Oleh:

Nyimas Yusna Aeni (1308 100 001)

J u r u s a n S t a t i s t i k a

F a k u l t a s M a t e m a t i k a d a n I l m u P e n g e t a h u a n A l a m

I n s t i t u t Te k n o l o g i S e p u l u h N o p e m b e r

S u r a b a y a 2 0 1 2

Seminar Tugas Akhir

PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI DAN MUTU TEMBAKAU

TEMANGGUNG DENGAN KOMBINASI ANTARA GENERALIZED LEAST SQUARE DAN REGRESI RIDGE

Pembimbing:Dr. Sutikno, S.Si, M.Si

Co. Pembimbing:Dr. Ir. Djumali, MP

AGENDA

2

Pendahuluan

Tinjauan Pustaka

Metodologi Penelitian

Hasil & Pembahasan

Kesimpulan & Saran

3

Latar Belakang

4

Tembakau

temanggung

Pendapatan Nasional

Komoditas

terpentingSumber pendapatan petani

Penyedia lapangan pekerjaan

Bahan baku

rokok kretekPemberi rasa & aroma khas

Kadar Nikotin tertinggi

Volume

permintaan

tinggi

Produksi

dan mutu

jenis tembakau, jenis tanah, ketinggian

lokasi tanam, iklim/cuaca,

pemeliharaan tanaman, dan

pengolahan hasil pasca panen

Produksi belum memenuhi kebutuhan

Mutu tembakau menentukan harga jual

Dipasok dari

jenis lainnya

Semakin bagus

mutunya, harga

jual semakin mahal

Penelitian tembakau

Temanggung

elevasi, WHC, prosentase kerikil dalam

tanah, prosentase carbon-organik

dalam tanah, prosentase nitrogen

dalam tanah, kandungan fosfor dalam

tanah, kandungan kalium dalam tanah,

prosentase pasir dalam tanah,

prosentase debu dalam tanah,

prosentase liat dalam tanah, dan bobot

isi tanah

Wiroatmodjo

dan Najib

(1995)

Nurnasari

dan Djumali

(2010)

Regresi

Berganda

dengan OLS

Tidak ada

multikolinearitas

& autokorelasi

Pengaruh dosis

nitrogen dan kalium

terhadap produksi

dan mutu tembakau

temanggung

Pengaruh kondisi

ketinggian tempat

terhadap produksi

dan mutu tembakau

temanggung

5

Faktor yang mempengaruhi produksi

dan mutu tembakau Temanggung

Autokorelasi

Multikolinearitas

kombinasi durbin watson

dua tahap dan regresi

ridge (Jen dan Hsu, 1977)

•Kombinasi Durbin Watson dan regresi ridge;

•Kombinasi AR(1) residual dan regresi ridge;

•Kombinasi Cochrane-Orcutt iterative procedure dan regresi ridge

6

Bagaimana karakteristik produksi dan

mutu tembakau temanggung dan

faktor-faktor yang diduga

mempengaruhi-nya?

Bagaimana menyusun model terbaik

antara faktor-faktor yang

berpengaruh terhadap produksi dan

mutu tembakau temanggung dengan

menggunakan kombinasi GLS dan

regresi ridge?

Mendeskripsikan karakteristik produksi

dan mutu tembakau temanggung dan

faktor-faktor yang diduga

mempengaruhi-nya.

Menyusun model terbaik antara faktor-

faktor yang berpengaruh terhadap

produksi dan mutu tembakau

temanggung dengan menggunakan

menggunakan kombinasi GLS dan

regresi ridge.

Manfaat penelitian ini adalah dapat mengembangkan metode regresi ridge

dalam mengatasi kasus multikolinearitas dan kasus autokorelasi pada

permasalahan pertanian. Di samping itu membantu Balai Penelitian Tanaman

Pemanis dan Serat (BALITTAS) Malang dalam upaya mengembangkan budidaya

tanaman tembakau temanggung.

Faktor lingkungan yang digunakan dalam penelitian ini adalah

elevasi (ketinggian) dan faktor tanah.

Koefisien korelasi () diduga dengan menggunakan nilai durbin

watson, pendekatan AR(1) residual, dan Cochrane-Orcutt

iterative procedure.

7

8

ANALISIS REGRESI

Analisis regresi merupakan analisis untuk mendapatkan hubungan antara

variabel respon dan satu atau lebih variabel prediktor

k

j

iijji XY1

0

9

Ordinary Least Square (OLS)•Meminimumkan Sum Square Error (SSE).

•Penduga parameter adalah:

YXXXb ')'(1

Yaitu varians residual bersifat identik atau tidak membentuk pola tertentu.

