FAKTOR YANG MEMPENGARUHI PRODUKSI JAGUNG DI INDONESIA TAHUN 2010

MENGGUNAKAN MODEL REGRESI ROBUST ESTIMASI-M

Made Tiara Saskia P

Program Studi Statistika

Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret

Email: tiara.saskia98@student.uns.ac.id

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-M salah satunya untuk
mengatasi asumsi normalitas yang tidak dipenuhi data produksi jagung tahun 2010.
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, luas lahan.

 1. PENDAHULUAN

Indonesia memiliki kekayaan alam yang sangat melimpah sehingga membuat negara
Indonesia menjadi salah satu negara yang memiliki potensi sangat besar dalam sektor
pertanian. Peran sektor pertanian dalam pembangunan Indonesia dapat dilihat dari kotribusi
sektor pertanian tehadap perekonomian nasional. Sektor pertanian terdiri dari subsektor tanam
pangan, holtikultura, kehutanan, perkebunan dan perternakan, diantara keempat subsektor yang
memiliki peran penting subsektor tanaman panganlah yang merupakan salah satu subsektor
yang memiliki peran penting dalam penyediaan bahan pangan utama bagi masyarakat untuk
menunjang kelangsungan hidup. Pertanian tanaman pangan terdiri dari dua kelompok besar
yaitu pertanian padi dan palawija, pengembangan tanaman palawija juga diarahkan untuk
pemantapan ketahanan pangan dan pengetasan kemiskian. Salah satu tanaman palawija yang
banyak dibudidayakan oleh petani di Indonesia adalah tanaman jagung.

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 𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖1 + 𝛽2 𝑋𝑖2 + ⋯ + 𝛽𝑘 𝑋𝑖𝑘 + 𝜀𝑖.

Dengan 𝛽0 , 𝛽1 , … , 𝛽𝑘 adalah parameter-parameter regresi dan 𝜀𝑖 adalah sisaan yang

berdistribusi normal dengan mean nol dan variansi konstan (Sembiring, 2003). Permasalahan
yang muncul dalam analisis regresi adalah menentukan estimator terbaik 𝑌̂𝑖 untuk menentukan
𝛽̂0 , 𝛽̂1 , … , 𝛽̂𝑘 . 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 normal atau adanya beberapa pencilan 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 menggunakan regresi robust estimasi-M. Prinsip dasar dari
estimasi M adalah meminimumkan fungsi dari sisaan. Pada artikel ini akan diterapkan model
regresi dengan estimasi M pada produksi jagung di Indonesia.

2. MODEL REGRESI

Menurut Sembiring (1995: 32) model regresi adalah model yang memberikan
gambaran mengenai hubungan antara variabel bebas dengan variabel terikat. Analisis
regresi adalah salah satu metode statistika yang digunakan untuk menyelidiki atau
membangun model hubungan antara dua variabel atau lebih. Variabel yang nilainya di
tentukan oleh variabel lain disebut variabel tak bebas (dependent variable), sementara
variabel yang nilainya dapat ditentukan atau dapat diamati disebut variabel bebas
(independent variable).
Menurut Draper & Smith (1998: 22) bentuk umum dari regresi linier sederhana
adalah sebagai berikut:
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝜀𝑖 , 𝜀 ~ 𝑁(0, 𝜎 2 )
dengan,
Yi : nilai variabel dependen pada observasi ke-i
Xi : nilai variabel independen pada observasi ke-i
𝛽0 , 𝛽1 : parameter koefisien regresi
𝜀𝑖 : error yang bersifat random

Apabila variabel independen sebanyak p, maka persamaan dapat ditulis sebagai

berikut :
𝑌1 = 𝛽0 + 𝛽1 𝑥11 + 𝛽2 𝑥12 + 𝛽3 𝑥13 + ⋯ + 𝛽𝑝 𝑥1𝑝 + 𝜀1
𝑌2 = 𝛽0 + 𝛽1 𝑥21 + 𝛽2 𝑥22 + 𝛽3 𝑥23 + ⋯ + 𝛽𝑝 𝑥2𝑝 + 𝜀2
𝑌3 = 𝛽0 + 𝛽1 𝑥31 + 𝛽2 𝑥32 + 𝛽3 𝑥33 + ⋯ + 𝛽𝑝 𝑥3𝑝 + 𝜀3
…………………………………………………………………
𝑌𝑛 = 𝛽0 + 𝛽1 𝑥𝑛1 + 𝛽2 𝑥𝑛2 + 𝛽3 𝑥𝑛3 + ⋯ + 𝛽𝑝 𝑥𝑛𝑝 + 𝜀𝑛

