SiMultan

“PERSAMAAN SIMULTAN”

Disusun untuk Melengkapi Tugas Individu Mata Kuliah

Metode Kuantitatif

Disusun oleh:

Fika Andita Riani 115040100111186

UNIVERSITAS BRAWIJAYA

FAKULTAS PERTANIAN

PROGRAM STUDI AGRIBISNIS

MALANG

2014

1

I. PENDAHULUAN

I.1. Latar Belakang

Indonesia merupakan negara agraris penghasil komoditas pangan beras

khususnya. Seiring dengan adanya pertumbuhan penduduk, maka permintaan pangan

akan semakin meningkat. Peningkatan ini akan diikuti dengan peningkatan produksi

beras dalam negeri. Namun yang terjadi pada beberapa tahun ini perberasan Indonesia

hanya mengalami swasembada beras pada tahun 1969 hingga 1984. Setelah tahun

tersebut Indonesia belum lagi bisa mencukupi kebutuhan beras dalam negeri, yang mana

memaksa melakukan impor beras dalam jumlah cukup besar. Besar impor semakin lama

semakin tinggi seiring dengan kurang mampunya negara dalam mencukupi kebutuhan

pangan dalam domestik sendiri.

Perberasan hingga saat ini masih merupakan persoalan yang cukup rumit dan

belum dapat terselesaikan secara tuntas. Padahal Indonesia pernah tercatat dan dikenang

dunia atas pencapaian swasembada beras sekitar 3 kali periode, yaitu pada tahun 1984,

2004, dan 2008. Saat ini, Indonesia masuk daftar panjang sebagai salah satu negara yang

mengimpor beras, bahkan dilakukan sejak era reformasi. Selama 1998-2003, Indonesia

dan Filipina bergantian menempati negara pengimpor beras terbesar. Dalam grand

strategi pembangunan nasional, acapkali persoalan perberasan menjadi tidak sederhana.

Apalagi, beras juga merupakan komoditas yang bernilai politik.

Kajian mengenai perberasan di Indonesia tidak terlepas dari peran Bulog

(Badan Urusan Logistik). Bulog adalah lembaga pemerintah yang dibentuk pada tahun

1967 dan bertugas untuk mengendalikan stabilitas harga dan penyediaan bahan pokok,

terutama pada tingkat konsumen. Peran Bulog tersebut dikembangkan lagi dengan

ditambah mengendalikan harga produsen melalui instrumen harga dasar untuk

melindungi petani padi dan tidak hanya terbatas pada beras saja tetapi juga pada

pengendalian harga dan penyediaan komoditas lain. Mulai tahun 1988, Bulog kembali

hanya menangani beras dengan prioritas utama yaitu perlindungan kepada petani melalui

harga dasar tetatp. Sedangkan untuk stabilisasi harga konsumen mulai berkurang sejalan

dengan terus tertekannya harga beras domestik.

Beras sendiri adalah komoditas pertanian strategis. Beras berperan penting

dalam ketahanan pangan nasional. Beras menjadi basis revitalisasi pertanian ke depan

mengingat kebutuhan beras tahun 2005-2025 akan terus meningkat. Menurut data BPS

produksi padi tahun 2012 sebesar 68,96 juta ton Gabah Kering Giling (GKG) atau 43,44

2

juta ton beras. Namun, angka ini tidak menjamin bahwa Bulog tidak akan mengimpor

beras. Jadi, untuk memenuhi kebutuhan beras nasioanl agaknya Indonesia harus

menempuh jalan panjang demi mencapai swasembada beras.

Permasalahan klasik perberasan di Indonesia adalah adanya kesalahan

kebijakan politik di masa lalu. Beras diangkat menjadi komoditas superior sehingga

menggeser komoditas lainnya. Singkong, jagung, pisang, dan ubi-ubian tergeser oleh

ketergantungan yang tinggi terhadap beras. Indonesia menjadi konsumen beras terbesar

setelah Cina dan India. Rata-rata orang Asia mengonsumsi 65-70 kg beras per kapita,

sedangkan Indonesia mengonsumsi 139 kg beras per kapita.

Berkurangnya lahan pertanian juga menjadi sebuah masalah serius. Banyak

lahan pertanian yang beralih menjadi lahan perkebunan dan perumahan. Lahan yang

beralih fungsi mencapai 100.000 ha, sementara areal sawah baru hanya 40.000 ha. Tentu

saja ini adalah sebuah ketimpangan. Bagaimana bisa memenuhi kebutuhan beras

nasional jika tempat tanamnya saja selalu berkurang? Akhirnya solusi terakhir selalu

berujung pada impor. Padahal impor beras dapat memberikan tekanan tersendiri bagi

petani di Indoesia.

I.2. Tujuan

1. Untuk mengetahui model simultan pada komoditas beras

2. Untuk mengetahui perkembangan permintaan, produksi, harga, impor, dan penawaran

beras tiap tahunnya

3. Untuk mengidentifikasi dan menyusun persamaan simultan antara yang ada di lapang

dan teori yang ada

3

II. METODE

II.1. Teori Data Time Series

Time series merupakan data yang terdiri atas satu objek tetapi meliputi beberapa periode

waktu misalnya harian, bulanan, mingguan, tahunan, dan lain-lain. Kita dapat melihat

contoh data time series pada data harga saham, data ekspor, data nilai tukar (kurs), data

produksi, dan lain-lain sebagainya. Jika kita amati masing-masing data tersebut terkait

dengan waktu (time) dan terjadi berurutan. Misalnya data produksi minyak sawit dari

tahun 2000 hingga 2009, data kurs Rupiah terhadap dollar Amerika Serikat dari tahun

2000 – 2006, dan lain-lain. Dengan demikian maka akan sangat mudah untuk mengenali

jenis data ini.

Data time series juga sangat berguna bagi pengambil keputusan untuk memperkirakan

kejadian di masa yang akan datang. Karena diyakini pola perubahan data runtun waktu

beberapa periode masa lampau akan kembali terulang pada masa kini. Data time series

juga biasanya bergantung kepada lag atau selisih. Katakanlah pada beberapa kasus

misalnya produksi dunia komoditas kopi pada tahun sebelumnya akan mempengaruhi

harga kopi dunia pada tahun berikutnya. Dengan demikian maka akan diperlukan data

lag produksi kopi, bukan data aktual harga kopi. Tabel berikut ini akan memperjelas

konsep lag yang mempengaruhi data time series.

