Revisi Gita After Sidang-2

ESTIMASI PRODUKSI KUBIS/KOL KABUPATEN KARO
DENGAN NADARAYA-WATSON ESTIMATOR

MELALUI PENDEKATAN
CROSS VALIDATION
SKRIPSI
GITA SAFITRI
0703181060
PROGRAM STUDI MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SUMATERA UTARA MEDAN
MEDAN
2024
ESTIMASI PRODUKSI KUBIS/KOL KABUPATEN KARO
DENGAN NADARAYA-WATSON ESTIMATOR
MELALUI PENDEKATAN
CROSS VALIDATION
SKRIPSI
Diajukan Untuk Memenuhi Syarat Mencapai Gelar Sarjana Matematika (S.Mat)
Pada Fakultas Sains dan Teknologi
GITA SAFITRI
0703181060
SERLY AFRINA SINAGA

0703183126
PROGRAM STUDI MATEMATIKA

MEDAN
2024
PERSETUJUAN SKRIPSI
Hal : Surat Persetujuan Skripsi
Lamp :-
Kepada Yth.
Dekan Fakultas Sains Dan Teknologi
Universitas Islam Negeri Sumatera Utara
Assalamu’alaikum Wr. Wb
Setelah membaca, meneliti, dan memberikan petunjuk, dan mengoreksi serta
mengadakan perbaikan, maka kami selaku pembimbing berpendapat bahwa skripsi
saudara :
Nama : Gita Safitri
NIM : 0703181060
Program Studi : Matematika
Judul : Estimasi Produksi Kubis/Kol Kabupaten Karo Dengan
Nadaraya-Watson Estimator Melalui Pendekatan Cross
Validation
Dapat disetujui untuk segera di munaqasakan. Atas perhatiannya kami ucapkan
terimakasih
Medan, 2023
Komisi Pembimbing
Pembimbing Skripsi I Pembimbing Skripsi II
Dr. Rina Filia Sari, M.Si Rina Widyasari, M.Si

NIDN. 20010377703 NIDN. 0118078801
Mengetahui,
Ketua Program Studi Matematika
Fakultas Sains dan Teknologi
Universitas Islam Negeri Sumatera Utara
Dr. Ismail Husein, M.Si

NIP. 199104222019031015
i
KEMENTERIAN AGAMA REPUBLIK INDONESIA
Jln. Lapangan Golf, Desa Durian Jangak, Kecamatan Pancur Batu,
Kabupaten Deli Serdang Provinsi Sumatera Utara Kode Pos 20353
Website: www.saintek.uinsu.ac.id
PENGESAHAN SKRIPSI
Nomor : B-155/ST/ST.V.2/PP.01.1/02/2024

Nadaraya-Watson Melalui Pendekatan Cross Validation
Nama : Gita Safitri
NIM : 0703181060
Telah dipertahankan di hadapan Dewan Penguji Skripsi Program Studi Matematika Fakultas
Sains dan Teknologi Universitas Islam Negeri Sumatera Utara Medan dan dinyatakan
LULUS.
Pada hari/tanggal : Selasa, 23 Januari 2024
Tempat : Ruang Sidang Fakultas Sains dan Teknologi
Tim Ujian Munaqasah,
Ketua,
Dr. Ismail Husein, M.Si

NIP. 199104222019031015
Dewan Penguji,
Penguji I Penguji II
Dr. Rina Filia Sari, M.Si Rina Widyasari, M.Si

NIDN. 2002078902 NIDN. 0118078801
Penguji III Penguji IV
Rima Aprilia, M.Si Dr. Ismail Husein, M.Si

NIDN. 0130048801 NIP. 199104222019031015
Mengesahkan,
Dekan Fakultas Sains dan Teknologi
UIN Sumatera Utara Medan.
Dr. Zulham,S.H.I, M.Hum

NIP.197703212009011008
ii
SURAT PERNYATAAN KEASLIAN SKRIPSI
Saya yang bertanda tangan di bawah ini :
Nama : Gita Safitri
NIM : 0703181060
Nadaraya-Watson Estimator Melalui Pendekatan Cross Validation
Menyatakan bahwa skripsi ini merupakan hasil karya saya sendiri, kecuali beberapa
kutipan dari ringkasan yang masing-masing disebutkan sumbernya. Apabila
dikemudian hari ditemukan plagiat dalam skripsi ini maka saya bersedia menerima
sanksi pencabutan gelar akademik yang saya peroleh dan sanksi lainnya sesuai
dengan peraturan yang berlaku.
Medan, 2023
Gita Safitri
NIM. 0703181060
iii
ABSTRAK
Pembangunan sektor pertanian dilaksanakan bertujuan untuk meningkatkan produksi
pangan juga untuk meningkatkan eksport sekaligus mengurangi import hasil
pertanian. Kabupaten Karo salah satu kabupaten penghasil tanaman hortikultura
terbesar di Sumatera Utara hal ini dikarenakan iklim dan lahan pertanian di
kabupataen ini sangat mendukung untuk pertanian hortikultura termasuk komoditas
sayuran kubis atau sering juga disebut kol. Banyaknya permintaan dari negara luar
mengharuskan dilakukan estimasi produksi kubis/kol untuk menentukan berapa lama
produksi pangan yang dapat dihasilkan dan berapa perkiraan besaran hasil produksi
sebagai gambaran umum. Estimasi merupakan suatu metode dimana kita dapat
memperkirakan nilai populasi dengan menggunakan nilai sampel. Dalam estimasi
Nadaraya-Watson estimator melalui pendekatan cross validation mempunyai
kelebihan yaitu membantu menentukan seberapa baik performa model pada data
baru, menguji kestabilan suatu model di luar data training, mengevaluasi performa
model secara komperehensip, dan mampu menggeneralisasi dengan baik pada data
yang sebenarnya. Berdasarkan hasil ini, perkiraan besaran hasil produksi dengan
menggunakan Nadaraya-Watson estimator melalui pendekatan Cross Validation
dan mendapatkan nilai bandwidth yang optimal, diperoleh kesimpulan bahwa
estimasi produksi kubis/kol menggunakan Cross Validation menghasilkan bandwidth
optimum dipilih berdasarkan nilai CV terkecil, yaitu 13761739057 dengan nilai MSE
adalah sebesar 2625406797 dan bandwidth optimum adalah h10 dan didapatkan model
estimasi daraya-watson didapatkan :
Kata Kunci : estimasi, produksi, Nadayawara Watson Estimator, Cross

Validation
iv
ABSTRACT
Agricultural sector development is carried out with the aim of increasing food
production as well as increasing exports while reducing imports of agricultural
products. Karo Regency is one of the largest horticultural crop producing districts in
North Sumatra, this is because the climate and agricultural land in this district are
very supportive for horticultural farming, including the vegetable commodity cabbage
or often also called cabbage. The large demand from foreign countries requires that
cabbage/cabbage production be estimated to determine how long food production can
be produced and what is the estimated amount of production as a general idea.
Estimation is a method where we can estimate population values using sample values.
In Nadaraya-Watson estimation, the estimator using the cross validation approach has
the advantage of helping determine how well the model performs on new data, testing
the stability of a model outside of training data, evaluating model performance
comprehensively, and being able to generalize well on actual data. Based on these
results, estimating the amount of production using the Nadaraya-Watson estimator
using the Cross Validation approach and obtaining the optimal bandwidth value, it
was concluded that estimating cabbage/cabbage production using Cross Validation
resulted in the optimum bandwidth being selected based on the smallest CV value,
namely 13761739057 with an MSE value is 2625406797 and the optimum bandwidth
is h10 and the Daraya-Watson estimation model is obtained:
Key Word : estimation, production, Nadayawara Watson Estimator, Cross