• Deteksi : scatterplot antara residual dan nilai estimasi respon dan uji Glejser

• Konsekuensi apabila asumsi homoskedastisitas tidak terpenuhi adalah penduga

OLS masih tetap tak bias dan konsisten, namun tidak lagi efisien (varians

membesar/tidak minimum) dan selang kepercayaan menjadi membesar yang

mengakibatkan statistik uji t dan F memberikan hasil yang tidak akurat

10

• Pengujian kenormalan residual dapat diketahui dengan

menggunakan uji Kolmogorov-Smirnov.

• Apabila asumsi residual berdistribusi normal ini tidak dipenuhi, maka

pengujian parameter regresi dengan menggunakan statistik uji t dan

statistik uji F hanya valid untuk sampel yang besar namun tidak valid

pada sampel kecil.

Asumsi Normalitas

Asumsi Homoskedastisitas

11

• Tidak terjadi autokorelasi apabila residual bersifat independen (antar residual tidak terdapat

hubungan)

• Konsekuensi apabila terjadi autokorelasi sama halnya dengan apabila asumsi homoskedastisitas

terlanggar yaitu penduga OLS yang dihasilkan masih tetap tak bias dan konsisten, namun tidak

lagi efisien (varians membesar/tidak minimum) dan selang kepercayaan menjadi membesar yang

mengakibatkan statistik uji t dan F memberikan hasil yang tidak akurat

• Deteksi : Uji Durbin Watson

Asumsi Autokorelasi

n

ii

n

iii

hitung

e

ee

d

1

2

2

21 )(

Daerah tidak dapat

disiputus-kan

0 dL dU 4-dU 4-dLd2 4

Daerah tidak dapat

disiputus-kan

H0 ditolak, terdapat

autokorelasi negatif

H0 ditolak, terdapat

autokorelasi positif

Gagal tolak H0

• Yaitu terjadinya hubungan linear yang tinggi diantara variabel-variabel rediktor.

• Deteksi:

- Analisis Korelasi dikatakan memiliki keeratan hubungan jika nilai koefisien

korelasi mendekati -1 atau 1

- Variance Inflation Factor (VIF) yang tinggi (lebih dari 10)

•Konsekuensi apabila terjadi kasus multikolinearitas :

-Uji secara serentak dihasilkan minimal ada satu parameter yang signifikan, namun

pada uji secara parsial tidak ada minimal satu parameter yang siginifikan.

-Penduga OLS dan standar error yang dihasilkan akan sensitif pada perubahan kecil

dalam data.

Asumsi Multikolinearitas

12

Pengujian Signifikansi Parameter

Tujuan:

• untuk mengetahui apakah parameter

menunjukkan hubungan yang nyata

antara variabel prediktor dan variabel

respon

• untuk mengetahui kelayakan parameter

yang menerangkan model regresi.

Uji Serentak

Uji Parsial

13

Hipotesis:

H0: β1=β2=…=βk=0

H1: minimal terdapat satu βj ≠ 0,

j= 1,2,3,…,k

Statistik uji :

H0 ditolak apabila FHitung > Fα(k,n-k-1)

14

Hipotesis:

H0: βj = 0

H1: βj ≠ 0, j= 1,2,3,…,k

Statistik uji :

H0 ditolak apabila |tHitung |> t(α/2,n-k)

MSE

MSRFHitung

)( j

j

Hitung

bstdev

bt

Generalized Least Square

Generalized Least Square (GLS) merupakan salah satu metode estimasi parameter yang

digunakan untuk mengatasi adanya autokorelasi apabila nilai koefisien autokorelasi diketahui.

apabila nilai tidak diketahui maka dikenal dengan Feasible Generalized Least Square (FGLS).

(1)

Diasumsikan residual mengikuti AR(1),

; (2)

Persamaan (2.16) pada saat (t-1) yaitu:

(3)

Menambahkan (2.18) dengan , sehingga:

(4)

Pengurangan (2.19) dari (2.16) menghasilkan:

(5)

dimana

Sehingga, (6)

dimana,

(7)

11

15

iii XY 10

iii u 1

11101 iii XY

11101 iii XY

iiiii uXXYY )()1()( 1101

)( 1 iiiu

iii uXY **2

*1

*

)(

)(

1*

1*

iii

iii

XXX

YYY

Meregresikan residual i dengan i-1 hingga

diperoleh nilai koefisien autokorelasi yang

tidak banyak berubah (konstan).

