PEMODELANSTATISTIKA DR HannaAriniParhusip
PEMODELANSTATISTIKA DR HannaAriniParhusip
https://www.researchgate.net/publication/275654895
CITATIONS READS
0 851
1 author:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Hanna Arini Parhusip on 01 May 2015.
PEMODELAN STATISTIKA
(Dari Data ke Model dan Analisanya untuk Data Pertanian)
Dr. Hanna Arini Parhusip
Abstrak
Pada makalah ini ditunjukkan bagaimana melakukan pemodelan dengan statistika dimulai
dari data khususnya pada bidang pertanian. Pemodelan yang dimaksud khususnya dengan regresi
linear. Secara sederhana regresi linear dijelaskan untuk regresi klasik dan data time series
(autoregresi) dan regresi dalam GSTAR (Generalized Space Time Autoregressive). GSTAR sendiri
dibedakan menjadi 2 yaitu GSTAR standar (hanya autoregresi dan memperhatikan lokasi) dan
GSTAR termodifikasi yaitu GSTAR yang menggabungkan regresi klasik dan GSTAR klasik.
Beberapa contoh juga ditunjukkan agar dapat membantu pembaca dalam melakukan
pemodelan dengan statistika khususnya regresi. Data yang digunakan khususnya data iklim dan
pertanian Boyolali pada tahun 2009-2013.
1. LATAR BELAKANG
Pada kehidupan sehari-hari yang kita jumpai seringkali merupakan data atau tabel dimana
kita harus menterjemahkan data tersebut secara kualitatif dan mengambil keputusan berdasarkan data
yang diperoleh. Untuk itu maka diperlukan penyusunan data dalam bentuk yang lebih kontinu dan
obyektif sehingga jika diperoleh data baru yang berada pada sekitar data yang ada tetapi data baru
bukan sebagai data observasi maka kita dapat menginterpretasikan data baru berdasarkan data yang
lama. Untuk itulah maka kita perlu menyatakan data observasi dalam bentuk model. Jika model yang
dipilih lebih diinterpretasikan secara statistik, maka teknik-teknik dan tata bahasa statistika (dimana
variabel sebagai variabel random. Sebaliknya jika data yang diobservasi sebagai data deterministik,
maka kita lebih banyak menggunakan kosa kata matematika . Pada bagian ini kita akan
menggabungkan keduanya.
Pada tulisan ini beberapa contoh kasus khususnya tentang pertanian akan disajikan di sini.
Pemodelan Statistika pada bagian ini hanya dibatasi pada untuk regresi khususnya regresi multivariat.
Esensi regresi adalah menyatakan variabel dependent (biasa disebut variabel respon) sebagai fungsi
variabel independent (biasa disebut variabel prediktor).
Sebelum melakukan pemodelan, maka perlu pula diketahui bagaimana data dalam bentuk tak
berdimensi agar kita dapat menginterpretasikan dengan mudah karena bebas dimensi. Beberapa
transformasi dapat digunakan (logaritma, membagi data dengan maksimum data, atau membagi data
dengan rata-rata data untuk tiap variabel). Pada diskusi berikut ini data telah tak berdimensi.
Selain itu, data seringkali merupakan data time series. Beberapa teknik memerlukan agar data
distationerkan terhadap mean dan variansinya. Beberapa teknik klasik untuk itu tidak dibicarakan
disini, sehingga diasumsikan data sudah stationer.
1
PEMODELAN STATISTIKA-Dr. Hanna Arini Parhusip
disajikan pada kegiatan Training of Trainer Field School of Traditional Climate Forecasting
with Local Wisdom Pranatamangsa based Pranatamangsa 21
Software for Effective Pattern Planting and Pest Early Detection , 11 April 2015
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
Pada regresi linear sederhana berarti bahwa model hanya menjelaskan hubungan 1 variabel tak
bebas(variabel respon) terhadap 1 variabel bebas (juga disebut variabel prediktor) dimana setiap
pasangan memenuhi
yi 0 1 xi i . i=1,…,n (1)
0 , 1 dicari berdasarkan data. Secara geometri, jika ada 2 titik maka kita dapat mengilustrasikan
garis lurus melalui kedua titik itu dengan 0 disebut intercept sedangkan 1 sebagai gradient. Karena
banyaknya data n (lebih dari 2 titik) maka perlu dicari yang terbaik sehingga kita masih dapat
membuat garis yang dianggap mengilustrasikan hubungan linear antara tiap pasangan data xi , yi ,
i=1,...,n.Untuk mendapatkan parameter terbaik digunakan ‘goodness of fit’ yaitu meminimalkan
deviasi kuadrat antara data yang diobservasi dengan model, yaitu
y - y i,model .