Validation
v
KATA PENGANTAR
Assalamualaikum Warahmatullahi Wabarakatuh

Alhamdulillahirabbil’alamin. Segala puji dan syukur dipanjatkan hanya
bagi Allah SWT. Berkat limpahan rahmat dan kasih sayang-Nya akhirnya dapat
menyelesaikan skripsi guna memenuhi salah satu syarat untuk memperoleh gelar
Sarjana Matematika (S.Mat) di Fakultas Sains dan Teknologi Prodi Matematika UIN
Sumatera Utara Medan.
Pada saat penyelesaian skripsi ini, telah banyak memperoleh bantuan dan
bimbingan dari berbagai pihak. Maka pada kesempatan ini ingin menyampaikan
ucapan terima kasih yang sebesar- besarnya kepada:
1. Ibu Prof. Dr. Nurhayati, M.As selaku Rektor Universitas Islam Negeri
Sumatera Utara.
2. Bapak Dr. Zulham, S.H.I, M. selaku Dekan Fakultas Sains dan Teknologi
Universitas Islam Negeri Sumatera Utara.
3. Bapak Dr. Ismail Husein, M.Si selaku Ketua Program Studi Matematika
Universitas Islam Negeri Sumatera Utara.
4. Bapak Dr. Hendra Cipta, M.Si. selaku Sekretaris Program Studi
Matematika Universitas Islam Negeri Sumatera Utara.
5. Ibu Dr. Rina Filia Sari, M.Si dan ibu Rina Widya Sari, M.Si selaku
Pembimbing Skripsi yang telah memberikan motivasi dan bimbingan
selama proses penyelesaian skripsi.
6. Ibu Dr. Sajaratud Dur, MT selaku Dosen Penasihat Akademik (PA) yang
telah memberikan bimbingan selama menempuh pendidikan di Fakultas
Sains dan Teknologi UIN Sumatera Utara Medan.
7. Ibunda tercinta Kartini Maryana Pulungan dan Ayahanda tercinta
Sulaiman yang telah memberikan dukungan dan juga doa serta motivasi
yang luar biasa sekaligus menjadi penguat dan penyemangat dalam
kondisi apapun.
8. Bapak/Ibu Dosen dan para staff pengajar di Universitas Islam Negeri
vi
Sumatera Utara Medan yang telah memberikan pendidikan dan
pengetahuan.
9. Seluruh Keluarga Besar dari ibu kandung saya yang telah membantu dan
mendukung dalam menyelesaikan skripsi ini.
10. Kepada MUDITA GROUP yang telah menyemangati, mendukung,
mendengarkan segala cerita, curhatan hati, keluh kesah dalam
menyelesaikan skripsi ini.
11. Kepada kakak saya Ida sari dan Yuniarti, adik saya Anggi Suanti, Raihan
isroqi, dan Arinal haqq terimakasih sudah menjadi tempat curhat dan
tempat keluh kesah disaat butuh pendengar dan motivasi serta doa,
terimakasih kalian selalu ada.
Atas bantuan, bimbingan dan fasilitas yang telah diberikan, diharapkan dalam
menyusun skripsi ini kritik dan saran yang sifatnya membangun demi kesempurnaan
skripsi ini. Akhirnya berharap semoga Allah SWT dapat membalas semua kebaikan
dan bantuan yang telah diberikan, semoga skripsi ini dapat berguna bagi pembaca
yang memerlukannya.
Wassalamu’alaikum Warahmatullahi Wabarakatuh.
Medan, 2023
Penulis
Gita Safitri
vii
DAFTAR ISI
PERSETUJUAN SKRIPSI..........................................................................................i
PENGESAHAN SKRIPSI..........................................................................................ii
SURAT PERNYATAAN SKRIPSI .........................................................................iii
ABSTRAK ..................................................................................................................iii
ABSTRACT................................................................................................................iv
KATA PENGANTAR................................................................................................vi
DAFTAR ISI.............................................................................................................viii
DAFTAR TABEL........................................................................................................x
DAFTAR GAMBAR..................................................................................................xi
BAB I PENDAHULUAN..........................................................................................1
1.1. Latar Belakang Masalah................................................................................1
1.2. Rumusan Masalah.........................................................................................5
1.3. Batasan Masalah...........................................................................................6
1.4. Tujuan Penelitian..........................................................................................6
1.5. Manfaat Penelitian........................................................................................6
BAB II TINJAUAN PUSTAKA................................................................................8
2.1 Estimasi.........................................................................................................8
2.2 Estimasi Produksi..........................................................................................8
2.3 Estimator Nadaraya-Watson.........................................................................9
2.3.1 Regresi Kernel...................................................................................10
2.3.2 Fungsi Kernel....................................................................................13
2.3.3 Pemilihan Bandwidth Optimum........................................................14
2.3.4 Pemilihan Bandwidth Optimal...........................................................15
2.4 Metode Cross Validation............................................................................16
2.5 Analisis Korelasi.........................................................................................17
2.6 Kubis/Kol....................................................................................................18
2.7 Penelitian Terdahulu..................................................................................18
viii
2.8 Wahdatul Ulum..........................................................................................19
BAB III METODOLOGI PENELITIAN..............................................................22
3.1 Tempat dan Waktu Penelitian..................................................................22
3.2 Jenis Penelitian dan Sumber Data............................................................22
3.3 Variabel Data.............................................................................................22
3.4 Prosedur Penelitian....................................................................................23
3.5 Diagram Alur Penelitian...........................................................................23
BAB IV HASIL DAN PEMBAHASAN..................................................................24
4.1. Pengumpulan Data......................................................................................24
4.2. Scatter Plot..................................................................................................24
4.2.1. Scatter Plot Produksi dengan Luas Tanam........................................25
4.2.2. Scatter Plot Produksi dengan Luas Panen.........................................25
4.3. Analisis Korelasi.........................................................................................26
4.3.1. Korelasi Produksi dengan Luas Tanam.............................................26
4.3.2. Korelasi Produksi dengan Luas Panen..............................................26
4.4. Pemilihan Bandwidth Optimum dengan Cross Validation (CV)................27
4.5. Estimasi Nadaraya-Watson dengan Metode Cross Validation (CV)..........33
BAB IV PENUTUP...................................................................................................36
5.1. Kesimpulan.................................................................................................36
5.2. Saran............................................................................................................36
DAFTAR PUSTAKA................................................................................................37
LAMPIRAN...............................................................................................................40
ix
DAFTAR TABEL
Tabel 4.1 Data Produksi, Luas Tanam, Luas Panen Pada Kabupaten Karo........................22
Tabel 4.2 Analisis Korelasi.................................................................................................24
x
DAFTAR GAMBAR
Gambar 3.1 Diagram Alur Penelitian.................................................................... 28
Gambar 4.1 Plot Produksi Kubis/Kol dengan Luas Tanam............................................ 23
Gambar 4.2 Plot Produksi Kubis/Kol dengan Luas Panen............................................. 23
Gambar 4.3 Plot CV Bandwidth h10 ............................................................................... 30
xi
BAB I
PENDAHULUAN
1.1. Latar Belakang Masalah

Indonesia dikenal sebagai negara yang mengandalkan sektor pertanian
sebagai penopang pembangunan, dan juga sebagai sumber mata pencaharian
penduduknya. Sektor pertanian di Indonesia meliputi subsektor tanaman, bahan
makanan, subsektor hortikultura, subsektor perikanan, subsektor peternakan dan
subsektor kehutanan. Pada tahap awal pembangunan, sektor pertanian merupakan
penopang perekonomian. Dapat dikatakan demikian, karena pertanian membentuk
proporsi yang sangat besar bagi devisa negara, penyedia lapangan kerja dan sumber
pendapatan masyarakat (Khazanani, 2011).
Salah satu dari subsektor pertanian di Indonesia yang sedang semarak
dikembangkan adalah subsektor hortikultura. Hortikultura merupakan subsektor
penting dalam pembangunan pertanian. Secara garis besar, komoditas hortikultura
terdiri dari kelompok tanaman sayuran (vegatables), buah (fruits), tanaman berkhasiat
obat (medicinal plants), tanaman hias (ornamental plants) termasuk didalamnya
tanaman air, lumut dan jamur yang dapat berfungsi sebagai sayuran, tanaman obat
atau tanaman hias (Departemen Pertanian Provinsi Sumut, 2014).
Pembangunan sektor pertanian dilaksanakan bertujuan untuk meningkatkan
produksi pangan juga untuk meningkatkan eksport sekaligus mengurangi import hasil
pertanian. Hingga kini, sayuran sebagai tanaman hortikultura masih diperlakukan
sebagai tanaman sekunder atau tanaman sela, sehingga penanganannya masih kurang
terarah baik oleh petani sendiri maupun oleh lembaga-lembaga pelayanan yang ada.
Padahal tanaman tersebut 2 memerlukan penanganan yang lebih baik. Dengan kondisi
seperti itu praktis seluruh aspek penanganan baik menyangkut produksi, pasca panen
dan pemasaran secara konsepsional perlu ditangani dengan baik (Silitonga, 2005).
Kabupaten Karo sejak lama sudah dikenal sebagai daerah penghasil aneka
sayuran eksport dan buah-buahan. Pertanian dan iklim cuaca yang sesuai untuk
budidaya aneka sayuran dataran tinggi dan buah merupakan salah satu keunggulan
1
2
Kabupaten Karo dibandingkan dengan kabupaten lain, disamping jarak yang relatif
dekat dengan sentra pemasaran domestik dan ekspor. Hal ini merupakan peluang
yang ditawarkan pasar dunia dari komoditi sayuran Indonesia khususnya di
Kabupaten Karo.
Produk hortikultura khususnya sayur-sayuran di Kabupaten Karo, tumbuh
subur. Syarat tumbuh sayur-mayur agar mendapatkan hasil panen yang maksimal
yaitu dengan menanam di dataran tinggi. Daerah penanaman yang paling cocok
adalah mulai dari ketinggian 5 meter sampai dengan 1.200 meter dpl. Namun
biasanya sayur-mayur dapat di budidayakan pada daerah dengan ketinggian 100
meter sampai 500 meter dpl. Selain itu, sayur-mayur cocok ditanam di tanah yang
gembur, banyak humus, serta memiliki pembuangan air yang baik. (Aninomous,
2014). Kabupaten Karo salah satu kabupaten penghasil tanaman hortikultura terbesar
di Sumatera Utara hal ini dikarenakan iklim dan lahan pertanian dikabupataen ini
sangat mendukung untuk pertanian hortikultura termasuk komoditas sayuran kubis
atau sering juga disebut kol.
Saat ini provinsi Sumatera Utara masih rutin mengekspor kubis (kol) ke
mancanegara, seperti Malaysia dan Taiwan. Hingga awal September 2021 sudah ada
ekspor kubis sebanyak 9,3 ton dengan total nilai Rp28,67 miliar’’ ujar Kepala Balai
Besar Karantina Pertanian Belawan kubis yang diekspor itu berasal dari sentra
produksi Kabupaten Karo. Permintaan ekspor kubis ini masih ada terus ke negara
Malaysia dan Taiwan. Kubis yang diekspor memiliki standar tinggi, termasuk dalam
jumlah berat kubis per buahnya. Dengan sudah memasuki pasar ekspor, maka kubis
Sumut berarti cukup bagus.
Di tahun pertama yakni 2012, ekspor kubis sebesar 11,7 ton dengan nilai Rp.
35 miliar, tahun 2013 sebesar 13 ton dengan nilai Rp. 39,4 miliar, tahun 2014 sebesar
8.933 ton dengan nilai Rp. 2,6 triliun, tahun 2015 sekitar 17 ribu ton dengan nilai Rp.
5,1 triliun, pada 2016 sebesar 32.680 ton dengan nilai Rp. 9,8 triliun. Namun pada
tahun 2017 dan 2018 volume ekspor komoditas ini mengalami penurunan yakni 2017
hanya sebesar 18,459 ton dengan nilai Rp. 5,5 triliun dan 2018 sebesar 15.228 ton
dengan nilai Rp. 4,6 triliun. Penurunan selama dua tahun ini dikarenakan semakin
3
ketat nya persyaratan keamanan pangan dari Negara tujuan ekspor, terutama Jepang,
Korea Selatan, dan Singapura yang memiliki standar syarat keamanan pangan yang
cukup tinggi. Untuk mengatasi hal ini, di awal tahun 2019 kementrian pertanian
melalui Barantan melakukan pendampingan kepada para eksportir guna memenuhi
persyaratan ekspor.
Berdasarkan kinerja ekspor pertanian asal Sumatera Utara, dari data
sertifikasi mengalami peningkatan nilai ekspor sebesar 43,3 persen dibandingkan
periode sama tahun sebelumnya. Pentingnya mengekspor bahan pangan karena dapat
memberikan kontribusi positif terhadap perekonomian negara, juga dapat
meningkatkan pendapatan dan lapangan kerja bagi petani dan pekerja di sektor
pertanian, juga meningkatkan citra Indonesia di pasar internasional. Selain itu jumlah
eksportir dan jumlah negara tujuan mengalami peningkatan, hal ini tentunya dapat
menambah semangat pelaku agribisnis para petani di Sumatera Utara.
Dengan adanya pengeksporan ini warga Karo Sumatera Utara belum
merasakan kekurangan bahan pangan kubis/kol degan ekspor yang semakin
meningkat dan akan mengekspor ke negara tujuan lainnya melihat dari Badan Pusat
Statistik pertanian Sumatera Utara bahwa tidak ada masalah penurunan drastis dari
Kabupaten Karo tersebut.
Banyaknya permintaan dari negara luar mengharuskan dilakukan estimasi
produksi kubis/kol untuk menentukan berapa lama produksi pangan yang dapat
dihasilkan dan berapa perkiraan besaran hasil produksi sebagai gambaran umum.
Estimasi merupakan suatu metode dimana kita dapat memperkirakan nilai Populasi
dengan menggunakan nilai sampel. Misalnya rata-rata sampel digunakan untuk
menaksir rata-rata pupolasi proporsi sampel untuk menaksir proporsi populasi dan
jumlah ciri tertentu sampel untuk menaksir jumlah ciri tertentu populasi. Nilai
penduga disebut dengan estimator, sedangkan hasil estimasi disebut dengan estimasi
secara statistik. Melihat dengan cara estimasi produksi yang pernah dilakukan oleh
beberapa penelitian salah satu nya adalah ‘’Estimator Nadaraya-Watson Dengan
Pendekatan Cross Validation Dan Generalized Cross Validation Untuk Mengestimasi
Produksi Jagung’’ yang dilakukan oleh Universitas Gorontalo dari Fakultas
4
Matematika dan Ilmu Pengetahuan Alam memiliki hasil yang baik untuk
memperkirakan estimasi produksi. Oleh karena itu penelitian ini akan menggunakan
metode cross validation untuk mengestimasi kubis/kol dengan nadaraya-watson
estimator.
Dengan menggunakan metode cross validation estimasi rotasi, atau
pengujian di luar sampel adalah sebuah teknik validasi model untuk menilai
bagaimana hasil statistik analisis akan menggeneralisasi kumpulan data independen.
Teknik ini utamanya digunakan untuk melakukan prediksi model dan memperkirakan
seberapa akurat sebuah model prediktif ketika dijalankan dalam praktiknya. Dalam
sebuah masalah prediksi, sebuah model biasanya diberikan kumpulan data yang
diketahui untuk digunakan dalam menjalankan pelatihan serta kumpulan data yang
tidak diketahui (atau data yang pertama kali dilihat) terhadap model yang diuji.
Tujuan dari cross validation adalah untuk mendefinisikan dataset untuk "menguji"
model dalam tahap pelatihan yaitu (validasi data), dalam rangka untuk membatasi
masalah seperti terjadinya over fitting.
Salah satu alasan utama untuk menggunakan validasi silang dari pada
menggunakan validasi konvensional (misalnya mempartisi kumpulan data menjadi
dua set, yaitu 70% untuk pelatihan dan 30% untuk pengujian) adalah bahwa tidak ada
cukup data yang tersedia untuk mempartisinya menjadi pelatihan terpisah dan data
pengujian tanpa kehilangan pemodelan atau kemampuan pengujian yang signifikan.
Dalam kasus ini, cara yang adil untuk memprediksi model prediksi dengan tepat
adalah dengan menggunakan validasi silang sebagai teknik umum yang kuat. Validasi
silang menggabungkan (rata-rata) ukuran kecocokan (prediksi error) dengan melihat
nilai rata-rata pada setiap putaran untuk mendapatkan perkiraan kinerja model
prediksi yang lebih akurat.
Dalam estimasi Nadaraya-Watson estimator melalui pendekatan cross
validation mempunyai kelebihan yaitu membantu menentukan seberapa baik
performa model pada data baru, menguji kestabilan suatu model di luar data training ,
mengevaluasi performa model secara komperehensip, dan mampu menggeneralisasi
dengan baik pada data yang sebenarnya. Alasan menggunakan metode ini karena
5
dapat mengatasi overfiting, dan efisien dalam penggunaan data. Beberapa metode
pendekatan yang paling popular digunakan dalam regresi nonparametrik adalah
spline, fourier, wavelet dan kernel. Pada penelitian ini menggunakan kernel karena
memiliki kemampuan yang baik dalam memodelkan data yang tidak mempunyai pola
tertentu. Selain itu regresi kernel lebih fleksibel, bentuk matematisnya mudah, dan
dapat mencapai tingkat konvergen yang relatif cepat. Regresi kernel memiliki
beberapa fungsi, diantaranya fungsi Gaussian, fungsi Epanechnikov, fungsi triangle,
fungsi uniform, fungsi cosinus, dan fungsi kuadratik. Fungsi kernel yang biasa
digunakan adalah fungsi Gaussian, karena fungsi Gaussian lebih umum digunakan
dan lebih smooth dibandingkan dengan fungsi kernel yang lain. Pada regresi kernel
salah satu estimator yang sering digunakan yaitu estimator Nadaraya-Watson.
Beberapa penelitian sebelumnya tentang estimator Nadaraya-Watson telah dilakukan
oleh Nurul et al.. Nadaraya-Watson estimator dengan pendekatan kernel tergantung
pada dua parameter yaitu fungsi kernel dan pemilihan bandwidth yang digunakan.
Namun diantara keduanya pemilihan bandwidth memiliki pengaruh yang paling kuat
terhadap estimasi yang dihasilkan. Metode yang digunakan untuk mendapatkan
bandwidth yang optimal adalah dengan menggunakan metode Cross Validation (CV).
Berdasarkan latar belakang tersebut maka dilakukan penelitian dengan judul
“Estimasi Produksi Kubis/Kol Kabupaten Karo Dengan Nadaraya- Watson
Estimator Melalui Pendekatan Cross Validation”.
1.2. Rumusan Masalah