21

d̂

Meregresikan residual t dengan t-1

diduga berdasarkan nilai Durbin Watson

diduga dari AR(1) ResidualPendugaan

nilai

diduga dengan Cochrane-Orcutt Iterative Procedure

16

iii v 1ˆ.ˆ

REGRESI RIDGE

Regresi ridge merupakan salah satu metode yang ditujukan untuk

mengatasi masalah buruk (ill-conditioned) yang diakibatkan oleh adanya

korelasi yang tinggi antara beberapa variabel bebas sehingga

menyebabkan matriks XTX hampir singular yang pada gilirannya

menghasilkan nilai dugaan parameter model yang tidak stabil, misalnya

nilai dugaan bisa mempunyai tanda yang salah atau jauh lebih besar dari

yang diperkirakan menurut pertimbangan fisik maupun praktis (Draper dan

Smith, 1998).

Dalam menduga parameter regresi Ridge digunakan metode kuadrat

terkecil dengan cara menambahkan sebuah tetapan bias θ. Nilai θ berada

diantara selang 0 sampai 1. Penduga regresi ridge:

YFIFFb T

r

T

F

1)()(

17

Penentuan Nilai θ

• Pemilihan nilai θ merupakan masalah yang perlu diperhatikan

agar dapat memperoleh tetapan bias yang diinginkan.

• Apabila θ=0 maka :

sehingga penduga akan bernilai sama dengan penduga kuadrat

terkecil .

18

YFIFFb T

r

T

F

1)()( X

• Apabila θ>0, koefisien penduga ridge akan bias terhadap

parameter , tetapi cendrung lebih stabil dari pada penduga

kuadrat terkecil.

Membuat Ridge Trace, yaitu plot dari penduga regresi ridge

terhadap berbagai kemungkinan nilai θ dan memeriksa grafik

sebarannya.

19

TEMBAKAU TEMANGGUNG

20

•Bahan baku rokok kretek

Faktor-faktor yang mempengaruhi produksi

dan mutu tembakau temnanggung

Jenis tembakau, jenis tanah, ketinggian lokasi

tanam, iklim/cuaca, pemeliharaan tanaman,

dan pengolahan hasil pasca panen

•Pemberi rasa & aroma khas

•Kadar nikotin tinggi

PENELITIAN SEBELUMNYA

Wiroatmodjo dan Najib (1995)

Pengaruh dosis nitrogen dan kalium terhadap produksi dan

mutu tembakau temanggungdimana diperoleh

bahwa kalium dan nitrogen berpengaruh terhadap mutu dan

produksi tembakau

Nurnasari dan Djumali (2010)

Pengaruh kondisi ketinggian tempat terhadap produksi dan mutu tembakau temanggung

diperoleh lokasi tumbuh dan unsur lingkungan berpengaruh terhadap

mutu dan produksi tembakau temanggung.

22

Data produksi dan mutu tembakau temanggung

di 61 lokasi yang berada di Kabupaten

Temanggung beserta faktor-faktor yang

mempengaruhi produksi dan mutu tembakau

temanggung

23

Data

sekunder

BALITTAS Karangploso Malang

(Mei - Agustus 2010)

Variabel Penelitian

Y1 = Produksi tembakau Temanggung (kg/ha) Y2 = Mutu tembakau Temanggung

X1 = Elevasi (m diatas permukaan laut)

X2 = Water holding capacity (mm/m)

X3 = Persentase kerikil dalam tanah (%)

X4 = Persentase Karbon Organik dalam tanah (%)

X5 = Persentase Nitrogen dalam tanah (%)

X6 = Kandungan Fosfor dalam tanah (mg/kg)

X7 = Kandungan Kalium dalam tanah (me/100 g)

X8 = Persentase pasir dalam tanah (%)

X9 = Persentase debu dalam tanah (%)

X10 = Persentase liat dalam tanah (%)

X11 = Bobot isi tanah (g/cm3)

24

Metode Analisis Data

25

Mengenai karakteristik produksi dan mutu tembakau temanggung dan faktor-faktor yang diduga mempengaruhinya digunakan statistika deskriptif

Menyusun model untuk faktor-faktor yang berpengaruh terhadap produksi dan mutu tembakau temanggung, langkah-langkahnya :1) Menyususn model regresi antara faktor-faktor yang mempengaruhi produksi dan

mutu tembakau temanggung dengan metode OLS 2) Mendeteksi kasus multikolinearitas yaitu dengan cara melihat nilai korelasi antara

variabel prediktor dan nilai VIF.3) Mendeteksi kasus autokorelasi dengan uji durbin watson.

4) Melakukan pendugaan nilai koefisien autokorelasi () berdasarkan nilai durbin watson, AR(1) residual, dan Cochrane-Orcutt iterative procedure.

