Professional Documents
Culture Documents
Komoditas Beras
di Provinsi Sulawesi Selatan
Tri Wahyuningsih
25417061
Magister Perencanaan Wilayah dan Kota
Sekolah Arsitektur Perencanaan dan Pengembangan
Kebijakan
Institut Teknologi Bandung
2017
OUTLINE
PENDAHULUAN
TINJAUAN PUSTAKA
METODOLOGI
ANALISIS
KESIMPULAN
PENDAHULUAN
LATAR BELAKANG
• Jaringan jalan sebagai jalur distribusi angkutan
ASPEK PEREKONOMIAN WILAYAH
ASPEK TRANSPORTASI
dan gas, serta pertambangan nasional (MP3EI)
mencapai 91,25% (DJPD RI, 2006)
• Panjang jalan provinsi 1.147,51 km dan jalan
Komoditas unggulan sektor pertanian Sulawesi Selatan kabupaten 29.616 km
adalah beras dengan produktivitas mencapai 5.471.806 • Terdapat 3 pelabuhan utama di Sulawesi Selatan
ton pada tahun 2016 (BPS Provinsi Sulawesi Selatan) untuk mendukung distribusi barang
TUJUAN
Secara umum, tujuan penelitian ini yaitu untuk mengetahui model bangkitan pergerakan komoditas beras di
Provinsi Sulawesi Selatan yang dapat dijadikan dasar perencanaan transportasi barang dalam mendukung
proses distribusi
SASARAN
Sasaran yang ingin dicapai dalam penelitian ini adalah sebagai berikut:
• Mengidentifikasi faktor-faktor yang berpengaruh terhadap bangkitan pergerakan komoditas beras di
Provinsi Sulawesi Selatan
• Mengidentifikasi seberapa besar pengaruh faktor-faktor terhadap bangkitan pergerakan
• Merumuskan model persamaan matematis antara bangkitan pergerakan komoditas beras dengan
faktor yang mempengaruhi
RUANG LINGKUP
Transportasi Barang
Trip Trip
Production Faktor yang Mempengaruhi
• Tata Guna Lahan (Intensitas dan luas Attraction
penggunaan lahan sektor
industri/pertambangan/pertanian
• Jumlah pekerja
Jumlah pergerakan angkutan barang Jumlah pergerakan angkutan barang
• Ketersediaan sarana dan prasarana transportasi
dihasilkan oleh suatu zona yang ditarik oleh suatu zona
• Jumlah tempat pemasaran
METODOLOGI
Perumusan Masalah Penentuan Variabel Pengumpulan Data Analisis Data
• Faktor apa saja yang Variabel Dependen Sumber data sekunder meliputi: Analisis faktor yang mempengaruhi bangkitan
mempengaruhi bangkitan Bangkitan pergerakan • Bangkitan pergerakan pergerakan komoditas beras
pergerakan komoditas beras komoditas beras (ton) komoditas beras dari website
di Provinsi Sulawesi Selatan? ATTN barang tahun 2016 Analisis kekuatan hubungan, pengaruh hubungan
Variabel Independen • Provinsi Sulawesi Selatan dan pola hubungan antara bangakitan
• Luas panen padi (ha) dalam Angka 2016 (BPS pergerakan komoditas beras dengan variabel
• Jumlah fasilitas perdagangan Sulsel) yang mempengaruhi
(unit) Data yang digunakan
• Panjang jalan (km) merupakan data populasi dan
• Jumlah RT usaha pertanian cross section
Teknik Analisis Regresi Linear Berganda
• Jumlah truk (unit)
• Volume bongkar muat (ton) Y = a + b1X1 + b2X2 + b3X3 +....bnXn
• Jumlah pelabuhan barang
(unit)
• Bagaimana model
persamaan matematis antara
bangkitan pergerakan
komoditas beras dengan
MODEL BANGKITAN PERGERAKAN
faktor yang mempengaruhi?