Berdasarkan latar belakang masalah tanaman kubis/kol berasal dari asia
tenggara, Kabupaten Karo provinsi Sumatera Utara di kenal sebagai salah satu sentra
produksi pangan sayuran nasional yang mampu memenuhi kebutuhan komoditas di
pasar dalam negeri bahkan di ekspor ke luar negeri. Oleh karena itu penelitian ini di
ajukan untuk mengestimasi kedua produksi kubis/kol menentukan berapa lama
produksi pangan yang dapat dihasilkan dan berapa perkiraan besaran hasil produksi
dengan menggunakan Nadaraya-Watson estimator melalui pendekatan Cross
Validation dan mendapatkan nilai bandwidth yang optimal.
6
1.3. Batasan Masalah

Batasan masalah penelitian sangat perlu dilakukan untuk mempermudah dan
memperkecil ruang lingkup peneliti, hal ini bertujuan agar penelitian yang dilakukan
lebih focus pada pokok permasalahan. Adapun batasan masalah dalam penelitian ini
yaitu :
1. Metode yang digunakan dalam penelitian ini yaitu metode Cross Validation
2. Data yang digunakan adalah produksi kubis/kol pada tahun 2012-2021
3. Data di ambil dari Dinas Tanaman Pangan dan Holtikultura Sumatera

Utara bagian Kabupaten Karo.
1.4. Tujuan Penelitian

Berdasarkan rumusan masalah tersebut, tujuan penelitian ini adalah :
a. Untuk mengetahui bagaimana menentukan estimasi produksi kubis/kol
dengan menerapkan metode Cross Validation.
b. Untuk mengetahui bagaimana hasil dari estimasi produksi kubis/kol pada
Kabupaten Karo dengan menggunakan metode Cross Validation pada
tahun 2022.
1.5. Manfaat Penelitian
a. Bagi Peneliti
Sebagai media untuk mengaplikasikan dan mengembangkan pengetahuan
statistik, keterampilan riset dan keterampilan pengolahan data khususnya
mengenai estimator kernel dalam mengestimasi sebaran data statistik
pertanian juga melatih berpikir kritis dalam menyelesaikan permasalahan
sesuai dengan bidang keilmuan yang ditekuni, yaitu matematika dan
menambah wawasan keilmuan yang berhubungan dengan Salah satu
metode untuk menentukan nilai bandwidth adalah Cross Validation (CV).
Metode Cross Validation atau sering disebut CV.
b. Bagi pembaca
7
Penelitian ini dapat dijadikan sebagai literatur penunjang untuk penelitian

selanjutnya. Penelitian ini juga dapat memberikan wawasan dan
pengetahuan mengenai statistik khususnya estimasi cross validation.
c. Bagi universitas
Hasil penelitian ini dapat dijadikan bahan tambahan untuk informasi
penelitian kedepannya dan sebagai tambahan referensi perpustakaan.
BAB II
TINJAUAN PUSTAKA
2.1 Estimasi
Pengertian estimasi menurut Kamus Besar Bahasa Indonesia (KBBI) adalah l l l l l l l l l l l
perkiraan, penilaian atau pendapat. Estimasi dapat diartikan sebagai sebuah kegiatan
l l l l l l l l l l l l l l l l l l
memperkirakan suatu kejadian dengan menggunakan metode tertentu. Dapat pula l l l l l l l l l l l
berarti menaksirkan nilai populasi melalui gambaran nilai atau data-data sampelnya.
Umumnya mengestimasi dilakukan dengan menarik kesimpulan statistik dari hal-hal l l l l l l l l l l l
yang bersifat umum ke hal yang bersifat khusus.

l l l l l
Estimasi merupakan hal yang sangat penting dalam kehidupan manusia. l l l l l l l l l l l l
Karena estimasi dapat memperkirakan sesuatu yang akan terjadi dimasa yang datang
l l l l l l l l l l l l l l l l l
berdasarkan data-data sebelumnya. Hasil dari estimasi tidak selalu benar tetapi
l l l l l l l l l l l l l l l
mendekati. Estimasi biasanya digunakan untuk meminimalkan suatu resiko yang

l l l l l l l l l l l
timbul dari suatu masalah yang terjadi, bukan untuk menghindari resiko. l l l l l l l l l
2.2 Estimasi Produksi l
Salah satu jenis dari kegiatan ekonomi ialah produksi. Dalam pengertian
sederhana, produksi adalah kegiatan menghasilkan barang atau jasa. Produksi

merupakan tolak ukur yang riil dalam keberhasialn pengelolaan tanaman yang
l l l l l l l l l l l l l l
merupakan output terpenting secara ekonimis. Produktivitas tanaman sangat

l l l l l l l l l l
bervariasi sesuai dengan kondisi lingkungan (iklim, kondisi lahan), kondisi genetik,
l l l l l l l
(bahan tanaman dan umur tanaman) dan interaksi di antara kedua nya yang berupa
pelaksanaan kultur teknis manajemen. Produksi jugamerupakan perubahan bentuk

dari berbagai input atau sumber daya menjadi output berupa barang dan jasa. Untuk
memprediksikan l hasil l produksi sesuai l dengan l jumlah l permintaan l l dan l
persediaan,maka perusahaan akan memperhitungkan bagaimana meningkatkan hasil

produksi sesuai dengan permintaan para konsumen. l l l l l l
8
9
2.3 Estimator Nadaraya-Watson l l l l l l
Estimator Nadaraya-Watson diperkenalkan pada tahun 1964 oleh Nadaraya

dan Watson. Estimator ini untuk memperkirakan sebagai rata-rata tertimbang secara
lokal dengan menggunakan kernel sebagai fungsi pembobotan. Estimator kernel

l l l l l l l l
merupakan pengembangan dari estimator histogram. Suatu histogram disusun dengan

l l l l l l l l l l
meletakkan titik-titik data ke dalam suatu bin atau kelas. Setiap bin dinyatakan secara
l l l l l l l l l l l l l l l l
grafik oleh segiempat dengan lebar sama dan tinggi proporsional dengan banyaknya
l l l l l l l l l l l l
titik-titik data yang terletak dalam bin tersebut. Estimator kernel ini umum digunakan
l l l l l l l l l
dalam model pendekatan nonparametrik. Hal ini disebabkan estimator densitas

mempunyai beberapa kelebihan, yaitu: l l l l l
a. Estimator kernel mempunyai bentuk yang fleksibel dan secara matematik

l l l l l l l l
mudah dikerjakan. l l l
b. Estimator kernel mempunyai rata-rata kekonvergenan yang relatif cepat.