3. MODEL REGRESI ROBUST ESTIMASI M

Estimasi M adalah salah satu metode estimasi regresi robust. Menurut Montgomery dan
Peck (2006), estimasi M merupakan estimasi yang meminimumkan suatu fungsi sisaan ρ
𝑚𝑖𝑛 𝑛
𝛽̂𝑀 = ∑ 𝜌(𝑒𝑖 )
𝛽 𝑖=1
𝑛 𝑘
𝑚𝑖𝑛
𝛽̂𝑀 = ∑ 𝜌 (𝑦𝑖 − ∑ 𝑥𝑖𝑗 𝛽𝑗 )
𝛽
𝑖=1 𝑗=0

Fungsi ρ merupakan fungsi representasi pembobot dari residu. Fungsi ini merupakan gabungan
dari MKT dan Least Absolute Value (LAV). Pada estimasi M 𝑏0 , 𝑏1 , … , 𝑏𝑝 adalah penaksir dari
𝛽0 , 𝛽1 , … , 𝛽𝑝 sehingga fungsi minimum 𝜌(𝜀) dapat didefinisikan sebagai
 𝜀2 ; −𝑘 ≤ 𝜀 ≤ 𝑘
𝜌(𝜀) = {
2𝑘|𝜀| − 𝑘 2 ; 𝜀 < −𝑘 𝑜𝑟 𝜀 > 𝑘

dimana 𝑘 = 1.5𝜎̂, 𝜎̂ = 1.483 𝑀𝐴𝐷 (Median of Absolute Deviation)

Untuk mendapatkan nilai estimasi-M, diperlukan suatu algoritma penghitungan. Berikut

diberikan algoritma estimasi-M yang diacu dari Birkes dan Dodge (1993: 93).

1. Dipilih estimasi awal 𝑏0 dari metode kuadrat terkecil lalu dihitung

𝑦̂𝑖 = 𝑏00 + 𝑏10 𝑥𝑖1 + ⋯ + 𝑏𝑝0 𝑥𝑖𝑝
sisa 𝑒𝑖0 = 𝑦𝑖 − 𝑦̂𝑖0 dan 𝜎̂ = 1.483 𝑀𝐴𝐷
2. Dipotong 𝑒𝑖0 agar mendapatkan nilai 𝑒𝑖∗ , yaitu :
1.5𝜎̂ 𝑗𝑖𝑘𝑎 𝑒𝑖0 > 1.5𝜎̂
𝑒𝑖∗ = {
−1.5𝜎̂ 𝑗𝑖𝑘𝑎 𝑒𝑖0 < −1.5𝜎̂

3. Dihitung 𝑦𝑖∗ = 𝑦̂𝑖0 + 𝑒𝑖∗ lalu dari nilai 𝑦𝑖∗ tersebut dicari nilai 𝑏0 menggunakan metode
kuadrat terkecil. Proses iterasi berlanjut sampai diperoleh nilai 𝑏0 yang sama dengan
iterasi sebelumnya.

4. METODE PENELITIAN

Metode penelitian yang digunakan dalam penulisan ini adalah studi kasus, yaitu
melakukan estimasi regresi robust pada model produksi jagung di Indonesia. Data yang
digunakan dalam penelitian ini adalah data sekunder yang diambil dari Badan Pusat Statistik
(BPS) tahun 2010.

Objek penelitian yang akan dijadikan sebagai variabel dependen adalah jumlah produksi
(Ton) menurut provinsi di Indonesia yaitu sebanyak 33 provinsi. Sedangkan variabel
independen yang digunakan dalam penelitian ini ada 2, yaitu 𝑥1 adalah produktivitas (Ku/Ha)
dan 𝑥2 adalah luas panen (Ha). Tahap-tahap analisis pada penelitian ini adalah.

1. Mengambil data untuk variabel dependen dan variabel independen di BPS

2. Mengestimasi parameter regresi dengan MKT.
3. Menguji asumsi klasik.
4. Mendeteksi pencilan.
5. Mengestimasi parameter regresi robust dengan estimasi M
6. Melakukan uji signifikansi parameter.
7. Membuat kesimpulan
 5. HASIL DAN PEMBAHASAN

Metode Kuadrat Terkecil.

