PEMODELANSTATISTIKA DR HannaAriniParhusip

See discussions, stats, and author profiles for this publication at:
https://www.researchgate.net/publication/275654895
PEMODELAN STATISTIKA (Dari Data ke

Model d an Analisanya untuk Data Pertanian)
Dr. Hanna Arini Parhusip
Research · May 2015

DOI: 10.13140/RG.2.1.2680.4647
CITATIONS READS
0 851
1 author:
Hanna Arini Parhusip

Universitas Kristen Satya Wacana
82 PUBLICATIONS 44 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Pusnas 2015/2016 View project
All content following this page was uploaded by Hanna Arini Parhusip on 01 May 2015.
The user has requested enhancement of the downloaded file.

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
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
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.
Kata kunci : regresi, GSTAR, GSTAR Termodifikasi
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.
2. PEMODELAN REGRESI LINEAR

Materi ini telah ditulis secara detail dalam buku (Parhusip ,dkk, 2014) dengan berbagai kasus
yang sudah dipelajari.
2.1 Regresi linear sederhana
1
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
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.
2.2 Regresi linear Multivariat (klasik)
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
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
y1   0  1 x11   2 x12   3 x13  ...   p x p1   1

y 2   0  1 x21   2 x22   3 x23  ...   p x2 p   n

y n   0  1 xn1   2 xn 2   3 x23  ...   p xn2 p   n
dimana suku-suku error diasumsikan mempunyai sifat-sifat
1. E ( j )  0; (4.a)
2. Var ( j )   (konstan) dan

2
(4.b)
3. Cov( j ,  k )  0, j  k . (4.c)
Dalam notasi matriks –vektor, persamaan (3) menjadi
 y1  1 x11 x12  x1 p    0    1 
 y  1 x x 22  x 2 p   1   2 
 2   21
 .
             
      
 y n  1 x n1 x n 2  x np    p   n 
Ditulis
Ynx1  Z ( n x ( p1))  (( p1) x1)   ( nx1) (5)
Perhatikan bahwa kolom pertama matriks Z ( n x ( p 1)) hanya mempunyai komponen bernilai 1 dan

kolom ke-2 hingga ke p+1 adalah vektor-vektor X1 , . . . , Xp.Parameter regresi yaitu vektor  (( p1) x1) =
 0 1   p T diperoleh dengan least square yaitu meminimumkan

2
  
R     yi    0   j xij  .
p n
(6)
i 1  j 1 
Dalam notasi vektor matriks ditulis (lihat untuk regresi univariat)
= y  Z
  2   
 y  Z  y  Z

 
     
= y  y  2 y  Z  Z  Z .
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
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
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.
2.3 Regresi GSTAR (Generalized Space Time Auto Regressive)

Model Generalized Space Time Auto Regressive (GSTAR) pertama kali diperkenalkan oleh
Borovkova, Lopuhaa, dan Ruchjana (2002) (Parhusip,dkk,2014) sebagai generalisasi dari model
Space Time Autoregressive (STAR). Mengingat bahwa model ini masih baru dalam dunia statistika
maka dalam makalah ini akan ditunjukkan mengenai simulasi penyusunan model GSTAR untuk
memperoleh model yang tepat dan apabila model tidak tepat akan ditunjukkan mengapa model
tersebut dikatakan tidak tepat.
2.3.1 Model GSTAR klasik

Secara matematis, notasi dari model GSTAR(p 1 ) sama dengan notasi model STAR(p 1 ). Perbedaan
utamanya terletak pada nilai-nilai parameter pada lag spasial yang sama diperbolehkan tidak sama
(Suhartono, Subanar, 2006).
Persamaan model GSTAR untuk orde waktu dan orde spasial 1 dengan menggunakan 3
lokasi yang berbeda dalam bentuk matriks sebagai berikut,
 Z1 (t )  10 0 0   Z1 (t  1)  11 0 0   0 w12 w13   Z1 (t  1)   e1 (t ) 
 Z (t )   0  0  Z 2 (t  1)   0 22 0   w21 0 w23   Z 2 (t  1)  e2 (t )
    (8.a)
 2   20
 Z3 (t )   0 0 30   Z3 (t  1)   0 0 33   w31 w32 0   Z3 (t  1)  e3 (t ) 