l l l l l l l l l l
Estimator kernel ini disebut estimator densitas kernel Rosenblatt-Parzen

l l l l l
karena dikenalkan pertama kali oleh Parzen (1962) dan Rosenblatt (1956)
l l l l l l l l l l
(Klemela, 1957). Menurut Eubank (1998) pada dasarnya estimator kernel

l l l l l l l l
sama dengan estimator linier lainnya hanya saja metode kernel lebih khusus
l l l l l l l l l l
dalam penggunaan metode bandwidth

l l l l l
Menurut Halim dan Bisono estimator kernel dibagi menjadi tiga macam, yaitu:
l l l l l l l l l
a. Estimator Nadaraya-Watson l l l l l l
n
X −X
∑ K( h i)
^ = i=1
m n
Yi (2.1)
X −X i
∑ K( h )
l=1
b. Estimator Priestley-Chao l l
n
X−X i
m =∑ K (
^ )YK (2.2)
i=1 h
c. Estimator Gasser-Muller l l
1
n
X −X i
^=
m ∑
n i=1
S i , Si−1 K (
h
)Y i (2.3)
10
Dimana : l l
𝑖 = 1, … , 𝑛 − 1 dan 𝑠𝑛 = 1 l
Keterangan: l l
^ ( x ) = fungsi taksiran regresi

m l l
𝑌𝑖 = variabel respon pada data ke-i l l l l l l
𝑋𝑖 = variabel prediktor pada data ke-i l l l l l l
𝐾 = fungsi kernel
𝑛 = ukuran sampel/banyak pengamatan l l l l l l l
h = bandwidth atau smoothing l l l
parameter. (lamusu et. al,2020)

l l l l
2.3.1 Regresi Kernel
Salah satu metode untuk mengestimasi model regresi nonparametrik pada

l l l l l l l l
persamaan (2.1) adalah regresi kernel. Regresi kernel merupakan teknik statistik
l l l l l l l l l
nonparametrik untuk menaksir nilai ekspektasi bersyarat dari suatu variabel acak.
l l l l l l l l l l l l l
Nilai ekspektasi umumnya dinotasikan dengan (𝑌|𝑋). Regresi kernel bertujuan untuk
l l l l l l l
mendapatkan hubungan nonlinier antara variabel 𝑋 dan 𝑌. Ekspektasi bersyarat 𝑌

terharap 𝑋 dinyatakan sebagai berikut:

l l l l l l l
yf ( x , y )
E ( YIX ) =^
m(X ) ^ ( x ) =∫
atau m dy (2.4)
f (x )
l l
dimana 𝑓(𝑥, 𝑦) = fungsi kepadatan bersama dari (𝑋,𝑌) (𝑥) = fungsi kepadatan
marginal 𝑋
l l
Menurut Musholawati (2002) dalam Indrayanti (2014), pada pengepasan l l l l l l l l l l
kurva regresi pembobotan tidak dilakukan pada frekuensi 𝑋 tetapi pada variabel
respon 𝑌 di sekitar 𝑥. Maka pembobotan pengamatan 𝑌𝑖 ditentukan oleh jarak 𝑋𝑖 l l l l l l l l l l
terhadap 𝑥. Sehingga taksiran yang digunakan adalah:

11
n
1
^ ( x ) = ∑ W i ( x : X n )Y i
m (2.5)
n i=1
dimana 𝑊 adalah bobot penghalusan yang dipengaruhi oleh penghalus dan variabel
𝑋1, … , 𝑋𝑛. Sehingga bentuk umum penghalus regresi nonparametrik dinyatakan l l l l l l l
sebagai berikut : l l
n
1
^ ( x ) = ∑ W i ( X)Y i
m (2.6)
n i=1
dengan 𝑊𝑖 (𝑥) = 𝑊(𝑥: 𝑋1, … , 𝑋𝑛) (Musholawati, 2002 dalam Indrayanti, 2014).
l l l l l l l
a. Regresi Parametrik l l
Kegunaan pendekatan ini adalah untuk menganalisis hubungan yang terbentuk

antar variabel yaitu satu atau beberapa variabel predictor dengan variabel rediston.
Dalam regresi parametrik untuk variabel respon disebut juga variabel dependent
l l l l l l l l l
(variabel terikat) yang dinotasikan dengan variabel Y dan variabel prediktorr yang
disebut variabel independent (variabel bebas) dan dinotasikan dengan X. l l l l l l l l l
Secara umum bentuk model regresi linier berganda dalam hal ini linier dalam
l l l l l l l l l
parameter dengan prediktor dapat dituliskan sebagai berikut :

l l l l l l l l
(2.7)
Dalam bentuk notasi matriks, model regresi linier berganda untuk p parameter
l l l l l l l l
dan n observasi ditulis sebagai berikut :

l l l l
(2.8)
Dengan dikatakan sebagai variabel respon berupa vektor kolom ukuran x ,
l l l l l l l l l l
sedangkan merupakan matriks ukuran x . Parameter sebagai vektor yang berisi

jumlah parameter sehingga ukurannya x , dan ε adalah vektor dari variabel acak yang
berdistribusi normal secara independen. Untuk mengestimasi parameter dari model l l l l l l l
regresi linier, salah satu metode yang biasa digunakan adalah metode Ordinary Least l l l l l l l l l l l l l
Square (OLS). Meminimalkan kuadrat residual adalah prinsip dasar dari penggunaan
metode ini. Estimator kuadrat terkecil dapat diperoleh melalui bentuk sebagai berikut l l l l l l l l
(2.9)
12
b. Regresi Nonparametrik l l
Model statistik untuk mendeteksi hubungan antara variabel respon dengan l l l l l l l l
variabel prediktor. Pada model ini, bentuk dari fungsi regresi tidak diketahui dan
l l l l l l l l
kurva regresi tidak diketahui atau kurva regresi nonparametric tidak membentuk pola
l l l l l l l l l l
tertentu. Berikut merupakan bentuk umum dari regresi nonparametrik l l l l l
^ ( x i + Si )
Y i= m (2.10)
Dengan 𝑌𝑖 adalah variabel respon pengamatan ke-ί, 𝑥𝑖 adalah variabel prediktor
pengamatan komponen nonparametrik ke-ί , m adalah fungsi regresi yang tidak

l l l l l l l l l l
diketahui dan 𝜀𝑖 adalah residual ke-ί dengan asumsi residual regresi bersifat acak
dengan rata-rata 0 dan varians 𝜎2 . Dalam regresi nonparametrik, asumsi yang

mendasari regresi parametrik dapat diabaikan. Untuk mengestimasi fungsi regresi,

l l l l l l l l l l
fungsi regresi nonparametrik yaitu fungsi m diasumsikan berbentuk mulus. Dalam l l l l l l l
regresi nonparametrik, dapat dilakukan estimasi dengan beberapa estimator, salah l l l l l l l l l l l l l
satunya adalah estimator Least Square Spline (LS-Spline). Pada estimator LS-Spline,
terdapat potongan polinomial pada segmen berbeda yang disatukan pada knot
tertentu(andreas,c et.al, 2021). l l l
Salah satu teknik regresi nonparametrik yang sering digunakan untuk menaksir
l l l l l l l l l
fungsi regresi (𝑥) adalah dengan menggunakan Nadaraya-Watson estimator. l l l l l l l l l l l l
Estimator ini diperoleh dengan menggunakan metode penaksiran fungsi densitas

l l l l l l l
kernel. Fungsi densitas peluang bersama ƒ (𝑥, 𝑦) diduga dengan perkalian kernel l l l l l l l l
sebagai berikut :
l l
(2.11)
Taksiran penyebut pada persamaan Nadaraya-Watson dapat diperoleh dari

integral fungsi kepadatan bersama (𝑥, 𝑦):

l l l l l l
13
(2.12)
Dimana ʃ(sℎ2 + 𝑌𝑖) K (S) ds = 𝑌𝑖 (Kartika, 2000 dalam Indrayanti, 2014).
l l l l l l l l
Sedangkan taksiran penyebutnya adalah taksiran kepadatan kernel pada persamaan

(2.4) Sehingga dari kombinasi kedua taksiran probabilitas bersyarat pada persamaan
(2.5) akan diperoleh persamaan Nadaraya-Watson, yaitu:

n
1
∑ K h1 ( X−X i )Y i
n i=1
^=
m n
1
∑ K h1 (X −X i )
n l=1
(2.13)
dimana
l l
(2.14)
Sehingga l
1 X −X i n
∑
n i=1
K(
h
)
^= n
m Yi (2.15)
1 X −X i
∑ K( h )
n l=1
dengan 𝐾 adalah fungsi kernel dan h adalah bandwidth atau smoothing parameter dan
pengontrol kemulusan (Halim dan Bisono, 2006). l l l
Kemudian l persamaan
l l l (2.15) disubstitusikan l dalaml l persamaan l l l (2.1)
sehingga menjadi: l l
14
(2.16)
2.3.2 Fungsi Kernel

Suatu fungsi kernel harus merupakan fungsi kontiniu, berharga riil, simetris,
l l l l l l
dan terbatas. Menurut Hardle (1994), secara umum fungsi kernel didefinisikan
l l l l l l l
sebagai berikut:
l l
(2.17)
dengan: l
𝐾 = fungsi kernel
h = Bandwidth atau smoothing parameter.

l l l l l
Fungsi kernel di atas harus memenuhi beberapa syarat, yaitu : l l l l l l l l
(i) 𝐾(𝑥) ≥ 0, untuk semua 𝑥 l
(ii) ∫ K ( x ) dx=1
−∞
(iii) ∫ x 2 K ( x ) dx=a 2> 0

−∞
(iv) ∫ K ( x ) dx=0
−∞
Kelebihan kernel adalah dapat mencapai tingkat kekonvergenan yang relatif

cepat. (nisa, s., 2016).

l l
2.3.3 Pemilihan Bandwidth Optimum l l
Dinotasikan dengan h adalah konstanta positif untuk menentukan kemulusan

l l l l l l l l l l
dari kurva taksiran regresi. Dengan memilih bandwidth yang mendekati 0 maka
l l l l l l l l l l
taksiran yang didapatkan tidak mulus bahkan akan menonjolkan plot datanya saja.
15
Pada regresi kernel pemilihan bandwidth jauh lebih penting daripada pemilihan
l l l l l l l l l
fungsi kernel. Jika bandwidth yang dipilih terlalu kecil maka akan menghasilkan l l l l l l l l l l
estimasi kurva kurang mulus (under-smoothing), sebaliknya jika bandwidth terlalu

l l l l l l l l
besar maka akan menghasilkan estimasi kurva sangat mulus (over-smoothing) yang
tidak sesuai dengan pola sebaran data. Sehingga harus dipilih nilai bandwidth yang
optimum agar dihasilkan estimasi terbaik. l l l l l l
Terdapat beberapa metode yang digunakan dalam pemilihan bandwidth

optimum, salah satunya adalah menggunakan kriteria Generalized Cross Validation l l l l l l l l l l l l l
(GCV) (Galub et. al,1979), didefinisikan dengan : l l l l
(2.18)
n = Banyaknya data l l l l l
I = Matrix identitas l l
h = Bandwidth l
gcv = Generalized Cross Validation l l l
Menurut komang dan gusti (2012), kebaikan suatu estimator dapat dilihat dari l l l l l l l l l l
tingkat kesalahannya. Terdapat beberapa kriteria untuk menetukan estimator terbaik

dalam model regresi nonparametric, diantaranya :

l l l l l l l l
a. Mean Square Eror l l
untuk mengukur eror biasanya digunakan mean square eror. Estimasi l l l l l l l l
terbaik dipilih berdasarkan nilai MSE terkecil. Mean square eror (MSE) l l l l l l l
adalah rata- rata dari kuadrat kesalahan.