2
deviasi = i,data (2)
Ada berbagai selisih/deviasi karena hal ini. Misal dengan SS T (total sum square) adalah jumlah total
antara selisih data observasi (Y) dengan rata-rata dari hasil model. Sekalipun nantinya parameter
sudah diperoleh terbaik yaitu 0 , 1 telah diperoleh sehingga
y model,i 0 1 xi
maka selisih antara yi,data dan yi,model tidak bisa selalu 0. Oleh karena itu selisih ini disebut residual
sum square yang disimbolkan SS R . Selain itu dapat pula dipelajari selisih antara nilai rata-rata data
observasi (Y) dengan garis regresi. Jumlah kuadrat selisih ini dikenal dengan model sum squares( SS M
).
Catatan : Ingat, kita dapat menggambarkan hubungan xi , yi sebelum menetapkan persamaan (1)
sebagai model yang kita pilih. Jika data xi , yi tidak berpola linear, maka kita perlu memilih model
yang lain dan kemungkinan besar tak linear.
Misalkan kita mempunyai variabel tak bebas Y [ y1 ,..., yn ] dan p variabel bebas dengan
T
mengasumsikan bahwa data disimpan dalam sebuah matriks random X dimana elemen baris
menyatakan n observasi X= [X1 ...Xp ] dan banyaknya kolom menyatakan p variabel X1 , . . . , Xp.
Perhatikan bahwa setiap vektor Xj mempunyai n observasi yang ditulis sebagai vektor kolom sehingga
jika matriks X ditulis perkomponennya sebagai adalah
x11 x12 x1 p
x x 22 x 2 p
X
21
.
x n1 xn 2 x np
X1 X2 Xp
Model regresi linear dengan variabel tak bebas tunggal Y dalam bentuk
y 0 1 X 1 2 X 2 ... p X p . (3)
Dengan observasi sebanyak n maka tiap observasi ke-i memenuhi model (3) yaitu
2
PEMODELAN STATISTIKA-Dr. Hanna Arini Parhusip
disajikan pada kegiatan Training of Trainer Field School of Traditional Climate Forecasting
with Local Wisdom Pranatamangsa based Pranatamangsa 21
Software for Effective Pattern Planting and Pest Early Detection , 11 April 2015
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
Oleh karena itu turunan pertama R terhadap masing-masing variabel (yaitu 0 , 1 ,... p ditulis
sebagai vektor (ingat kalkulus pebuah banyak) yang harus sama dengan 0 yaitu
R R
T
R ,..., = y y 2 y Z Z Z = 2Z T y 2Z T Z 0 .
p
0
Diperoleh 2Z y 2Z Z 0 atau Z y Z Z . Jadi untuk mendapatkan kita harus
T T T T
menyelesaikan Z y Z Z yaitu
T T
Z T Z Z T y .
1
(7)
Paragraf ini lebih matematis. Menurut aljabar linear tidak selamanya invers matriks ada.
dapat diperoleh jika Z T Z ada. Perlu diketahui pula bahwa
1
Untuk itu perlu disyaratkan bahwa
hasil yang diperoleh pada persamaan (7) menjamin peminimum R asalkan matriks Z T Z positive
3
PEMODELAN STATISTIKA-Dr. Hanna Arini Parhusip
disajikan pada kegiatan Training of Trainer Field School of Traditional Climate Forecasting
with Local Wisdom Pranatamangsa based Pranatamangsa 21
Software for Effective Pattern Planting and Pest Early Detection , 11 April 2015
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
definite (nilai eigen semua positif). Ekspresi Z T Z diperoleh dari (R) R = Z T Z yang
merupakan matriks Hessian R.
Ternyata pemilihan variabel yang dapat dilibatkan dalam model menjadi diskusi berbagai
peneliti. Salah satunya pada literatur (Kutner, dkk. 2008.) Ada berbagai metode yang digunakan dalam
literatur tersebut tetapi tetap mensyaratkan n > p.