Model regresi linier dengan metode kuadrat terkecil untuk jumlah penduduk di Jawa Tengah
adalah

𝑦̂ = − 171557 + 4779 𝑋1 + 4.45 𝑋2

dengan

𝑌̂𝑖 : Produksi jagung provinsi di Indonesia tahun 2010 (Ton)

𝑋1 : Produktivitas (Ku/Ha)
𝑋2 : Luas Panen (Ha)
Hasil di atas merupakan output dari Software Minitab 18
Uji Asumsi Klasik.

Pengujian asumsi klasik berkaitan dengan kebaikan model regresi. Pengujian asumsi
klasik yang digunakan yaitu uji normalitas, uji homoskedastisitas, uji non autokorelasi, dan uji
multikolinieritas.

(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
99
Mean -9.03983E-11
StDev 93766
95 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

i. 𝐻0 : sisaan berdistribusi normal

𝐻1 : sisaan tidak berdistribusi normal
ii. Pilih 𝛼 = 0.05
iii. Daerah kritis : 𝐻0 ditolak jika p-value < 𝛼 = 0.05
iv. Statistik uji
 Berdasarkan output software Minitab 18, diperoleh hasil output pada gambar
dengan 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 0.005
v. Kesimpulan
Berdasarkan hasil regresi dapat dilihat p-value < 0.05 maka 𝐻0 ditolak artinya
sisaan tidak berdistribusi normal.
(2) Uji Homoskedastisitas

Plot kesamaan variansi untuk data sisaan pada model produksi jagung di indonesia
tahun 2010
Versus Fits
(response is y)
30000

20000

10000
Residual

-10000

-20000

-30000
0 50000 100000 150000 200000 250000 300000 350000
Fitted Value

Pada gambar tampak bahwa variansi sisaan dari satu pengamatan ke pengamatan lain
berpola acak yang mengindikasikan nahwa variansi sisaan konstan sehingga dapat
diindikasikan asumsi homoskedastisitas dipenuhi.

(3) Uji Non Autokorelasi

Uji Durbin-Watson (Uji DW)

i. 𝐻0 : 𝜌 = 0, artinya tidak ada autokorelasi

𝐻1 : 𝜌 ≠ 0, artinya ada autokorelasi
ii. Pilih 𝛼 = 0.05
iii. Daerah kritis
Pada 𝑘 = 2 dan 𝑛 = 33 serta 𝛼 = 0.05 diperoleh nilai 𝑑𝑙 = 1.32 dan 𝑑𝑢 = 1.58
sehingga (4 − 𝑑1 ) = 2.68 dan (4 − 𝑑𝑢 ) = 2.42
𝐻0 ditolak jika 𝑑ℎ𝑖𝑡𝑢𝑛𝑔 ≤ 1.58 𝑎𝑡𝑎𝑢 𝑑ℎ𝑖𝑡𝑢𝑛𝑔 ≥ 2.42
iv. Statistik uji
Dari perhitungan dengan bantuan software Minitab 16 diperoleh 𝑑ℎ𝑖𝑡𝑢𝑛𝑔 = 1.65868
v. Kesimpulan
Berdasarkan hasil regresi dapat diperoleh bahwa 𝑑ℎ𝑖𝑡𝑢𝑛𝑔 > 1.58 maka 𝐻0 tidak
ditolak artinya asumsi non autokorelasi pada model; produksi jagung Indonesia tahun
2010 dapat dipenuhi
(4) Uji Non Multikolinieritas

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.

Variabel Independen VIF Keterangan

𝑋1 (Produktivitas) 1.173 < 10 Tidak terdapat multikolinearitas
𝑋2 (Luas Panen) 1.173 < 10 Tidak terdapat multikolinearitas

Berdasarkan hasil output pada tabel dapat dilihat bahwa nilai VIF untuk semua
variabel independen, baik variabel produktivitas (𝑋1 ) maupun Luas panen (𝑋2 ) adalah
lebih kecil dari 10, sehingga dapat disimpulkan bahwa asumsi non multikolinearitas
dipenuhi.

