ANALISIS PRODUKSI PADI DI INDONESIA MENGGUNAKAN MODEL REGRESI ROBUST ESTIMASI M, ESTIMASI S DAN ESTIMASI MM
DOI:
https://doi.org/10.34151/technoscientia.v16i1.4513Keywords:
Produksi Padi, Regresi Robust, Estimasi M, Estimasi S, Estimasi MMAbstract
Indonesia merupakan negara agraris yang sebagian besar penduduknya bekerja di sektor pertanian dengan komoditas utama padi. Pada tahun 2022 produksi padi nasional mencapai 32,07 juta ton. Jumlah ini mengalami kenaikan sebesar 0,72 juta ton dari tahun 2021. Kenaikan produksi padi berbanding lurus dengan kenaikan luas panen dan produktivitas padi pada tahun 2022. Salah satu metode yang dapat digunakan untuk menganalisis produksi padi di Indonesia adalah metode regresi linear berganda. Setelah dilakukan pengujian ternyata ada unsur pencilan dalam data sehingga penggunaan metode regresi linear berganda akan menghasilkan analisis yang kurang akurat. Oleh karena itu digunakan model regresi robust yang tahan terhadap pencilan supaya hasil analisis lebih akurat. Model regresi robust yang umum digunakan yaitu model regresi robust estimasi M, estimasi S dan estimasi MM. Tujuan dari penelitian ini untuk menganalisis produksi padi di Indonesia dengan menggunakan model regresi robust estimasi M, estimasi S dan estimasi MM. Model regresi robust estimasi S merupakan model terbaik dengan nilai tertinggi, yaitu sebesar 99,94% dan nilai standar eror residu terendah yaitu sebesar . Model regresi robust estimasi S yang terbentuk yaitu dan variabel yang berpengaruh signifikan terhadap produksi padi di Indonesia adalah luas panen dan produktivitas padi.
References
Astuti, Febriani. 2022. Estimasi Hubungan Antara Produksi Padi Terhadap Luas Panen dan Produktivitas Padi di Indonesia dengan Menggunakan Metode Regresi Robust Estimasi-M. Jurnal Statistika Industri dan Komputasi. Vol. 8, N0. 2, Juli, 2022, Hal 33-39
Chen, Colin. 2002. Robust Regression and Outlier Detection With The ROBUSTREG Procedure, Sugi Paper 265-270, SAS Institute Inc., Cary, NC.
Draper, N.R. and Smith, H. 1998. Applied Regression Analysis Third Edition. Willey Interscience Publication, United States.
Gasul, K., K., Atti, A., dan Kleden, M., A. 2023. Model Regresi Robust dengan Metode Estimasi M, Estimasi S dan Estimasi MM untuk Produksi Beras di Nusa Tenggara Timur. Estimasi, Vol. 4, No. 1, Januari, 2023, Hal. 20-32
Gujarati, Damodar. 1978. Ekonometrika Dasar. Penerbit Erlangga, Jakarta.
Huber PJ. 1981. Robust Statistics. New York (NY): John Wiley And Sons. Inc.
Kurniawan, A., Susanti, Y., dan Pratiwi, H. 2023. Pemodelan Produksi Padi di Indonesia Menggunakan Regresi Robust Estimasi Generalized M. Prosiding Pendidikan Matematika, Matematika dan Statistika Volume 7.
Lin TI, Lee JC, Hsieh WJ. 2007. Robust mixture modeling using the skew t-distribution. Statistics and Computing. 17(2): 81-92.
Maharani, I. F., Satyahadewi, N. & Kusnandar, D., 2014. Metode Ordinary Least Squares dan Least Trimmed Squares Dalam Mengestimasi Parameter Regresi Ketika Terdapat Outlier. Bimaster: Buletin Ilmiah Matematika, Statistika dan Terapannya, Volume 3(03), pp. 163-168.
Montgomery, D. C and Peck, E. A. 1992. Introduction to Linear Regression Analysis Second Edition. John Willey & Sons, Inc, New York.
Pradewi, E. D. dan Sudarno. 2012. Kajian Estimasi- M IRLS Menggunakan Fungsi Pembobot Huber dan Bisquare Tukey pada data Ketahanan Pangan di Jawa Tengah. pp. 1–10.
Rasantaka, M., P., R., Ashshidiqi, M., F., Yulianti, R., Zeinawaqi, Z. dan Widodo, E. 2022. Implementasi Regresi Robust untuk Mengetahui Faktor-Faktor yang Memengaruhi Produksi Padi di Indonesia. Jurnal Statistika dan Aplikasinya. No. 2, Vol. 6, 234-242.
Sembiring, R.K. 2003. Analisis Regresi. Penerbit ITB, Bandung.
Utomo , A.T., Erfiani, dan Fitrianto, A. 2022. Analisis Ridge Robust Penduga Generalized M (GM) Pada Pemodelan Kalibrasi Untuk Kadar Gula Darah. Variansi, Vol. 4, No. 2, Hal. 59-69
Yohai, V.J. 1987. High Breakdown Point and High Efficiency Robust Estimates for Regression, Annals of Statistics, Vol. 15, No. 20, pp. 642-656.
