Anda di halaman 1dari 23

ESTIMASI PARAMETER REGRESI ROBUST

DENGAN METODE ESTIMASI-S


PADA PRODUKSI JAGUNG DI INDONESIA TAHUN 2010
Oleh
Retno Jati Sahari
Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Sebelas Maret

ABSTRAK
Produksi jagung di Indonesia menunjukan peningkatan dari tahun ke tahun, tetapi
Indonesia masih harus melakukan impor jagung. Ada 2 variabel penting yang
mempengaruhi produksi jagung nasional di Indonesia yaitu luas lahan (Ha) dan
produktivitas. Untuk menganalisis hubungan antara variabel prediktor dan variabel respon
(produksi) diperlukan suatu metode, salah satunya yaitu analisis regresi. Melalui analisis
regresi dapat ditentukan model prediksi nilai produksi jagung serta seberapa besar
pengaruh variabel-variabel prediktor. Namun, dalam melakukan regresi persyaratan yang
harus dipenuhi yaitu asumsi-asumsi klasik yang terkandung pada data. Ada 4 asumsi klasik
yang harus dipenuhi yaitu normalitas, homokesdasitas, non autokorelasi dan non
multikolinearitas. Apabila salah satu asumsi tidak dipenuhi maka model regresi yang
dihasilkan tidak valid. Oleh karena itu diperlukan suatu metode untuk mengatasi data yang
tidak memenuhi asumsi-asumsi. Pada penelitian ini digunakan data produksi jagung 33
provinsi di Indonesia. Regresi Robust estimasi-S salah satunya untuk mengatasi asumsi
normalitas yang tidak dipenuhi data produksi jagung tahun 2010. Kelebihan dari estimasi-S
dibanding estimasi M, LTS, GS, dan GM yaitu estimasi-S dapat mencapai breakdown
point hingga 50% maka estimasi-S dapat mengatasi setengah dari pencilan dan
memberikan pengaruh yang baik bagi pengamatan lainnya. Penggunaan regresi robust
untuk mengestimasi nilai-nilai parameter pada model regresi produksi Jagung Indonesia
tahun 2010 diharapkan dapat memberikan informasi yang valid bagi pemerintah Indonesia
sehingga dapat dijadikan acuan untuk langkah peningkatan produksi di tahun-tahun
berikutnya.
Kata kunci : produksi, jagung, estimasi, regresi, Robust
I. PENDAHULUAN

Jagung merupakan bahan makanan pokok yang sangat dibutukan karena setiap
hari dikonsumsi oleh sebagian masyarakat di seluruh dunia. Kebutuhan bahan makanan
pokok akan meningkat sejalan dengan pertambahan jumlah penduduk yang semakin
menigkat.
Menurut data BPS, produksi jagung tahun 2010 (ATAP) sebesar 18,33 juta ton,
meningkat sebanyak 697,89 ribu ton (3,96 persen) dibandingkan tahun 2009.
Peningkatan produksi tersebut terjadi di Jawa sebesar 489,94 ribu ton, dan di luar Jawa
sebesar 207,95 ribu ton. Angka ramalan I (Aram I) produksi jagung tahun 2011 sebesar
17,93 juta ton. Jumlah ini turun sekitar 438.960 ton atau 2,39 persen ketimbang
produksi tahun lalu. Sebenarnya, kebutuhan jagung nasional hanya 16,3 juta ton.
Dengan produksi jagung sebesar 18,33 juta ton di tahun 2010, seharusnya kebutuhan
dalam negeri tercukupi.
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

Dengan

adalah parameter-parameter regresi dan

adalah sisaan

yang berdistribusi normal dengan mean nol dan variansi konstan (Sembiring, 2003).
Permasalahan yang muncul dalam analisis regresi adalah menentukan estimator terbaik
untuk menentukan

. 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 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 penelitian ini penulis membahas dengan metode estimasi-S karena
metode ini mempunyai kelebihan yaitu bisa digunakan untuk pencilan dengan proporsi
hingga 50% serta digunakan ketik variabel dependen dan variabel independn terdapat
pencilan.
Metode estimasi-S prtama kali dikembangkan oleh Rousseeuw dan Yohai
(1984) dimana metode ini merupakan keluarga high breakdown point yaitu ukuran
umum proporsi dari data pencilan yang dapat ditangani sebelum pengamatan tersebut
mempengaruhi model prediksi. Disebut estimasi-S karena mengestimasi berdasarkan
skala. Skala yang digunakan adalah standart deviasi sisaan.
II.