5) Melakukan transformasi variabel (X* dan Y*) sesuai persamaan (11).

6) Melakukan regresi ridge pada data yang sudah ditransformasi pada langkah (5).7) Melakukan pendeteksian multikolinearitas dan autokorelasi pada model8) Memilih metode yang dapat mengatasi adanya autokorelasi sekaligus

multikolinearitas dengan kriteria nilai durbin watson yang mendekati atau berada

dalam selang du<dw<4-du dan nilai VIF kurang dari 10.

DIAGRAM ALIR

26

Ya

Melakukan transformasi variabel (Y* dan X*)

Melakukan regresi ridge antara Y* dan X*

Menentukan nilai θ

Mencari persamaan regresi ridge

Menghitung nilai VIF masing-masing variabel prediktor dan nilai statistik hitung Durbin Watson

Mendapatkan model terbaik

Pendugaan nilai koefisien autokorelasi ()

Melakukan regresi OLS antara Y dan X

Data faktor-faktor produksi dan mutu tembakau

temanggungtemanggung (X)

Data Faktor-faktor produksi produksi dan mutu tembakau temanggungtemanggung (Y)

Uji Multikolinea

r-itas dan Autokorelasi

Tidak

26

27

28

Variabel Mean Varian Minimum Maximum

Produksi 688.77 8831.41 426.00 875.00

Mutu 14.54 8.83 9.56 21.56

Variabel Mean Varian Minimum Maximum

Elevasi 1097.03 93647.40 557.00 1615.00

WHC 329.96 21942.09 65.30 531.10

% Kerikil 15.46 94.40 0.77 31.14

%Carbon Organik 1.76 0.53 0.61 3.39

% Nitrogen 0.24 0.01 0.10 0.42

Fosfor 17.43 312.84 0.58 83.06

Kalium 0.95 0.29 0.23 2.37

% Pasir 48.70 397.81 9.00 89.00

% Debu 39.02 228.18 10.00 71.00

% Liat 12.28 53.87 1.00 29.00

Bobot Isi 1.15 0.07 0.68 1.72

Deskripsi

29

Y1

15001000500

800

600

400

4002000 30150 321

0,450,300,15 80400 210 100500

800

600

400

604020

800

600

400

30150 1,81,20,6

X1 X2 X3 X4

X5 X6 X7 X8

X9 X10 X11

Y2

15001000500

20

15

10

4002000 30150 321

0,450,300,15 80400 210 100500

20

15

10

604020

20

15

10

30150 1,81,20,6

X1 X2 X3 X4

X5 X6 X7 X8

X9 X10 X11

Identifikasi Hubungan Antara Variabel Prediktor dan Variabel Respon

30

Variabel Y1 Y2

X1 0.041a (0.755)b 0.703 (0.000)

X2 -0.145 (0.266) -0.392 (0.002)

X3 0.033 (0.803) 0.572 (0.000)

X4 -0.005 (0.972) 0.246 (0.056)

X5 -0.113 (0.387) 0.250 (0.052)

X6 0.253 (0.049) -0.027 (0.837)

X7 -0.061 (0.640) 0.406 (0.001)

X8 0.175 (0.178) 0.435 (0.000)

X9 -0.203 (0.117) -0.381 (0.002)

X10 -0.058 (0.657) -0.399 (0.001)

X11 0.222 (0.086) 0.271 (0.035)

Korelasi Antara Variabel Respon dan Variabel Prediktor

X1 X2 X3 X4 X5 X6 X7 X8 X9 X10

X2 -0.438a

(0.000)b

X3 0.657

(0.000)

-0.899

(0.000)

X4 0.545

(0.000)

-0.287

(0.025)

0.468

(0.000)

X5 0.549

(0.000)

-0.250

(0.052)

0.462

(0.000)

0.955

(0.000)

X6 -0.126

(0.332)

-0.356

(0.005)

0.213

(0.099)

0.055

(0.677)

0.033

(0,803)

X7 0.325

(0.010)

0.175

(0.177)

0.086

(0.509)

0.033

(0.803)

0.086

(0.512)

-0.249

(0.053)

X8 0.591

(0.000)

-0.625

(0.000)

0.645

(0.000)

0.533

(0.000)

0.485

(0.000)

0.269

(0.036)

0.131

(0.316)

X9 -0.436

(0.000)

0.603

(0.000)

-0.552

(0.000)

-0.367

(0.004)

-0.307

(0.016)

-0.320

(0.012)

-0.093

(0.475)

-0.950

(0.000)