Ada berbagai macam metode penentuan bobot lokasi pada model GSTAR tetapi metode
yang paling umum digunakan adalah bobot lokasi seragam karena bersifat sederhana dan mudah
untuk ditentukan (Ruchjana, 2002). Salah satu penentuan nilai bobot seragam adalah sebagai berikut :
1
wij 
ni
dengan ni merupakan banyaknya lokasi yang berdekatan dengan lokasi ke-i.
Estimasi parameter model GSTAR yaitu
  (10 20 30 11 21 31 )'
dapat diselesaikan dengan menggunakan metode kuadrat terkecil yang dapat diperoleh dengan cara
ynag sama pada regresi klasik sebagaimana ditunjukkan pada persamaan (7).
2.3.2 GSTAR Termodifikasi
Model (8.a) dimodifikasi untuk Z1 (t ) dalam bentuk untuk
Z1 (t )  0  1Z1 (t  1)   2 Z 2 (t )   2 Z 3 (t ) . (8.b)
Persamaan (8.b) dapat disusun secara sama untuk Z 2 (t ) dan Z 3 (t ) . Anggaplah bahwa semua
parameter harus ditentukan, dimana wij juga ditentukan sebagaimana pada regresi klasik. Untuk
selanjutnya beberapa modifikasi juga dilakukan yang ditunjukkan pada Bab 3.
Persamaan (8.a) menjelaskan bahwa kuantitas Z 1 (t ) tergantung dari Z 2 (t  1) dan Z 3 (t  1) . Artinya
kuantitas ini regresi terhadap dirinya sendiri (autoregressive) pada waktu sebelumnya. Akan tetapi
4
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
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).
2.4 Pemodelan Tak Linear

Pemodelan tak linear digunakan ketika pemodelan linear mungkin tidak cukup bagus, atau
untuk mengurangi banyaknya parameter yang harus ditentukan, maka dipilih model tak linear artinya
variabel tak bebas sebagai fungsi dari variabel bebas. Pada makalah pemodelan tak linear tidak
ditunjukkan secara detail .
3. CONTOH-CONTOH HASIL PEMODELAN

3.1 Regresi klasik dan autoregresi
Data rata-rata temperatur, kelembaban udara, dan curah hujan yang diperoleh dari data iklim
oleh Komando Pendidikan TNI Angkatan Udara Pangkalan TNI AU Adi Soemarmo tahun 2000-
2009 digunakan pada Penelitian ini. Adapun contoh data ditunjukkan pada Tabel 1.
Tabel 1. Rata-rata Suhu Udara tahun 2000-2009

Bulan 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009
Januari 26.31 26.53 27.15 26.99 26.92 27.13 26.33 28.03 26.20 26.13
Februari 26.40 26.29 25.90 26.71 26.42 26.75 27.38 27.02 26.07 25.98
M aret 26.48 26.60 27.14 26.73 26.73 30.10 27.15 26.84 26.58 27.67
April 27.10 27.65 27.60 28.88 28.34 275.68 27.08 27.41 27.64 28.00
M ei 27.97 28.27 28.47 27.98 28.23 28.51 27.49 28.16 27.72 27.58
Juni 27.29 27.57 27.84 28.11 26.91 28.20 27.36 27.67 27.71 27.56
Juli 27.58 27.24 27.48 27.65 27.65 27.83 27.02 27.47 27.20 27.61
Agustus 27.62 27.47 28.03 27.34 27.23 27.57 27.09 27.13 28.09 27.70
September 29.00 29.02 28.61 28.61 28.34 28.49 27.70 28.00 29.11 28.57
Oktober 28.08 27.97 29.29 28.78 29.17 28.64 29.62 26.84 28.34 29.55
November 27.33 27.83 28.93 28.18 28.62 28.57 29.72 27.73 27.43 28.70
Desember 27.39 27.42 27.80 27.23 27.12 26.49 27.97 26.73 26.93 28.35
Kasus 1 : Regresi Klasik