TUJUAN DAN MANFAAT PENELITIAN


a. Tujuan penelitian
Tujuan yang ingin dicapai dalam penelitian ini adalah menentukan estimasi
produksi jagung di Indonesia tahun 2010 menggunakan metode regresi robust
estimasi-S
b. Manfaat penelitian
Manfaat yang diharapkan dalam penelitian ini adalah dapat mengembangkan
ilmu pengetahuan dalam bidang statistika dan industri. Pada bidang statistika,
metode estimasi-S dapat diaplikasikan terhadap data yang mengandung pencilan
pada variabel dependen dan independennya. Sedangkan pada bidang industri
dapat memberikan masukan dalam meningkatkan produksi jagung di Indonesia.

III.

METODOLOGI
Metode penelitian yang digunakan dalam penulisan makalah ini adalah studi kasus,

yaitu melakukan estimasi regresi robust pada model produksi jagung di 33 provinsi di
Indonesia tahun 2010. Data yang digunakan adalah data sekunder yang diambil dari
Badan Pusat Statistik (BPS) Indonesia.
1. 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. Normalitas
Analisis regresi linier mengasumsikan bahwa sisaan

berdistribusi normal.

Menurut Gujarati (1978) pada regresi linier klasik diasumsikan bahwa tiap
didistribusikan secara random dengan
Salah satu cara untuk menguji asumsi kenormalan adalah dengan uji
Kolmogorov-Smirnov. Uji ini didasarkan pada nilai D dengan
Dengan
teoritis dibawah
sebanyak sampel.

adalah fungsi distribusi frekuensi kumulatifrelatif dari distribusi


.

adalah distribusi frekuensi kumulatif pengamatan


adalah sisaan berdistribusi normal. Selanjutnya nilai D ini

dibandingkan dengan nilai D kritis dengan signifikansi


Smirnov). Apabila nilai
tidak dipenuhi.

atau

(tabel Kolmogorov-

, maka asumsi kenormalan

Dalam penelitian ini asumsi yang digunakan adalah asumsi dari sisaan tidak
berdistribusi normal, sehingga MKT tidak layak untuk digunakan (Draper dan Smith,
1998).
2. Homoskedastisitas
Salah satu asumsi penting dalam analisis regresi adalah variasi sisaan

pada

setiap variabel independen adalah homoskedastisitas. Asumsi ini dapat ditulis sebagai
berikut
Salah satu cara menguji kesamaan variansi yaitu dengan melihat pola tebaran
sisaan

terhadap nilai estimasi Y. Jika tebaran sisaan 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

Dengan

perbedaan dalam rank yang ditempatkan pada dua karakteristik

yang berbeda dari individual atau fenomena ke-i dan n adalah banyaknya individual
yang dirank. Koefisien rank korelasi tersebut dapat digunakan untuk mendeteksi
heterokedastisitas dengan mengasumsikan

. Adapun tahapnnya dalah

sebagai berikut
1. Mencocokkan regresi terhadap data mengenai Y dan X dan mendapatkan sisaan
2. Dengan mengabaikan tanda dari

, yaitu dengan mengambil nilai mutlaknya |

meranking baik harga mutlak | | dan

sesuai dengan urutan yang meningkat atau

menurun dan menghitung koefisien rank korelasi Spearman yang telah diberikan
sebelumnya.