X10 -0.711

(0.000)

0.459

(0.000)

-0.619

(0.000)

-0.696

(0.000)

-0.686

(0.000)

-0.073

(0.577)

-0.163

(0.210)

-0.763

(0.000)

0.523

(0.000)

X11 0.343

(0.007)

-0.920

(0.000)

0.766

(0.000)

0.261

(0.043)

0.185

(0.153)

0.473

(0.000)

-0.251

(0.051)

0.700

(0.000)

-0.702

(0.000)

-0.458

(0.000) 31

Korelasi Antar Variabel Prediktor

Banyak variabel prediktor

yang saling berkorelasi

MULTIKOLINEARITAS

32

Pendugaan Model Regresi dengan Metode OLS

Pemodelan Model OLS R2

Produksi Ŷ = 293 + 0.0772 X1 – 0.433 X2 – 7.11 X3

+ 134 X4 - 1319 X5 + 1.40 X6 + 21.3 X7

+ 6.6 X8 + 6.7 X9 + 5.3 X10 - 45 X11

24.5%

Mutu Ŷ = 578.437 + 0.01058 X1 – 0.00907 X2

– 0.87715 X3 + 2.22996 X4 – 176.930 X5

+ 0.61092 X6 + 2.62636 X7 + 0.20952 X8

– 0.22707 X9 – 0.59618 X10 + 21.7945

X11

63.8%

33

Source of

Variationdf

Sum of

Square

Mean

SquareFhitung P-Value

Regression 11 129716 11792 1.44 0.184

Error 49 400169 8167

Total 60 529885

Parameter Dugaan t­hitung P-value

β0 293.000 0.040 0.964

β1 0.077 1.130 0.263

β2 -0.433 -1.110 0.273

β3 -7.113 -1.460 0.150

β4 134.160 2.250 0.029

β5 -1319.400 -2.390 0.021

β6 1.403 1.700 0.096

β7 21.330 0.680 0.501

β8 6.630 0.100 0.920

β9 6.660 0.100 0.919

β10 5.340 0.080 0.935

β11 -45.200 -0.270 0.785

Uji Signifikansi Parameter

Parameter Dugaan t­hitung P-value

β0 -124.600 -0.870 0.386

β1 0.006056 4.060 0.000

Β2 -0.00049 -0.060 0.955

β3 0.170 1.600 0.116

β4 0.562 0.430 0.668

β5 -13.350 -1.100 0.275

β6 0.0204 1.130 0.265

β7 0.579 0.840 0.405

β8 1.382 0.970 0.339

β9 1.340 0.940 0.354

β10 1.447 1.010 0.316

β11 -5.242 -1.450 0.153

Source of

Variationdf

Sum of

Square

Mean

SquareFhitung P-Value

Regression 11 338.347 30.759 7.860 0.000

Error 49 191.635 3.911

Total 60 529.982

Variabel VIF

X1 3.2

X2 24.6

X3 16.4

X4 13.9

X5 14.7

X6 1.6

X7 2.1

X8 12507.9

X9 7173.0

X10 1683.4

X11 14.1

Terjadi kasus multikolinearitas

34

35

RESI1

Percent

3002001000-100-200-300

99,9

99

95

90

80

70

605040

30

20

10

5

1

0,1

Mean

0,110

-1,56552E-13

StDev 81,67

N 61

KS 0,102

P-Value

Uji Normalitas Residual

Uji Heteroskedastisitas Uji Glejser

Parameter Dugaan thitung P-value

β0 2059.000 0.650 0.522

β1 -0.062 -1.860 0.070

β2 0.113 0.590 0.558

β3 -1.642 -0.690 0.494

β4 -31.450 -1.080 0.286

β5 443.500 1.640 0.107

β6 -0.385 -0.950 0.346

β7 7.400 0.480 0.633

β8 -22.090 -0.690 0.494

β9 -21.140 -0.660 0.513

β10 -21.300 -0.670 0.508

β11 149.940 1.860 0.070

Residual

Berdistribusi

Normal

Tidak ada parameter yang berpengaruh signifikan

Residual Identik/HomoskedastisitasUji Autokorelasi Uji Durbin Watson

dw hitung = 1.66156 (dU =2.0256 dan dL =1.1936) tidak dapat disimpulkan, nilai dw hitung

berada di dalam selang dU dan dL.

