramalan Ketepatan Prediksi
1 424078 368769,50 86,96% 2 291394 205413,80 70,49% 3 118797 50935,46 42,88%
0
50000
100000
150000
200000
250000
300000
350000
400000
450000
Periode 1 Periode 2 Periode 3
Pr
od
uk
si
Pa
di
(To
n)
Aktual Ramalan
Produksi Padi (Ton) = Luas Panen Padi (Ha) x Produktivitas Padi (Ton/Ha)
KESIMPULAN
• Hubungan luas panen padi di Kabupaten Lamongan dan SST Nino 3.4 dipengaruhi oleh outlier sehingga menyebabkan pola cenderung tidak linier dan korelasi kecil dan tidak signifikan.
• Luas panen padi per periode dan SST Nino 3.4 dimodelkan dengan menggunakan metode robust bootstrap LTS. Hasil dari model luas panen padi per periode dengan metode robust bootstrap LTS adalah sebagai berikut:
43211 01,532312,213825,86188,5089-33326,90 SSTSSTSSTSSTLP
87652 76,553859,22003,208111453156114,60 SSTSSTSSTSSTLP
12111093 25,118315,817144,332460,4461-11963,60 SSTSSTSSTSSTLP
Peramalan luas panen padi menunjukkan ketepatan prediksi untuk periode 1 adalah sebesar 95,32%, periode 2 sebesar 66,71%, dan periode 3 sebesar 36,82%. Sedangkan hasil ketepatan prediksi produksi padi untuk periode 1 adalah sebesar 86,96%, periode 2 sebesar 70,49%, dan periode 3 sebesar 42,88%.
SARAN
Model dikatakan lebih baik ketika mampu memberikan nilai prediksi yang mendekati kenyataan sehingga nantinya lebih dipercaya dalam menentukan Angka Ramalan (ARAM) oleh BPS dan Departemen Pertanian.
Pemilihan metode yang dapat menghasilkan model parsimoni dan Selain itu dibutuhkan pengembangan model yang lebih bersifat sustainable
sehingga dapat digunakan untuk meramalkan produksi padi dalam jangka waktu yang lebih lama.
DAFTAR PUSTAKA
Aunuddin. 1989. Analisis Data. Bogor: IPB Press.
Australian Centre for Indonesian Argiculture Research. 2009. Peningkatan Hasil Panen Padi untuk Kebutuhan Pangan Nasional. ACIAR-SADI, Lembar Terkini Agustus 2005, hal.1.
Badan Meteorologi, Klimatologi, dan Geofisika. 2009. Ikhtisar Prakiraan Musim Kemarau 2009 di Indonesia, http://www.bmg.go.id. [25 Januari 2012].
Badan Pusat Statistik dan Departemen Pertanian. 2007. Buku Pedoman Pengumpulan Data Tanaman Pangan. Jakarta: BPS dan Deptan.
Badan Pusat Statistik. 2005-2009. Berita Resmi Statistik Produksi Padi. Jakarta: BPS
Badan Pusat Statistik. 2005-2010. Produksi Padi Palawija Propinsi Jawa Timur. Jakarta: BPS
Drapper, N., R., dan Smith, H. 1992. Applied Regression Analysis (2nd ed.). New York: John Wiley & Sons. Chapman and Hall.
Efron, B. dan Tibshirani, R. 1993. An Introduction to the Bootstrap. London : Chapman and Hall.
Hutapea. 2008. Ketahanan Pangan Dan Teknologi Produktivitas Menuju Kemandirian Pertanian Indonesia.
http://www.ebookpp.com/ma/makalah-teknologi-pertanian-padi-doc.html [12 Agustus 2011]
Irianto dan Suciantini. 2006. Anomali Iklim: Faktor Penyebab, Karakteristik, dan Antisipasinya. Iptek Tanaman Pangan No. 2, hal. 101-121.
Maronna, R.A., Martin, R.D., dan Yohai, V.J. 2006. Robust Statistics: Theory and Methods. Chichester: John Wiley & Sons, Ltd.
DAFTAR PUSTAKA
Maulana. 2010. Dampak El Nino dan La Nina Terhadap Indonesia. http://ojanmaul.wordpress.com/2010/01/01/dampak-el-nino-dan-la-nina-terhadap-indonesia/. [3 Oktober 2011].
Mishbahul. 2010. Prediksi Produksi Padi Menggunakan Weighted Rainfall Index dengan Pendekatan Fast and Robust Bootstrap for Least Trimmed Square (Studi Kasus di Kabupaten Gunungkidul). Thesis Program Magister. Surabaya: Institut Teknologi Sepuluh Nopember.
Myers, R. H. 1990. Classical and Modern Regression with Applications. Boston: PWS.
Naylor, R., Falcon, W., Wada, N., dan Rochberg, D. 2002. Using El Nino-Southern Oscillation Climate Data to Improve Food Policy Planning in Indonesia. Bulletin of Indonesian Economic Studies, Vol. 38, No. 1, hal. 75-91.
Ryan, T., P. 1997. Modern Regression Methods. New York: A Wiley-Interscience Publication, John Wiley & Sons, Inc.
Sutikno. 2008. Statistical Downscaling Luaran GCM dan Pemanfaatannya untuk Peramalan Produksi Padi. Disertasi Program Pascasarjana. Bogor: Institut Pertanian Bogor.
Willems, G. dan Aelst, S.V. 2005. “Fast and Robust Bootstrap for LTS”. Computational Statistics and Data Analysis, No. 48, hal. 703-715.
Santriyani, Made. 2011. El Nino Southern Oscillation (ENSO). Bandung: WCPL Weather and Climate Prediction Laboratory ITB dalam
http://weather.meteo.itb.ac.id/artikel6.php. [2 April 2012].