PENINGKATAN PRESISI DUGAAN BERAT GABAH MELALUI PROSES SELEKSI PEUBAH DALAM PEMBELAJARAN MESIN STATISTIKA

Muhlis Ardiansyah(1), Khairil Anwar Notodiputro(2*), Bagus Sartono(3),

(1) BPS Kabupaten Kotawaringin Timur, Kalimantan Tengah, Indonesia
(2) Department Statistika, IPB University, Bogor, Indonesia
(3) Department Statistika, IPB University, Bogor, Indonesia
(*) Corresponding Author



Abstract


Pandemi COVID-19 berpotensi menyebabkan turunnya tingkat respon beberapa survei yang dilakukan oleh lembaga penyedia statistik resmi di berbagai negara termasuk salah satunya Survei Ubinan oleh Badan Pusat Statistik Indonesia. Pengukuran berat gabah dari Survei Ubinan pada masa pandemi tidak selalu berhasil dilakukan sehingga terjadi nonrespon. Dalam penelitian ini, dicari solusi baru untuk mengatasi masalah nonrespon yaitu dengan menduga data nonrespon berat gabah berdasarkan beberapa peubah yang diperoleh dari hasil wawancara dengan petani setelah kebijakan pembatasan sosial berakhir. Dalam penelitian dicoba berbagai metode seleksi peubah yaitu Stepwise, LASSO, Elastic Net, Adaptive LASSO, dan Relaxed LASSO guna menemukan model terbaik dalam pendugaan berat gabah berdasarkan data Survei Ubinan tahun 2019 di Kalimatan Tengah. Gugus data dibagi menjadi dua, yaitu data latih dan data uji. Pengambilan 75 persen data latih dilakukan secara acak dan diulang sebanyak 100 kali dan setiap kali divalidasi menggunakan data uji. Selanjutnya peubah yang terseleksi digunakan dalam model Quantile Regression Forest (QRF). Hasilnya menunjukkan bahwa Adaptive-QRF memberikan kinerja terbaik dengan nilai RMSE tekecil.  Peubah terpilih yang berpengaruh nyata terhadap berat gabah hasil penyeleksian Adaptive LASSO adalah varietas benih, cara penanaman (monokultur atau tumpangsari), sistem penanaman (jajar legowo atau bukan), terkena serangan hama atau tidak, lokasi penanaman, dan bulan panen.

 

Kata Kunci: Adaptive LASSO, Produktivitas Padi, Survei Ubinan, Quantile Regression Forest.

Full Text:

PDF

References


Ardiansyah M, Djuraidah A, Kurnia A. (2018). Pendugaan Produktivitas Padi di Tingkat Kecamatan Menggunakan Geoadditive Small Area Model. Jurnal Penelitian Pertanian Tanaman Pangan 2 (2). pp.101-110.

Ardiansyah M dan Tofri Y. (2019). Perbandingan Data Produktivitas Padi Antara Hasil Wawancara Pascapanen dengan Data Survei Ubinan di Kalimantan Tengah. Jurnal Penelitian Pertanian Tanaman Pangan 3 (1). pp.17-22.

Fang Y, Xu P, Yang J, Qin Y. (2018). A quantile regression forest basedmethod to predict drug response and assess prediction reliability. PLOS ONE 13 (10). pp.1-16.

Hastie T, Tibshirani R, dan Wainwright M. (2015). Statistical Learning with Sparsity The Lasso and Generalizations. New York: Taylor & Francis Group.

Kim Y, Hao J, Mallavarapu T, Park J and Kang M. (2019). Hi-LASSO: High-Dimensional LASSO." IEEE Access. 7. pp.44562-44573.

Meinshausen N. (2006). Quantile Regression Forests. Journal of Machine Learning Research 7. pp.983–999.

Meinshausen N. (2007). Relaxed lasso. Computational Statistics and Data Analysis. 52 (1). pp. 374-393.

Meinshausen N. (2017). An R Package ‘quantregForest’ (Quantile Regression Forests). Version: 1.3-7. Published: 19 December 2017. URL https://CRAN.R-project.org/package=quantregForest. [9 Juni 2020].

Zou H and Hastie T. (2005). Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society. Series B (Statistical Methodology). 67 (2). pp.301-320.

Zou H. (2006). The adaptive lasso and its oracle properties,'' American Statistical Association Journal of the American Statistical Association. 101 (476). pp. 1418-142.

Morozova O, Levina O, Uusküla A, dan Heimer R. 2015. Comparison of subset selection methods in linear regression in the context of health-related quality of life and substance abuse in Russia. BMC Medical Research Methodology. Pp. 15-71.


Article Metrics

Abstract view : 44 times | PDF view : 4 times

Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Muhlis Ardiansyah, Khairil Anwar Notodiputro, Bagus Sartono