Uji Asumsi Residual

Parameter Dugaan t­hitung P-value

β0 15.280 0.200 0.843

β1 0.001 1.360 0.180

Β2 -0.004 -0.970 0.336

β3 -0.076 -1.330 0.190

β4 -0.717 -1.020 0.311

β5 9.071 1.400 0.169

β6 0.003 0.310 0.757

β7 -0.016 -0.040 0.966

β8 -0.137 -0.180 0.860

β9 -0.152 -0.200 0.844

β10 -0.081 -0.110 0.916

β11 0.227 0.120 0.908

RESI2

Percent

5,02,50,0-2,5-5,0

99,9

99

95

90

80

70

605040

30

20

10

5

1

0,1

Mean

0,119

2,626678E-14

StDev 1,787

N 61

KS 0,101

P-Value

36

Uji Normalitas Residual

Uji Heteroskedastisitas Uji Glejser

Residual

Berdistribusi

Normal

Tidak ada parameter yang berpengaruh signifikan

Residual Identik/Homoskedastisitas

Uji Autokorelasi Uji Durbin Watson

dw hitung = 1.30354 (dU =2.0256 dan dL =1.1936) tidak dapat disimpulkan, nilai dw hitung

berada di dalam selang dU dan dL.

Uji Asumsi Residual

37

Pendugaan Model Regresi Produksi dengan

Kombinasi GLS dan Regresi Ridge

Metode Koefisien Autokorelasi ()

Durbin Watson 0.16922

AR(1) Residual 0.087

cochrane orcutt iterative procedure 0.014

38

Kombinasi Durbin Watson dan Regresi Ridge

Parameter Dugaan VIF

β0578.43700

β10.01058 0.34026

β2-0.00907 0.16620

β3 -0.87715 0.20476

β4 2.22996 0.21016

β5 -176.93000 0.20827

β6 0.61092 0.38047

β7 2.62636 0.36412

β8 0.20952 0.12606

β9 -0.22707 0.22631

β10 -0.59618 0.30208

β11 21.79450 0.18449

39

Model RMSE

0.16922Ŷ = 578.437 + 0.01058 X1 - 0.00907 X2 - 0.87715 X3 + 2.22996 X4 - 176.930 X5 + 0.61092 X6

+ 2.62636 X7 + 0.20952 X8 - 0.22707 X9 - 0.59618 X10 + 21.7945 X1198.1572

0.08700Ŷ = 636.605 + 0.01147 X1 - 0.00756 X2 - 0.85932 X3 + 2.27732 X4 - 177.821 X5 + 0.58145 X6

+ 0.11432 X7 + 0.23910 X8 - 0.30087 X9 - 0.49099 X10 + 22.7680 X1197.4545

0.01400Ŷ = 688.545 + 0.01265 X1 - 0.00589 X2 - 0.87386 X3 + 2.56702 X4 - 182.841 X5 + 0.56394 X6

- 2.24581 X7 + 0.26821 X8 - 0.37042 X9 - 0.40896 X10 + 23.9471 X1197.1500

Model dan Nilai RMSE Pemodelan Produksi dengan Kombinasi antara GLS dan Regresi Ridge

MetodeNilai Koefisien

Autokorelasi ()

Nilai Durbin

Watson (d)

Durbin Watson dan Regresi

Ridge0.16922 2.08245

AR(1) Residual dan Regresi

Ridge0.08700 1.96708

Cochrane Orcutt Iterative

Procedure dan Regresi

Ridge

0.01400 1.86338

Nilai Durbin Watson Kombinasi Ketiga Metode dalam Pemodelan Produksi

Nilai du = 2.0310 dan dL = 1.1835

40

Model regresi produksi tembakau temanggung terbaik:

Ŷ = 578.437 + 0.01058 X1 – 0.00907 X2 – 0.87715 X3 + 2.22996 X4 – 176.930 X5 + 0.61092 X6 + 2.62636 X7 + 0.20952 X8 – 0.22707 X9 – 0.59618 X10 + 21.7945 X11

41

Pendugaan Model Regresi Mutu dengan

Kombinasi GLS dan Regresi Ridge

Metode Koefisien Autokorelasi ()

Durbin Watson 0.34823

AR(1) Residual 0.279

cochrane orcutt iterative procedure 0.003

42

Kombinasi Durbin Watson dan Regresi Ridge

Parameter Dugaan VIF

β0 7.10597

β1 0.00325 0.37724

β2 -0.00077 0.18019

β3 0.04897 0.22182

β4 -0.00323 0.22571

β5 -1.70282 0.22819

β6 -0.00879 0.40621

β7 0.67324 0.38781

β8 0.00353 0.13406

β9 -0.00426 0.24033

β10 -0.00690 0.33733

β11 -0.50672 0.20419

MetodeNilai Koefisien

Autokorelasi ()

