pemodelan ntp padi palawija dengan pendekatan...
TRANSCRIPT
PEMODELAN NTP PADI PALAWIJA DENGAN PENDEKATAN FUNGSI TRANSFER DAN
MULTIVARIATE ADAPTIVE REGRESSION SPLINE TIME SERIES
4 Januari 2012 Seminar Hasil Tesis ITS 2012 1
Oleh:Sri Wahyuningsih
Mahasiswa Pasca Sarjana Jurusan Statistika FMIPAInstitut Technologi Sepuluh November Surabaya
Dosen PembimbingDr. Bambang W. Otok, S.Si,, M.Si.
January 17, 2012 Seminar Hasil Tesis ITS 2012 2
OUTline
Pendahuluan
Tinjauan Pustaka
Metodologi
Analisis dan Pembahasan
Kesimpulan dan Saran
Daftar Pustaka
Gorontalo adalah sentraproduksi jagung nasional (tahun2001 produksi jagung baru mencapai 81.720 ton maka pada 2010 menjadi 679.168 ton)
NTP padi palawija (sebagaiindikator kesejahteraan petani) Gor0ntalo di bawah 100
January 17, 2012 3
lATAR BelAKAnG
January 17, 2012 3Seminar Hasil Tesis ITS 2011
January 17, 2012Seminar Hasil Tesis ITS 2012 4
lATAR BelAKAnG
January 17, 2012 4
NTP Padi Palawija Time series
Luas panen jagung Time series
Analisis yang menggabungkan analisis time series dan causal
Fungsi transfer
MARS Time series semi multivariate
NTP padi palawija Produksi jagung(Luas panen Jagung)Harga jagung
Bagaimana pengaruh luas panen jagungterhadap NTP PADI palawija gorontalo
Bagaimana memodelkan NTP padi palawijadengan menggunakan fungsi transfer dan
ITS MARS multivariate
Bagaimana perbandingan model dari hasilmetode tersebut
RUMUSAn MASAlAH
January 17, 2012 Seminar Hasil Tesis ITS 2012 5
Melihat besarnya pengaruh luas panenjagung terhadap NTP padipalawija
Gorontalo
Mendapatkan Model time series NTP padipalawija di Gorontalo dengan
menggunakan ITS MARS semi multivariate dan fungsi transfer
Membandingkan model time series hasilfungsi transfer dan ITS MARS
TUJUAn PeneliTiAn
January 17, 2012 Seminar Hasil Tesis ITS 2012 6
MAnfAAT PeneliTiAn
Dapat digunakan oleh Badan PusatStatistik (BPS) sebagai salah satu
alternatif untuk memprediksi nilaitukar petani.
Mengembangkan wawasan keilmuandan ilmu pengetahuan mengenai
MARS time series dan fungsitransfer.
Bisa dilihat perbandingan hasilantara model yang diolah dengan
program MARS-time seris dan fungsitransfer.
