PENDAHULUAN Batasan Masalahdigilib.its.ac.id/public/ITS-Undergraduate-13430-Presentation.pdf ·...
Transcript of PENDAHULUAN Batasan Masalahdigilib.its.ac.id/public/ITS-Undergraduate-13430-Presentation.pdf ·...
7/21/2010
1
Ika Dewi Ariyanti1308 100 514
Pembimbing : Dr. Sutikno, S.Si, M.Si
JURUSAN STATISTIKAFAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAMINSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA2010
Pemodelan Luas Panen Padi dan CurahHujan Terboboti (Weighted Rainfall Index)dengan Pendekatan Robust Bootstrap LTS(Studi kasus: Pemodelan Luas Panen di Kabupaten Subang)
AGENDA
PENDAHULUAN
TINJAUAN PUSTAKA
METODOLOGI
Pemodelan Luas Panen Padi dan Curah Hujan Terboboti (Weighted Rainfall Index) dengan Pendekatan Robust Bootstrap LTS
ANALISIS DATA DAN PEMBAHASAN
KESIMPULAN DAN SARAN
PENDAHULUAN
Latar BelakangPadi
Luas panen
Curah hujan
Kejadian ekstrim
Pemodelan luas panen padidan curah hujan
Regresi RobustBootstrap LTS
outlier
El-Nino
La-Nina
Pemodelan Luas Panen Padi dan Curah Hujan Terboboti (Weighted Rainfall Index) dengan Pendekatan Robust Bootstrap LTS
Permasalahan, Tujuan, dan Batasan
Permasalahan Bagaimana memodelkan anomali luas panen padi per
periode (AnLPp) dan curah hujan terboboti (WRI) denganpendekatan robust bootstrap LTS di Kabupaten Subang.
Tujuan Penelitian Menyusun model anomali luas panen padi per periode
(AnLPp) dan curah hujan terboboti (WRI) denganpendekatan robust bootstrap LTS.
Pemodelan Luas Panen Padi dan Curah Hujan Terboboti (Weighted Rainfall Index) dengan Pendekatan Robust Bootstrap LTS
Batasan Masalah Penelitian ini dilakukan di Kabupaten Subang yang
merupakan salah satu sentra produksi padi di Jawa Barat.Data yang digunakan adalah tahun 1988-2006.
Pemodelan Luas Panen Padi dan Curah Hujan Terboboti (Weighted Rainfall Index) dengan Pendekatan Robust Bootstrap LTS
7/21/2010
2
TINJAUANPUSTAKA
Analisis Regresi dan Deteksi Outlier
Analisis regresi :analisis untuk mendapatkan hubungan dan modelmatematis antara variabel respon (y) dan satu ataulebih variabel prediktor (x)
Deteksi outlier :
Pengamatan outlier jika :
k
jiijji xy
10
iii
iiii
hS
yyDFFITS
2
,ˆˆ
n
kDFFITSi
12
Pemodelan Luas Panen Padi dan Curah Hujan Terboboti (Weighted Rainfall Index) dengan Pendekatan Robust Bootstrap LTS
Least Trimmed Square (LTS)
• Meminimumkan :
• Dengan h =
Final Weighted Least Square (FWLS)
Fungsi pembobotnya
h
inie
1
2):(
.2/)2(2/ kn
ya , lainn
r/se ,w LTSi
i1
0
Pemodelan Luas Panen Padi dan Curah Hujan Terboboti (Weighted Rainfall Index) dengan Pendekatan Robust Bootstrap LTS
Pengujian Signifikansi Parameter• Uji Serentak
Hipotesis :H0 :H1 : minimal ada satu
Statistik Uji : Fhitung =
• Uji ParsialHipotesis :
H0 :H1 :
Statistik Uji :
MSE
MSR
021 j
0j
0j0j
j
jhitung
St
ˆ
ˆ
Pemodelan Luas Panen Padi dan Curah Hujan Terboboti (Weighted Rainfall Index) dengan Pendekatan Robust Bootstrap LTS
Asumsi Residual
• Asumsi Identik
• Asumsi Independen
• Asumsi Distribusi Normal
Mengambil sampel dengan pengembalian sebanyak n dilakukanberulang sebanyak B.
Menghitung estimasi parameter b0 melalui OLS.
Menentukan h dan menghitung .
Menerapkan langkah C-Steps pada initial h tersebut sampaikonvergen.
Menggabung sampel boostrap untuk mendapatkan estimasiparameter rata-ratanya.