Diasumsikan bahwa model regresi linier dari data dengan curah hujan sebagai variabel tak
bebas𝑌adalah
𝑦 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝜀 (i)
Dalam notasi matriks -vektor, persamaan (i) menjadi
𝑦1 1 𝑥11 𝑥12 𝜀1
𝛽0
𝑦2 1 𝑥21 𝑥22 𝜀2
⋮ = ⋮ ⋮ ⋮ 𝛽1 + ⋮
𝑦𝑛 1 𝑥 𝑛1 𝑥 𝑛2 𝛽2 𝜀𝑛
5
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
ditulis
Ynx1  Z ( n x ( 21))  (( 21) x1)   nx1
(ii)
Matriks Z ( n x ( 21)) pada kolom pertama adalah 1 dan kolom ke-2 dan ke-3 adalah vektor-vektor𝑥1 ,𝑥 2.
Parameter regresi yaitu vektor  (( 21) 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
 
   A1 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( n1) x1  W(( n1) x (31)) (( 31) x1)   ( n1) 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
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
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
Dengan 𝜌 𝐴 −1 𝐸 adalah spektral radius (nilai eigen) dari matriks 𝐴 −1 𝐸.

Terdapat banyak definisi ||.|| dalam matriks, diantaranya yaitu norm Euclid, norm maksimum,
dan norm Frobenius. Dalam kasus ini yang digunakan dalam perhitungan adalah norm euclid.
Contoh menghitung norm Euclid:
1 2 1 3
Misalkan dipunyai matriks 𝐴 = , perlu disusun matriks 𝐴′ yaitu 𝐴′ = untuk
3 4 2 4
mencari norm euclid = max 𝜆(𝐴𝐴 ′ ) dengan 𝜆 adalah nilai eigen. Nilai eigen dari 𝐴𝐴′ adalah
0.1 dan 29.9. Jadi norm euclid dari A adalah 29.9 = 5.47 (web 3).
Diasumsikan ||𝐴 −1 𝐸||<1, batas atas kesalahan relatif dengan menghitung invers adalah
𝐴−1− 𝐴+𝐸 −1 𝐴−1𝐸

≤ jika 𝐴 −1 𝐸 < 1. (*)
𝐴−1 1− 𝐴−1𝐸
𝐴
Ruas kanan dikalikan sehingga
𝐴
𝐴−1 𝐸 𝐴 𝐴−1 𝐴 𝐸 𝐴−1 𝐴 𝐸
= = (**)
(1− 𝐴−1 𝐸 ) 𝐴 𝐴 − 𝐴−1 𝐸 𝐴 ( 𝐴 − 𝐴−1 𝐴 𝐸 ) 𝐴
𝐴
Didefinisikan
𝐴 jika 𝐴 nonsinguler 𝐴 −1
κ 𝐴 ≡ (viii)
∞jika 𝐴 singuler
Persamaan (xiv) disebut conditional number dari invers matriks dengan melihat norm matriks
. . Persamaan (*) dengan (**) menjadi
𝐴−1 𝐸 𝐴 𝐴−1 𝐴 𝐸 κ 𝐴 𝐸
= = κ 𝐴 𝐸 .
1− 𝐴−1 𝐸 𝐴 𝐴 − 𝐴−1 𝐸 𝐴 1− 𝐴
𝐴
Jadi error relatif untuk invers matriks terbatas tergantung dari nilai κ(𝐴) sehingga κ(𝐴) tidak
boleh terlalu besar.
Conditional numbermatriks pada MATLAB juga menggunakan persamaan (xiv). Menurut
Anderson, dkk (1999) jika conditional number dibawah 67108864 maka nilai  i dinyatakan
terbaik karena error invers terbatas ke atas. Untuk menghitung conditional number digunakan
perintah cond() pada MATLAB.
4. Sifat titik kritis (minimum) ditunjukkan dengan tipe matriks Hessian 𝐻𝑓 (matriks yang
disusun turunan kedua dari fungsi terhadap masing-masing variabel bebas).
𝐻𝑓 = ∇ ∇𝑅 = ∇ −2𝐴 𝑇 𝑤 + 2𝐴 𝑇 𝐴𝑣 = 2𝐴 𝑇 𝐴 (ix)

Analog pada kalkulus, titik kritis v a sebagai peminimum lokal jika nilai eigen dari mariks
Hessiannya bersifat positive semi definite yang artinya nilai eigen 𝐻𝑓 ≥ 0
Kita akan membahas Kegiatan penelitian yang berkaitan dengan metode tersebut.
Kasus 3.
7
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
Variabel yang digunakan