II.2. Model 2 SLS

Menurut Gujarati (2006), Two Stage Least Square (2SLS) merupakan suatu metode yang

digunakan untuk estimasi parameter suatu persamaan struktural yang estimasinya

memiliki lebih dari satu nilai (over identified). Metode 2SLS digunakan untuk

memperoleh nilai parameter struktural pada persamaan yang teridentifikasi berlebih.

Metode ini dapat diterapkan pada suatu sistem persamaan individu dalam sistem tanpa

memperhitungkan persamaan lain secara langsung dalam sistem.

Two Stage Least Squares (2SLS) adalah metode statistik yang digunakan untuk

menggantikan metode OLS yang tidak dapat digunakan untuk mengestimasi suatu

persamaan dalam sistem persamaan simultan. Terutama karena adanya saling

ketergantungan antara variabel dependen Y dan beberapa variabel independen X yang

membuat perbedaan antara variabel dependen dan variabel independen menjadi

meragukan (Koutsoyiannis, 1978).

4

II.3. Persamaan Simultan

Berbeda dengan model-model ekonometrika sebelumnya, sistem persamaan simultan

memiliki lebih dari satu persamaan dengan masing-masing variabel independent dan

variabel dependent. Karena terdapat banyak persamaan maka terdapat lebih dari satu

variabel dependent. Persamaan-persamaan tersebut menggambarkan hubungan antar

fenomena ekonomi. Selain itu, variabel dependent pada satu persamaan dapat menjadi

variabel independent pada persamaan lain sehingga antar persamaan saling berhubungan.

Pada model ini terdapat dua jenis variabl endogen dan eksogen.

Istilah dalam persamaan simultan antara lain:

1. Persamaan Struktural/Perilaku:

a. Struktur atau perilaku dari fenomena ekonomi yang diamati.

b. Perilaku variabel endogen terhadap perubahan-perubahan variabel penjelas pada

persamaan yang bersangkutan

2. Persamaan Identitas:

a. Persamaan yang tidak dpt menunjukkan perilaku variabel endogen.

b. Dibentuk oleh perkalian, pembagian, penambahan atau pengurangan beberapa

variabel.

3. Persamaan Direduksi (reduced-form equation):

Persamaan dimana variabel endogen hanya dipengaruhi variabel predetermined dan

gangguan stochastic.

4. Variabel Endogen:

a. Variabel yang nilainya akan ditentukan melalui model.

b. Variabel yang dipengaruhi oleh dan mempengaruhi variabel lain

5. Variabel Predetermined (eksogen dan lag endogen):

a. Variabel yang nilainya ditetapkan sebelumnya, tidak melalui model.

b. Variabel yang hanya menpengaruhi variabel lain.

Tujuan dari identifikasi model adalah mengidentifikasi model sebelum dilakukan

estimasi. Artinya untuk mengetahui apakah estimasi parameter dapat dilakukan melalui

persamaan reduced-form dari sistem persamaan simultan. Dalam persamaan simultan ini,

terdapat tiga kemungkinan hasil yang diperoleh, yaitu:

1. Persamaan tidak identifikasi (unidentified) jika estimasi parameter tidak dapat

dilakukan melalui persamaan reduced-form.

2. Persamaan teridentifikasi (identified) jika estimasi parameter dapat dilakukan melalui

persamaan reduced-form dari sistem persamaan simultan.

5

a. Teridentifikasi Tepat (just identfied),

Jika masing-masing nilai parameter bersifat unik (hanya mempunyai satu nilai)

b. Teridentifikasi Berlebih (over identified)

Jika nilai parameter mempunyai lebih dari satu nilai.

Model umum persamaan simultan adalah sebagai berikut

Keterangan :

Y1, Y2, ...., YM : sejumlah M variabel endogen

X1, X2, …, Xk : sejumlah k variabel eksogen

u1, u2, …, uM : sejumlah M residual

t : observasi

β : koefisien (parameter) variabel endogen

γ : koefisien (parameter) variabel eksogen

2.4. Metode dalam SPSS

2.4.1.Persamaan Simultan

Gambar 1. Metode Simultan dalam SPSS

6

Masukkan data yang akan

dianalisis dalam SPSS

Klik Variabel View lalu ubah nama

menjadi nama variabel yang

akan digunakan

Klik Analyze Klik Regression

Klik Two Stage Least

Square

Masukkan variabel

endogen pada tiap persamaan

ke kotak dependent

Masukkan variabel

eksogen pada tiap persamaan

ke kotak explanatory

Masukkan variabel lain diluar tiap

persamaan ke kotak

instrumental

Klik Options Klik Predicted Klik Continue Klik Ok

2.4.2.Validasi

Gambar 2. Metode Validasi dalam SPSS

7

Klik Variabel View lalu ubah nama Fit

menjadi nama variabel Prediksi

Klik AnalyzeKlik

Descriptive statistics

Klik Frequencies

Masukkan variabel endogen dan

prediksi pada tiap persamaan ke kotak

variables

Klik Statistics

Klik Mean Klik Continue Klik Ok

III. HASIL DAN PEMBAHASAN

III.1. Identifikasi Order Condition

Persamaan struktural:

1. Dt = α + β1 Popt + β2 Incomet + β3 HBIt + e

2. PBIt = α + β1 HBIt + β2 LAPt + β3 Yt + e

3. HBIt = α + β1 HBDt + β2 ERt + β3 MBIt + β4 HBIt-1 + e

4. MBIt = α + β1 PBIt + β2 HBDt + β3 HBIt + e

Persamaan Identitas:

5. St = Dt + MBIt

Sebelumnya untuk asumsi untuk identifikasi model apakah model tersebut termasuk over

identified, exactly identified, dan under identified digunakan syarat sebagai berikut :

a. (K - k) > (G - 1) maka Over Identified atau syarat simultan

b. (K - k) = (G - 1) maka Exactly Identified

c. (K - k) < (G - 1) maka Under Identified

Keterangan:

K : Jumlah peubah eksogen dalam model

k : Jumlah peubah eksogen dalam persamaan

m : Jumlah peubah endogen dalam model

Tabel 1. Order Condition

Persamaan K k (K-k) G (G-1) Keterangan1 12 3 9 5 4 Over Identified2 12 3 9 5 4 Over Identified3 12 4 8 5 4 Over Identified4 12 3 9 5 4 Over Identified5 12 2 10 5 4 Over Identified

Berdasarkan tabel order condition diatas dapat disimpulkan bahwa ke-5 persamaan

dalam model termasuk over identified yang merupakan syarat simultan dikarenakan

memiliki nilai (K-k) > (m-1) sehingga dapat digunakan model 2SLS.