Pencilan

Berdasarkan statistik uji untuk mengetahui pencilan terhadap Y yaitu TRES dengan
menarik kesimpulan menolak 𝐻0 apabila nilai 𝑇𝑅𝐸𝑆 > 𝑡𝑡𝑎𝑏𝑒𝑙 = 2.048 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 𝐻0 apabila nilai ℎ𝑖𝑖 > 2𝑘/𝑛 = 0.2424
maka diperoleh kesimpulan bahwa terdapat pencilan data ke-16
No 𝑇𝑅𝐸𝑆𝑆 ℎ𝑖𝑖
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
 ... ... ...
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

Model Regresi Robust Estimasi M

Proses perhitungan model regresi robust estimasi M yang telah dilakukan menghasilkan
nilai estimasi baru setelah melewati proses iterasi. Proses iterasi konvergen pada iterasi ke 24
dengan hasil persamaannya

𝑦̂ = 23484 − 647 𝑥1 + 0.22330 𝑥2

dengan interpretasi setiap kenaikan satu variabel produktivitas (𝑥1 ) maka akan mengurangi
sebesar 647 jumlah produksi, setiap kenaikan satu variabel luas panen (𝑥2 ) akan menambah
sebesar 0.22330 jumlah produksi.

Uji Signifikansi Model Regresi Linear

Untuk mengetahui variabel independen yang berpengaruh dilakukan uji signifikansi model
regresi robust estimasi-M. Ada tiga kemungkinan model terreduksi pada model regresi linear
dengan dua variabel bebas, yaitu

𝑌𝑖 = 𝛽0 + 𝜀𝑖 (1)

𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖1 𝜀𝑖 (2)

𝑌𝑖 = 𝛽0 + 𝛽2 𝑋𝑖2 𝜀𝑖 (3)
𝑏0
Iterasi ke
𝑌𝑖 = 𝛽0 + 𝜀𝑖 𝑌𝑖 = 𝛽0 + 𝛽1𝑋𝑖1 𝜀𝑖 𝑌𝑖 = 𝛽0 + 𝛽2 𝑋𝑖2 𝜀𝑖
1 (125202) (-161262 ; 8047.76) (3836.34 ; 0.218527)
2 (116916) (-162069 ; 7892.54) (3221.52 ; 0.218531)
3 (114908) (-161954 ; 7841.57) (3206.75 ; 0.218458)
4 (114421) (-161796 ; 7824.34) (3219.36 ; 0.218406)
5 (114421) (-161704 ; 7818.37) (3228.86 ; 0.218372)
6 (114421) (-161654 ; 7816.11) (3235.13 ; 0.218350)
7 (-161645 ; 7815.56) (3239.21 ; 0.218336)
8 (-161640 ; 7815.35) (3241.87 ; 0.218327)
9 (-161639 ; 7815.28) (3243.60 ; 0.218320)
10 (-161638 ; 7815.26) (3244.73 ; 0.218316)
 11 (-161638 ; 7815.26) (3245.46 ; 0.218314)
12 (-161638 ; 7815.26) (3245.94 ; 0.218312)
13 (3246.25 ; 0.218311)
14 (3246.45 ; 0.218310)
15 (3246.59 ; 0.218310)
16 (3246.67 ; 0.218310)
17 (3246.73 ; 0.218309)
18 (3246.77 ; 0.218309)
19 (3246.79 ; 0.218309)
20 (3246.80 ; 0.218309)
21 (3246.82 ; 0.218309)
22 (3246.82 ; 0.218309)
23 (3246.83 ; 0.218309)
24 (3246.83 ; 0.218309)
25 (3246.83 ; 0.218309)

Sebelum dilakukan uji hipotesis untuk masing-masing model terreduksi, dihitung nila
STRfull, langkah pertama yang dilakukan adalah mencari sisa ei dari model regresi. Diperoleh
nilai MAD = 7590.56sehingga k = 16885.2. semua sisa berada pada interval 1.5𝜎̂ ≤ 𝑒𝑖 ≤ 1.5𝜎̂
dan diperoleh nilai 𝜌(𝑒𝑖 ) = 𝑒𝑖2 . Hasil penjumlahan 𝜌(𝑒𝑖 ) adalah STRfull= 3151739775. Untuk
mendapatkan nilai 𝜆̂ sebelumnya dihitung ∑(𝑒𝑖∗ )2= 2011299859 dan diperoleh