Y : Rata-rata curah hujan tahun 2000-2009
𝑋1 : Rata-rata suhu udara tahun 2000-2009
𝑋2 : Rata-rata kelembaban udara tahun 2000-2009
Pada kasus ini akan dibahas hubungan linier antara suhu dan kelembaban udara terhadap curah hujan
sebagai variable tak bebas.
Dari data yang diperoleh olehKomando Pendidikan TNI Angkatan Udara Pangkalan TNI AU
Adi Soemarmo yaitu data iklim daerah Surakarta-Boyolali tahun 2000-2009, diolah kembali dengan
merata-rata sehingga diperoleh data pada Tabel 2.
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
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
14.54 12.94 83.08 81.85

11.67 14.54 80.11 83.08
9.19 11.67 78.06 80.11
5.14 9.19 75.28 78.06
2.79 5.14 72.32 75.28
1.33 2.79 67.35 72.32
0.17 1.33 66.57 67.35
1.28 0.17 59.92 66.57
6.11 1.28 70.56 59.92
11.82 6.11 77.03 70.56
11.19 11.82 80.69 77.03
Menguji Normalitas data

Data yang ada diuji normalitasnya dengan teknik chi-kuadrat. Pengujian normalitas data dilakukan
dengan menggunakan alat bantu MATLAB. Untuk data yang akan dianalisa diperoleh bahwa
perhitungan uji normal data mempunyai persentase normal pada kasus 1 adalah 83.333% dan pada kasus 2
adalah 81.8182% sebagaimana ditunjukkan pada Gambar 1.Dapat disimpulkan kedua data sudah cukup
normal untuk dapat dianalisis lebih lanjut.
Gambar.1 Uji normalitas data multivariat

Melakukan Analisis Regresi Multivariat dan Autoregresi
Mencari model regresi linier serta mencari hubungan atau pengaruh variabel tak bebas (curah
hujan) dengan masing-masing variabel bebasnya yaitu kelembaban serta suhu udara.
Kasus 5.
Dengan menggunakan 𝑦 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝜀 maka dilakukan perhitungan untuk


memperoleh parameter  . Dengan bantuan program R maka didapatlah model regresi pengaruh
kelembaban dan suhu terhadap curah hujan adalah sebagai berikut:
𝑌 = −41.08298 − 0.01903𝑋1 + 0.65853𝑋2
denganY: rata-rata curah hujan; 𝑋1 : rata-rata suhu udara; 𝑋2 :rata-rata kelembaban udara.
Hasil yang diperoleh dengan program R didapat bahwa p-value untuk variable 𝑌 dan 𝑋2
dibawah 0.05 sehingga dapat dikatakan signifikan.Namun tidak pada variable 𝑋1 dengan nilai p-value
adalah 0.849161 dan lebih besar dari 0.05.Artinya kontribusi 𝑋1 tidak signifikan terhadap persamaan
𝑦 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝜀. Nilai F statistik adalah 22.68, sedangkan F3,n p 1,0.95 =
4.066181.Sehingga nilai F statistik lebih besar daripada F3,n p 1,0.95 .Oleh karena itu  j  0 ditolak.
Sehingga persamaan model regresi liniernya menjadi 𝑦 = 𝛽0 + 𝛽2 𝑋2 + 𝜀. Dengan menggunakan
program SPSS juga didapati hasil yang sama sebagaimana ditunjukkan pada Tabel 6.
Hasil keluaran di atas sama dengan hasil yang diperoleh dengan program R yang sebelumnya
telah dijalankan. Yaitu nilai parameter pada kolom B yang menunjukkan nilai  0 , 1 ,  2 serta nilai
Sig. adalah nilai p-value.
9
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
Hubungan tiap variabel

Dari hasil Gambar 2 oleh program R kita juga dapat melihat hubungan variabel tak bebas𝑌
(curah hujan) dengan masing-masing variabel intak bebas𝑋1 dan 𝑋2 (suhu dan kelembaban udara).
Dari gambar tersebut dapat disimpulkan ada hubungan linier variabel 𝑌dengan 𝑋2 ,namun tidak pada
variabel 𝑌 dan 𝑋1 .
60 65 70 75 80
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
Gambar 2. Gambar Hasil analisis regresi dengan program R
Tabel.5 Hasil keluaran reg resi program R