III.2. Menyusun Model Persamaan Simultan

III.2.1. Persamaan 1

Pada analisis 2 Stage Least Squares untuk persamaan 1 yaitu permintaan

beras Indonesia yang dipengaruhi oleh populasi, pendapatan, dan harga beras

Indonesia. Pada tabel Model Summary didapatkan hasil nilai dari R square sebesar

8

0,108 atau 10,8%. Ini menunjukkan bahwa hanya 10,8% variabel permintaan beras

Indonesia dapat dijelaskan oleh variabel populasi, pendapatan, dan harga beras

Indonesia, sedangkan sisanya 89,2% dijelaskan oleh variabel lain di luar model.

Pada tabel juga didapatkan hasil nilai dari Multiple R sebesar 0,328 yang artinya

tingkat kesesuaian atau tingkat hubungan data observasi dengan data prediksi 1

sesuai sebesar hanya 32,8%.

Pada tabel Anova merupakan hasil uji F untuk menguji signifikansi

koefisien regresi. Dari hasil perhitungan tabel Anova didapatkan nilai F hitung

sebesar 0,484 dengan tingkat signifikan 0,700. Diketahui jumlah sampel pada data

tersebut sebanyak 16 sampel, sedangkan jumlah variabel baik variabel bebas

maupun terikat pada data sebanyak 4 variabel.

df1 = k – 1 = 4 (jumlah variabel) – 1 = 3

df2 = n – k = 16 (jumlah sampel) – 4 = 12

Jika pengujian dilakukan pada α = 5%, maka nilai F tabel adalah 3,49.

Dari hasil uji F didapatkan Fhitung = 0,484 sedangkan Ftabel = 3,49. Dari hasil

tersebut menunjukkan jika Fhitung < Ftabel. Jadi, kesimpulan yang didapat adalah Ha

ditolak dan H0 diterima yang artinya populasi, pendapatan, dan harga beras

Indonesia tidak berpengaruh secara signifikan atau nyata terhadap permintaan

beras Indonesia. Dengan demikian model tersebut tidak dapat diterima sebagai

penduga yang baik dan tidak layak untuk digunakan untuk analisis.

Pada tabel Coefficients merupakan uji T untuk menguji signifikansi terhadap

variabel. Misalnya pada Hipotesis 1 adalah populasi, pendapatan, dan harga beras

Indonesia berpengaruh positif terhadap permintaan beras Indonesia. Sedangkan

pada Hipotesis 2 adalah populasi, pendapatan, dan harga beras Indonesia

berpengaruh terhadap permintaan beras Indonesia.

Jumlah observasi yang digunakan untuk membentuk persamaan ini sebanyak 16.

Pengujian hipotesis dengan α = 5%. Sedangkan derajat bebas pengujian adalah n –

k = 16 – 4 = 12. Untuk hipotesis pertama, karena uji satu arah, maka lihat pada df

satu sisi, sedangkan df nya = 12 maka nilai tabel t = 1,782. Untuk hipotesis kedua,

karena uji dua arah, maka lihat pada df dua sisi diatas, dengan df = 12 maka nilai

tabel t = 2,179.

Dari hasil uji t untuk hipotesis pertama diatas didapatkan thitung pada variabel

populasi sebesar 1,151, variabel pendapatan sebesar -0,456, dan variabel harga

beras Indonesia sebesar -1,305 sedangkan ttabel = 1,782. Dari hasil tersebut

9

menunjukkan bahwa semua variabel didapatkan nilai thitung < ttabel. Jadi, kesimpulan

yang didapat adalah terima H0, tolak Ha yang artinya secara parsial populasi,

pendapatan, dan harga beras Indonesia tidak berpengaruh positif terhadap

permintaan beras Indonesia.

Dari hasil uji t untuk hipotesis kedua diatas didapatkan thitung pada variabel populasi

sebesar 1,151, variabel pendapatan sebesar -0,456, dan variabel harga beras

Indonesia sebesar sebesar -1,305 sedangkan ttabel = 2,179. Dari hasil tersebut

menunjukkan bahwa semua variabel didapatkan nilai thitung < ttabel. Jadi, kesimpulan

yang didapat adalah terima H0, tolak Ha yang artinya secara parsial populasi,

pendapatan, dan harga beras Indonesia tidak berpengaruh signifikan atau tidak

nyata terhadap permintaan beras Indonesia.

Pada uji t, juga didapatkan fungsi model sebagai berikut:

Y = α + β1X1 + β2X2 + β3X3 + e

Y = -1,755E6 + 34,138Popt - 2,069Incomet - 357,142HBIt + e

Jadi, pada tabel Coefficients didapatkan hasil bahwa variabel populasi mempunyai

tingkat signifikansi 0,272 > α = 0,05, variabel pendapatan mempunyai tingkat

signifikansi 0,657 > α = 0,05, dan variabel harga beras Indonesia mempunyai

tingkat signifikansi 0,321 > α = 0,05 artinya variabel populasi, pendapatan, dan

harga beras Indonesia tidak signifikan dan tidak berpengaruh nyata terhadap

permintaan beras Indonesia.