Root Mean Square Eror (RSME) l l (2.19)
b. Mean Absolute Deviation (MAD) l l l l

16
(Nisa, 2016) l
2.3.4 Pemilihan Bandwidth Optimal l l l
Bandwidth adalah pemulus parameter yang berfungsi untuk mengontrol

l l l l l l l
kemulusan dari kurva yang diestimasi dan sebagai ukuran kesesuaian fungsi pada l l l l l l l l l l l l l
data, sehingga dalam memilih nilai bandwidth diharapkan nilai optimal. Bandwidth
yang optimal diperoleh dengan menghitung nilai cross validation (CV). Pemilihan
l l l l l l l
bandwidth yang optimal diperoleh berdasarkan nilai CV minimum. Metode Cross

l l l l l l l
Validation dapat dinyatakan sebagai berikut :

l l l l l l l l l
(2.19)
cv = Cross Validation l l
h = Bandwidth, l
𝑦 = Variabel Dependen ke- ί l l
= Estimasi. (Nurul, et al, 2019) . l l
2.4 Metode Cross Validation l l
Cross validation adalah salah satu metode resampling data yang paling l l l l l l l l l l l l l
banyak digunakan prediksi yang sebenarnya kesalahan model dan untuk

menyetel parameter model. Cross validation atau dapat disebut estimasi notasi l l l l l l l l l l
adalah sebuah teknik validasi model untuk menilai bagaimana hasil statistik
analisis akan menggeneralisasi kumpulan data independen. Teknik ini utamanya

dilakukan untuk melakukan prediksi model dan memperkirakan seberapa akurat

sebuah model prediktif ketika dijalankan dalam praktiknya. Cross validation juga
salah satu metode untuk menentukan nilai bandwindth. Metode cross validation
l l l l l l l l
atau sering disebut CV adalah metode pendugaan data untuk menunjukan apa
yang harus dilakukan jika pengulangan observasi tersedia. Pada pemilihan

bandwidth yang optimum didasarkan nilai CV yang minimum.

l l l l l l l
17
(2.20)
cv = Cross Validation l l
h = Bandwidth, l
𝑦 = Variabel Dependen ke- ί l l
= Estimasi. l
Cross validation mirip dengan metode random subsampling, tetapi l l l l l l
pengambilan sampel dilakukan sedemikian rupa sehingga tidak ada dua set tes yang
tumpang tindih. Di dalam k-fold cross validation, set pembelajaran yang tersedia
l l l l l l l l l l
dipartisi menjadi k memisahkan himpunan bagian dengan ukuran yang kira-kira

sama. Di sini ‘’fold’’ mengacu pada jumlah himpunan bagian yang dihasilkan.
Partisi ini dilakukan dengan pengembalian sampel kasus secara acak dari set
pembelajaran tanpa penggantian. Cross validation sering melibatkan bertingkah

random sampling, yang berarti bahwa pengambilan sampel dilakukan sedemikian

rupa. (Daniel berrar, 2018).

l l l
2.5 Analisis Korelasi l l l
Analisis korelasi menurut Sugiyono (2017:224) koefisien korelasi merupakan

l l l l l l
angka hubungan kuatnya antara dua variabel atau lebih. Menurut sugiyono
(2017:228) koefisien korelasi merupakan teknik korelasi yang digunakan untuk l l l l l l l
mencari hubungan dan membuktikan hubungan dua variabel bila data dari dua
variabel atau tersebut adalah sama. Analisis korelasi dalam regresi nonparametric
kernel dilakukan untuk mengetahui variabel-variabel independen yang berpengaruh l l l l l l l l l
terhadap variabel dependen. l l l l
Keeratan hubungan dua variabel disebut dengan korelasi . Indeks yang l l l l l l l l l
mnegukur keeratan hubungan dua variabel disebut koefisien korelasi. Nilai koefisien l l l l l l l l
korelasi paling (r) dapat dinyatakan sebagai beikut :

l l l l l l l l l
−1 ≤r ≤ 1
Dimana : l l
18
r : 1, hubungan X dengan Y sempurna dan positif (mendekati 1, yaitu hubungan l l l l l l l
yang sangat kuat dan positif)

l l l l l
r : -1 hubungan X dengan Y sempurna dan positif (mendekati -1, yaitu hubungan l l l l l l l
yang sangat kuat dan negatif)

l l l l l l
r : 0, hubungan X dengan Y lemah sekali atau tidak ada hubungan. l l l l l l l l l l
(2.21)
2.6 Kubis/Kol
Kubis adalah sayuran yang tumbuh dalam bentuk kepala dan berwarna hijau l l l l l l l l l l l l l l
atau ungu. Kubis memiliki daun yang tebal dan keras serta tekstur yang lembut saat
dimasak. Kubis mengandung berbagai macam nutrisi seperti vitamin C, vitamin K,

l l l l l l l l l
folat, potassium, dan serat. Kubis mempunyai rasa yang gurih, krispi dan kaya akan
nutrisi yang baik untuk kesehatan. Kubis telah menjadi salah satu sayuran yang
populer di seluruh dunia, terutama di negara-negara Eropa, Amerika Utara, dan Asia. l l l l l l l l l l l l l l l
Oleh karena itu, kubis adalah salah satu sayuran yang sangat baik untuk kesehatan
dan sebaiknya dikonsumsi secara rutin dalam menu makanan sehari-hari.

2.7 Penelitian Terdahulu l l
Adapun penelitian relavan yang pernah

l l l l l l l dilakukan l l beberapa l l peneliti
terdahulu menggunakan Estimator Nadaraya-Watson dengan metode Cross
l l l l l l l l l l
Validation di antaranya adalah :

l l l l l l l l l
Berdasarkan penelitian yang di lakukan pada tahun 2020 oleh febriola, et al

universitas negeri gorontalo dengan judul ‘’Estimator Nadaraya-Watson dengan

l l l l l l l l l l
Pendekatan l l Cross Validation l l dan l Generalized l Cross Validation l l Untuk

Mengestimasi Produksi Jagung’’ mendapatkan hasil bahwa metode generalized l l l l l l l l l
cross validation (CGV) lebih baik dari pada metode cross validation (CV)
l l l l l l l l
untuk estimasi data produksi jagung di provinsi gorontalo. Metode GCV l l l l l

19
menghasilkan nilai bandwidth optimum sebesar 742392,2l l l l l dengan h₁= 400, l
h₂ = 400, h₃ = 400, nilai koefisien determinasi sebesar 0,9998944, dan MSE = l l l l
202583,9.
Berdasarkan penelitian yang dilakukan pada oleh Nurul.,et al pada tahun 2019
dengan judul‘’Estimasi model Regresi Nonparametrik Kernel Menggunakan

l l l l l l
Estimator Nadaraya-Watson’’ hasil analisis yang telah dilakukan untuk menentukan

estimasi model regresi nonparametrik kernel dengan estimator Nadaraya-

l l l l l l l l l
Watson,maka disimpulkan
l l l l bahwa l l untuk data indeks pembangunan manusia l l l l l l
diperoleh bandwidth optimal untuk estimator Nadaraya-Watson dengan fungsi kernel l l l l l l l l l
Gaussian sebesar 1,384884. Hasil estimasi tersebut memperoleh nilai koefisien

l l l l l l
determinasi sebesar 63,2% dan mengasilkan nilai MAPE sebesar 2,5% yang berarti
l l l l l l l l l l
bahwa kemampuan estimasi sangat baik.

l l l l l l l l
Berdasarkan penelitian yang dilakukan Muǵla SItƙI KοÇman Ȕniversitesi pada

tahun 2010 dengan judul ‘’On The Adaptive Nadaraya-Watson Kernel Regression
l l l l l l l l l
Estimators’’ hasil dari studi simulasi yang dilakukan untuk mengevaluasi kinerja
l l l l l l l l l l
estimator kernel yang l l dipertimbangkan l l menunjukan bahwa estimator regresi l l l l
kernel Nadaraya-Watson adaptif dengan bandwidth yang bervariasi memberikan

estimasi yang lebih baik dari pada estimator Nadaraya-Watson dengan bandwidth
tetap. Secara khusus estimator regresi kernel Nadaraya-Watson adaptif dimana

bandwidth diperoleh dengan menggunakan rata rata aritmatika alih-alih rata-rata

geometrik, menghasilkan kerja yang lebih baik. Terakhir estimasi regresi kernel l l l l l l l
Nadaraya-Watson adaptif lebih disukai untuk memperkirakan fungsi regresi secara

nonparametrik. l l
2.8 Wahdatul Ulum l l
‫َو ُهَو ٱَّلِذٓى َأنَز َل ِم َن ٱلَّس َم ٓاِء َم ٓاًۭء َفَأْخ َر ْج َنا ِبِهۦ َنَباَت ُك ِّل َش ْى ٍۢء َفَأْخ َر ْج َنا ِم ْنُه َخ ِض ًۭر ا‬
‫ُّنْخ ِر ُج ِم ْنُه َح ًّۭب ا ُّم َتَر اِكًۭب ا َو ِم َن ٱلَّنْخ ِل ِم ن َطْلِع َها ِقْنَو اٌۭن َد اِنَيٌۭة َو َج َّنٰـ ٍۢت ِّم ْن َأْعَناٍۢب‬
‫َو ٱلَّز ْيُتوَن َو ٱلُّر َّم اَن ُم ْش َتِبًۭه ا َو َغْيَر ُم َتَش ٰـ ِبٍهۗ ٱنُظُر ٓو ۟ا ِإَلٰى َثَم ِرِهٓۦ ِإَذ ٓا َأْثَم َر َو َيْنِع ِهٓۦۚ ِإَّن‬
)٩٩( ‫ِفى َٰذ ِلُك ْم َلَٔـاَيٰـ ٍۢت ِّلَقْو ٍۢم ُيْؤ ِم ُنوَن‬
20
Firman Allah Swt dalam Alqur’an Surah Al-An’am ayat 99 Yang artinya : “Dan
dialah yang menurunkan air hujan dari langit, lalu kami tumbuhkan dengan air itu
segala macam tumbuh-tumbuhan maka kami keluarkan dari tumbuh-tumbuhan itu

tanaman yang menghijau. Kami keluarkan dari tanaman yang menghijau itu butir
yang banyak dan dari mayang korma mengurai tangkai-tangkai yang menjulai, dan
kebun-kebun anggur, dan (kami keluarkan pula) zaitun dan delima yang serupa dan l l l l l l l l l l l l
yang tidak serupa.perhatikanlah buahnya di waktu

l l l l l l l l l pohonnya berbuah dan l l l
(perhatikan pulalah) kematangannya. Sesungguhnya pada yang demikian itu ada

tanda-tanda (kekuasaan Allah) bagi orang-orang yang beriman.”