4
PEMODELAN STATISTIKA-Dr. Hanna Arini Parhusip
disajikan pada kegiatan Training of Trainer Field School of Traditional Climate Forecasting
with Local Wisdom Pranatamangsa based Pranatamangsa 21
Software for Effective Pattern Planting and Pest Early Detection , 11 April 2015
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
pendekatan ini tidak selalu tepat. Pada Bab ini penulis menunjukkan beberapa contoh modifikasi
untuk data yang sama yang digunakan pada Bab 3 atau diambil dari Parhusip dan Edi (2014).
5
PEMODELAN STATISTIKA-Dr. Hanna Arini Parhusip
disajikan pada kegiatan Training of Trainer Field School of Traditional Climate Forecasting
with Local Wisdom Pranatamangsa based Pranatamangsa 21
Software for Effective Pattern Planting and Pest Early Detection , 11 April 2015
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
ditulis
Ynx1 Z ( n x ( 21)) (( 21) x1) nx1
(ii)
Matriks Z ( n x ( 21)) pada kolom pertama adalah 1 dan kolom ke-2 dan ke-3 adalah vektor-vektor𝑥1 ,𝑥 2.
Parameter regresi yaitu vektor (( 21) x1) = 𝛽0 𝛽1 𝛽2 𝑇 diperoleh dengan least square yaitu
meminimumkan
2
R yi 0 j xij .
n 2
i 1 j 1
Dengan mengikuti prosedur pada persamaan Bab 2 dapat diperoleh
A1 Z T y ; A (Z T Z ) (iii)
dan
1 𝑥11 𝑥12
𝑥 21 𝑥 22
𝑍= 1 ⋮ ⋮
⋮
1 𝑥𝑛1 𝑥𝑛2
Kita dapat menggembangkan ide regresi dengan melakukan autoregresi (regresi terhadap dirinya
sendiri dimana data merupakan data yang tergantung waktu). Ide ini diperkenalkan agar pembaca
dapat memahami ide GSTAR (Generalized Spasial Time Autoregressive Regression: regresi yang
datanya tergantung pada waktu dan lokasi) yang akan dibicarakan lebih lanjut.
Kasus 2 : Autoregresi
Diasumsikan model autoregresi dari data curah hujan sebagai variabel tak bebas pada saat t
𝑌𝑡 = 𝛼0 + 𝛼1 𝑌(𝑡−1) + 𝛼2 𝑋(𝑡−1) + 𝛼2 𝑋𝑡 + 𝜀 (iv)
Dapat ditulis
Y( n1) x1 W(( n1) x (31)) (( 31) x1) ( n1) x1 (v)
Untuk mencari estimasi parameter 𝛼 adalah𝑌 = 𝑊 𝛼dengan mengalikan ruas kiri dan ruas kanan
dengan 𝑊 𝑇 maka diperoleh
𝑊𝑇 𝑌 = 𝑊𝑇 𝑊 𝛼
Sehingga dapat diperoleh parameter 𝛼 yaitu
𝛼 = 𝑊 𝑇 𝑊 −1 𝑊 𝑇 𝑌 (vi)
𝛼 = 𝐴 −1 𝑊𝑇 𝑌 (vii)
dengan
𝐴 = 𝑊𝑇 𝑊
1 𝑦1 𝑥1 𝑥 2
1 𝑦2 𝑥2 𝑥3
𝑊=
⋮ ⋮ ⋮ ⋮
1 𝑦𝑛−1 𝑥 𝑛 𝑥𝑛−1
Akan dibuktikan bahwa pada persamaan (vii) dan 𝛼 pada persamaan (vii)ada dan terbaik yaitu
dengan:
1. Matriks A pada kedua persamaan dikatakaninvertible jika determinan dari matriks A tersebut
≠0. A invertibel artinya penyelesaian dari matriks A tunggal (Peressini, dkk 1998).