January 17, 2012Seminar Hasil Tesis ITS 2012 7
January 17, 2012 Seminar Hasil Tesis ITS 2012 8
Pengaplikasian ITS MARS dan Fungsitransfer pada data NTP padi palawija
dan luas panen jagung di propinsiGorontalo
Data yang di analisis adalah data Luaspanen Jagung dan NTP padi palawija
tahun 2008-2010
BATASAn PeRMASAlAHAn
TinJAUAn PUSTAKA
January 17, 2012 Seminar Hasil Tesis ITS 2012 9
Cek Diagnosa dalam Time Series
• White noise• Kenormalan
Time Series
Fungsi TransfersFungsi transfer atau disebut juga MARIMA (multivariate ARIMA)
adalah suatu model yang menggambungkan antara pendekatan deretberkala dan pendekatan kausal. Tujuan pemodelan fungsi transfer adalahuntuk menetapkan model yang sederhana yang menghubungkan denganYt dan Xt (makridakis, wheelwright, McGee, 1999)
January 17, 2012 Seminar Hasil Tesis ITS 2012 10
TinJAUAn PUSTAKA
Bentuk Dasar Model Fungsi Transfer
Dimana= variabel dependen= variabel independen ke j= operator moving average order sj untuk variabel ke j= operator autoregresi order rj untuk variabel ke j= operator autoregresi order ke p= operator moving average order ke q= nilai gangguan acak
Tahap 1 Identifikasi model• mempersiapkan deret input dan output• pemutihan deret input• pemutihan deret output• penghitungan korelasi silang• penaksiran langsung bobot langsung input• penetapan (r, s, b) untuk model fungsi transfer yang
menghubungkan deret input dan output• penaksiran awal deret gangguan (nt) dan
penghitungan autokorelasi, parsial dan spektrum pada deret ini
• penetapan (pn, qn) untuk model ARIMA (pn,0, qn) darideret gangguan nt
TinJAUAn PUSTAKA
Tahapan dalam fungsi transfer
January 17, 2012 Seminar Hasil Tesis ITS 2012 11
Tahap 2 Penaksiran Parameter-parameter Model FungsiTransfer
• Taksiran awal nilai parameter• Taksiran akhir nilai parameter
Tahap 3 Uji Diagnosa odel ungsi Transfer
• Penghitungan autokorelasi untuk nilai sisa model (r, s, b) yang menghubungkan deret input dan output
• Penghitungan korelasi silang antara nilai sisa yang disebutkandalam 3.1 dengan deret gannguan yang telah diputihkan
Tahap 4 Penggunaan Fungsi Transfer untuk Peramalan
• Peramalan nilai-nilai yang akan datang dengan menggunakanmodel fungsi transfer.
TinJAUAn PUSTAKA
Tahapan dalam fungsi transfer
January 17, 2012 Seminar Hasil Tesis ITS 2012 12
MARSMARS adalah pemodelan nonparametrik yang menghasilkan modelyang kontinyu dalam knot. Model MARS digunakan untuk mengatasikelemahan RPR. Penentuan knot dilakukan secara otomatis daridata. Model MARS dikembangkan dengan dua stage forward danbackward stepwise regresi.Pada stage forward, seluruh domain dibagi menjadi subregion-subregion dan parameter model diestimasi dengan kriteria lack offit.Pada backward stage seluruh basis fungsi yang tidak berkontribusiterhadap tingkat akurasi di hilangkan
January 17, 2012 Seminar Hasil Tesis ITS 2012 13
TinJAUAn PUSTAKA
Model MARS
Dimana:= fungsi basis induk= koefisien dari fungsi basis ke-mM = maksimum fungsi basis (nonconstant fungsi basis)= derajat interaksi= nilai -1 atau 1
Model ITS MARS Pada dasarnya Model ITS MARS dan MARS adalah sama yang
membedakan nilai X
Dimana:= fungsi basis induk
= koefisien dari fungsi basis ke-mM = maksimum fungsi basis (nonconstant fungsi basis)
= derajat interaksi= nilai -1 atau 1
January 17, 2012 Seminar Hasil Tesis ITS 2012 14
TinJAUAn PUSTAKA
ITS MARS
ITS-MARS adalah MARS dengan mengambil nilai lag dari suatu time seriessebagai variabel prediktor yang mengandung model threshold yangkontinu. Pengembangan dari model threshold tersebut disebut ASTAR(Adaptive Spline Threshold Autoregression)
Pemilihan Model MARSPenentuan Model terbaik pada MARS adalah dengan
menggunakan nilai Generalized Cross Validation (GCV).