Robust Bootstrap LTS
h
inie
1
2):(
Pemodelan Luas Panen Padi dan Curah Hujan Terboboti (Weighted Rainfall Index) dengan Pendekatan Robust Bootstrap LTS
Seleksi Model Terbaik
Langkah C-Steps yaitu :
Melakukan estimasi parameter bnew dari ho melalui OLS.
Menentukan n kuadrat residual yang bersesuaian dengan OLS(bnew). Kemudian menghitung sejumlah hnew pengamatan dengannilai terkecil.
Menghitung .
• Kriteria RMSEP
2ie
newh
iie
1
2)(
Pemodelan Luas Panen Padi dan Curah Hujan Terboboti (Weighted Rainfall Index) dengan Pendekatan Robust Bootstrap LTS
n
iie
nRMSEP
1
21
7/21/2010
3
WRI dan Luas Panen
WRI :
WRI dapat digunakan dalam menduga produksi padi. Sistempembobotnya telah dilakukan modifikasi oleh Sutikno (2008).
dengan
Luas panen Merupakan luas tanaman yang diambil hasilnya setelah
tanaman yang bersangkutan cukup umur dan sesuai dengankriteria panen.
AnLPpi =
Baku
tDtDt L
LTRWRI *
,,
m
jjj
m
j
jDt AAR
A
AR
11
*, ,
iiiii WRIWRIWRIWRI 443322110
Pemodelan Luas Panen Padi dan Curah Hujan Terboboti (Weighted Rainfall Index) dengan Pendekatan Robust Bootstrap LTS
Penelitian Sebelumnya
Arfati (2001)pengamatan outlier dapat menyebabkan R2 kecil dan selangkepercayaan slope regresi kurang efisien
Sutikno (2008)
Munir (2009)
Adiba (2009)
Bekti (2009)
pemodelan regresi antara curah hujan terboboti (WeightedRainfall Index: WRI) terhadap anomali luas panen per periode(AnLPp) dengan menggunakan metode regresi OLS dan Robust
pemodelan dengan variabel WRI sebagai variabel prediktormempunyai tingkat ketepatan prediksi yang akurat
menggunakan metode bootstrap untuk mengestimasiparameter karena jumlah datanya sedikit, akan tetapi tidakmengandung outlier
memodelkan anomali luas panen padi dan curah hujanterboboti (WRI) di Kabupaten Indramayu, Subang danKarawang menggunakan metode robust antara lain M-estimation Huber, M-estimation Tukey Bisquare dan LTS
Pemodelan Luas Panen Padi dan Curah Hujan Terboboti (Weighted Rainfall Index) dengan Pendekatan Robust Bootstrap LTS
METODOLOGI
Sumber Data
Variabel Penelitian
Metode Analisis
Meodologi Penelitian
BPS, Departemen Pertanian dan BMKG tahun 1988–2006. Lokasi : Kabupaten Subang di Jawa Barat.
Variabel respon : Anomali luas panen padi per periode(AnLP), terdiri dari :
- AnLP1 (periode 1, Januari – April)- AnLP2 (periode 2, Mei – Agustus)- AnLP3 (periode 3, September – Desember)
Variabel prediktor : Curah hujan terboboti (WRI)- WRI 1 – WRI 4 Periode 1 (Januari – April)- WRI 5 – WRI 8 Periode 2 (Mei – Agustus)- WRI 9 – WRI 12 Periode 3 (September – Desember)
Ulasan
-Deskripsi dan identifikasi data-Deteksi outlier dari sisaan OLS DFFITS- Menyusun model dengan pendekatan robust bootstrap LTS- Seleksi Model RMSEP
METODE ANALISISMETODE ANALISIS
•Mendeskripsikan data luas panen•Identifikasi pola hubungan WRI dan AnLPp scatter plot•Mengidentifikasi outlier boxplot
sisaan yang dihasilkan metode OLS DFFITS
- Mengambil sampel x dengan pengembalian sebanyak nkali dilakukan berulang sebanyak B data bootstrap
- Menghitung- Menentukan h
- Menghitung
- Melakukan C-steps- Menggabungkan sampel bootstrap estimasi
parameter (rata-rata)
Des
krip
siD
ata
Pem
odel
an
DATADATA
oh
iie
1
2)(
Deskripsi danidentifikasi data
Deskripsi danidentifikasi data
Mendefinisikanadanya data outlier
Mendefinisikanadanya data outlier
Menyusun modelregresi menggunakanRobust Bootstrap LTS
Menyusun modelregresi menggunakanRobust Bootstrap LTS
Seleksi Model TerbaikSeleksi Model Terbaik Kriteria RMSEP
ANALISIS DATADAN PEMBAHASAN
7/21/2010
4
Deskripsi Data• Tren Luas Panen
• Nilai Rata-Rata, Simpangan baku, Minimum dan Maksimum Luas PanenPadi