Sepintas ayat tersebut sepertinya tidak sejalan dengan apa yang akan l l l l l l l l l l l l l
dikembangkan dan dikaji lebih lanjut dalam penelitian ini. Akan tetapi ada hal l l l l l l l l l l l l l l
menarik dan perlu disoroti dari ayat tersebut. Dalam ayat tersebut dikatakan bahwa
Allah SWT mengeluarkan dari tanaman yang menghijau itu butir yang banyak dan
dari mayang korma mengurai tangkai-tangkai yang menjulai, dan kebun-kebun

anggur dan (kami keluarkan pula) zaitun dan delima yang serupa dan yang tidak
serupa. Konteks yang ditentukan dalam penelitian ini berawal dari tanaman yang
menghijau (tanaman yang mempunyai nilai guna), sesungguhnya Allah SWT telah l l l l l l l l l l l l
menunjukkan kekuasaan-Nya mengenai dunia tumbuh- tumbuhan dari kata tanaman l l l l l l l l l l l l l l
yang menghijau dapat diartikan bahwa Allah SWT telah menumbuhkan ribuan jenis
tanaman dan buah-buahan dalam segala bentuk, warna, bau dan rasa. Kekuasaan
l l l l l l l l l l l l l l l l l l l l
Allah SWT mengenai dunia tumbuh-tumbuhan terlihat pada modifikasi tumbuh-

l l l l l l l l l
tumbuhan itu sesuai dengan kondisi lingkungan. l l l l
Islam memberikan jalan yang sangat luas bagi manusia dalam mencari
penghidupan di dunia, bumi yang dipusakakan oleh Allah Swt ini agar dikelola l l l l l l l l l l l
dengan sebaik-baiknya dan menuai hasilnya untuk memenuhi kebutuhan sehari-

l l l l l l l l l l
hari. Dalam hal perdagangan Allah Swt telah memberikan keterangan dalam
sebuah ayat Wa’ahllallaahul bai’a wa haraamar ribaa’, dan Allah menghalalkan jual-
l l l l l l l l l l l l l l l l l l l l l l l l
beli dan mengharamkan riba. Maka jelaslah bahwa perdagangan, perniagaan atau
l l l l l l l l l l l l l l l l l l l
jual-beli sangat dianjurkan dan merupakan jalan yang diperintahkan olah Allah.
21
Namun perdagangan juga harus diperhatikan dalam mengimplementasikannya untuk

menghindarkan manusia dari jalan yang bathil dalam pertukaran sesuatu yang l l l l l l l l l l l l l l l
menjadi milik di antara sesama manusia. Allah Swt berfirman :

‫َأْم َٰو َلُك م َبْيَنُك م ِبٱْلَبٰـ ِط ِل ِإٓاَّل َأن َتُك وَن‬ ‫َيٰٓـَأُّيَها ٱَّلِذ يَن َء ا ُنو۟ا اَل َتْأُك ُلٓو ۟ا‬
‫َم‬
( ‫َتْقُتُلٓو ۟ا َأنُفَس ُك ْم ۚ ِإَّن ٱَهَّلل َك اَن ِبُك ْم َر ِح يًۭم ا‬ ‫ِتَجٰـَر ًة َع ن َتَر اٍۢض ِّم نُك ْم ۚ َو اَل‬
)٢٩
Yang Artinya : “Hai orang-orang yang beriman, janganlah kamu saling memakan
harta sesamamu dengan jalan yang batil, kecuali dengan jalan perniagaan yang
berlaku dengan suka sama-suka di antara kamu.” (Q.S. An- Nisa’: 29)
Dalam melakukan perniagaan, Allah juga telah mengatur adab yang perlu
dipatuhi dalam perdagangan, di mana apabila telah datang waktunya untuk

beribadah, aktivitas perdangan perlu l l l l l l ditingalkan l l untuk beribadah l l kepada l l
Allah, sebagaimana firman Allah Swt:

l l l l l l l l l
“Dan apabila mereka melihat perniagaan atau permainan, mereka bubar

untuk menuju kepadanya dan mereka l l l l l tinggalkan l l kamu l sedang l berdiri

(berkhotbah). Katakanlah: ‘Apa yang di sisi Allah lebih baik daripada l l l l l l l l l l l l l l
permainan dan perniagaan’, dan Allah sebaik-baik pemberi rezki.” (Q.S. Al-
Jumu’ah:11). l
Al-Quran banyak sekali membahas tentang fenomena alam, seperti eksistensi

air, eksistensi laut, eksistensi tumbuhan dan pepohonan, eksistensi binatang,

l l l l l l l
kebersihan lingkungan, kerusakan lingkungan, eksistensi awan, angin dan hujan.

l l l l l l l l l l
Allah SWT menumbuhkan berbagai jenis macam tanaman atau tumbuh-tumbuhan

dimuka bumi. Sebagaimana firman Allah SWT dalam surat Thaha/20:53

‫اَّلِذ ْي َج َعَل َلُك ُم اَاْلْر َض َم ْهًد ا َّو َس َلَك َلُك ْم ِفْيَها ُس ُباًل َّو َاْنَز َل ِم َن‬
۵۳ ﴿ ‫﴾الَّس َم ۤا ِء َم ۤا ًء ۗ َفَاْخ َر ْج َنا ِبٖٓه َاْز َو اًجا ِّم ْن َّنَباٍت َش ّٰت ى‬
Artinya : “(Tuhan yang telah menjadikan bumi sebagai hamparan bagimu, dan
menjadikan jalan-jalan di atasnya bagimu, dan yang mnurunkan air (hujan) dari
langit.” Kemudian kami tumbuhkan dengannya (air hujan itu) berjenis-jenis aneka
l l l l l l l l l l
22
macam tumbuh-tumbuhan. (QS. Thaha: 53)”.

l l l l l
Berdasarkan ayat tersebut bahwa sesungguhnya Allah SWT telah

menciptakan keanekaragaman tumbuh-tumbuhan yang dapat dinikmati oleh semua

manusia untuk dijadikan sebagai kebutuhan, ilmu pengetahuan, dan sumber

l l l l l l l l l l
pencaharian dalam kehidupan ini. Kebutuhan dan pengetahuan tersebut dapat

dijadikan hasil untuk meneruskan dan mengembangkan ilmu pengetahuan

l l l l l l l l l
berikutnya, dan tanda-tanda itu semua merupakan kekuasaan Allah SWT sebagai
nikmat untuk makhluknya. Seperti halnya Allah SWT menciptakan beberapa aksesi
berbagai keanekaragaman dalam satu spesies.

l l l l l l l l l l
BAB III l
METODOLOGI PENELITIAN l
3.1 Tempat dan Waktu Penelitian l l l l
Penelitian ini dilaksanakan di kantor Dinas Tanaman Pangan dan l l l l l l l l l l l l l
Holtikultura Provinsi Sumatera Utara Medan. Jl. Jenderal Besar A.H. Nasution l l l l l l l l l l
No. Pangkalan Mahsyur, Kec. Medan Johor, Kota Medan, Sumatera Utara.
Waktu penelitian ini dilaksanakan mulai Juli 2023 sampai selesai.

l l l l l l l l l l
3.2 Jenis Penelitian dan Sumber Data l l l l
Jenis pada penelitian ini yaitu kuantitatif yang bertujuan untuk l l l l l l l l
memperkirakan sesuatu agar bisa mendapat gambaran umum melalui data – l l l l l l l l l l l l l l
data yang terkumpul sesuai dengan konsepnya. Penelitian ini menggunakan data dari
Dinas Tanaman Pangan dan Hotlikultura dan data yang digunakan data sekunder.
Data tersebut adalah data produksi kubis/kol luas panen, dan luas tanam.
3.3 Variabel Data l l l l
Variabel-variabel yang digunakan dalam penelitia ini adalah variabel respon

disebut juga variabel dependen (variabel terikat) yang dinotasikan variabel Y l l l l l l l l l l l
dan variabel prediktor yang disebut variabel independen (variabel bebas) dan
l l l l l l l l l l
dinotasikan dengan X. Variabel yang menguraikan dengan lengkap keputusan-

keputusan yang akan di buat. Adapun variable keputusan pada penelitian ini
berupa estimasi produksi tanaman pangan yang akan di teliti.

l l l l l l l l l l
x1 : Kubis
𝑥2 : Luas Tanam l l l
𝑥3 : Luas Panen l l
y1 : jumlah tahun l l
𝑚̂ (𝑥) : fungsi taksiran regresi l l
n : banyaknya data l l l l l
h : bandwidth l
23
24
cv : cros validation l l
3.4 Prosedur Penelitian l
Adapun prosedur penelitian yang harus dilakukan dengan menyelesaikan

l l l l l l l l l l
penelitian ini yaitu :

l l
1. Mengumpulkan data yang diperoleh dari Dinas Tanaman Pangan Dan l l l l l l l l l l l l
Holtikultura Sumatera Utara l l l l l
2. Uji Analisis Korelasi menggunakan metode Cross Validation

l l l l l l l
3. Pemilihan Bandwidth Optimum dengan Cross Validation

l l l l l
4. Estimator dengan Nadaraya-Watson dengan metode Cross Validation

l l l l l l l l l l
3.5 Diagram Alur Penelitian

l l l l
Berikut ini adalah diagram alur yang digunakan dalam penelitian

Mulai
Mengumpulkan Data
Uji Analisis Korelasi
Pemilihan Bandwidth Optimum

dengan Cross Validation
Estimator dengan Nadaraya-Watson

dengan metode Cross Validation
Selesai
BAB IV l
HASIL DAN PEMBAHASANl l l l l
4.1. Pengumpulan Data l l l
Data yang digunakan dalam penelitian ini data sekunder. Data tersebut adalah
data produksi kubis/kol, luas tanam, luas panen yang didapat dari dinas tanaman
pangan dan holtikultura pada tahun 2012-2021. Berikut data produksi kubis/kol, luas
l l l l l l l l l l
lahan dan luas panen tanaman kubis/kol Kabupaten Karo.