January 17, 2012 Seminar Hasil Tesis ITS 2012 15
TinJAUAn PUSTAKA
Dengan = variabel respon= variabel prediktor= taksiran/prediksi
N = banyak data= =
d =
TinJAUAn PUSTAKA
Pemilihan Model ITS MARS (Stevens G J)Dari disertasi James G stevens kriteria pemilihan model yang digunakan dalam disertasi tersebut ada 4 yaitu
• Generalized Cross Validation (GCV),
• Akaike Information Criterion (AIC),
• Amemyias Prediction Criterion,
• Schwarz-Rissanen Criterion (SC)
Hasil dari penelitian tersebut menyatakan kriteria Schwarz-
Rissanen Criterion (SC) adalah kriteria terbaik dalam menentukan
model ITS MARS
January 17, 2012 Seminar Hasil Tesis ITS 2012 16
Alat Analisis
• Minitab 16
• Eviews 7
• ITS MARS
January 17, 2012 Seminar Hasil Tesis ITS 2012 17
SUMBeR dATA dAn AlAT AnAliSiS
Variabel Penelitian pada Fungsi TransferVariabel Y/Output NTP Padi Palawija
GorontaloVariabel X/Input Luas Panen Jagung
Gorontalo
January 17, 2012 Seminar Hasil Tesis ITS 2012 18
VARiABel PeneliTiAn
Variabel Penelitian pada ITS MARS
•Variabel Respon = NTP Padi Palawija Gorontalo Bulan t (Yt)
•Variabel Prediktor = NTP Padi Palawija Gorontalo Bulan t-1(Yt-1), NTP Padi Palawija Gorontalo Bulan t-2(Yt-2), Luas Panen Jagung Gorontalo bulan t (Xt),Luas Panen Jagung Gorontalo bulan t-1 (Xt-1), danLuas Panen Jagung Gorontalo bulan t-2 (Xt-2).
MeTOde PeneliTiAn fUnGSi TRAnSfeR
Tahapan untuk menentukan model fungsitransfer. Tahap identifikasi model Penaksiran Parameter ModelMelakukan diagnosis model fungsi transfer Peramalan NTP dengan model fungsitransfer
January 17, 2012 Seminar Hasil Tesis ITS 2012 19
Melakukan uji linieritas dengan uji ramsey resetMenentukan jumlah variabel prediktor
menentukan nilai maksimum interaksi, maksimum fungsi basis, minimal jumlah pengamatan anatar knot serta derajat bebas
Penaksiran koefisien model.Menentukan model terbaik
Interpretasi model.Peramalan menggunakan menggunakan model ITS MARS
January 17, 2012 Seminar Hasil Tesis ITS 2012 20
Untuk membandingkan dua model tersebut digunakan nilai RMSEDefinisi RMSE dapat ditulis sebagai berikut:
RMSE=
DenganRMSE = Root mean square error
N = Jumlah sampel= Nilai Aktual
= Nilai prediksi
January 17, 2012 Seminar Hasil Tesis ITS 2012 21
Pada gambar 4.2 terlihat bahwa polanaik turun indeks yang diterima petanisama dengan indeks harga palawija.Kesamaan pola tersebut menunjukkanbahwa indeks yang diterima petanidipengaruhi oleh indeks harga jagung.Sementara itu, indeks harga padi polanaik turunnya berbeda dengan duaindeks lainnya.
January 17, 2012Sample footer 22
AnAliSiS dAn PeMBAHASAn
3632282420161284
120
110
100
90
80
Index
Dat
a
NTPPITIB
Variable
Time Series Plot of NTPP, IT, IB
MayNovMayNovMayNov
130
120
110
100
90
80
Month
Dat
a
I_PadiI_PalawijaIT
Variable
Time Series Plot of I_Padi, I_Palawija, IT
Gambar 4.1 Perkembagan NTP padi palawija, Indeks yang Diterima Petani dan Indeks yang Dibayar Petani
Gambar 4.2 Perkembagan Indeks yang Diterima Petani, Indeks HargaPadi dan Indeks Harga Jagung/palawija
Dari plot disamping terlihat bahwa NTPpadi palawija itu, indepergerakan danpola naik turunnya searah dengan indeksyang diterima petani. indeks yang dibayarpetani memiliki pola yang berbeda denganNTP padi palawija.