Pada analisis 2 Stage Least Squares untuk persamaan 2 yaitu produksi

beras Indonesia yang dipengaruhi oleh harga beras Indonesia, luas area panen, dan

produkstivitas beras Indonesia. Pada tabel Model Summary didapatkan hasil nilai

dari R square sebesar 0,783 atau 78,3%. Ini menunjukkan bahwa 78,3% variabel

produksi beras Indonesia dapat dijelaskan oleh variabel harga beras Indonesia, luas

area panen, dan produkstivitas beras Indonesia, sedangkan sisanya 22,7%

dijelaskan oleh variabel lain di luar model. Pada tabel juga didapatkan hasil nilai

dari Multiple R sebesar 0,885 yang artinya tingkat kesesuaian atau tingkat

hubungan data observasi dengan data prediksi 2 sesuai sebesar 88,5%.




10






Dari hasil uji F didapatkan Fhitung = 14,430 sedangkan Ftabel = 3,49. Dari

hasil tersebut menunjukkan jika Fhitung > Ftabel. Jadi, kesimpulan yang didapat adalah

Ha diterima dan H0 ditolak yang artinya harga beras Indonesia, luas area panen, dan

produkstivitas beras Indonesia berpengaruh secara signifikan atau nyata terhadap

produksi beras Indonesia. Dengan demikian model tersebut dapat diterima sebagai

penduga yang baik dan layak untuk digunakan untuk analisis.


variabel. Misalnya pada Hipotesis 1 adalah harga beras Indonesia, luas area panen,

dan produkstivitas beras Indonesia berpengaruh positif terhadap produksi beras

Indonesia. Sedangkan pada Hipotesis 2 adalah harga beras Indonesia, luas area

panen, dan produkstivitas beras Indonesia berpengaruh terhadap produksi beras

Indonesia.






tabel t = 2,179.

Dari hasil uji t untuk hipotesis pertama diatas didapatkan thitung pada variabel harga

beras Indonesia sebesar -0,198, variabel luas area panen sebesar -0,109, dan

variabel produktivitas beras Indonesia sebesar 5,601 sedangkan ttabel = 1,782. Dari

hasil tersebut menunjukkan bahwa pada variabel harga beras Indonesia dan luas

area panen didapatkan nilai thitung < ttabel. Jadi, kesimpulan yang didapat adalah

terima H0, tolak Ha yang artinya secara parsial variabel harga beras Indonesia dan

luas area panen tidak berpengaruh positif terhadap produksi beras Indonesia.

Sedangkan pada variabel produktivitas beras Indonesia didapatkan nilai thitung > ttabel.

Jadi, kesimpulan yang didapat adalah terima Ha, tolak H0 yang artinya secara

parsial variabel produktivitas beras Indonesia mempunyai pengaruh positif

11

terhadap produksi beras Indonesia atau semakin tinggi produktivitas beras

Indonesia maka semakin tinggi pula produksi beras Indonesia.

Dari hasil uji t untuk hipotesis kedua diatas didapatkan thitung pada variabel harga

beras Indonesia sebesar -0,198, variabel luas area panen sebesar -0,109, dan

variabel produktivitas beras Indonesia sebesar sebesar 5,601 sedangkan ttabel =

2,179. Dari hasil tersebut menunjukkan bahwa pada variabel harga beras Indonesia

dan luas area panen didapatkan nilai thitung < ttabel. Jadi, kesimpulan yang didapat

adalah terima H0, tolak Ha yang artinya secara parsial variabel harga beras

Indonesia dan luas area panen tidak berpengaruh secara signifikan atau tidak nyata

terhadap produksi beras Indonesia. Sedangkan pada variabel produktivitas beras

Indonesia didapatkan nilai thitung > ttabel. Jadi, kesimpulan yang didapat adalah terima

Ha, tolak H0 yang artinya secara parsial variabel produktivitas beras Indonesia

mempunyai pengaruh yang signifikan dan nyata terhadap produksi beras Indonesia.


Y = α + β1X1 + β2X2 + β3X3 + e

Y = 129212,279 - 57,026HBIt - 0,012LAPt + 395749,379YBIt + e

Jadi, pada tabel Coefficients didapatkan hasil bahwa variabel harga beras Indonesia

mempunyai tingkat signifikansi 0,846 > α = 0,05, variabel luas area panen

mempunyai tingkat signifikansi 0,915 > α = 0,05, dan variabel produktivitas beras

Indonesia mempunyai tingkat signifikansi 0,000 < α = 0,05 artinya variabel yang

signifikan dan paling berpengaruh terhadap produksi beras Indonesia adalah

variabel produktivitas beras Indonesia yang artinya setiap kenaikan produktivitas

beras Indonesia sebesar 1 unit maka akan meningkatkan rata-rata produksi beras

Indonesia sebesar 395749,379 unit.


Pada analisis 2 Stage Least Squares untuk persamaan 3 yaitu harga beras

Indonesia tahun ini yang dipengaruhi oleh harga beras dunia, nilai tukar uang,

impor beras, dan harga beras Indonesia tahun kemarin. Pada tabel Model Summary

didapatkan hasil nilai dari R square sebesar 0,974 atau 97,4%. Ini menunjukkan

bahwa 97,4% variabel harga beras Indonesia tahun ini dapat dijelaskan oleh

variabel harga beras dunia, nilai tukar uang, impor beras, dan harga beras Indonesia

tahun kemarin, sedangkan sisanya 2,6% dijelaskan oleh variabel lain di luar model.

Pada tabel juga didapatkan hasil nilai dari Multiple R sebesar 0,987 yang artinya

12

tingkat kesesuaian atau tingkat hubungan data observasi dengan data prediksi 3

sesuai sebesar 98,7%.



sebesar 101,352 dengan tingkat signifikan 0,000. Diketahui jumlah sampel pada

data tersebut sebanyak 16 sampel, sedangkan jumlah variabel baik variabel bebas





Dari hasil uji F didapatkan Fhitung = 101,351 sedangkan Ftabel = 3,36. Dari

hasil tersebut menunjukkan jika Fhitung > Ftabel. Jadi, kesimpulan yang didapat adalah

Ha diterima dan H0 ditolak yang artinya harga beras dunia, nilai tukar uang, impor

beras, dan harga beras Indonesia tahun kemarin berpengaruh secara signifikan atau

nyata terhadap harga beras Indonesia tahun ini. Dengan demikian model tersebut

dapat diterima sebagai penduga yang baik dan layak untuk digunakan untuk

analisis.


variabel. Misalnya pada Hipotesis 1 adalah harga beras dunia, nilai tukar uang,

impor beras, dan harga beras Indonesia tahun kemarin berpengaruh positif terhadap

harga beras Indonesia tahun ini. Sedangkan pada Hipotesis 2 adalah harga beras

dunia, nilai tukar uang, impor beras, dan harga beras Indonesia tahun kemarin

berpengaruh terhadap harga beras Indonesia tahun ini.






tabel t = 2,201.