Es timate Std. Error t value Pr(> 𝒕 )
(Intercept) - 41.08298 7.59873 - 5.407 0.000429 ***
𝑋1 - 0.01903 0.09721 -0.196 0.849161

𝑋2 0.65853 0.09804 6.717 8.69e-05 ***
Signif.codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Tabel 6.. Hasil keluarandengan program SPSS
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
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
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%.
Tabel 8. Sifat sifat dari 

Kondisi yang diamati Hasil
Determinan Matriks A  (W T W ) 3.4553 x 109
Error 20.9380
Conditional number 902.0237
Sifat Hf positive definite
11
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
Berdasarkan uraian pembahasan di atas dapat disimpulkan

 Data yang diolah yaitu rata-rata curah hujan, suhu serta kelembaban udara didaerah Boyolali tahun
2000-2009 berdistribusi normal.
 Terdapat hubungan linier yang signifikan antara variabel tak bebas𝑌 (curah hujan) dengan variabel
intak bebas 𝑋2 (kelembaban udara), namun tidak dengan variabel 𝑋1 (suhu udara). Model regresi
linier yang diperoleh adalah
𝑦 = 𝛽0 + 𝛽2 𝑋2 + 𝜀
𝑦 = −41.08298 + 0.65853𝑋2+ 𝜀
 Hasil analisis autoregresi yang memperlihatkan curah hujan pada saat t (dimulai bulan ke-2 yaitu
Februari) dipengaruhi tidaknya oleh curah hujan pada saat t-1, kelembaban udara pada saat t dan t-
1 mendapatkan model adalah
𝑌𝑡 = 𝛼0 + 𝛼1 𝑦(𝑡−1) + 𝛼2 𝑥 (𝑡−1) + 𝛼2 𝑥𝑡
𝑌𝑡 = 4.0249 + 0.8432 𝑦(𝑡−1) + 0.4239 𝑥 (𝑡−1) − 0.4651 𝑥 𝑡
Hanya saja model yang didapat itu tidak menjadi model yang terbaik dilihat dari hasil setiap
variabel yang tidak signifikan dan juga error yang masih terlalu besar pada sifat  .
3.2 Beberapa Hasil Model GSTAR Termodifikasi

Kasus 7.
Gunakan model (8.b) untuk data curah hujan dari kecamatan Selo, Ampel dan Cepogo. Hasil
ini memberikan kesalahan yang lebih kecil sebagaimana ditunjukkan pada Gambar 4. Jika mengganti
model (8.b) pada ruas kanan dengan Z 2 (t  1), Z 3 (t  1) ternyata memberikan kesalahan/error lebih
besar yaitu sekitar 80%. Sebaliknya dengan model (9) maka error terjadi pada sekitar 10 3 %.
Demikian pula jika hal ini juga dilakukan untuk Z 2 (t ) and Z 3 (t ) , maka diperoleh error yang serupa.
Perhatikan pula bahwa Z k (t ) dan Z k (t  1) tidak beritnteraksi secara linear secara
signifikan karena  1 mendekati 0 untuk semua lokasi. Jadi kita dapat menyimpulkan bahwa ketiga
variabel berinteraksi pada waktu yang bersamaan. Oleh karena itu kita dapat meringkas model
persamaan (8.b) baris pertama menjadi
Z 1 (t )   0   2 Z 2 (t )   2 Z 3 (t ) . (9)
Demikian pula model ini juga dapat diimplementasikan pada data yang memuat luas lahan dengn
kekritisan di Boyolali sebagaimana akan ditunjukkan selanjutnya. Proses ini telah ditunjukkan secara
detail (Parhusip dan Edi, 2015) dengan beberapa modifikasi yang lain.
Kasus 8.
Gunakan data lahan kritis tiap kritis untuk 3 lokasi di atas (Selo, Ampel Cepogo) dalam memodelkan
besarnya lahan kritis tiap lokasi.
12
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
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
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
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
 Z 3 (t )  0 0  30  1  31  32 0   Z 3 (t )  31  32  33  Y3 (t ) e3 (t )

Vektor pertama pada ruas kanan menyatakan parameter konstan pada regresi. Vektor kedua
mengilustrasikan kuantitas yang sama (misal lahan kritis) dari 2 lokasi sekitarnya. Sedangkan vektor
ketiga menyatakan kuantitas yang lain (misal curah hujan). Jika dibandingkan dengan GTAR yang
standard, model GSTAR dari persamaan (11) lebih valid.
3.3 Modifikasi GSTAR untuk produksi padi