3. Dengan mengasumsikan bahwa koefisien rank korelasi populasi


, signifikan dari

adalah nol dan

yang disampel dapat diuji dengan pengujian t sebagai berikut

Jika nilai t yang dihitung melebihi nilai t kritis maka H 0 ditolak, artinya asumsi
homoskedastitas tidak dipenuhi. Jika model regresi meliputi lebih dari satu variabel
X,

dapat dihitung antara

dan tiap-tiap variabel X secara terpisah dan dapat di

uji untuk tingkat penting secara statistik dengan pengujian t yang diberikan di atas.
3. Non autokorelasi
Salah satu asumsi penting dari regresi linear adalah bawa tidak ada autokrelasi
antara serangkaian pegamatan yang diurutkan menurut waktu. Adanya kebebasan
antar sisaan dapat dideteksi secara grafis dan empiris. Pendeteksian autokorelasi
secara grafis yaitu denan melihat pola tebaran sisaan terhadap urutan waktu. Jika
tebaran sisaan terhadap urutan waktu tidak membentuk suatu pola tertentu atau
bersifat acak maka dapat disimpulkan tidak ada autokorelasi antar sisaan (Draper dan
Smith, 1998)
Pengujian secara empiris dilakukan dengan menggunakan statistik uji DurbinWatson. Hipotesis yang diuji adalah:
H0: Tidak terdapat autokorelasi antar sisaan
H1: Terdapat autokorelasi antar sisaan
Adapun rumusan matematis uji Durbin-Watson adalah:

Kaidah keputusan dalam uji Durbin-Watson adalah:


1. Jika

atau

, maka H0 ditolak berarti bahwa terdapat

autokorelasi antar sisaan.


2. Jika
, maka H0 tidak ditolak yang berarti bahwa asumsi non
autokorelasi terpenuhi.
3. Jika
atau

maka tidak dapat diputudkan

apakah H0 diterima atau ditolak, sehingga tidak dapat disimpulan ada atau tidak
adanya autokorelasi.
4. Untuk statistik
dari Durbin-Watson dapat dilihat pada tabel
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 kolineritas dan
didefinisikan sebagai berikut

Dengan m= 1,2,...,p dan p adalah banyaknya variabel independen


koefisien determinasi yang dihasilkan dari regresi variabel independen
variabel independen lain

adalah
dengan

. nilai VIF menjadi semakin besar jika

terdapat korelasi yang semakin besar diantara variabel independen. Jika VIF lebih
dari 10, multikolinearitas memberikan pengaruh yang serius pada pendugaan metode
kuadrat kecil.
2.

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
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 didfinisikan sebagai:

Dimana:

= 1,2,.....,n
=

= simpangan baku beda

=p+1
= banyaknya pengamatan
Hipotesis untuk menguji adanya pencilan adalah:
H0: pengamatan ke-i bukan pencilan
H1: pengamatan ke-i merupakan pencilan

adalah stastistik uji untuk mengetahui pencilan terhadap


Kriteria pengujian yang melandasi keputusan adalah:

Metode yang diunakan dalam mengidentifikasi pencilan terhadap variabel


adalah nlai pengaruh (Leverage Point). Nilai pengaruh
menunjukan besarnya peranan

terhadap

dari penamatan
dan didefinisikan

sebagai:
=
Dimana i: 1,2,...,n
Xi=

adalah vektor baris yang berisi nilai-nilai dari peubah

variabel independen dalam pengamatan ke-i. Nilai


dengan k=p+1. Jika

berada diantara 0 dan 1


lebih besar dari

Maka pengamatan ke-i dikatakan pencilan terhadap X.


3. Estimasi-S

dengan

Estimasi-S pertama kali diperkenalkan oleh Rousseeuw dan Yohai (1984)


merupakan estimasi robust yang dapat mencapai breakdown point hingga 50%.
Breakdown point adalah ukuran umum proporsi dari pencilan yang dapat ditangani
sebelum pengamatan tersebut mempengaruhi model. Karena estimasi-S dapat
mencapai breakdown point hingga 50% maka estimasi-S dapat mengatasi setengah
dari pencilan dan memberikan pengaruh yang baik bagi pengamatan lainnya.
Estimasi-S didefinisikan

dengan menentukan nilai estimator skala robust


memenuhi

yang minimum dan


(2.8)

dengan

merupakan fungsi pembobot Tukeys biweight

Penyelesaian persamaan (2.8) adalah dengan cara menurunkannya terhadap


sehingga diperoleh

(2.9)

disebut fungsi pengaruh yang merupakan turunan dari . Sehingga bias


dituliskan

Dengan

yaitu

merupakan fungsi pembobot IRLS dimana

dan c = 1,547.

