Pemodelan Produktivitas Padi di Jawa Tengah dengan Regresi Campuran Nonparametrik Spline Kernel

Abstract

Latar belakang : Penelitian ini bertujuan untuk memodelkan produktivitas padi di Provinsi Jawa Tengah tahun 2023 dengan menggunakan pendekatan regresi campuran nonparametrik spline kernel. Metode : Metode ini dipilih karena mampu menggabungkan keunggulan spline dalam menangkap pola global dan kernel dalam menangkap variasi lokal, sehingga lebih fleksibel dalam menggambarkan hubungan yang bersifat tidak linier antara produktivitas padi dengan faktor-faktor ekonomi daerah. Data penelitian mencakup 35 kabupaten/kota dengan variabel prediktor meliputi luas panen, tenaga kerja, jumlah penduduk, dan pengeluaran per kapita. Hasil penelitian : Hasil analisis menunjukkan bahwa model terbaik diperoleh pada titik knot optimal di E₁ = 1457,060 dan E₂ = 1497,137 dengan tiga nilai bandwidth optimal yaitu O₁ = 5,62256, O₂ = 0,0001277, dan O₃ = 0,0502639. Model ini menghasilkan nilai Generalized Cross Validation (GCV) minimum sebesar 21,61559 dan koefisien determinasi (R²) sebesar 0,9482. Nilai tersebut menunjukkan bahwa sebesar 94,82% variasi produktivitas padi dapat dijelaskan oleh variabel prediktor, sedangkan 5,18% sisanya dipengaruhi oleh faktor lain di luar model. Kesimpulan : Dengan demikian, regresi spline-kernel dapat dijadikan alternatif yang efektif dan akurat dalam meramalkan produktivitas pertanian berbasis data ekonomi daerah, khususnya di Provinsi Jawa Tengah.

_____________________________________________________________________________

Abstract

Background : This study aims to estimate rice productivity in Central Java Province in 2023 using a mixed nonparametric spline-kernel regression approach. Method : This method was chosen because it combines the strength of spline in capturing global patterns with the flexibility of kernel in capturing local variations, thereby providing a better fit for nonlinear relationships between rice productivity and regional economic factors. The data used in this study cover 35 regencies/municipalities with predictor variables consisting of harvested area, labor, population, and per capita expenditure. Result : The analysis results indicate that the optimal model was obtained at knot points E₁ = 1457.060 and E₂ = 1497.137, with three optimal bandwidth values of O₁ = 5.62256, O₂ = 0.0001277, and O₃ = 0.0502639. The model produced a minimum Generalized Cross Validation (GCV) value of 21.61559 and a coefficient of determination (R²) of 0.9482. This means that 94.82% of the variation in rice productivity can be explained by the predictor variables through the spline-kernel regression model, while the remaining 5.18% is influenced by other factors outside the model. Conclusion : Therefore, the spline-kernel regression approach can be considered an effective and accurate alternative for forecasting agricultural productivity based on regional economic data, particularly in Central Java Province.