2. Error/residu merupakan jarak/beda antara data aktual dengan data pendekatan (dari model
hasil fungsi tujuan) yaitu
𝑆𝑝𝑒𝑛𝑑𝑒𝑘𝑎𝑡𝑎𝑛 −𝑆𝑑𝑎𝑡𝑎
E= . 100%
𝑆𝑑𝑎𝑡𝑎
6
PEMODELAN STATISTIKA-Dr. Hanna Arini Parhusip
disajikan pada kegiatan Training of Trainer Field School of Traditional Climate Forecasting
with Local Wisdom Pranatamangsa based Pranatamangsa 21
Software for Effective Pattern Planting and Pest Early Detection , 11 April 2015
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
3. Jika 𝐴 −1 adalah invers A yang eksak maka secara komputasi ditulis (𝐴 + 𝐸) −1, dimana E
matriks error komponen-komponennya merupakan bilangan yang cukup kecil sehingga A+E
invertible. Kemudian errornya adalah (Horn dan Johnson,1985)
𝐴 −1 − 𝐴 + 𝐸 −1 = 𝐴 −1 − (𝐼 + 𝐴 −1𝐸) −1 𝐴−1
Akan dicari 𝐴 − (𝐼 + 𝐴 −1 𝐸) −1 𝐴−1 maka perlu menyatakan bentuk (𝐼 + 𝐴 −1 𝐸)−1 dalam
−1
bentuk lain.
Analog dengan deret (1 + 𝑥) −1akan diperoleh
(𝐼 + 𝐴 −1 𝐸)−1 = 𝐴 −1 − ∞ 𝑘=0 −1
𝑘+1 (𝐴 −1 𝐸) 𝑘 𝐴−1 ,
∞ 𝑘+1
= 𝑘=1 −1 (𝐴 𝐸) 𝑘 𝐴−1, jika 𝜌 𝐴 −1 𝐸 < 1
−1
Kasus 3.
7
PEMODELAN STATISTIKA-Dr. Hanna Arini Parhusip
disajikan pada kegiatan Training of Trainer Field School of Traditional Climate Forecasting
with Local Wisdom Pranatamangsa based Pranatamangsa 21
Software for Effective Pattern Planting and Pest Early Detection , 11 April 2015
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
Tabel.2 Rata-rata suhu udara, curah hujan, dan kelembaban udara tiap bulan ditahun 2000-2009
Kelembaban
No Bulan Curah hujan Suhu udara
udara
1 Januari 12.94 26.77 81.85
2 Februari 14.54 26.49 83.08
3 M aret 11.67 27.20 80.11
4 April 9.19 52.54 78.06
5 M ei 5.14 28.04 75.28
6 Juni 2.79 27.62 72.32
7 Juli 1.33 27.47 67.35
8 Agustus 0.17 27.53 66.57
9 September 1.28 28.55 59.92
10 Oktober 6.11 28.63 70.56
11 November 11.82 28.30 77.03
12 Desember 11.19 27.34 80.69
Kasus .4
Variabel yang digunakan
𝑌𝑡 : Rata-rata curah hujan tahun 2000-2009 pada saat t
𝑋𝑡 : Rata-rata kelembaban udara tahun 2000-2009 pada saat t
dengan t = 2,3,4…12
Pada kasus ini akan dibahas apakah ada hubungan linier variabel 𝑌𝑡−1 (curah hujan pada saat t-1),𝑋𝑡
dan 𝑋𝑡−1(kelembaban udara pada saat t dan t-1)terhadap variable 𝑌𝑡 (curah hujan pada saat t)
Tabel 3. Rata-rata curah hujan dan kelembaban udara (Parhusip, dkk,2014)
t Bulan 𝑌𝑡 𝑋𝑡
1 Januari 12.94 81.85
2 Februari 14.54 83.08
3 M aret 11.67 80.11
4 April 9.19 78.06
5 M ei 5.14 75.28
6 Juni 2.79 72.32
7 Juli 1.33 67.35
8 Agustus 0.17 66.57
9 September 1.28 59.92
10 Oktober 6.11 70.56
11 November 11.82 77.03
12 Desember 11.19 80.69
Tabel. 4 Data curah hujan dan kelembaban udara tiap bulan (lanjutan ,sesuai dengan nama variabel) (Parhusip, dkk,2014)
𝑌𝑡 𝑌𝑡−1 𝑋𝑡 𝑋𝑡−1
8
PEMODELAN STATISTIKA-Dr. Hanna Arini Parhusip
disajikan pada kegiatan Training of Trainer Field School of Traditional Climate Forecasting
with Local Wisdom Pranatamangsa based Pranatamangsa 21
Software for Effective Pattern Planting and Pest Early Detection , 11 April 2015
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
Kasus 5.