Sisaan awal yang digunakan pada estimasi-S adalah sisaan yang diperoleh dari
metode kuadrat terkecil. Persamaan (2.9) dapat diselesaikan dengan MKT terboboti
secara iterasi yang disebut Iteratively Reweighted Least Square (IRLS) hingga
mencapai konvergen.
Tabel 2.1. Fungsi objektif dan fungsi pembobot untuk MKT dan Tukeys biweight
Metode

Fungsi objektif

Fungsi pembobot

Interval

MKT

Tukeys
biweight

4. Langkah-langkah yang dilakukan dalam mengestimasiu parameter pada regresi robust


estimasi-S adalah
a.
Menduga koefisien regresi dengan MKT (Metode Kuadrat Terkecil)
b.
Menguji asumsi klasik analisis regresi linear
c.
Mendeteksi adanya pencilan pada data dengan metode TRES dan hii
d.
Menduga koefisien regresi dengan estimasi-S
Langkah-langkah metode estimasi-S :
a.

Menghitung sisaan awal yang diperoleh dari MKT

b.

Menghitung standar deviasi sisaan

untuk mendapat nilai

c.

Menghitung nilai pembobot

d.

Menghitung MKT terbobot untuk mendapatkan penduga kuadrat terkecil terbobot

e.

Menjadikan sisaan langkah (c) sebagai sisaan awal langkah (b) sehingga diperoleh
nilai

f.

dan pembobot

yang baru

Melakukan pengulangan iterasi sampai didapatkan kekonvergenan sehingga


diperoleh

yang merupakan estimasi-S

IV. HASIL DAN PEMBAHASAN


Pada bab ini akan disajikan hasil analisis data sekunder produksi jagung di
Indonesia tahun 2010 yang diperoleh dari BPS. Data tersebut meliputi produksi jagung
sebagai variabel dependen (Y) sedangkan luas lahan dan produktivitas sebagai variabel
independen (X). Data tersaji pada Tabel 4.1 berikut
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Provinsi

Luas
Panen(Ha)

Produktivitas(
Produksi(Ton)
Ku/Ha)

Nanggroe Aceh
Darussalam

167090

38.07

43885

Sumatera utara

1377718

50.13

274822

Sumatera barat
Riau
Kepulauan Riau

354262

59.24

59801

41862
961

23.2
21.17

18044
454

Jambi
Sumatera Selatan
Kepulauan Bangka
Belitung

30691

37.07

8280

125796

37.25

33769

1055

30.94

341

74331

36.23

20516

2126571

47.52

447509

31
923962

20.67
60.08

15
153778

28557

32.84

8697

3058710

48.41

631816

345576

39.8

86837

Bengkulu
Lampung
DKI Jakarta
Jawa Barat
Banten
Jawa Tengah
daerah Istimewa

16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

Yogyakarta
Jawa Timur
Bali
Nusa Tenggara
Barat

5587318
66355

44.42
24.85

1257721
26706

249005

40.43

61593

Nusa Tenggara
Timur

653620

26.72

244583

Kalimantan Barat

168273

37.38

45014

Kalimantan Tengah

9345

28.78

3247

Kalimantan Selatan

116449

51.56

22584

Kalimantan Timur

11993

25.56

4693

Sulawesi Utara

446144

36.59

121930

Gorontalo

679167

47.22

143833

Sulawesi Tengah

162306

37.97

42747

Sulawesi Selatan
Sulawesi Barat

1343044

44.27

303375

58020

43.6

13308

Sulawesi Tenggara
Maluku

74840

25.28

29607

15273

24.27

6293

Maluku Utara

20546

19

10813

Papua
Papua Barat

6834

17.51

3903

1931
16.62
d.1 Metode Kuadrat Terkecil
Model regresi ganda dengan metode kuadrat terkecil adalah

dengan
: Produksi jagung provinsi di Indonesia tahun 2010 (Ton)
: Produktivitas (Ku/Ha)
: Luas Panen (Ha)
Hasil di atas merupakan output dari Software Minitab 16

1162

Selanjutnya dilakukan uji asuimsi klasik untuk melihat apakah model regresi yang
diperoleh memenuhi asumsi klasik atau tidak. Berikut merupakan hasil uji asumsi klasik
tersebut
d.1.1 Uji Normalitas
Pengujian kenormalan digunakan untuk mengetahui apakah sistem berdistribusi
normal atau tidak. Plot kenormalan untuk sisaan dari model Produksi jagung Indonesia
tahun 2010 sebagai berikut