0102030405060708090
100
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
Luas
Pan
en (H
a)
Tahun
LP1
LP2
LP3
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
Pemodelan Luas Panen Padi dan Curah Hujan Terboboti (Weighted Rainfall Index) dengan Pendekatan Robust Bootstrap LTS
Deteksi outlier• Boxplot
• DFFITSPeriode Pengamatan Outlier DFFITS
I12
15
-2.12502
-1.97339
II13
15
1.73793
-2.04629
III
1
7
14
-3.74163
3.10453
5.24725
1547.1/)1(2 nkDFFITS
Luas
Pane
n(H
a)
LP3LP2LP1
90
80
70
60
50
40
30
20
10
15
15
73.297
56.276
31.488
75.85
56.49
32.09outlier
Diagram pencar
18012060
0
-15
-30100500 40200 100500
50250 50250 1680 1050
0
-12
-24
420
19
7
-5
30150 100500 15010050
A nLP1*WRI1 A nLP1*WRI2 A nLP1*WRI3 A nLP1*WRI4
A nLP2*WRI5 A nLP2*WRI6 A nLP2*WRI7 A nLP2*WRI8
A nLP3*WRI9 A nLP3*WRI10 A nLP3*WRI11 A nLP3*WRI12
15
1413
12
11109
8
7
65
4
32
1
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
32
1
15
14 13
12
11109
8
7
65
4
32
1
15
1413
12
11109
8
7
65
4
32
1
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
141312 1110
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
Pemodelan Luas Panen Padi dan Curah Hujan Terboboti (Weighted Rainfall Index) dengan Pendekatan Robust Bootstrap LTS
Pembentukan Model dengan Metode OLS
• t(0,975; 10) = 2,228
Periode Parameter Estimasi t SSE 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
10675 11.1
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
640.99 25.6
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
1033.9 8.1
Pemodelan Luas Panen Padi dan Curah Hujan Terboboti (Weighted Rainfall Index) dengan Pendekatan Robust Bootstrap LTS
Asumsi Residual
(*) tidak berautokorelasi, (**) berdistribusi normal pada α = 5%.
• Nilai dhitung > dL,α/2 = 0.59
• Nilai
Periode Identik Independen Distribusi Normal
I Homogen 1.1975* 0.171**
II Homogen 1.5236* 0.178**
III Tidak Homogen 1.6614* 0.218**
338.0)05.01 qD
Pemodelan Luas Panen Padi dan Curah Hujan Terboboti (Weighted Rainfall Index) dengan Pendekatan Robust Bootstrap LTS
Pembentukan Model Regresi dengan MetodeRobust LTS
(*) signifikan pada α = 5%
t(0,975; 4) = 2.776
Periode Parameter Estimasi t SSE R2 (%)
I
β0
β1
β2
β3
β4
-5.93437
0.04037
-0.08763
-0.15078
0.11372
-1.56
2.39
-2.15
-1.54
2.45
10.7046 95.96
II
β0
β1
β2
β3
β4
-2.78875
0.00783
0.55331*
-2.64391*
0.30269
-2.19
0.18
4.93
-6.03
1.13
7.9535 96.61
III
β0
β1
β2
β3
β4
5.56266*
-7.74442*
1.37785*
0.10803*
-0.17023*
3.34
-11.90
11.61
7.38
-10.28
9.8806 98.30
Pemodelan Luas Panen Padi dan Curah Hujan Terboboti (Weighted Rainfall Index) dengan Pendekatan Robust Bootstrap LTS
7/21/2010
5
Metode Robust Bootstrap LTS danRobust LTS
ParameterLTS Bootstrap LTS
Estimasi RMSEP Estimasi RMSEPPeriode 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 IIβ0
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 IIIβ0
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
KESIMPULANDAN SARAN
Kesimpulan Model AnLP dan WRI di Kabupaten Subang berdasarkan metode
terbaik untuk tiap periode adalah :• Periode I (robust LTS) :
• Periode II (robust bootstrap LTS) :
• Periode III (robust bootstrap LTS) :
Metode robust bootstrap LTS memiliki kinerja lebih baik daripadarobust LTS nilai RMSEP lebih kecil
43211 11372.015078.008763,004037,093437.5 WRIWRIWRIWRIAnLP
87652 44984.091115,022274,014985,0736142.3 WRIWRIWRIWRIAnLP
12111093 05498.0008226,008192.01775.3559075.3 WRIWRIWRIWRIAnLP
Pemodelan Luas Panen Padi dan Curah Hujan Terboboti (Weighted Rainfall Index) dengan Pendekatan Robust Bootstrap LTS
Saran• Menambah jumlah pengamatan untuk mendapatkan model yang
lebih tepat.