3.3.1 Bobot dengan regresi klasik
Pada paragraph ini akan ditunjukkan bagai-mana model GSTAR kembali dimodifikasi. Misalkan
luas lahan kritis dan curah hujan untuk masig-masing lokasi dimodelkan dalam bentuk
Z 1 (t )   0   2 Z 2 (t )   2 Z 3 (t )
.
Kemudian banyaknya padi yang dipanen merupakan fungsi linear lahan kritis dan curah hujan. Jadi
model GSTAR menjadi
Z 1 (t )   0   2 Z 2 (t )   2 Z 3 (t ) (model lahan kritis pada lokasi ke-1) (P.1)
Y1 (t )   0   1Y2 (t )   2Y3 (t )
(model banyaknya curah hujan untuk pada ke-1) (P.2)
P1 (t )  0  1 P2 (t )  2 P3 (t )  3 Z 1 (t )  w1Y1 (t )
(model banyaknya padi pada lokasi ke-1 ) (P.3)
Jadi untuk 3 lokasi model modifikasi GSTAR untuk panen padi memuat 3 sistem persamaan linear
yaitu (Parhusip dan Edi, 2015)
 Z 1 (t )   10 0 0  1  0  12  13   Z 1 (t ) 
Z (t )   0  0  1    21 0  23  Z 2 (t )
 2   20
 Z 3 (t )  0 0  30  1   31  32 0   Z 3 (t )

(P.4)
Y1 (t )   10 0 0  1  0  12  13  Y1 (t ) 
Y (t )   0  0  1   21 0  23  Y2 (t )
 2   20
Y3 (t )  0 0  30  1  31  32 0  Y3 (t )

(P.5)
14
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
 P1 (t )  10 0 0  1  0 12 13   P1 (t ) 

 P (t )   0  0  1  21 0 23   P2 (t )
 2   20
 P3 (t )  0 0 30  1 31 32 0   P3 (t )

11 0 0   Z 1 (t )   w11 0 0   Y1 (t )   (P.6)
 
  0 22 0   Z 2 (t )   0 w22 0   Y2 (t ) 
 0 0 33   Z 3 (t )  0 0 w33   Y3 (t ) 
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).
Pemilihan variabel prediktor lebih lanjut

Pada penelitian terdahulu (Parhusip dan Edi, 2014) curah hujan dan luas area lahan kritis
sebagai variabel prediktor selain banyaknya padi pada waktu sebelumnya sebagai variabel
autoregresi. Akan tetapi untuk mengetahui produksi padi pada tiap kecamatan, lahan kritis tidak dapat
menjadi faktor dalam menentukan optimal produksi padi (sebagaimana pada awal penelitian) karena
beberapa lokasi mempunyai luas lahan kritis 0. Sebenarnya tidak adanya lahan kr itis pada lokasi
tersebut menunjukkan bahwa lokasi tersebut cukup subur dibandingkan lokasi yang memiliki area
kritis. Akan tetapi karena beberapa tidak mempunyai lahan kritis, kita tidak dapat membuat model
dengan variabel prediktor yang sama. Oleh karena itu variabel prediktor yang dipilih adalah variabel
prediktor natural yang memungkinkan pertumbuhan padi yaitu curah hujan dan luas lahan dimana
luas lahan merupakan area yang dapat dipanen. Hasil optimal curah hujan dan luas lahan hanya akan
menunjukkan kemampuan lokasi tersebut untuk produksi optimal pada berdasarkan data curah hujan
dan luas lahan panen.
3.3.3 GSTAR Termodifikasi dengan bobot seragam