Dari hasil uji t untuk hipotesis pertama diatas didapatkan thitung pada variabel harga

beras dunia sebesar 3,715, variabel nilai tukar uang sebesar 0,451, variabel impor

beras sebesar -0,062, dan variabel harga beras Indonesia tahun kemarin sebesar

5,694 sedangkan ttabel = 1,796. Dari hasil tersebut menunjukkan bahwa pada

variabel nilai tukar uang dan impor beras didapatkan nilai thitung < ttabel. Jadi,

13

kesimpulan yang didapat adalah terima H0, tolak Ha yang artinya secara parsial

variabel nilai tukar uang dan impor beras tidak berpengaruh positif terhadap harga

beras Indonesia tahun ini. Sedangkan pada variabel harga beras dunia dan harga

beras Indonesia tahun kemarin didapatkan nilai thitung > ttabel. Jadi, kesimpulan yang

didapat adalah terima Ha, tolak H0 yang artinya secara parsial variabel harga beras

dunia dan harga beras Indonesia tahun kemarin mempunyai pengaruh positif

terhadap harga beras Indonesia tahun ini atau semakin tinggi harga beras dunia dan

harga beras Indonesia tahun kemarin maka semakin tinggi pula harga beras

Indonesia tahun ini.

Dari hasil uji t untuk hipotesis kedua diatas didapatkan thitung pada variabel harga

beras dunia sebesar 3,715, variabel nilai tukar uang sebesar 0,451, variabel impor

beras sebesar -0,062, dan variabel harga beras Indonesia tahun kemarin sebesar

5,694 sedangkan ttabel = 2,201. Dari hasil tersebut menunjukkan bahwa pada

variabel nilai tukar uang dan impor beras didapatkan nilai thitung < ttabel. Jadi,


variabel nilai tukar uang dan impor beras tidak berpengaruh secara signifikan atau

tidak nyata terhadap harga beras Indonesia tahun ini. Sedangkan pada variabel

harga beras dunia dan harga beras Indonesia tahun kemarin didapatkan nilai thitung >

ttabel. Jadi, kesimpulan yang didapat adalah terima Ha, tolak H0 yang artinya secara

parsial variabel harga beras dunia dan harga beras Indonesia tahun kemarin

mempunyai pengaruh yang signifikan dan nyata terhadap harga beras Indonesia

tahun ini.


Y = α + β1X1 + β2X2 + β3X3 + β4X4 + e

Y = -595,597 + 0,813HBDt + 0,028ERt - 1,354E5MBIt + 0,697HBIt-1 + e

Jadi, pada tabel Coefficients didapatkan hasil bahwa variabel harga beras dunia

mempunyai tingkat signifikansi 0,03 < α = 0,05, variabel nilai tukar uang

mempunyai tingkat signifikansi 0,661 > α = 0,05, variabel impor beras mempunyai

tingkat signifikansi 0,951 > α = 0,05, dan variabel harga beras Indonesia tahun

kemarin mempunyai tingkat signifikansi 0,000 < α = 0,05 artinya variabel yang

signifikan dan paling berpengaruh terhadap harga beras Indonesia tahun ini adalah

variabel harga beras dunia dan harga beras Indonesia tahun kemarin yang artinya

setiap kenaikan harga beras dunia sebesar 1 dollar maka akan meningkatkan rata-

rata harga beras Indonesia tahun ini sebesar 0,813 dollar. Sedangkan, setiap

14

kenaikan harga beras Indonesia tahun kemarin sebesar 1 dollar maka akan

meningkatkan rata-rata harga beras Indonesia tahun ini sebesar 0,697 dollar.


Pada analisis 2 Stage Least Squares untuk persamaan 2 yaitu impor beras

yang dipengaruhi oleh produksi beras Indonesia, harga beras dunia, dan harga

beras Indonesia. Pada tabel Model Summary didapatkan hasil nilai dari R square

sebesar 0,635 atau 63,5%. Ini menunjukkan bahwa 63,5% variabel impor beras

dapat dijelaskan oleh variabel produksi beras Indonesia, harga beras dunia, dan

harga beras Indonesia, sedangkan sisanya 36,5% dijelaskan oleh variabel lain di

luar model. Pada tabel juga didapatkan hasil nilai dari Multiple R sebesar 0,797

yang artinya tingkat kesesuaian atau tingkat hubungan data observasi dengan data

prediksi 4 sesuai sebesar 79,7%.









Dari hasil uji F didapatkan Fhitung = 6,954 sedangkan Ftabel = 3,49. Dari hasil

tersebut menunjukkan jika Fhitung > Ftabel. Jadi, kesimpulan yang didapat adalah Ha

diterima dan H0 ditolak yang artinya produksi beras Indonesia, harga beras dunia,

dan harga beras Indonesia berpengaruh secara signifikan atau nyata terhadap impor

beras. Dengan demikian model tersebut dapat diterima sebagai penduga yang baik

dan layak untuk digunakan untuk analisis.


variabel. Misalnya pada Hipotesis 1 adalah produksi beras Indonesia, harga beras

dunia, dan harga beras Indonesia berpengaruh positif terhadap impor beras.

Sedangkan pada Hipotesis 2 adalah produksi beras Indonesia, harga beras dunia,

dan harga beras Indonesia berpengaruh terhadap impor beras.




15



tabel t = 2,179.

Dari hasil uji t untuk hipotesis pertama diatas didapatkan thitung pada variabel

produksi beras Indonesia sebesar -2,815, variabel harga beras dunia sebesar 1,128,

dan variabel harga beras Indonesia sebesar -0.189, sedangkan ttabel = 1,782. Dari

hasil tersebut menunjukkan bahwa semua variabel didapatkan nilai thitung < ttabel.