• Memperbanyak jumlah replikasi dan sampel bootstrap padametode resampling pairs bootstrap.
• Adanya pengembangan sistem untuk perhitungan pairs bootstrapsehingga dapat mempermudah proses perhitungannya.
• Untuk mengetahui kehandalan metode robust bootstrap LTS perludilakukan penelitian pada daerah yang lainnya.
Pemodelan Luas Panen Padi dan Curah Hujan Terboboti (Weighted Rainfall Index) dengan Pendekatan Robust Bootstrap LTS
DAFTAR PUSTAKA
• Adiba. (2009). Pendekatan analisis regresi linier, pairs bootstrap, dan residual bootstrap dalam pemodelan hubunganproduktivitas padi dengan curah hujan bulanan (studi kasus di wilayah Indramayun Karawang & Subang) (Tugas Akhirtidak dipublikasikan). Institut Teknologi Sepuluh Nopember, Surabaya.
• Arfati, R. (2001). Studi tentang perhitungan selang kepercayaan (CI) untuk slope pada regresi robust tukey denganmenggunakan metode bootstrap.(Regresi robust dengan satu variabel prediktor) (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) denganregresi robust (Tugas Akhir tidak dipublikasikan). Institut Teknologi Sepuluh Nopember, Surabaya.
• BMKG. (2008). Ikhtisar prakiraan musim hujan 2008/2009 di Indonesia. http://www.bmg.go.id. [28 Januari 2010].
• Deptan & BPS. (2003). Buku pedoman petugas kabupaten/kota dan propinsi, pengumpulan data tanaman pangan danholtikultura. Jakarta: BPS dan Departemen Pertanian.
• Drapper, N.,R.,& Smith, H. (1996). Applied regression analysis (2nd ed.). New York: John Wiley & Sons. Chapman andHall.
• 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 UniversiteParis 1 Pantheon-Sorbonne.
• Irianto & Suciantini. (2006). Anomali Iklim: Faktor penyebab, karakteristik, dan antisipasinya. Iptek Tanaman Pangan, 2,101-121.
• Julianery, BE. (2002). Kabupaten Subang, agribisnis jadi pilihan. http://www.tokohindonesia.com. [8 Februari 2010].
Pemodelan Luas Panen Padi dan Curah Hujan Terboboti (Weighted Rainfall Index) dengan Pendekatan Fast and Robust Bootstrap for LTS
Lanjutan . . .• 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). InstitutTeknologi Sepuluh Nopember, Surabaya.
• Myers, R. H. (1990). Classical and modern regression with applications. Boston: PWS.
• Naylor, R., Falcon, W., Wada, N., & Rochberg, D. (2002). Using El Nino-Southern Oscillation climate data to improvefood policy planning in Indonesia. Bulletin of Indonesian Economic Studies, 38 (1), 75-91.
• Ryan, T. P. (1997). Modern regression methods. New York: A Wiley-Interscience Publication.
• Sahinler, S. & Topuz, D. (2007). Bootstrap and jacknife resampling algortihms for estimation of regression parameters.Journal of applied quantitative methods, 2, 2.
• Sutikno. (2008). Statistical downscaling luaran GCM dan pemanfaatannya untuk peramalan produksi padi (Disertasitidak 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.
7/21/2010
6
TERIMAKASIH
1• Latar Belakang
2• Permasalahan
3• Tujuan
4• Batasan Masalah
• Analisis Regresi dan Deteksi Outlier
• Least Trimmed Square (LTS)
• Uji Signifikansi Parameter
• Uji Asumsi Residual
• Robust Bootstrap LTS
• Seleksi Model Terbaik
1 • Sumber Data
2 • Variabel Penelitian
3 • Metode Analisis Data
1• Deskripsi Data
2• Deteksi Outlier
3• Diagram Pencar
4• Model dengan Metode OLS
5• Model dengan Metode Robust LTS
6• Model dengan Metode Robust Bootstrap LTS dan Robust LTS
Robust
Boostrap
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
7/21/2010
7
Deteksi Outlier dari DFFITS dengan 12 Data
Periode Pengamatan Outlier DFFITS
I4 -1.33224
12 -3.04368
II
1 4.13437
4 1.32739
7 -2.66114
III
1 -3.21035
6 -1.77094
7 3.36785
11 1.80015
291.1/)1(2 nkDFFITS