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 adalah fungsi distribusi frekuensi kumulatifrelatif dari distribusi

teoritis dibawah . adalah distribusi frekuensi kumulatif pengamatan

sebanyak sampel. adalah sisaan berdistribusi normal. Selanjutnya nilai D ini

dibandingkan dengan nilai D kritis dengan signifikansi (tabel Kolmogorov-

Smirnov). Apabila nilai atau , maka asumsi kenormalan

tidak dipenuhi.
 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 adalah nol dan

, signifikan dari 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 Durbin-

Watson. 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 adalah

koefisien determinasi yang dihasilkan dari regresi variabel independen dengan

variabel independen lain . 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 dari penamatan

menunjukan besarnya peranan terhadap 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 berada diantara 0 dan 1

dengan k=p+1. Jika lebih besar dari dengan

Maka pengamatan ke-i dikatakan pencilan terhadap X.

3. Estimasi-S
 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 yang minimum dan

memenuhi (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 yaitu

Dengan 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 dan pembobot yang baru

f. 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

Luas Produktivitas(
No Provinsi Produksi(Ton)
Panen(Ha) Ku/Ha)
1 Nanggroe Aceh
167090 38.07 43885
Darussalam
2 1377718 50.13 274822
Sumatera utara
3 354262 59.24 59801
Sumatera barat
4 Riau 41862 23.2 18044
5 Kepulauan Riau 961 21.17 454
6 30691 37.07 8280
Jambi
7 Sumatera Selatan 125796 37.25 33769
8 Kepulauan Bangka
1055 30.94 341
Belitung
9 74331 36.23 20516
Bengkulu
10 2126571 47.52 447509
Lampung
11 DKI Jakarta 31 20.67 15
12 Jawa Barat 923962 60.08 153778
13 28557 32.84 8697
Banten
14 3058710 48.41 631816
Jawa Tengah
15 daerah Istimewa 345576 39.8 86837
 Yogyakarta
16 Jawa Timur 5587318 44.42 1257721
17 Bali 66355 24.85 26706
Nusa Tenggara
18 249005 40.43 61593
Barat
19 Nusa Tenggara 653620 26.72 244583
Timur
20 168273 37.38 45014
Kalimantan Barat
21 9345 28.78 3247
Kalimantan Tengah
22 116449 51.56 22584
Kalimantan Selatan
23 11993 25.56 4693
Kalimantan Timur
24 446144 36.59 121930
Sulawesi Utara
25 679167 47.22 143833
Gorontalo
26 162306 37.97 42747
Sulawesi Tengah
27 1343044 44.27 303375
Sulawesi Selatan
28 Sulawesi Barat 58020 43.6 13308
29 74840 25.28 29607
Sulawesi Tenggara
30 Maluku 15273 24.27 6293
31 20546 19 10813
Maluku Utara
32 6834 17.51 3903
Papua
33 Papua Barat 1931 16.62 1162
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
 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 -9.03983E-11
StDev 93766
Gambar
95 4.1 terlihat bahwa pola penyebaran sisaan mengikuti garis lurus, ini N 33
AD 1.363
90
P-Value <0.005
80
70
Percent

60
50
40
30
20

10
5

1
-400000 -300000 -200000 -100000 0 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 : ditolak jika p-value <

iv. 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

10000
Residual

-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
diindikasikan
0 asumsi
50000 homoskedastisitas dipenuhi.
100000 150000 200000 Dari300000
250000 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 Durbin-
Watson.
Uji Durbin-Watson (Uji DW)

i. , artinya tidak ada autokorelasi

, artinya ada autokorelasi

ii. Pilih
iii. Daerah kritis
Pada dan serta diperoleh nilai dan

sehingga 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 -0.39927 0.037748
2 0.93861 0.077901
3 -0.26327 0.193402
4 0.23421 0.064494
5 0.73928 0.076610
6 -0.12176 0.040633
7 -0.31988 0.037425
8 0.24086 0.039656
9 -0.19164 0.037549
10 0.87207 0.092328
11 0.77780 0.079843
12 1.44533 0.180429
13 0.04640 0.037273
14 2.27775 0.163457
15 -0.61739 0.037328
16 -0.90813 0.716534
17 0.00393 0.056058
18 -0.48516 0.041738
19 -6.35126 0.069429
 20 -0.40461 0.036318
21 0.30059 0.043303
22 -0.64095 0.118668
23 0.42420 0.053630
24 -1.04448 0.030598
25 -0.15356 0.063677
26 -0.39138 0.037680
27 -0.48415 0.054003
28 -0.39949 0.063002
29 -0.06363 0.054053
30 0.45010 0.059276
31 0.56999 0.091749
32 0.83933 0.103368
33 0.97253 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 dan dan pada estimasi-S

No
1 53347 53265 82.0 0.01168 0.9999
2 9439 10535 -1095.6 -0.15606 0.9797
3 1834 4799 -2965.2 -0.42237 0.8565
4 5830 6206 -375.7 -0.05351 0.9976
5 6 -1929 1935.4 0.27568 0.9375
6 5320 5966 -645.9 -0.09200 0.9929
7 11664 12879 -1215.4 -0.17312 0.9751
8 52 -2017 2068.9 0.29469 0.9287
9 2719 1924 795.0 0.11324 0.9893
 10 7325 8087 -761.9 -0.10853 0.9902
11 0 -9960 9959.6 1.41865 0.0253
12 55823 52980 2843.0 0.40496 0.8676
13 11662 12786 -1124.0 -0.16010 0.9787
14 187992 160964 27028.0 3.84989 26.9696
15 38244 45591 -7347.1 -1.04653 0.2942
16 339491 342405 -2914.2 -0.41510 0.8612
17 5554 5947 -393.0 -0.05598 0.9974
18 93122 118457 -25335.5 -3.60880 19.7300
19 1780 597 1183.0 0.16850 0.9764
20 3477 4527 -1050.3 -0.14961 0.9814
21 2764 2604 160.5 0.02286 0.9996
22 3809 2709 1100.2 0.15672 0.9796
23 2204 2894 -690.4 -0.09834 0.9919
24 7627 8636 -1008.7 -0.14369 0.9828
25 3403 3495 -91.8 -0.01307 0.9999
26 3555 4128 -573.0 -0.08162 0.9944
27 35711 34846 865.5 0.12328 0.9873
28 3195 5226 -2030.8 -0.28926 0.9313
29 3203 3378 -174.6 -0.02487 0.9995
30 1183 1009 174.5 0.02485 0.9995
31 944 747 197.3 0.02811 0.9993
32 4152 4091 61.1 0.00870 0.9999
33 600 -739 1339.2 0.19075 0.9698

Berikut ini merupakan nilai dan pada iterasi demi iterasi yang didapat dari software

Minitab 16

Tabel 4.5. Tabel nilai dan

Iterasi
1. 93766.4 (- 90002 ; 2406 ; 4.45)
2. 97868.1 (-76027 ; 2021 ; 4.44)
3. 99671.0 (-58936 ; 1433 ; 4.44)
4. 102097 (- 54142 ; 1260 ; 4.44)
5. 102919 (- 52627 ; 1204 ; 4.44)
6. 103189 (- 52136 ; 1185 ; 4.44)
7. 103277 (- 51976 ; 1179 ; 4.44)
8. 103305 (- 51925 ; 1178 ; 4.44)
9. 103314 (- 51908 ; 1177 ; 4.44)
10. 103317 (- 51903 ; 1177 ; 4.44)
 11. 103318 (- 51901 ; 1177 ; 4.44)
12. 103319 (- 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.