January 17, 2012Sample footer 23
AnAliSiS dAn PeMBAHASAn
87654321
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Aut
ocor
rela
tion
Autocorrelation Function for diff tranLPJ(with 5% significance limits for the autocorrelations)
87654321
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Part
ial A
utoc
orre
lati
on
Partial Autocorrelation Function for diff tranLPJ(with 5% significance limits for the partial autocorrelations)
ACF PACF
Berdasarkan plot ACF dan PACF serta lag yang signifikan, maka didugaada tiga model yang sesuai untuk data luas panen jagung yaitu ARIMA ([3],1,[3]), ARIMA ([3],1,0), dan (0,1,[3]). Dari tiga model tersebutselanjutnya di cari nilai parameternya, diuji white noise, dan di ujinormalitas.
Tiga model yang dari deret input sudah memenuhi asumsi white noise dan kenormalan. Oleh karena itu untuk mencari model terbaik untuk deret input di lihat dari nilai AIC. Tabel di atas
menunjukkan nilai AIC terkecil adalah model ARIMA ([3],1,[3]) dengan nilai AIC 293.4131
January 17, 2012Sample footer 24
AnAliSiS dAn PeMBAHASAn
Model Nilai AICARIMA ([3],1,[3]) 293.4131ARIMA ([3],1,0) 295.6819ARIMA (0,1,[3]) 298.4672
Tabel 4.4 Kriteria model terbaik berdasarkan nilai AIC
Setelah deret input dan outut diputihkan selanjutnyadilakukan korelasi silang antara deret input dan output.
Dari korlasi silang diperoleh nilai orde r, s, dan b. nilaiorde deret input yang terbentuk adalah b=0, s=0, dan
r=1. sehingga model awal yang terbentuk
January 17, 2012Sample footer 25
AnAliSiS dAn PeMBAHASAn
pemutihan deret input bisa ditulis sebagai berikut:
pemutihan deret output bisa ditulis sebagaiberikut:
January 17, 2012Sample footer 26
AnAliSiS dAn PeMBAHASAn
Model Gangguan
Parameter EstimasiStandar
errorT hitung p-value
ARMA (1,0) 0.042530.982341.00000
0.011650.00457680.02289
3.65214.6343.69
0.0011<0.0001<0.0001
ARMA (1,1) 0.018310.992241.00000-0.02125
0.00869130.00320910.041090.22707
2.11309.2024.34-0.09
0.0450<.0001<.00010.9262
Tabel 4.7 Uji Signifikansi Parameter Model Akhir Luas Panen Jagung terhadap NTP padi palawija
Model awal fungsi transfer yang terbentuk belum memenuhi asumsi whitenoise. Karena residual/deret gangguan tidak white noise artinya deretgangguan bersifat dependen oleh karena itu deret gangguan bisadimodelkan dengan ARMA. Kemudian setelah deret noise dimodelkan makadiperoleh nilai parameter model akhir fungsi transfer seperti terlihat padatabel di atas .Secara matematis model akhir fungsi transfer bisa ditulis sebagai berikut:
January 17, 2012Sample footer 27
AnAliSiS dAn PeMBAHASAn
Pemodelan NTP Padi palawija dengan kombinasi fungsi basis sebanyak 6,maksimum interaksi 1, 2, 3 dan minimum observasi 0 sampai 3. Dari 12kombinasi model yang terbentuk, model yang menghasilkan nilai GCV palingrendah 2.29..
