Seleksi Peubah Dalam Pemodelan Pdrb Sektor Pertanian Dengan Metode Regresi Kuadrat Terkecil Parsial
View/ Open
Date
2017Author
Warawati, Astuti Dewi
Susetyo, Budi
Syafitri, Utami Dyah
Metadata
Show full item recordAbstract
Produk Domestik Regional Bruto (PDRB) merupakan indikator penting yang
berguna untuk mengetahui kondisi perekonomian di suatu daerah. Nilai PDRB
diperoleh dari selisih output dengan biaya antara. Banyaknya komoditas yang
terlibat dalam perhitungan tersebut lebih dari tiga ratus komoditas pertanian. Secara
ekonomi, biaya yang diperlukan dalam pengumpulan ke-300 peubah tersebut relatif
besar, sedangkan secara statistik dimungkinkan PDRB dapat dihitung hanya dengan
sebagian dari 300 peubah yang berpengaruh. Penelitian ini bertujuan melakukan
pemodelan untuk menentukan peubah penjelas yang memiliki pengaruh besar
terhadap PDRB provinsi pada sektor pertanian.
Penelitian ini menggunakan data sekunder yang terdiri dari data PDRB sektor
pertanian tahun 2013 dan data Sensus Pertanian 2013 (ST2013). Data PDRB
diperoleh dari publikasi yang dikeluarkan oleh Badan Pusat Statistik (BPS),
sedangkan data Sensus Pertanian 2013 (ST2013) diunduh dari situs ST2013 yang
dikelola oleh BPS. Data ST2013 tersusun atas subsektor tanaman pangan, tanaman
hortikultura, perikanan, tanaman perkebunan, peternakan, dan tanaman kehutanan
sejumlah 590 peubah. Amatan yang digunakan adalah semua provinsi di Indonesia.
Penelitian ini menggunakan data ST2013 sebagai matriks peubah penjelas
(X) dan data PDRB sebagai vektor peubah respon (y) . Metode analisis yang
biasanya digunakan dalam pemodelan adalah Metode Kuadrat Terkecil (MKT).
Terdapat beberapa asumsi yang perlu dipenuhi pada MKT, salah satunya adalah
tidak adanya multikolinieritas di antara peubah penjelas. Multikolinieritas terjadi
ketika terdapat korelasi yang tinggi di antara peubah penjelas. Kondisi
multikolinieritas juga terjadi pada data berdimensi tinggi, yaitu ketika banyaknya
peubah penjelas jauh lebih besar dibandingkan dengan banyaknya amatan yang
digunakan. Kondisi multikolinieritas membuat matriks informasi (X'X) tidak
memiliki matriks kebalikan. Hal ini berakibat pendugaan dengan MKT, yaitu
y =X(X'X)-1X'y tidak dapat dilakukan. Oleh karena itu, perlu digunakan metode lain,
salah satunya adalah metode Regresi Kuadrat Terkecil Parsial (RKTP).
Metode RKTP memiliki kemampuan untuk mereduksi dimensi (komponen)
dari matriks data yang berdimensi lebih besar dan saling berkorelasi. Pereduksian
dimensi tidak mempengaruhi banyaknya peubah penjelas yang terlibat dalam
model. Hal ini dikarenakan komponen adalah kombinasi linier dari peubah penjelas
dengan peubah respon pada model RKTP. Metode RKTP merupakan metode
regresi yang bertujuan untuk menghasilkan dugaan peubah respon dengan
memanfaatkan semua peubah penjelas. Meskipun demikian, penelitian ini akan
memilih peubah penjelas yang berpengaruh besar terhadap peubah respon.
Metode pemilihan peubah penjelas dilakukan dengan dua strategi, yaitu
dengan regresi Least Absolute Shrinkage and Selection Operator (LASSO) dan
statistik Variable Importance in the Projection (VIP). Strategi pertama dilakukan
dengan penerapan regresi LASSO sebelum analisis RKTP. Regresi LASSO dipilih
sebagai metode seleksi karena koefisien regresi dapat disusutkan hingga bernilai
nol. Peubah penjelas yang bersesuaian dengan koefisien regresi LASSO yang
bernilai selain nol adalah peubah penjelas yang berpengaruh terhadap peubah
respon. Peubah-peubah tersebut selanjutnya dimasukan ke dalam analisis RKTP.
Strategi kedua dilakukan dengan penerapan satistik VIP setelah analisis RKTP.
Pengambilan keputusan peubah penjelas yang berpengaruh terhadap peubah respon
diambil berdasarkan kriteria ambang batas sebesar VIP=0.8 dan VIP=1.0. Suatu
peubah penjelas dinyatakan memiliki pengaruh terhadap peubah respon jika VIP
dari peubah penjelas tersebut melebihi nilai ambang batas yang digunakan.
Berdasarkan analisis yang dilakukan, diperoleh beberapa model yang
selanjutnya dipilih model terbaik. Kriteria seleksi yang digunakan dalam pemilihan
peubah penjelas adalah nilai korelasi, Root Mean Square Error (RMSE), dan
kemampuan model dalam menjelaskan peubah respon. Di samping itu, banyaknya
peubah penjelas dan komponen yang digunakan dalam model juga
dipertimbangkan. Hasil analisis menunjukan bahwa model RKTP dengan LASSO
sebagai kriteria pemilihan peubah dan menggunakan dua komponen merupakan
model terbaik.