Nilai Durbin

Watson

Durbin Watson dan

Regresi Ridge0.34823 1.85826

AR(1) Residual dan Regresi

Ridge0.27900 1.72047

Cochrane Orcutt Iterative

Procedure dan Regresi

Ridge

0.00300 1.23150

43

Model dan Nilai RMSE Pemodelan Mutu dengan Kombinasi antara GLS dan Regresi Ridge

Nilai Durbin Watson Kombinasi Ketiga Metode dalam Pemodelan Mutu

Nilai du = 2.0310 dan dL = 1.1835

Model RMSE

0.34823Ŷ = 7.10597 + 0.00325 X1 - 0.00077 X2 + 0.04897 X3 - 0.00323 X4 - 1.70282 X5

- 0.00879 X6 + 0.67324 X7 + 0.00353 X8 - 0.00426 X9 - 0.00690 X10 - 0.50672 X111.96822

0.27900Ŷ = 7.91882 + 0.00334 X1 - 0.00082 X2 + 0.05247 X3 - 0.04129 X4 - 2.05202 X5

- 0.00893 X6 + 0.73309 X7 + 0.00419 X8 - 0.00569 X9 - 0.00536 X10 - 0.59336 X111.96022

0.00300

Ŷ = 11.52520 + 0.00302 X1- 0.00115 X2 + 0.05637 X3 - 0.17832 X4 - 2.31325 X5

- 0.00953 X6 + 0.97901 X7 + 0.00738 X8 - 0.01155 X9 - 0.00470 X10 - 0.58049

X11

2.09697

44

Model regresi mutu tembakau temanggung terbaik:

Ŷ = 7.10597 + 0.00325 X1 – 0.00077 X2 + 0.04897 X3 – 0.00323 X4 – 1.70282 X5 – 0.00879 X6 + 0.67324 X7 + 0.00353 X8 – 0.00426 X9 – 0.00690 X10 – 0.50672 X11

45

• Rata-rata produksi tembakau Temanggung di Kabupaten Temanggung pada bulan Mei-Agustus

2010 adalah 688,77 kg/hektar dan rata-rata mutu tembakau Temanggung yang dihasilkan

adalah sebesar 14,54. Elevasi terendah yang digunakan sebagai lahan tanam tembakau

Temanggung adalah 557 m dpl dan tertinggi 1.615 m dpl, sehingga dapat disimpulkan bahwa

wilayah Kabupaten Temanggung baik di kawasan rendah maupun tinggi dijadikan sebagai

lahan tanam tembakau. Tanah di Kabupaten Temanggung mengandung lebih banyak

persentase pasir dibandingkan kerikil, debu, dan liat, selain itu kandungan karbon organik dan

nitrogen dalam tanah di Kabupaten Temanggung beragam di setiap lokasi.

• Kombinasi metode Durbin Watson dan regresi ridge memberikan hasil yang terbaik karena

dapat mengatasi adanya autokorelasi sekaligus multikolinearitas pada pemodelan produksi

tembakau Temanggung. Namun pada pemodelan mutu tembakau, kasus yang mampu diatasi

adalah multikolinearitas, sedangkan kasus autokorelasi masih belum teratasi. Nilai koefisien

autokorelasi dengan pendekatan Durbin Watson untuk pemodelan produksi sebesar 0,16922,

sedangkan untuk pemodelan mutu sebesar 0,34823. Variabel yang berpengaruh terhadap

produksi tembakau adalah kandungan karbon organik dalam tanah, kalium dalam tanah, dan

bobot isi tanah. Sementara variabel yang berpengaruh terhadap mutu tembakau adalah

persentase kerikil dalam tanah, kandungan kalium dalam tanah, dan persentase pasir dalam

tanah.

46

Pada penelitian selanjutnya disarankan untuk melakukan pendugaan koefisien

autokorelasi dengan pendekatan lainnya dan melakukan analisis dengan

memperhatikan efek lokasi. Selain itu, juga dilakukan penelitian untuk mencari

kadar/persentase karbon organik, kalium, dan bobot isi tanah yang dapat

memaksimalkan produksi tembakau Temanggung serta mencari kadar/persentase

kerikil, pasir, dan kalium yang dapat memaksimalkan mutu tembakau Temanggung.

47

Daftar Pustaka

Basuki, S., Rochman, F., dan Yulaikah, S. 2000. Biologi Tembakau Temanggung. Monograf Tanaman

Tembakau Temanggung. Malang: Balai Penelitian Tanaman Tembakau dan Serat.

Daniel, W. W. 1989. Statistika Nonparametrik Terapan. Jakarta: PT Gramedia.