Tabel 4.1 Data Produksi, Luas Tanam, Luas Panen Pada Kabupaten Karo
No Tahunl Produksi Luas Tanam l l l Luas Panen

l l
1 2012 249,26 2.907 3.217
2 2013 79.732 3.258 3.064
3 2014 64.305 3.354 2.409
4 2015 69.530 3.308 2.927
5 2016 92.551 3.196 3.313
6 2017 98.235 3.997 3.731
7 2018 94.970 3.725 3.540
8 2019 147.860 4.186 4.419
9 2020 134.718 4.217 4.151
10 2021 167.952 4.555 4.627
Jumlah l 949.102,3 36.703 35.398
4.2. Scatter Plot l
Dalam menentukan model regresi nonparamterik, langkah awal yang dilakukan

adalah membuat scatter plot antara variabel dependen dan variabel independen.
25
26
4.2.1. Scatter Plot Produksi dengan Luas Tanam

l l l l l
Scatter Plot Produksi dengan Luas

Tanam
5,000
4,500
4,000
3,500
3,000
2,500
2,000
1,500
1,000
500
0
0 20000 40000 60000 80000 100000 120000 140000 160000 180000
Scatter Plot Produksi dengan Luas Tanam
Gambar 4.1 Plot Produksi Kubis/Kol dengan Luas Tanam

l l l l l l
Berdasarkan scatter plot, didapatkan model

l l l l l l l
Gambar 4.1 menunjukkan hubungan antara produksi dengan luas tanam yang
membntuk garis tidak beraturan dan tidak membentuk pola apapun. Akan tetapi data
menyebar, ada data yang berdekatan dan data lainnya cukup jauh berbeda sehingga
terdapat beberapa data pencilan yang terlihat pada Gambar 4.1.

4.2.2. Scatter Plot Produksi dengan Luas Panen

l l l l
Scatter Plot Produksi dengan Luas

Panen
12
10
8
6
4
2
0
0 00 00 00 00 00 00 00 00 00 00
000 000 000 000 000 000 000 000 000 000
1 2 3 4 5 6 7 8 9 10
Scatter Plot Produksi dengan Luas Panen
Gambar 4.2 Plot Produksi Kubis/Kol dengan Luas Panen

l l l l l
27
Berdasarkan scatter plot didapatkan model

l l l l l l l
Gambar 4.2 menunjukkan hubungan antara produksi dengan luas tanam yang
membntuk garis tidak beraturan dan tidak membentuk pola apapun. Akan tetapi data l l l l l l l l l l l l l l
menyebar, ada data yang berdekatan dan data lainnya cukup jauh berbeda sehingga
terdapat beberapa data pencilan yang terlihat pada gambar 4.2.

Pada Gambar 4.1 dan Gambar 4.2 data menyebars ecara acak sehingga tidak
jelas hubungan antara produksi dengan luas tanam dan hubungan antara produksi
dengan luas panen. Oleh karena itu, pola data seperti ini sangat cocok untuk didekati
dengan pendekatan regresi nonparamterik.

l l l l l
4.3. Analisis Korelasi l l l
Analisis korelasi dalam regresi nonparamterik dilakukan untuk mengetahui

l l l l l l l l l l
variabel-variabel independen yang berpengaruh terhadap variabel dependen. Rumus

l l l l l l l l l l
untuk menghitung korelasi variabel independen (X) dengan variabel dependen (Y) l l l l l l
adalah sebagai berikut :

l l l l l
4.3.1. Korelasi Produksi dengan Luas Tanam l l l l l
4.3.2. Korelasi Produksi dengan Luas Panen l l l l
Hasil uji analisis korelasi tersebut disajikan dalam tabel 4.2.

l l l l l l l l l
28
Tabel 4.2 Analisis Korelasi

l l l l
Variabel l l Nilai Korelasi l l
Luas Lahan
l l l 0,9117
Luas Panen
l l 0,796
4.4. Pemilihan Bandwidth Optimum dengan Cross Validation (CV)

l l l l l
Pemilihan bandwdith optimum sangat penting dalam regresi kernel, karena nilai
l l l l l l l l l
bandwdith memiliki pengaruh yang paling kuat terhadap hasil estimasi. Berikut
l l l l l l l l l
adalah perhitungan menentukan bandwdith menggunakan metode CV.

l l l l l l l l
Untuk menentukan estimasi pada produksi berdasarkan luas lahan, digunakan model :
29
Untuk menentukan estimasi pada produksi berdasarkan luas lahan, digunakan model :
Selanjutnya menentukan bandwidth berdasarkan hasil estimasi :

l l l l l l l l l
Hasil estimasi produksi berdasarkan luas tanam dan luas panen adalah :
30
Untuk menentukan bandwidth optimum dilakukan perhitungan berikut :

l l l l l
1. Untuk h=1
31
2. Untuk h=2
3. Untuk h=3
4. Untuk h=4
5. Untuk h=5
6. Untuk h=6
7. Untuk h=7
8. Untuk h=8
9. Untuk h=9
32
10. Untuk h=10
Berdasarkan nilai bandwidth yang didapatkan berdasarkan CV, bandwidth optimum

dipilih berdasarkan nilai CV terkecil, yaitu 23677469013.

l l l l l
Kemudian menghitung MSE dengan rumus :

l l
33
Berdasarkan nilai bandwidth yang didapatkan berdasarkan CV, bandwidth optimum

dipilih berdasarkan nilai CV terkecil, yaitu 23677469013 dengan nilai MSE adalah
l l l l l l l l l l
sebesar 2625406797 dan bandwidth optimum adalah h10

l l l l l l
34
12
10
0
0 2 4 6 8 10 12
Gambar 4.3 Plot CV Bandwidth h10

l l l
4.5 Estimasi Nadaraya-Watson dengan Metode Cross Validation (CV)

l l l l l l l l l
Berdasarkan perhitungan bandwidth optimum Cross Validation model regresi

l l l l l l l
kernel Gaussian dengan estimator Nadaraya-Watson menghasilkan persamaan untuk

memprediksi produksi kubis/kol dengan model sebagai berikut : l l l
Dengan : l
Dimana :
l l
K : fungsi kernel
Xi : nilai amatan variabel prediktor ke-i
l l l l l l
Yi : nilai amatan variabel respon ke-i

l l l l l l
x : nilai random variabel X atau nilai tertentu dari variabel X, untuk penelitian ini
35
digunakan adalah hasil produksi pada saat xi adalah x=249

Maka :l l
Maka model akhirnya adalah sebagai berikut :

l l l l l l l l l
4.5.1 Hasil Estimasi menggunakan Nadaraya-Watson dengan Metode Cross

l l l l l l l l l l
Validation (CV)
l l
a. Pada X1 l l
b. Pada X2 l l
c. Pada X3 l l
36
d. Pada X4
l l
e. Pada X5
l l
f. Pada X6
l l
g. Pada X7
l l
h. Pada X8
l l
i. Pada X9
l l
37
j. Pada X10 l l
Untuk memudahkan perbandingan hasil produksi dengan estimasi menggunakan l l l l l l l l l
Nadayara Watson dengan hasil produksi berdasarkan aktual dapat dilihat pada tabel
4.3.
Tabel 4.3 Hasil Estimasi dengan Nadayara-Watson
l l l l l l l l l
Aktual l l Estimasi l
249 183,01
79732 195,35
64305 106,26
69530 189,48
92551 207,20
98235 2884,51
93970 258,05
147860 361,99
134718 342,56
167952 412,44
Berdasarkan hasil estimasi hasil produksi kubis/kol berdasarkan variabel luas

lahan dan luas tanam dipeproleh bahwa produksi paling tinggi terjadi pada tahun
2021 yaitu sebesar 2884 ,51kg. Sehingga dapat disimpulkan bahwa penggunaan
l l l l l l l l l l
Nadaraya-Watson estimator dengan menggunakan metode cross validation pada

estimasi hasil produksi kubis/kol dapat efektif digunakan dengan bandwidth optimum
l l l l l l l l
pada h10 yaitu sebesar 23677469013. Penggunaan bandwitdh ini menghasilkan

l l l l l l l l l
MSE=2625406797 sehingga penggunaan bandwith ini memiliki pengaruh yang kuat l l l l l l l
terhadap hasil estimasi. Dapat disimpulkan bahwasanya penggunaan metode

Nadayara-Watson pada estimasi hasil produksi kubis/kol dapat efektif digunakan

pada estimasi haisl produksi kubis/kol dengan menggunakan Cross Validation dan
l l l l l l l l l l
dengan bandwith optimum pada h10, karena dengan menggunakan bandwith

l l l l l l l l l l ini
dianggap memiliki pengaruh yang kuat terhadap hasil estimasi.
l l l l l l l l l
38
4.6 Pembahasan l l l
Pengumpulan data dalam penelitian ini dilakukan guna mendapatkan data aktual l l l l l l l l l l l l l l l l
hasil produksi kubis/kol di Kabupaten Karo yang diperoleh dari Dinas Tanaman
l l l l l l l l l l
Pangan Sumatera Utara. Selanjutnya dilakukan uji hubungan variabel, yaitu hasil
produksi kubis/kol dengan luas tanam dan luas lahan menggunakan scatter plot. l l l l l l l l l l l
Scatter plot hubungan antara hasil produksi dengan luas lahan didapatkan model
. Berdasarkan scatter plot, menunjukkan hubungan antara l l l l l l l l l
produksi dengan luas tanam yang membntuk garis tidak beraturan dan tidak l l l l l l l l l l l
membentuk pola apapun. l l l Sedangkan scatter plothubungan antara hasil produksi l l l l l l l l
dengan luas tanaman didapatkan model. Hal imi menunjukkan hubungan antara
produksi dengan luas tanam yang membntuk garis tidak beraturan dan tidak l l l l l l l l l l l
membentuk pola apapun. Data yang menyebar antara hasil produksi, luas lahan dan l l l l l l l l l l l l l l l
luas tanam secara acak sehingga tidak jelas hubungan antara produksi dengan luas
tanam dan hubungan antara produksi dengan luas panen. Oleh karena itu, pola data
seperti ini sangat cocok untuk didekati dengan pendekatan regresi nonparamterik. l l l l l l l l
Setelah mendapatkan model berdasarkan scatter plot, selanjunya melakukan

analisis korelasi antar variabel independen (X) dengan variabel dependen (Y).
l l l l l l l l l l
Korelasi antara produksi dengan luas lahan adalah 0,79 dan korelasi antara produksi
dan luas tanam adalah 0,91.Kemudian dilakukan Pemilihan bandwdith optimum yang
sangat penting dalam regresi kernel, karena nilai bandwdith memiliki pengaruh yang
l l l l l l l l l l
paling kuat terhadap hasil estimasi.

l l l l l l Untuk menentukan bandwidth optimum l l
dilakukan perhitungan menggunakan rumus :

l l l l l
Penggunaan metode cross validation pada estimasi hasil produksi kubis/kol l l l l l l l l
dapat efektif digunakan dengan bandwidth optimum pada h10 yaitu sebesar
l l l l l l l l l l
23677469013. Penggunaan bandwitdh ini menghasilkan MSE=2625406797 sehingga l l l l l l
penggunaan bandwith ini memiliki pengaruh yang kuat terhadap hasil estimasi. l l l l l l l l l l
Selanjunta, dengan menggunakan bandwith optimum tersebut, selanjunya didapatkan