GSTAR Termodifikasi disusun berdasarkan regresi dari 3 lokasi yang dikerjakan secara
simultan dimana model tersebut berbentuk : (Apriyanti, dkk, 2014), yaitu
Z1 (t )  10Z1 (t  1)  11w11Y1 (t )  w12 R1 (t )  e1 (t ) ; (12.a)
Z 2 (t )  20Z 2 (t  1)  21w21Y2 (t )  w23R2 (t )  e2 (t ) ; (12.b)
Z 3 (t )  30Z 3 (t  1)  31w31Y3 (t )  w32R3 (t )  e2 (t ) . (12.c)
dengan
Zi (t) = variabel data produksi padi pada waktu t di lokasi i, i = 1,2,3.
Yi (t) = variabel luas lahan panen pada waktu t di lokasi i, i = 1,2,3 .
Ri (t) = variabel curah hujan padi pada waktu t di lokasi i, i = 1,2,3 .
k 0 = diag ( k 0 ,...,  k 0 ) dan  k1 = diag ( k1 ,...,  k1 ) merupakan parameter model
1 n 1 N
w = bobot (weigth) yang dipilih untuk memenuhi wii  0 dan  1 j

wij  1
Model (12.a)-(12.c) telah digunakan untuk menyatakan produksi padi dan juga jagung (Apriyanti,
dkk, 2014) untuk tiap kecamatan di Boyolali. Model ini lebih sederhana dan dapat diimplementasikan
pada excel. Model (12.a)-(12.c) menjadi fungsi tujuan dalam proses optimasi agar dapat diprediksi
produksi optimal berdasarkan data yang ada. Teknik-teknik optimasi dijelaskan secara rinci (Parhusip,
2014).
15
----------------------------------------------------------------------------------------------------------------------------- --------------------------------------------------------
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
View publication stats

PEMODELANSTATISTIKA DR HannaAriniParhusip

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

PEMODELANSTATISTIKA DR HannaAriniParhusip

Diunggah oleh

Hak Cipta:

Format Tersedia

See discussions, stats, and author profiles for this publication at:

PEMODELAN STATISTIKA (Dari Data ke

Research · May 2015

Hanna Arini Parhusip

Pusnas 2015/2016 View project

The user has requested enhancement of the downloaded file.

Kata kunci : regresi, GSTAR, GSTAR Termodifikasi

2. PEMODELAN REGRESI LINEAR

2.2 Regresi linear Multivariat (klasik)

y1   0  1 x11   2 x12   3 x13  ...   p x p1   1

2. Var ( j )   (konstan) dan

 0 1   p T diperoleh dengan least square yaitu meminimumkan

2.3 Regresi GSTAR (Generalized Space Time Auto Regressive)

2.3.1 Model GSTAR klasik

 Z3 (t )   0 0 30   Z3 (t  1)   0 0 33   w31 w32 0   Z3 (t  1)  e3 (t ) 

2.4 Pemodelan Tak Linear

3. CONTOH-CONTOH HASIL PEMODELAN

Tabel 1. Rata-rata Suhu Udara tahun 2000-2009

Kasus 1 : Regresi Klasik

Dengan 𝜌 𝐴 −1 𝐸 adalah spektral radius (nilai eigen) dari matriks 𝐴 −1 𝐸.

𝐴−1− 𝐴+𝐸 −1 𝐴−1𝐸

Variabel yang digunakan

14.54 12.94 83.08 81.85

Menguji Normalitas data

Gambar.1 Uji normalitas data multivariat

Dengan menggunakan 𝑦 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝜀 maka dilakukan perhitungan untuk

Hubungan tiap variabel

Gambar 2. Gambar Hasil analisis regresi dengan program R

Tabel.5 Hasil keluaran reg resi program R

𝑋1 - 0.01903 0.09721 -0.196 0.849161

Tabel 6.. Hasil keluarandengan program SPSS

Tabel 8. Sifat sifat dari 

Berdasarkan uraian pembahasan di atas dapat disimpulkan

3.2 Beberapa Hasil Model GSTAR Termodifikasi

 Z 3 (t )  0 0  30  1  31  32 0   Z 3 (t )  31  32  33  Y3 (t ) e3 (t )

3.3 Modifikasi GSTAR untuk produksi padi

 Z 3 (t )  0 0  30  1   31  32 0   Z 3 (t )

Y3 (t )  0 0  30  1  31  32 0  Y3 (t )

 P1 (t )  10 0 0  1  0 12 13   P1 (t ) 

 P3 (t )  0 0 30  1 31 32 0   P3 (t )

Pemilihan variabel prediktor lebih lanjut

3.3.3 GSTAR Termodifikasi dengan bobot seragam

w = bobot (weigth) yang dipilih untuk memenuhi wii  0 dan  1 j

View publication stats

Anda mungkin juga menyukai