Probability Plot of RESI1


Normal - 95% CI

Gambar 4.1 Plot probabilitas dari sistem


99

Mean
StDev
N
AD
P-Value

-9.03983E-11
93766
33
1.363
<0.005

Gambar
95 4.1 terlihat bahwa pola penyebaran sisaan mengikuti garis lurus, ini
90

Percent

80
70
60
50
40
30
20
10
5

-400000 -300000 -200000 -100000

100000

200000

300000

RESI1

Berarti asumsi kenormalan tidak terpenuhi karena gambar plot terdapat pencilan.
Untuk menguji kenormalan dapat juga digunakan uji Kolmogorof-Smirnof sebagai berikut
i.

: sisaan berdistribusi normal


: sisaan tidak berdistribusi normal

ii.

Pilih

iii. Daerah kritis :


iv.

ditolak jika p-value <

Statistik uji
Berdasarkan output software Minitab 16, diperoleh hasil output pada gambar 4.1
dengan

v.

Kesimpulan
Berdasarkan hasil regresi dapat dilihat p-value < 0.05 maka

ditolak artinya sisaan

tidak berdistribusi normal.


Dengan demikian asumsi kenormalan pada data produksi jagung ke-33 provinsi di
Indonesia tahun 2010 tidak dapat dipenuhi.
d.1.2 Uji Homoskedastisitas
Untuk mendeteksi homoskedaktisitas dapat dilakukan dengan metode plot. Plot
kesamaan variansi untuk data sisaan pada model produksi jagung di indonesia tahun 2010
adalah sebagai berikut
Versus Fits
(response is y)
30000
20000

Residual

10000
0
-10000

Gambar 4.2. Plot sisaan dengan


-20000 Pada

gambar 4.2 tampak bahwa variansi sisaan dari satu pengamatan ke pengamatan

lain berpola acak yang mengindikasikan nahwa variansi sisaan konstan sehingga dapat

-30000

0
50000 homoskedastisitas
100000 150000 200000
250000
diindikasikan
asumsi
dipenuhi.
Dari300000
hasil 350000
tyersebut dapat diambil
Fitted Value

kesimpulan bahwa asumsi homoskesdastisitas dapat dipenuhi.


d.1.3
Uji Non Autokorelasi
Autokorelasi diartikan sebagai korelasi antara anggota serangkaian observasi yang
diurutkan menurut waktu. Uji non autokorelasi dapat dideteksi dengan rumus DurbinWatson.

Uji Durbin-Watson (Uji DW)


i.

, artinya tidak ada autokorelasi


, artinya ada autokorelasi

ii. Pilih
iii. Daerah kritis
Pada

dan

sehingga

serta

diperoleh nilai

dan

dan

ditolak jika
iv. Statistik uji
Dari perhitungan dengan bantuan software Minitab 16 diperoleh
v. Kesimpulan
Berdasarkan hasil regresi dapat diperoleh bahwa

maka

tidak

ditolak artinya asumsi non autokorelasi pada model; produksi jagung Indonesia tahun
2010 dapat dipenuhi
d.1.4
Uji 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. Dengan bantuan software Minitab 16,
diperoleh hasil output sebagai berikut
Tabel 4.2. Hasil output uji multikolinearitas

Variabel Independen

VIF

Keterangan

(Produktivitas)

1.173 < 10

Tidak terdapat multikolinearitas

(Luas Panen)

1.173 < 10

Tidak terdapat multikolinearitas

Berdasarkan hasil output pada Tabel 4.2. dapat dilihat bahwa nilai VIF untuk semua
variabel independen, baik variabel produktivitas (

) maupun Luas panen (

) adalah

lebih kecil dari 10, sehingga dapat disimpulkan bahwa asumsi non multikolinearitas
dipenuhi.
Berdasarkan pengujian asumsi klasik pada model produksi jagung di Indonesia tahun
2010 menggunakan analisis regresi diperoleh bahwa semua asumsi klasik terpenuhi.
d.2 Deteksi Pencilan
Berdasarkan statistik uji untuk mengetahui pencilan terhadap Y yaitu TRES dengan
menarik kesimpulan menolak

apabila nilai

maka diperoleh

kesimpulan bahwa terdapat pencilan data ke-14


Berdasar statistik uji untuk mengetahui pencilan terhadap X yaitu hii yang dengan
menarik kesimpulan bahwa pengamatan menolak

apabila nilai

maka diperoleh kesimpulan bahwa terdapat pencilan data ke- 16.