Model MARS time series yang dihasilkan pada nilai GCV terendah adalahsebagai berikut:
Y = 87.935 -2.981*BF1 -0.00016*BF2 +2.570*BF3
DimanaBF1 = max(0, 86.4 -x1)BF2 = max(0, x3 -9251)BF3 = max(0, 85.57 -x1)Y = NTP padi palawija bulan tx1 = NTP padi palawija bulan t-1x3 = Luas panen jagung bulan t-1
January 17, 2012Sample footer 28
AnAliSiS dAn PeMBAHASAn
Model yang dihasilkan dari kombinasi 9 fungsi basis maksimum interaksi 1,2, 3 dan minimum observasi antar knot 0 sampai 3 memiliki nilai GCV 2. dalahsebagai berikut:
Y = 84.827 - 3.229*BF1 - 0.00014*BF2 + 3.388*BF3
dimanaBF1 = max(0, x1 -86.39)BF2 = max(0, x3 -9251)BF3 = max(0, x1 -85.57)Y = NTP padi palawija bulan tx1 = NTP padi palawija bulan t-1x3 = Luas panen jagung bulan t-1
January 17, 2012Sample footer 29
AnAliSiS dAn PeMBAHASAn1
Model dengan kombinasi basis fungsi 9, MI 1, 2, dan 3, MO 0 sampai 3.menghasilkan model dengan nilai GCV terendah sebagai berikut:
Y = 84.788 - 3.193*BF1 + 3.346*BF2 - 0.00015*BF3
dimanaBF1 = max(0, x1 -86.4)BF2 = max(0, x1 -85.57)BF3 = max(0, x3 -10359)Y = NTP padi palawija bulan tx1 = NTP padi palawija bulan t-1x3 = Luas panen jagung bulan t-1
Dari model seluruh model yang terbentuk , modelterbaik diperoleh darikombinasi BF=6, MI=1, MO=0 atau 1
January 17, 2012Sample footer 30
AnAliSiS dAn PeMBAHASAn
MODEL RMSE in sample RMSE out sample
Fungsi transfer 1.8353 9.4327
MARS Time Series 1.1716 3.5508
Tabel 4.14. Nilai RMSE in sample dan out sample Model Fungsi Transfer dan MARS Time Series
76788082848688909294
Janu
ari
Febr
uari
Mar
et
Apri
l
Mei
Juni
Juli
Agus
tus
Sept
embe
r
Okt
ober
Nov
embe
r
Des
embe
r
Aktual
Prediksi Model MARS time series
Prediksi Model Fungsi Transfer
January 17, 2012Sample footer 31
KeSiMPUlAnBerdasarkan analisis dan pembahasan di BAB IV dapat disimpulkan bahwa:Luas panen jagung propinsi Gorontalo mempunyai pengaruh terhadap NTP padi palawija propinsi gorontalo walaupun pengaruhnya kecil. Pada model MARS time series memperlihatkan luas panen jagung bulan sebelumnyayang berpengaruh terhadap NTP padi palawija bulan bersangkutan. Sementara itu luas panen jagung bulan bersangkutan tidak berpengaruhterhadap NTP padi palawija Gorontalo.Model fungsi transfer yang dihasilkan dalam penelitian ini belummemenuhi asumsi kenormalan sehingga dalam mengatasi masalah tersebutdigunakan pendekatan non parametrik yaitu metode MARS time series yang tidak ketat asumsi.Hasil prediksi menunjukkan nilai prediksi MARS time series lebih mendekatinilai aktual yang didukung dengan nilai RMSE dari model MARS time series lebih kecil daripada model fungsi transfer.
BPS (2010), Statistik Indonesia, Badan Pusat Statistik. Jakarta.BPS (2011), Pedoman Pengolahan Nilai Tukar Petani, Badan Pusat Statistik, Jakarta.
Budiantara, I.N. (2006), Model Spline Dengan Knots Optimum, Jurnal Ilmu Dasar, Fakultas MIPA, Universitas Jember.Budiono (1993), Ekonomi Mikro, Yogyakarta: BPFE Yogyakarta
Chapman, Hall (2000). Forecasting Time Series. Chris Chatfield Department of Mathematical Sciences University of Bath Bath, U.K., BA27A Y
Cryer, J.D. (1986), Time series Analysis, PWS-KENT Publishing Company, Boston.Daniel, W.W. (1989), Statistika Nonparametrik Terapan, PT. Gramedia, Jakarta.