Jadi, kesimpulan yang didapat adalah terima H0, tolak Ha yang artinya secara

parsial variabel produksi beras Indonesia, harga beras dunia dan harga beras

Indonesia tidak berpengaruh positif terhadap produksi beras Indonesia.

Dari hasil uji t untuk hipotesis kedua diatas didapatkan thitung pada variabel produksi

beras Indonesia sebesar -2,815, variabel harga beras dunia sebesar 1,128, dan

variabel harga beras Indonesia sebesar -0.189 sedangkan ttabel = 2,179. Dari hasil

tersebut menunjukkan bahwa semua variabel didapatkan nilai thitung < ttabel. Jadi,


variabel produksi beras Indonesia, harga beras dunia dan harga beras Indonesia

tidak berpengaruh secara signifikan atau tidak nyata terhadap produksi beras

Indonesia.


Y = α + β1X1 + β2X2 + β3X3 + e

Y = 2355376,493 - 1,060PBIt + 459,881HBDt – 37,412HBIt + e

Jadi, pada tabel Coefficients didapatkan hasil bahwa variabel produksi beras

Indonesia mempunyai tingkat signifikansi 0,016 > α = 0,05, variabel harga beras

dunia mempunyai tingkat signifikansi 0,281 > α = 0,05, dan variabel harga beras

Indonesia mempunyai tingkat signifikansi 0,853 > α = 0,05 artinya variabel

produksi beras Indonesia, harga beras dunia dan harga beras Indonesia tidak

signifikan dan tidak berpengaruh nyata terhadap permintaan beras Indonesia.

III.3. Menyusun Harapan Tanda Koefisien

Tabel 2. Harapan Tanda Koefisien

Teori Lapang KeteranganPersamaan 1Populasi + + Sesuai dengan teori

Karena jika terjadi pertambahan populasi maka permintaan beras juga

16

akan bertambah.

Pendapatan + -

Tidak sesuai dengan teoriKarena kebalikan dari teori, jika pendapatan naik maka akan menurunkan permintaan beras.

Harga beras Indonesia tahun ini - -

Sesuai dengan teoriKarena jika harga beras Indonesia tahun ini naik maka permintaan beras akan berkurang.

Persamaan 2

Harga beras Indonesia tahun ini + -

Tidak sesuai dengan teoriKarena kebalikan dari teori, jika harga beras Indonesia tahun ini naik maka akan menurunkan produksi beras.

Luas area panen tahun ini + -

Tidak sesuai dengan teoriKarena kebalikan dari teori, jika luas area panen tahun ini naik maka akan menurunkan produksi beras.

Produktivitas beras Indonesia tahun ini + +

Sesuai dengan teoriKarena jika produktivitas beras Indonesia tahun ini naik maka produksi beras akan bertambah.

Persamaan 3

Harga beras dunia tahun ini + +

Sesuai dengan teoriKarena jika harga beras dunia tahun ini tinggi maka harga beras Indonesia juga akan tinggi.

Nilai tukar uang tahun ini + +

Sesuai dengan teoriKarena jika nilai tukar uang tahun ini tinggi maka harga beras Indonesia juga akan tinggi.

Impor beras Indonesia tahun ini - -

Sesuai dengan teoriKarena jika impor beras Indonesia tahun ini rendah maka harga beras Indonesia juga akan rendah.

Harga beras Indonesia tahun kemarin + +

Sesuai dengan teoriKarena jika harga beras Indonesia tahun kemarin tinggi maka harga beras Indonesia juga akan tinggi.

Persamaan 4

Produksi beras Indonesia tahun ini - -

Sesuai dengan teoriKarena jika produksi beras Indonesia tahun ini naik maka impor beras Indonesia juga akan turun.

Harga beras dunia tahun ini

- + Tidak sesuai dengan teoriKarena kebalikan dari teori, jika harga

17

beras dunia tahun ini tinggi maka akan meningkatkan impor beras Indonesia.

Harga beras Indonesia tahun ini + -

Tidak sesuai dengan teoriKarena kebalikan dari teori, jika harga beras Indonesia tahun ini tinggi maka akan menurunkan impor beras Indonesia.

Persamaan 5

Permintaan beras Indonesia tahun ini + +

Sesuai dengan teoriKarena jika permintaan beras Indonesia tahun ini tinggi maka akan meningkatkan penawaran beras Indonesia.

Impor beras Indonesia tahun ini - +

Tidak sesuai dengan teoriKarena kebalikan dari teori, jika impor beras Indonesia tahun ini tinggi maka akan meningkatkan penawaran beras Indonesia.

III.4. Validasi Model

III.4.1. Cara SPSS

Tabel 3. Validasi Model dengan SPSS

Statistics

DBIt SBIt PBIt HBIt MBIt

Fit for

DBIt,

MOD_1

Equation 1

Fit for

PBIt,

MOD_2

Equation 1

Fit for HBIt,

MOD_3

Equation 1

Fit for

MBIt,

MOD_4

Equation 1

Fit for

SBIt,

MOD_5

Equation 1

N Valid 16 16 16 16 16 16 16 16 16 16

Missing 0 0 0 0 0 0 0 0 0 0

Mean 3.5691E

6

3.9063E

6

1.9929E

6

2.4797E

3

9.4219E

5

3.5690959

E6

1.9929076

E62.4796875E3

9.4218944

E5

3.9063125

E6

Dari hasil perhitungan dengan menggunakan SPSS pada tabel diatas,

diperoleh hasil prediksi permintaan beras Indonesia, produksi beras Indonesia,

harga beras Indonesia, impor beras Indonesia, dan penawaran beras Indonesia yang

dibandingkan dengan data actual tidak begitu jauh berbeda. Hal ini ditunjukan

perbedaan atau selisih antara data actual dan prediksi tidak begitu jauh. Ini

menunjukkan bahwa model dapat dikatakan sesuai atau baik untuk digunakan.