Tabel 4.3. Hasil perhitungan TRES dan hii untuk mendeteksi pencilan
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

-0.39927
0.93861
-0.26327
0.23421
0.73928
-0.12176
-0.31988
0.24086
-0.19164
0.87207
0.77780
1.44533
0.04640
2.27775
-0.61739
-0.90813
0.00393
-0.48516
-6.35126

0.037748
0.077901
0.193402
0.064494
0.076610
0.040633
0.037425
0.039656
0.037549
0.092328
0.079843
0.180429
0.037273
0.163457
0.037328
0.716534
0.056058
0.041738
0.069429

20
21
22
23
24
25
26
27
28
29
30
31
32
33

-0.40461
0.30059
-0.64095
0.42420
-1.04448
-0.15356
-0.39138
-0.48415
-0.39949
-0.06363
0.45010
0.56999
0.83933
0.97253

0.036318
0.043303
0.118668
0.053630
0.030598
0.063677
0.037680
0.054003
0.063002
0.054053
0.059276
0.091749
0.103368
0.110840

d.3 Model Regresi Robust dengan Estimasi- S


Proses perhitungan estimasi-S yang iteratif dimulai dengan menentukan estimasi
awal koefisien regresi, yang diperoleh dari MKT yaitu
kemudian berdasarkan algoritma estimasi-S, dihitung nilai

dan sisa

Proses iterasi menggunakan MKT terboboti dilanjutkan dengan menghitung sisaan dan
pembobot

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. Nilai
No
1
2
3
4
5
6
7
8
9

53347
9439
1834
5830
6
5320
11664
52
2719

dan

dan

pada estimasi-S

53265
10535
4799
6206
-1929
5966
12879
-2017
1924

82.0
-1095.6
-2965.2
-375.7
1935.4
-645.9
-1215.4
2068.9
795.0

0.01168
-0.15606
-0.42237
-0.05351
0.27568
-0.09200
-0.17312
0.29469
0.11324

0.9999
0.9797
0.8565
0.9976
0.9375
0.9929
0.9751
0.9287
0.9893

10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

7325
0
55823
11662
187992
38244
339491
5554
93122
1780
3477
2764
3809
2204
7627
3403
3555
35711
3195
3203
1183
944
4152
600

Berikut ini merupakan nilai

8087
-9960
52980
12786
160964
45591
342405
5947
118457
597
4527
2604
2709
2894
8636
3495
4128
34846
5226
3378
1009
747
4091
-739

dan

-761.9
9959.6
2843.0
-1124.0
27028.0
-7347.1
-2914.2
-393.0
-25335.5
1183.0
-1050.3
160.5
1100.2
-690.4
-1008.7
-91.8
-573.0
865.5
-2030.8
-174.6
174.5
197.3
61.1
1339.2

Iterasi
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.

93766.4
97868.1
99671.0
102097
102919
103189
103277
103305
103314
103317

0.9902
0.0253
0.8676
0.9787
26.9696
0.2942
0.8612
0.9974
19.7300
0.9764
0.9814
0.9996
0.9796
0.9919
0.9828
0.9999
0.9944
0.9873
0.9313
0.9995
0.9995
0.9993
0.9999
0.9698

pada iterasi demi iterasi yang didapat dari software

Minitab 16
Tabel 4.5. Tabel nilai

-0.10853
1.41865
0.40496
-0.16010
3.84989
-1.04653
-0.41510
-0.05598
-3.60880
0.16850
-0.14961
0.02286
0.15672
-0.09834
-0.14369
-0.01307
-0.08162
0.12328
-0.28926
-0.02487
0.02485
0.02811
0.00870
0.19075

dan

(- 90002 ; 2406 ; 4.45)


(-76027 ; 2021 ; 4.44)
(-58936 ; 1433 ; 4.44)
(- 54142 ; 1260 ; 4.44)
(- 52627 ; 1204 ; 4.44)
(- 52136 ; 1185 ; 4.44)
(- 51976 ; 1179 ; 4.44)
(- 51925 ; 1178 ; 4.44)
(- 51908 ; 1177 ; 4.44)
(- 51903 ; 1177 ; 4.44)

11.
12.