9
PEMODELAN STATISTIKA-Dr. Hanna Arini Parhusip
disajikan pada kegiatan Training of Trainer Field School of Traditional Climate Forecasting
with Local Wisdom Pranatamangsa based Pranatamangsa 21
Software for Effective Pattern Planting and Pest Early Detection , 11 April 2015
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
30 35 40 45 50
x1
60 65 70 75 80
x2
14
0 2 4 6 8 10
y
30 35 40 45 50 0 2 4 6 8 10 14
Coefficients a
Standardized 95% Confidence
Unstandardized Coefficients Coefficients Interval for B
M odel T Sig.
Lower Upper
B Std. Error Beta
Bound Bound
1 (Constant) -41.095 7.595 -5.411 .000 -58.276 -23.914
Temperature (Celcius) -.019 .097 -.027 -.197 .849 -.239 .201
Kelembaban Nisbi .659 .098 .916 6.722 .000 .437 .880
a. Tak bebast Variabel: Curah Hujan
Demikian pula hubungan antar variable dapat dilihat dari korelasi antar 2 variabel yang
berbeda. Hasil uji korelasi menunjukkan bahwa 𝑌 berkorelasi dengan 𝑋2 sedangkan 𝑌 tidak
berkorelasi dengan 𝑋1 . Variabel 𝑋1 dan 𝑋2 juga tidak berkorelasi.
Perlu ditunjukkan dengan yang diperoleh adalah yang terbaik yang artinya
meminimumkan R. Hal ini dilakukan dengan menghitung determinan A, error fungsi, menghitung
Conditional Number Ayang dapat dilihat pada Tabel 7
Tabel 7. Sifat dari yang diperoleh
Kondisi yang diamati Hasil
Determinan Matriks 3.8413x 106
A (Z T Z )
10
PEMODELAN STATISTIKA-Dr. Hanna Arini Parhusip
disajikan pada kegiatan Training of Trainer Field School of Traditional Climate Forecasting
with Local Wisdom Pranatamangsa based Pranatamangsa 21
Software for Effective Pattern Planting and Pest Early Detection , 11 April 2015
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
Error 7.69 %
Conditional number 8.3572x 105
Sifat Hf positive semi definite
Diperoleh determinan matriks A≠0, sehingga sistem persamaan liniernya mempunyai penyelesaian
tunggal . Error cukup kecil yaitu 7.69% Dari conditional number yang diperoleh masih lebih kecil dari
batas maksimumnya atau Conditional number < 67108864. Kemudian diperoleh juga nilai eigen =[0 ;
533 ; 77634] yang artinya sifat 𝐻𝑓 adalah positive semi definitesehingga parameter yang diperoleh
dinyatakan sebagai yang terbaik karena meminimumkan R.
Kasus 6.
Diasumsikan
𝑌𝑡 = 𝛼0 + 𝛼1 𝑦(𝑡−1) + 𝛼2 𝑥(𝑡−1) + 𝛼2 𝑥𝑡 + 𝜀
maka dilakukan perhitungan untuk memperoleh parameter . Dengan bantuan program R maka
didapatlah model sebagai berikut:
𝑌𝑡 = 4.0249 + 0.8432 𝑦(𝑡−1) + 0.4239 𝑥 (𝑡−1) − 0.4651 𝑥 𝑡
Gambar 3. Gambar hasil analisis regresi pada tabel 3 dengan program R (Parhusip, dkk,2014)
Hasil yang diperoleh dengan program R didapat bahwa p-value untuk semua variable lebih
besar dari 0.05 sehingga dapat dikatakan tidak signifikan. Nilai F statistic/F hitung adalah 15.46,
sedangkan F3,n p 1,0.95 = 4.533677 (F tabel) .Sehingga nilai F statistik lebih besar daripada
F3,n p 1,0.95 .Oleh karena itu j 0 diterima. Dengan kata lain hipotesis nul diterima. Artinya model
linear diatas tidak dapat diterima karena paling tidak ada 1 parameter yang tidak signifikan.
Dari hasil yang diperoleh determinan matrik A≠0, kemudian Conditional number yang masih
lebih kecil dari batas maksimumnya. Conditional number< 67108864, serta sifat H f positive definite
dapat dikatakan bahwa parameter yang diperoleh ada hanya saja belum yang terbaik dilihat dari error
yang masih cukup besar yaitu 20.9380%.