𝑛 33
( ) ∑(𝑒𝑖∗ )2 ( )2011299859
𝜆̂ = 𝑚
= 29
= 7892397.56
𝑛−𝑝−1 33−3−1

1. Uji Hipotesis untuk model tereduksi (1)

𝐻0 : 𝛽𝑝 = 0, ∀𝑗 𝑗 = 1,2 (Produktivitas dan Luas panen tidak berpengaruh signifikan
terhadap jumlah produksi jagung)
𝐻1 : 𝛽𝑝 ≠ 0, ∀𝑗 𝑗 = 1,2 (Produktivitas dan Luas panen berpengaruh signifikan
terhadap jumlah produksi jagung)
Daerah kritis :
𝐻0 ditolak jika 𝐹𝑀 > 𝐹(0,05;2,30) = 3.32
Statistik uji
𝑆𝑇𝑅𝑟𝑒𝑑𝑢𝑐𝑒𝑑 − 𝑆𝑇𝑅𝑓𝑢𝑙𝑙 3364820543 − 3151739775
𝐹𝑀 = = = 13.49911522
(𝑝 − 𝑞)𝜆 (2 − 0)7892397.56
Kesimpulan
Karena 𝐹𝑀 = 13.49911522 > 𝐹(0,05;1,29) = 3.32 maka 𝐻0 ditolak yang
berarti produktivitas dan luas panen berpengaruh signifikan terhadap jumlah
produksi jagung.
 2. Uji hipotesis untuk model tereduksi (2)

𝐻0 : 𝛽1 = 0 (Produktivitas tidak berpengaruh signifikan terhadap jumlah produksi

jagung)

𝐻1 : ∃𝛽1 ≠ 0 (Produktivitas berpengaruh signifikan terhadap jumlah produksi

jagung)

Statistik ujinya

𝑆𝑇𝑅𝑟𝑒𝑑𝑢𝑐𝑒𝑑 − 𝑆𝑇𝑅𝑓𝑢𝑙𝑙 3727165656− 3151739775

𝐹𝑀 = = = 72.90888182
(𝑝−𝑞)𝜆 (2−1)7892397.56

Daerah kritis :

𝐻0 ditolak jika 𝐹𝑀 > 𝐹(0,05;1,30) = 4.17

Kesimpulan :

Karena 𝐹𝑀 = 72.90888182 > 𝐹(0,05;1,30) = 4.17 maka 𝐻0 ditolak yang

berarti Produktivitas berpengaruh signifikan terhadap jumlah produksi jagung)

3. Uji hipotesis untuk model tereduksi (3)

𝐻0 : 𝛽2 = 0 (Luas panen tidak berpengaruh signifikan terhadap jumlah produksi)

𝐻1 : ∃𝛽2 ≠ 0 (Luas panen berpengaruh signifikan terhadap jumlah produksi)

Statistik ujinya :

𝑆𝑇𝑅𝑟𝑒𝑑𝑢𝑐𝑒𝑑 − 𝑆𝑇𝑅𝑓𝑢𝑙𝑙 2698813604 − 3151739775

𝐹𝑀 = =
(𝑝 − 𝑞)𝜆 (2 − 1)7892397.56
= −57,387652809

Daerah kritis :

𝐻0 ditolak jika 𝐹𝑀 > 𝐹(0,05;1,30) = 4.17

Karena` 𝐹𝑀 = −57,387652809 < 𝐹(0,05;1,30) = 4.17, maka 𝐻0 tidak ditolak

yang berarti luas panen tidak berpengaruh signifikan terhadap jumlah produksi.

Nilai R-sq pada model sebesar 99,84% yang berarti variansi populasi dapat
dijelaskan oleh model sebesar 99,84 %.
 S R-sq R-sq(adj) R-sq(pred)

10249.8 99.84% 99.83% 99.69%

6. KESIMPULAN

Berdasarkan hasil pembahasan didapatkan faktor yang berpengaruh secara signifikan

terhadap jumlah produksi di Indonesia menggunakan regresi robust estimasi-M adalah
produktivitas dan luas panen.

𝑦̂ = − 171557 + 4779 𝑋1 + 4.45 𝑋2

dengan interpretasi setiap kenaikan satu variabel produktivitas (𝑥1 ) maka akan mengurangi
sebesar 647 jumlah produksi, setiap kenaikan satu variabel luas panen (𝑥2 ) akan menambah
sebesar 0.22330 jumlah produksi.

DAFTAR PUSTAKA

Badan Pusat Statistik.

Birkes, D. & Dodge, Y., 1993. Alternative Methods of Regression, John Wiley & Sons Inc.,
New York.

Chen, C. 2002. Robust Regression and Outlier Detection with the ROBUSTREG Procedure,
Statistics and Data Analysis, SAS Institute Inc., Cary, NC. 265-271.

Montgomery, D.C. & Peck, 2006. E.A., Intro- duction to Linear Regression Analysis, John
Wiley & Sons Inc., New York.