Effendi, B.,(2011). “Hybrid MARS-time series pada Pemodelan Stastical Downscalling”. Makalah seminar nasional. jurusan Statistika,FMIPA,ITS-Surabaya
Friedman, J.H. (1991), “Multivariate Adaptive Regression Splines”, Journal the Annals of Statistic, Stanford Linear cceleratorcenter and department of Statistic Stanford University Stanford, California
Gorontalo Pusat Informasi Jagung Dunia (2011), koran-jakarta.com /index. php/ detail/ view01/ 63722Hardle, W. (1990), Applied Nonparametric Regression, Cambridge University Press, New York.
Hendayana, R. (2001), “Analisis Faktor-faktor yang Mempengaruhi Nilai Tukar Petani”, Seminar Nasional Penelitian danPengembangan Agribisnis Berbasis Sumberdaya Lokal dan Teknologi Ramah Lingkungan di Balai Pengkajian teknologi Pertanian
Sulawesi Utara, ManadoLewis, P.A.W. and Steven, J.G (1991). An Investigation of Multivariate Adaptive Regression Splines for Modeling and Analysis of
Univarite and Semi-Multivariate Time Series Systems. Dissertation, Naval Postgraduate School. Monterey, California Lewis P. A. W., Bonnie K. Ray (2006), Modeling Long-Range Dependence, nonlinearity, and Periodic Phenomena in Sea Surface
Temperatures Using TSMARS, Journal of the American Statistical Association, Vol. 92, No. 439. (Sep., 1997), pp.881-893
January 17, 2012 Seminar Hasil Tesis ITS 2012 32
dAfTAR PUSTAKA
Makridakis, S., Wheelwright, S.C., dan McGee, V.E. (1999), Metode dan Aplikasi Peramalan, Jilid 1 edisi kedua, Terjemahan Ir. Untung S. Andriyanto dan Ir. Abdul Basith, , Penerbit Erlangga, Jakarta.
Monogan, J. (2010), “Granger Causality Testing”, Paper Whasington University in St. Louis, Whasington.Nuvitasari, E. (2009), Analisis Intervensi Multi Input Fungsi Step Impulse untuk Peramalan Kunjungan Wisatawan, Tesis: Program
Magister Jurusan Statistika, FMIPA Institut Teknologi Sepuluh November , SurabayaPindyck (2009), Microeconomics, Canada: Pearson Education. Inc. Canada
Santoso, B. (2009), Pendekatan Spline Multivariable dan MARS untuk Memodelkan Lama Sekolah pada penduduk Usia Sekolah diPropinsi Papua : Tesis Program Magister Jurusan Statistika, FMIPA Institut Teknologi Sepuluh November , Surabaya.
Siana Halim (2006), “Diktat Time Series Analisis”, ITS, SurabayaSouri, I.A.S. (2009), Pemodelan Krisis Finansial Indonesia dengan Pendekatan Mutivariate Adaptive Splines, Tesis: Program
Magister Jurusan Statistika, FMIPA Institut Teknologi Sepuluh November , SurabayaSukirno, S. (2005), Mikro Ekonomi: Pengantar. Jakarta: PT Raja Grafindo
Wahba, G. (1990), Spline Models For Observasion Data, SIAM PensylvaniaWei, W.W.S. (1990), Time series Analysis, Addison-Wesley Publishing Company, Inc., United States.
Winarti P, Sony S, (2010), “Pendekatan Regresi Semiparametrik Spline”, Seminar Nasional Pascasarjana X – ITS, Surabaya.Zareipour, H. (2006), “Forecasting the Hourly Ontario Energy Price by Multivariate Adaptive Regression Splines, Natural
Sciences and Engineering Research Council (NSERC) of Canada. Canada
January 17, 2012 Seminar Hasil Tesis ITS 2012 33
dAfTAR PUSTAKA
January 17, 2012 Seminar Hasil Tesis ITS 2012 34