103318
103319

(- 51901 ; 1177 ; 4.44)


(- 51901 ; 1177 ; 4.44)

Berdasarkan Tabel 4.5. terlihat bahwa koefisien regresi sudah konvergen di iterasi
ke-12 dengan model

Interpretasi model yaitu sebesar 99.9% produksi jagung di Indonesia pada tahun
2010 dapat diterangkan oleh variabel luas panen dan produktivitas tiap provinsi di
Indonesia, sedangkan 0.1% diterangkan oleh variabel lain. Setiap peningkatan satu hektar
(ha) luas panen maka produksi jagung di Indonesia akan betambah sebesar 4.44 ton,
setiap peningkatan produktivitas sebesar satu kuintal/hektar(1 ku/ha) maka produksi
jagung di Indonesia akan bertambah sebesar 1177 ton.
Untuk mengetahui variabel independen yang berpengaruh dilakukan uji signifikansi
model regresi robust estimasi-S
i.
(Luas panen dan produktivitas tidak berpengaruh signifikan terhadap produksi
jagung di Indonesia tahun 2010)
untuk suatu
(paling tidak terdapat salah satu luas panen atau produktivitas yang berpengaruh
secara signifikan terhadap produksi jagung di Indonesia tahun 2010.
ii. Pilih
iii. Daerah kritis :

ditolak jika

iv. Statistik uji


Berdasarkan output Minitab 16 diperoleh nilai
v. Kesimpulan

Karena

maka

ditolak artinya paling tidak ada salah

satu diantara luas panen atau produktivitas yang berpengaruh secara signifikan terhadap
produksi jagung di Indonesia tahun 2010.
Selanjutnya dilakukan uji parsial untuk mengetahui signifikansi atau pengaruh
masing-masing variabel terhadap model regresi yang dihasilkan.
Tabel 4.6. Hasil uji pada estimasi S
Variabel Independen

P-Value

Kesimpulan

Luas Panen

0.00 < 0.05

Signifikan

Produktivitas

0.014 < 0.05

Signifikan

Berdasarkan Tabel 4.5. dapat disimpulkan bahwa luas panen dan produktivitas ke-33
provinsi di Indonesia berpengaruh secara signifikan terhadap produksi jagung di
Indonesia tahun 2010.
V. KESIMPULAN DAN SARAN
1. Kesimpulan
Berdasarkan hasil analisis, maka dapat disimpulkan bahwa
1.
Hasil estimasi produksi jagung di Indonesia pada tahun 2010 dengan metode
regresi robust estimasi-S diperoleh sebagai berikut
Interpretasi model yaitu sebesar 99.9% produksi jagung di Indonesia pada
tahun 2010 dapat diterangkan oleh variabel luas panen dan produktivitas tiap
provinsi di Indonesia, sedangkan 0.1% diterangkan oleh variabel lain. Setiap
peningkatan sati hektar (ha) luas panen maka produksi jagung di Indonesia akan
betambah sebesar 4.44 ton, setiap peningkatan produktivitas sebesar satu
kuintal/hektar(1 ku/ha) maka produksi jagung di Indonesia akan bertambah
sebesar 1177 ton.
2. Variabel independen yang berpengaruh dalam estimasi produksi jagung di Indonesia
pada tahun 2010 dengan metode robust estimasi-S adalah luas panen dan
produktivitas.

2. Saran
Bagi para pembaca untuk menganalisis data yang lebih valid maka dapat digunakan
metode lain selain estimasi-S yaitu estimasi-MM, estimasi LTS dan estimasi LMS untuk
menyelesaikan masalah yang ada.
VI. DAFTAR PUSTAKA
http:// www.bps.go.id. Tanggal akses 17 Oktober 2012
Artiana, Griya. (2012). Skripsi Estimasi Parameter Regresi Robust Dengan Metode
Estimasi-S pada Penjualan Energi Listrik di Jawa Tengah Tahun 2009.