39
model Nadayara-Watson berikut : l l l l l
Denggan menggunakan model tesebut, dipeproleh bahwa produksi paling tinggi

l l l l l l
terjadi pada tahun 2021 yaitu sebesar 2884 ,51 kg. Sehingga dapat disimpulkan
l l l l l l l l l l
bahwa penggunaan Nadaraya-Watson estimator dengan menggunakan metode cross

validation pada estimasi hasil produksi kubis/kol dapat efektif digunakan dengan
bandwidth optimum pada h10 yaitu sebesar 23677469013. Penggunaan bandwitdh ini
l l l l l l l l
menghasilkan MSE=2625406797 sehingga penggunaan bandwith ini memiliki

l l l l l l
pengaruh yang kuat terhadap hasil estimasi. Dapat disimpulkan bahwasanya

penggunaan metode Nadayara-Watson pada estimasi hasil produksi kubis/kol dapat

efektif digunakan pada estimasi haisl produksi kubis/kol dengan menggunakan Cross
l l l l l l l l l
Validation dan dengan bandwith optimum pada h10, karena dengan menggunakan
bandwith ini dianggap memiliki pengaruh yang kuat terhadap hasil estimasi.
l l l l l l l l l l
BAB IV l
PENUTUP
5.1. Kesimpulan l
Berdasarkan l l l hasil l ini, perkiraan l l besaran l l hasil

l produksi dengan l
menggunakan Nadaraya-Watson estimator melalui pendekatan Cross Validation

dan mendapatkan nilai bandwidth yang optimal, diperoleh kesimpulan bahwa

estimasi produksi kubis/kol menggunakan Cross Validation menghasilkan bandwidth

l l l l l l l l
optimum dipilih berdasarkan nilai CV terkecil, yaitu 13761739057 dengan nilai MSE l l l l l l l
adalah sebesar 2625406797 dan bandwidth optimum adalah h10 dan didapatkan model
estimasi daraya-watson didapatkan :

l l l l l l l l
5.2. Saran l l
Untuk penelitian selanjutnya diharapkan untuk : l l l l l l
1. Penelitian ini dapat dilanjutkan dengan pengujian bandwidth menggunakan l l l l l l l l l l
metode AIC, BIC maupun GCV serta model yang berbeda l l l l l
2. Adanya penambahan variabel dan tahun untuk pemodelan produksi kubis/kol

di Kota Medan secara akurat dan signifikan. l l l l l l l l
40
LDAFTAR PUSTAKA l l l l
Arisona, D. C. (2015). Analisis Diskriminan Linier Pada Klasifikasi Nasabah

Menunggak dan Tidak Menunggak Dengan Metode Cross Validation. Skripsi. l l l l l l l
FMIPA, Jurusan Matematika,Program Studi Statistika, Universitas Hasanuddin

Makassar. l l l
Badan Pusat Statistik (BPS) Provinsi Sumatera Utara. Statistik Hortikultura Provinsi
l l l l l l l l l l
Sumatera Utara l l l l
Christopher, A, Feevrinna, Y, Elfhira, J, nur, C.Analisis Pengaruh BI 7 Days l l l l l l l
Repo Rate Terhadap Indeks Harga Saham Gabungan Menggunakan l l l l l l l l l l l
Pendekatan Regresi Nonparametric Berdasarkan Estimator Least Square

l l l l l l l l l l
Spline. Jurnal Matematika, Statistika & Komputasi.Vol 17, No 3, 447 - l l l l l l l
461, May 2021 l
Febriolah,Lamusu,Tedy Machmad, Resmawan. Estimator Nadaraya-watson dengan

Pendekatan Cross Validation dan Generalized Cross l l l l l l Validation Untuk l l
Mengestimasi Produksi Jagung. Indonesian Journal of Applied Statistic. l l l l l l
Vol.3 No. 2-11-2020

Fitriyani, Nurul. (2014). Metode Cross Validation Dan Generalized Cross Validation
l l l l l l l
Dalam Regresi Nonparametrik Spline Studi Kasus Data Fertilitas Di Jawa

l l l l l l l l l l
Timur. Tesis, Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan l l l l l l l l l l l
Alam, Institut Teknologi Sepuluh November (ITS), Surabaya

l l l l l
Barer, Daniel. Cross Validation . Laboraturium Sains Data, Institut Teknologi Tokyo
l l l l l l l l l
2- 12-1-s3-70 Okayama, Meguro-ku, Tokyo 152-8550 Jepang, Januari 2018 l l l l l l
Huzain, Purnawansyah, Famiwati, Inggrianti. Performa Klasifikasi K-NN dan Cross

Validation Pada Data Pasien Pengidap Penyakit Jantung. Ilkom Jurnal Ilmiah.
Vol 12 No. 2, Agustus 2020, pp.81-86 l
https://pakdosen.co.id/pengertian-estimasi/ l l l
https://scikit-learn.org/stable/modules/cross_validation.htm l l l l
41
42
https://www.pertanian.go.id/home/?show=news&act=view&id=4682 l l l
Lestari, B,Chamidah , N, Saifudin ,T. Estimasi Fungsi Regresi Dalam Model

l l l l l l l
Regresi Nonparametric Birespon Spline Menggunakan Estimator Smoothing l l l l l
Spline dan Estimator Kernel. Jurnal Matematika Statistika, dan Komputasi

l l l l l l l l l l
(JMSK), Vol. 15 No.2.20-24-2019

Nurul, A, Naomi, S, Shantika,M. Estimasi Model Regresi Nonparametric Kernel
l l l l l l l
Menggunakan Estimator l l l Nadaraya-Watson. Bulletin Ilmiah Mat. Stat. dan

l l l l l l l l l
Terapannya (bimaster). Volume 08, No.4 (2019)

l l l l
Purwanti, I.Regresi Nonparametrik Kernel Menggunakan Estimator Nadaraya-

l l l l l l l l l l
Watson Dalam Data Time Series. Jurnal Penelitian, Vol. 1 No. 1. 49-56. 2019.
l l l l l l l
S.Demir, 𝑜̈. Oktamis. On The Adaptive Nadaraya-Watson Kernel Regression l l l l l l l l
Estimators. Hacettepe Journal Of Mathematics and Statistics. Volume 39

l l l l l l l
(3) (2010), 429-437.

Saputra, J. A., dan Listyani, E. Pemilihan Bandwidth pada Estimator Nadaraya-
Watson Dengan Tipe Kernel Gaussian Pada Data Time Series. Jurnal
l l l l l l l l l
Pendidikan Matematika Dan Sains, Vol. 1 No. 1. 1–7. 2016.

l l l l l l
43
LAMPIRAN
l l

Revisi Gita After Sidang-2

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

Revisi Gita After Sidang-2

Diunggah oleh

Hak Cipta:

Format Tersedia

ESTIMASI PRODUKSI KUBIS/KOL KABUPATEN KARO

DENGAN NADARAYA-WATSON ESTIMATOR

PROGRAM STUDI MATEMATIKA

SERLY AFRINA SINAGA

PROGRAM STUDI MATEMATIKA

Dr. Rina Filia Sari, M.Si Rina Widyasari, M.Si

Dr. Ismail Husein, M.Si

Judul : Estimasi Produksi Kubis/Kol Kabupaten Karo Dengan

Dr. Ismail Husein, M.Si

Dr. Rina Filia Sari, M.Si Rina Widyasari, M.Si

Penguji III Penguji IV

Rima Aprilia, M.Si Dr. Ismail Husein, M.Si

Dr. Zulham,S.H.I, M.Hum

Kata Kunci : estimasi, produksi, Nadayawara Watson Estimator, Cross

Key Word : estimation, production, Nadayawara Watson Estimator, Cross

Assalamualaikum Warahmatullahi Wabarakatuh

1.1. Latar Belakang Masalah

1.2. Rumusan Masalah

1.3. Batasan Masalah

3. Data di ambil dari Dinas Tanaman Pangan dan Holtikultura Sumatera

1.4. Tujuan Penelitian

1.5. Manfaat Penelitian

Penelitian ini dapat dijadikan sebagai literatur penunjang untuk penelitian

Pengertian estimasi menurut Kamus Besar Bahasa Indonesia (KBBI) adalah l l l l l l l l l l l

memperkirakan suatu kejadian dengan menggunakan metode tertentu. Dapat pula l l l l l l l l l l l

Umumnya mengestimasi dilakukan dengan menarik kesimpulan statistik dari hal-hal l l l l l l l l l l l

yang bersifat umum ke hal yang bersifat khusus.

Estimasi merupakan hal yang sangat penting dalam kehidupan manusia. l l l l l l l l l l l l

mendekati. Estimasi biasanya digunakan untuk meminimalkan suatu resiko yang

2.2 Estimasi Produksi l

sederhana, produksi adalah kegiatan menghasilkan barang atau jasa. Produksi

merupakan output terpenting secara ekonimis. Produktivitas tanaman sangat

pelaksanaan kultur teknis manajemen. Produksi jugamerupakan perubahan bentuk

memprediksikan l hasil l produksi sesuai l dengan l jumlah l permintaan l l dan l

persediaan,maka perusahaan akan memperhitungkan bagaimana meningkatkan hasil

produksi sesuai dengan permintaan para konsumen. l l l l l l

2.3 Estimator Nadaraya-Watson l l l l l l

Estimator Nadaraya-Watson diperkenalkan pada tahun 1964 oleh Nadaraya

lokal dengan menggunakan kernel sebagai fungsi pembobotan. Estimator kernel

merupakan pengembangan dari estimator histogram. Suatu histogram disusun dengan

dalam model pendekatan nonparametrik. Hal ini disebabkan estimator densitas

mempunyai beberapa kelebihan, yaitu: l l l l l

a. Estimator kernel mempunyai bentuk yang fleksibel dan secara matematik

b. Estimator kernel mempunyai rata-rata kekonvergenan yang relatif cepat.

Estimator kernel ini disebut estimator densitas kernel Rosenblatt-Parzen

(Klemela, 1957). Menurut Eubank (1998) pada dasarnya estimator kernel

dalam penggunaan metode bandwidth

^ ( x ) = fungsi taksiran regresi

𝑌𝑖 = variabel respon pada data ke-i l l l l l l

𝑋𝑖 = variabel prediktor pada data ke-i l l l l l l

h = bandwidth atau smoothing l l l

parameter. (lamusu et. al,2020)

2.3.1 Regresi Kernel

Salah satu metode untuk mengestimasi model regresi nonparametrik pada

mendapatkan hubungan nonlinier antara variabel 𝑋 dan 𝑌. Ekspektasi bersyarat 𝑌

terharap 𝑋 dinyatakan sebagai berikut:

Menurut Musholawati (2002) dalam Indrayanti (2014), pada pengepasan l l l l l l l l l l

respon 𝑌 di sekitar 𝑥. Maka pembobotan pengamatan 𝑌𝑖 ditentukan oleh jarak 𝑋𝑖 l l l l l l l l l l

terhadap 𝑥. Sehingga taksiran yang digunakan adalah:

𝑋1, … , 𝑋𝑛. Sehingga bentuk umum penghalus regresi nonparametrik dinyatakan l l l l l l l

Kegunaan pendekatan ini adalah untuk menganalisis hubungan yang terbentuk

disebut variabel independent (variabel bebas) dan dinotasikan dengan X. l l l l l l l l l

parameter dengan prediktor dapat dituliskan sebagai berikut :