Error 20.9380
Conditional number 902.0237
Sifat Hf positive definite
11
PEMODELAN STATISTIKA-Dr. Hanna Arini Parhusip
disajikan pada kegiatan Training of Trainer Field School of Traditional Climate Forecasting
with Local Wisdom Pranatamangsa based Pranatamangsa 21
Software for Effective Pattern Planting and Pest Early Detection , 11 April 2015
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
Kasus 8.
Gunakan data lahan kritis tiap kritis untuk 3 lokasi di atas (Selo, Ampel Cepogo) dalam memodelkan
besarnya lahan kritis tiap lokasi.
12
PEMODELAN STATISTIKA-Dr. Hanna Arini Parhusip
disajikan pada kegiatan Training of Trainer Field School of Traditional Climate Forecasting
with Local Wisdom Pranatamangsa based Pranatamangsa 21
Software for Effective Pattern Planting and Pest Early Detection , 11 April 2015
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
Gambar 4. Pendekatan curah hujan dengan persamaan (9) pada Selo Horizontal : indeks, Vertikal:
banyaknya curah (tak berdimensi, karena data sudah distasionerisasi) (Parhusip dan Edi, 2014)
Lahan kritis pada ketiga lokasi juga dimodelkan dengan persamaan (8.b). Ternyata berturut
=turut error adalah hanya 0.4178% , 0.4023 %, 0.9230% untuk Selo, Ampel dan Cepogo. Gambar 5
mengilustrasikan contoh pendekatan GSTAR untuk banyaknya curah hujan di Selo.
Gambar 5. Regresi GSTAR untuk curah hujan di Selo. Data (*,o,dan model (*) ditunjukkan dengan garis
(Parhusip,dkk, 2014).
Koefisien bobot untuk setiap persamaan linear pada persamaan (8.b) ditunjukkan pada Tabel 9. Untuk
produktivitas padi, model yang sudah dimodifikasi tidak dapat digunakan karena error yang cukup besar
berturut-turut untuk 25.5821%, 11.5124%, 21.7046% untuk Selo, Ampel dan Cepogo. Salah satu hasil
ditunjukkan pada Gambar 6. Oleh karena itu GSTAR harus dimodifikasi lagi.
Tabel 9. Parameter pada model modifikasi GSTA R untuk data luas lahan krit is pada Selo, A mpel dan Cepogo
Nilai parameter Error (%)
Selo A mpel Cepogo Selo A mpel Cepogo
-0.4952 0.4738 1.0980 0.4178 0.4023 0.9230
0.0039 -0.0040 -0.0158
1.0437 0.9550 2.1834
0.4476 -0.4248 -2.2656
Gambar 6. Pendekatan dan data hasil produksi padi di Selo sebagai model produksi padi yang tergantung produksi
padi di Selo pada waktu sebelumnya, dan produksi padi dari Ampel dan Cepogo (Parhusip dan Edi, 2015)
Kasus 10
Area lahan kritis dianggap bergantung pada banyaknya curah hujan disekitarnya juga area lahan kritis
sekitarnya.
Z 1 (t ) 0 2 Z 2 (t ) 2 Z 3 (t ) 3Y1 (t ) 4 Y2 (t ) 5 Y3 (t ) (10)
dimana
13
PEMODELAN STATISTIKA-Dr. Hanna Arini Parhusip
disajikan pada kegiatan Training of Trainer Field School of Traditional Climate Forecasting
with Local Wisdom Pranatamangsa based Pranatamangsa 21
Software for Effective Pattern Planting and Pest Early Detection , 11 April 2015
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
Z 1 (t ) : area lahan kritis lokasi ke-1 pada waktu t, Z 2 (t ) : area lahan kritis lokasi ke-2 pada waktu
t, Z 3 (t ) : area lahan kritis dari lokasi ke-3 pada waktu t, Y1 (t ) : banyaknya curah hujan pada
lokasi ke-1 pada waktu t, Y2 (t ) : banyaknya curah hujan pada lokasi ke-2 pada waktu t, Y3 (t ) :
banyaknya curah hujan pada lokasi ke-3 pada waktu t.