18

III.4.2. Cara Manual dengan Microsoft Excel

Tabel 4. Perhitungan Validasi

aktual PrediksiDBIt PBIt HBIt MBIt SBIt Prediksi

1 Prediksi 2 Prediksi 3 Prediksi 4 Prediksi 5

2769278,0 2119585,0 1041,0 280978,0 2831000,0 3337572,5 2357667,6 888,4 530785,0 3034027,4

3392090,0 2252667,0 1125,0 309290,0 2959000,0 3366837,8 2354282,6 1061,7 423845,5 3151388,2

3964030,0 2306484,0 1215,0 329730,0 3032000,0 3402170,5 2299665,3 1192,7 403449,9 3252742,7

4073471,0 2329811,0 1256,0 226271,0 3089000,0 3445910,7 2199243,1 1289,9 395128,2 3148147,7

3489930,0 2453881,0 1260,0 118830,0 3165000,0 3540037,4 2294708,8 1325,7 265322,3 2944748,7

2943923,0 2059576,0 1430,0 544023,0 3374000,0 3565126,2 1884777,1 1459,1 752287,4 3361529,1

3374606,0 2094195,0 1461,0 1099306,0 3659000,0 3632153,7 1866394,3 1595,7 727773,1 4061308,7

3977884,0 2191986,0 1525,0 1296984,0 3670000,0 3831501,4 2244857,5 1727,5 650247,4 4371595,0

3328465,0 1488269,0 2572,0 1274365,0 3714000,0 3575600,8 1483817,9 2337,2 1623642,7 4257191,4

4439453,0 1493933,0 2640,0 2153153,0 4547000,0 3720405,2 1637871,0 2522,3 1328130,0 5423031,5

4102519,0 1690004,0 2989,0 1478519,0 4721000,0 3695172,1 1840473,6 3220,2 1431022,9 4598171,7

3368570,0 1725467,0 3745,0 1284470,0 4740000,0 3512832,0 1803452,2 3866,5 1578997,9 4274312,5

3160562,0 1755354,0 3619,0 970562,0 4740000,0 3639566,4 1797962,6 3909,5 1298641,8 3883539,6

3284303,0 1631918,0 4212,0 997200,0 4570000,0 3552761,6 1711211,7 3626,7 1304726,4 3931122,4

3514290,0 2051645,0 4110,0 1119790,0 4670000,0 3868754,3 2122372,5 4384,3 1046266,9 4103952,2

3922160,0 2241747,0 5475,0 1591560,0 5020000,0 3419131,3 1987764,2 5267,5 1314763,7 4704191,2

3569095,9 1992907,6 2479,7 942189,4 3906312,5 3569095,9 1992907,6 2479,7 942189,4 3906312,5

Tabel 5. Validasi Model dengan SPSS

Data aktual Data prediksiPermintaan beras Indonesia tahun ini 3569095,9 3569095,9Produksi beras Indonesia tahun ini 1992907,6 1992907,6Harga beras Indonesia tahun ini 2479,7 2479,7Impor beras Indonesia tahun ini 942189,4 942189,4Penawaran beras Indonesia tahun ini 3906312,5 3906312,5

Dari hasil perhitungan pada tabel diatas perbandingan yang didapatkan

dengan menggunakan Ms. Excel bahwasanya permintaan beras Indonesia, produksi

beras Indonesia, harga beras Indonesia, impor beras Indonesia, dan penawaran

beras Indonesia dibandingkan dengan data actual tidak menunjukan perbedaan

yang berarti / tidak jauh berbeda. Hal ini dapat kita lihat dari nilai perbedaan atau

19

selisih antara data aktual dan data prediksi yang tidak begitu jauh. Ini menunjukkan

bahwa model dapat dikatakan sesuai atau baik untuk digunakan.

IV. KESIMPULAN

Berikut adalah nilai dari Estimasi parameter dari empat persamaan yang

menjelaskan model Perberasan Indonesia adalah sebagai berikut dibawah ini:

1. DBIt = -1,755E6 + 34,138Popt - 2,069Incomet - 357,142HBIt + e

Variabel populasi, pendapatan, dan harga beras Indonesia tidak signifikan dan tidak

berpengaruh nyata terhadap permintaan beras Indonesia.

2. PBIt = 129212,279 - 57,026HBIt - 0,012LAPt + 395749,379YBIt + e

Variabel yang signifikan dan paling berpengaruh terhadap produksi beras Indonesia

adalah variabel produktivitas beras Indonesia yang artinya setiap kenaikan produktivitas

beras Indonesia sebesar 1 unit maka akan meningkatkan rata-rata produksi beras

Indonesia sebesar 395749,379 unit.

3. HBIt = -595,597 + 0,813HBDt + 0,028ERt - 1,354E5MBIt + 0,697HBIt-1 + e

Variabel yang signifikan dan paling berpengaruh terhadap harga beras Indonesia tahun

ini adalah variabel harga beras dunia dan harga beras Indonesia tahun kemarin yang

artinya setiap kenaikan harga beras dunia sebesar 1 dollar maka akan meningkatkan rata-

rata harga beras Indonesia tahun ini sebesar 0,813 dollar. Sedangkan, setiap kenaikan

harga beras Indonesia tahun kemarin sebesar 1 dollar maka akan meningkatkan rata-rata

harga beras Indonesia tahun ini sebesar 0,697 dollar.

4. MBIt = 2355376,493 - 1,060PBIt + 459,881HBDt – 37,412HBIt + e

Variabel produksi beras Indonesia, harga beras dunia dan harga beras Indonesia tidak

signifikan dan tidak berpengaruh nyata terhadap permintaan beras Indonesia.

Serta pada hasil analisis pada pembahasan diatas, dapat kita tarik kesimpulan bahwa setiap

variabel independen yang terdapat dalam persamaan di atas memiliki pengaruh yang berbeda

pada variabel dependent.

20

DAFTAR PUSTAKA

Djalal, Nachrowi dkk. 2002. Penggunaan Teknik Ekonometri Pendekatan Populer dan

Praktis Dilengkapi Teknik Analisis dan Pengolahan data dengan Menggunakan Paket

Program SPSS. Jakarta : PT. RajaGrafindo Persada.

Fuad, Ainun. 2011. Pengertian Data Time Series. http://ririez.blog.uns.ac.id/2010/10/26/time-

series-dan-komponen-komponennya/. Diakses pada tanggal 3 Mei 2014.

Gujarati, N damodar. 2006. Dasar – dasar ekonometrika. United states military academy.

West point

Koutsoyiannis, A. 1978. Theory of Econometrics. Second edition. The Macmillan Press Ltd.