KOMODITAS BERAS
ALUR PENELITIAN
METODOLOGI
Pilih variabel berdaasarkan
literatur dan logika yang
mempunyai keterkaitan
(korelasi) dengan peubah
1 tidak bebas 5
3
KANDIDAT MODEL BANGKITAN
DATA UJI KORELASI ALTERNATIF FUNGSI PENGUJIAN
PEUBAH BEBAS TERPILIH
2 4
• Luas panen padi (ha) Kaji nilai koefisien determinasi • Semakin banyak peubah
• Jumlah fasilitas (R squared), nilai konstanta dan bebas yang digunakan,
perdagangan (unit) koefisien regresi semakin baik model
• Panjang jalan (km) tersebut
• Jumlah RT usaha • Tanda koefisien regresi(+/-)
pertanian sesuai dengan yang
• Jumlah truk (unit) diharapkan
• Jumlah pelabuhan • Nilai konstanta regresi kecil
barang (semakin mendekati 0,
semakin baik
• Nilai koefisien determinasi
besar (semakin mendekati
1, semakin baik)
Sumber: BPS Provinsi Sulawesi Selatan dan Data ATTN Barang 2016
DATA KANDIDAT PEUBAH BEBAS UJI KORELASI ALTERNATIF FUNGSI PENGUJIAN MODEL BANGKITAN TERPILIH
ANALISIS
DATA KANDIDAT PEUBAH BEBAS UJI KORELASI ALTERNATIF FUNGSI PENGUJIAN MODEL BANGKITAN TERPILIH
ANALISIS
Uji kelayakan variabel dengan metode stepwise
Model Variables Entered Method Metode Stepwise
Stepwise (Criteria: Probability-of-F- Dimulai dengan memasukkan prediktor berdasarkan korelasi
1 Luas Panen Padi (ha) to-enter <= ,050, Probability-of-F-to- terbesar dengan variabel dependen.
remove >= ,100). Kemudian dilakukan pengujian R2 untuk menentukan
Stepwise (Criteria: Probability-of-F-
apakah memasukkan prediktor lain atau mengeluarkan
2 Jumlah Pelabuhan (unit) to-enter <= ,050, Probability-of-F-to-
remove >= ,100). prediktor yang telah dimasukkan sebelumnya.
Variabel independen yang layak digunakan untuk model regresi berganda ini adalah luas panen padi dan jumlah pelabuhan. Kedua
variabel independen tersebut dapat dijadikan model regresi
Alternatif Fungsi
Metode Least Square
Penentuan garis regresi dilakukan dengan metode least
square yakni garis regresi yang jarak rata-ratanya memiliki
jumlah error kuadrat terkecil terhadap titik sebaran data
asli.
Metode Model
Metode Stepwise Y= 8570,85 + 3,037X1
Metode Stepwise Y= 17399,54 + 3,043X1-10461,26X7
DATA KANDIDAT PEUBAH BEBAS UJI KORELASI ALTERNATIF FUNGSI PENGUJIAN MODEL BANGKITAN TERPILIH
ANALISIS
Collinearity Statistics
Uji kelayakan model dengan koefisien determinasi Model Variabel
Tolerance VIF
Koefisien Determinasi (R2) Constant
Y=8570,854 + 0,986 X1
Luas Panen Padi (Ha) 1,000 1,000
Kelayakan model regresi dapat dilihat dari nilai koefisien
determinasi (R Square) atau juga dari nilai Adjusted R Square dari Constant
Y=17399,54 + 0,988 X1 – 0,071 X6
Luas Panen Padi (Ha) ,999 1,001
masing-masing model regresi. Jumlah Pelabuhan Barang (Unit) ,999 1,001
Model R square Adjusted R square
Y= 8570,85 + 3,037X1 0,972 0,971
Untuk mengecek multikoleniaritas
Y= 17399,54 + 3043X1-10461,26X7 0,977 0,975
1. Melihat nilai tolerance
• Tolerance > 0.1 tidak terjadi multikoleniaritas
• Tolerance < 0.1 terjadi multikoleniaritas
2. Melihat nilai VIF
Model regresi 2, memiliki nilai Adjusted R Square 0,975 yang • VIF > 10 terjadi multikoleniaritas