Model (10) memberikan error 0.4064 % dengan nilai parameter adalah
205.2286 1.0435 0.4484 283.9430 - 613.7395 124.0760 . T
Dari sisi aljabar linear, det X ' X mendekati 0 yang artinya matriks mendekati singular. Karena error
cukup kecil, kita dapat membuat pendekatan model persamaan (11) untuk lokasi yang lain (Ampel
dan Cepogo). Jadi model persamaan (10) dapat ditulis dalam bentuk umum:
Z 1 (t ) 10 0 0 1 0 12 13 Z 1 (t ) 11 12 13 Y1 (t ) e1 (t )
Z (t ) 0 0 1 21 0 23 Z 2 (t ) 21 22 23 Y2 (t ) e2 (t ) . (11)
2 20
14
PEMODELAN STATISTIKA-Dr. Hanna Arini Parhusip
disajikan pada kegiatan Training of Trainer Field School of Traditional Climate Forecasting
with Local Wisdom Pranatamangsa based Pranatamangsa 21
Software for Effective Pattern Planting and Pest Early Detection , 11 April 2015
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
Dibandingkan dengan model-model sebelumnya, model (P.6) memuat lebih sedikit variabel.
Demikian pula untuk optimasi, model ini lebih menguntungkan. Model ini digunakan untuk
menyusun fungsi tujuan produksi padi pada Selo, Ampel dan Cepogo (Parhusip dan Edi, 2015).
15
PEMODELAN STATISTIKA-Dr. Hanna Arini Parhusip
disajikan pada kegiatan Training of Trainer Field School of Traditional Climate Forecasting
with Local Wisdom Pranatamangsa based Pranatamangsa 21
Software for Effective Pattern Planting and Pest Early Detection , 11 April 2015
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
KESIMPULAN
Pada makalah ini telah ditunjukkan proses regresi sederhana dari regresi klasik, autoregresi
dan regresi GSTAR standar maupun GSTAR termodifikasi. Proses penyusunan model ditunjukkan
dengan beberapa contoh khususnya yang terkait dengan curah hujan, lahan krit is dan produksi padi di
Boyolali.
Ucapan Terima kasih : Makalah ini sebagai hasil kegiatan dengan pendanaan United Board ,
tahun 2015.
DAFTAR PUSTAKA
Anderson E, Z Bai, C Bischof, S Blackford, J Demmel, J Dongarra, J Du Croz, A Greenbaum, S
Hammarling, A McKenney & D Sorensen.(1999). LAPACK User's Guide Third Edition,
SIAM, Philadelphia. (http://www.netlib.org/lapack/lug/lapack_lug.html)
Apriyanti, P.D, Parhusip, H.A, Linawati.(2014). Model GSTAR Termodifikasi untuk Produktivitas
Jagung di Boyolali, Prosiding Seminar Nasional UNNES,8 Nov 2014, ISBN 978-602-1034-06-
4;hal.314-325 (https://www.researchgate.net/profile/Hanna_Parhusip/publications :
doi 10.13140/2.1.4197.4084)
Parhusip, H.A.(2014). Optimasi Taklinear, ISBN 978-602-9493-14-6, Tisara Grafika Salatiga,221
hlm.
Parhusip, H.A & Edi, W.M.(2014). Analisa Data Iklim Boyolali dengan Regresi Klasik dan Metode
GSTAR, Prosiding Seminar Nasional Matematika dan Pendidikan Matematika, ISBN 978-602-
70609-0-6, hal.319-331,24 Mei 2014, Universitas PGRI Ronggolawe,Tuban.
Parhusip,H.A, Edi, S.W.M., Prasetyo, S.Y.J.( 2014). Analisa Data Pemodelan Untuk Ilmu Sosial dan
Sains, ISBN 978-602-9493-16-0, Tisara Grafika Salatiga,398 hlm,25 cm.
Parhusip, H.A & Edi, S.W.M, (2015). Optimal Production of Paddy Fields Using Modified GSTAR
Models, International Journal of Agricultural Science and Technology (IJAST) , Vol. 3, Issue
1, February 2015 www.seipub.org/ijast; ISSN(online) : 2327-7645; ISSN print: 2327-7246
doi: 10.14355/ijast.2015.0301.01.
Ruchjana. B. N, 2002. Pemodelan Kurva Produksi Minyak Bumi Menggunakan Model Generalisasi
STAR. Forum Statistika dan Komputasi. IPB : Bogor.
16