Draper, N dan H. Smith. 1998. Applied Regression Analysis, Third Edition. New York: John Wiley &

Sons, Inc.

Isdijoso, S. H. dan Mukani. 2000. Usaha Tani, Kelambagaan, dan Pemasaran Tembakau Temanggung.

Monograf Tanaman Tembakau Temanggung. Malang: Balai Penelitian Tanaman Tembakau dan

Serat.

Gujarati, D. N. 2004. Bacic Econometrics, Fourth Edition. USA: The McGraw−Hill Companies.

Hoerl, A.E., Kennard, R.W., dan Baldwin, K.F. 1975. Ridge Regression, some simulation.

Communication in Statistics, A4, 105-123.

Jen, J. dan Hsu, C. 1980. Multicollinearity, Autocorrelation, and Ridge Regression.Canada: The

University of British Columbia.

https://circle.ubc.ca/bitstream/handle/2429/21865/UBC_1980_A4_6%20H88.pdf?sequenc

e=1 [Diakses pada 10 April 2012 Pukul 19.00 WIB].

48

Daftar Pustaka (Lanjutan)

49

McVay, Kent A. & Rice, Charles W. 2002. Soil Organic carbon and The Global Carbon Cycle.

Kansas: Kansas State University. www.ksre.ksu.edu/library/crpsl2/mf2548.pdf. [Diakses pada

21 Februari 2012 Pukul 20.06 WIB].

Montgomery, D.C. dan Peck, E.A. 1991. Introduction to Linear Regression Analysis, Second Edition.

New York: John Wiley & Sons, Inc.

Nurnasari, E. dan Djumali. 2010. Pengaruh Kondisi Ketinggian Tempat Terhadap Produksi dan Mutu

Tembakau Temanggung. Buletin Tanaman Tembakau, Serat dan Minyak Industri Volume 2 Nomor

2

Sutanto, R. 2005. Dasar-Dasar Ilmu Tanah Konsep Dan Kenyataan. Yogyakarta: Kanisius.

Sutedjo, M.M dan A.G. Kartasapoetra. 2005. Pengantar Ilmu Tanah. Jakarta: PT Rineka Cipta.

Wiroatmodjo, J. dan Najib, M. 1995. Pengaruh Dosis Nitrogen dan Kalium Terhadap Produksi dan

Mutu Tembakau Temanggung Pada Tumpang Sisip Kubis-Tembakau Di Pujon Malang. Jurnal

Agronomi Indonesia Volume 23 Nomor 2.

50

Correlations: Produksi; Mutu

Pearson correlation of Produksi and Mutu = 0,160

P-Value = 0,218

51

52

Parameter Dugaan VIF

β0 636.60500

β1 0.01147 0.34819

β2 -0.00756 0.17097

β3 -0.85932 0.21253

β4 2.27732 0.21686

β5 -177.82100 0.21239

β6 0.58145 0.39107

β7 0.11432 0.37318

β8 0.23910 0.12867

β9 -0.30087 0.23290

β10 -0.49099 0.31049

β11 22.76800 0.19052

Kombinasi AR(1) Residual dan Regresi Ridge

53

Kombinasi Cochrane-Orcutt Iterative Procedure Regresi Ridge

Parameter Dugaan VIF

β0688.54500

β10.01265 0.37259

β2-0.00589 0.18261

β3 -0.87386 0.22988

β4 2.56702 0.23230

β5 -182.84100 0.22483

β6 0.56394 0.41479

β7 -2.24581 0.39416

β8 0.26821 0.13528

β9 -0.37042 0.24775

β10 -0.40896 0.33449

β11 23.94710 0.20604

54

Kombinasi AR(1) Residual dan Regresi Ridge

Parameter Dugaan VIF

β07.91882

β10.00334 0.42239

β2-0.00082 0.20161

β3 0.05247 0.25227

β4 -0.04129 0.25339

β5 -2.05202 0.25285

β6 -0.00893 0.44622

β7 0.73309 0.42365

β8 0.00419 0.14525

β9 -0.00569 0.26473

β10 -0.00536 0.38289

β11 -0.59336 0.23495

55

Kombinasi Cochrane-Orcutt Iterative Procedure Regresi Ridge

Parameter Dugaan VIF

β011.52520

β10.00302 0.37984

β2-0.00115 0.18588

β3 0.05637 0.23465

β4 -0.17832 0.23660

β5 -2.31325 0.22852

β6 -0.00953 0.42118

β7 0.97901 0.39988

β8 0.00738 0.13714

β9 -0.01155 0.25182

β10 -0.00470 0.34153

β11 -0.58049 0.21054