berarti bahwa 97,5% variansi nilai bangkitan pergerakan dapat • VIF < 10 tidak terjadi multikoleniaritas
dijelaskan oleh model regresi 2
Pada kedua model:
• Tolerance >0,1, tidak terjadi multikoleniaritas
• VIF < 10, tidak terjadi multikoleniaritas
DATA KANDIDAT PEUBAH BEBAS UJI KORELASI ALTERNATIF FUNGSI PENGUJIAN MODEL BANGKITAN TERPILIH
ANALISIS
• Semakin banyak peubah bebas yang digunakan, semakin baik model
tersebut
• Tanda koefisien regresi (+/-) sesuai dengan yang diharapkan
• Nilai konstanta regresi kecil (semakin mendekati 0, semakin baik)
• Nilai koefisien determinasi besar (semakin mendekati 1, semakin baik)
Model Terpilih:
𝑌 = 17.399,539 + 0,988 𝑋1 − 0,071 𝑋2
• Peningkatan 1 ha luas panen padi, Jumlah Peubah Bebas 2 Persamaan ini mempunyai nilai
akan meningkatkan bangkitan X1 = + (sesuai yang diharapkan) intersep yang cukup tinggi yang
Tanda Koefisien Regresi
pergerakan komoditas beras X2 = - (sesuai yang diharapkan) mengisyaratkan terdapatnya tingkat
sebanyak 98,8%. Nilai intersep (a) Cukup tinggi galat yang cukup tinggi. Hal
• Kenaikan nilai variabel jumlah Nilai R Square 0,977 tersebut dapat disebabkan karena
pelabuhan (X2) sebanyak 1 unit di terdapat peubah X lain yang juga
wilayah bangkitan menunjukkan mempengaruhi besarnya
bahwa jumlah bangkitan (antar pergerakan komoditas beras
zona) akan berkurang sebanyak
7,1%
DATA KANDIDAT PEUBAH BEBAS UJI KORELASI ALTERNATIF FUNGSI PENGUJIAN MODEL BANGKITAN TERPILIH
KESIMPULAN
• Bangkitan pergerakan komoditas beras (Y) dipengaruhi oleh faktor luas panen
padi (X1) dan jumlah pelabuhan barang (X2) yang tersedia di wilayah tersebut.
Luas panen berpengaruh positif terhadap Y dengan R2= 0,972 berarti bahwa
peningkatan luas panen akan meningkatkan jumlah bangkitan. Sedangkan jumlah
pelabuhan barang berpengaruh negatif terhadap Y dengan R2=0,977 berarti
bahwa penambahan fasilitas pelabuhan barang akan mengurangi bangkitan
pergerakan barang antar zona.
• Model bangkitan pergerakan komoditas beras adalah 𝑌 = 17.399,539 +
0,988 𝑋1 − 0,071 𝑋2 di mana X1 adalah luas panen dan X6 adalah jumlah
fasilitas pelabuhan barang
REFERENSI
• Adisasmita, Sakti Adji. 2011. Transportasi Dan Pengembangan Wilayah. Yogyakarta: Graha Ilmu.
• Jin, T. G., Saito, M., & Schultz, G. G. 2012. Development of a Statewide Commodity Flow Distribution Model
Using Composite Friction Factors. Procedia - Social and Behavioral Sciences, 43, 406–417.
https://doi.org/10.1016/j.sbspro.2012.04.114
• Kulpa, T. 2014. Freight Truck Trip Generation Modelling at Regional Level. Procedia - Social and Behavioral
Sciences, 111, 197–202. https://doi.org/10.1016/j.sbspro.2014.01.052
• Miro, Fidel. 2013. Pengantar sistem transportasi. Jakarta: Erlangga.
• Ortuzar, Juan de Dios dan Willumsen, Luis G. 2011. Modelling Transport, 4th Edition. West Sussex, UK: Jhon
Wiley and Sons Ltd.
• Tamin, O.Z., 1997. Perencanaan dan Permodelan Transportasi. Penerbit ITB, Bandung
• Warpani, Suwardjoko. P. 1990. Merencanakan Sistem Perangkutan. Bandung: Penerbit ITB.
• Willumsen, L.G & Ortuzar, J.2011. Modelling Transport. Fourth edition. United Kingdom