U.S.A.

Lains, Alfian. 2002. Ekonometrika Teori dan Aplikasi Jilid I. Jakarat : Pustaka LP3ES

Indonesia.

Pradhanaarya, Romy.2010. Teori Persamaan Simultan.

http://romypradhanaarya.wordpress.com/2010/05/10/ekonometri-persamaan-

simultan/ . Diakses pada tanggal 3 Mei 2014.

21

http://romypradhanaarya.wordpress.com/2010/05/10/ekonometri-persamaan-simultan/

http://romypradhanaarya.wordpress.com/2010/05/10/ekonometri-persamaan-simultan/

http://ririez.blog.uns.ac.id/2010/10/26/time-series-dan-komponen-komponennya/

http://ririez.blog.uns.ac.id/2010/10/26/time-series-dan-komponen-komponennya/

LAMPIRAN

Persamaan 1 Model 1: DBlt = Popt+ Incomet + HBIt + eYour trial period for SPSS for Windows will expire in 14 days.

* 2-Stage Least Squares.TSET MXNEWVAR=1.2SLS DBlt WITH Incomet Popt HBlt /INSTRUMENTS HBlt_1 Incomet Popt Ert SBlt PBlt YBlt LAPt MBlt HBDt HBlt /CONSTANT

/SAVE PRED.

Two-stage Least Squares Analysis

[DataSet0]

Model Description

Type of Variable

Equation 1 DBlt dependent

Incomet predictor & instrumental

Popt predictor & instrumental

HBlt predictor & instrumental

HBlt_1 instrumental

Ert instrumental

SBlt instrumental

PBlt instrumental

YBlt instrumental

LAPt instrumental

MBlt instrumental

HBDt instrumental

MOD_1

22

Model Summary

Equation 1 Multiple R .285

R Square .081

Adjusted R Square -.149

Std. Error of the Estimate 494977.968

Coefficients

Unstandardized Coefficients

Beta t Sig.B Std. Error

Equation 1 (Constant) -796348.806 5093426.675 -.156 .878

Incomet -1.590 4.508 -.130 -.353 .730

Popt 27.592 28.942 .898 .953 .359

HBlt -276.023 335.934 -.836 -.822 .427

Coefficient Correlations

Incomet Popt HBlt

Equation 1 Correlations Incomet 1.000 -.241 .440

Popt -.241 1.000 -.937

HBlt .440 -.937 1.000

Model 2 : PBIt = HBIt + LAPt + Yt + e

* 2-Stage Least Squares.TSET MXNEWVAR=1.2SLS PBlt WITH HBlt LAPt YBlt /INSTRUMENTS HBlt_1 Incomet Popt Ert DBlt SBlt YBlt LAPt MBlt HBDt HBlt

23

ANOVA

Sum of Squares df Mean Square F Sig.

Equation 1 Regression 2.593E11 3 8.642E10 .353 .788

Residual 2.940E12 12 2.450E11

Total 3.199E12 15

/CONSTANT

/SAVE PRED.


[DataSet0]

Model Description

Type of Variable

Equation 1 PBlt dependent


LAPt predictor & instrumental

YBlt predictor & instrumental

HBlt_1 instrumental

Incomet instrumental

Popt instrumental

Ert instrumental

DBlt instrumental

SBlt instrumental

MBlt instrumental

HBDt instrumental

MOD_2

Model Summary


R Square .783

Adjusted R Square .729


24

ANOVA


Equation 1 Regression 1.160E12 3 3.866E11 14.441 .000

Residual 3.213E11 12 2.677E10

Total 1.481E12 15

Coefficients



Equation 1 (Constant) 105564.530 413852.259 .255 .803

HBlt -23.949 250.198 -.107 -.096 .925

LAPt -.024 .095 -.286 -.257 .802

YBlt 397250.891 70308.055 .771 5.650 .000


HBlt LAPt YBlt

Equation 1 Correlations HBlt 1.000 -.993 .162

LAPt -.993 1.000 -.154

YBlt .162 -.154 1.000

Model 3 : HBIt = HBDt + Ert + MBIt + HBIt-1 + e

* 2-Stage Least Squares.TSET MXNEWVAR=1.2SLS HBlt WITH HBDt Ert MBlt HBlt_1 /INSTRUMENTS HBlt_1 Incomet Popt Ert DBlt SBlt PBlt YBlt LAPt MBlt HBDt /CONSTANT

/SAVE PRED.


[DataSet0]

25

Model Description

Type of Variable

Equation 1 HBlt dependent

HBDt predictor & instrumental

Ert predictor & instrumental

MBlt predictor & instrumental

HBlt_1 predictor & instrumental


Popt instrumental

DBlt instrumental

SBlt instrumental

PBlt instrumental

YBlt instrumental

LAPt instrumental

MOD_3

Model Summary


R Square .974



ANOVA


Equation 1 Regression 28588207.678 4 7147051.919 101.355 .000

Residual 775663.760 11 70514.887

Total 29363871.437 15

26

Coefficients



Equation 1 (Constant) -596.724 226.958 -2.629 .023

HBDt .814 .219 .373 3.719 .003

Ert .027 .057 .067 .471 .647

MBlt -1.031E-5 .000 -.004 -.058 .955

HBlt_1 .698 .122 .600 5.738 .000


HBDt Ert MBlt HBlt_1

Equation 1 Correlations HBDt 1.000 -.503 .060 -.197

Ert -.503 1.000 -.530 -.585

MBlt .060 -.530 1.000 .169

HBlt_1 -.197 -.585 .169 1.000

Model 4 : MBIt = PBIt + HBDt + HBIt + e

* 2-Stage Least Squares.TSET MXNEWVAR=1.2SLS MBlt WITH PBlt HBDt HBlt /INSTRUMENTS HBlt_1 Incomet Popt Ert DBlt SBlt PBlt YBlt LAPt HBDt HBlt /CONSTANT

/SAVE PRED.


[DataSet0]

Model Description

Type of Variable

Equation 1 MBlt dependent

PBlt predictor & instrumental

HBDt predictor & instrumental


HBlt_1 instrumental


27

Popt instrumental

Ert instrumental

DBlt instrumental

SBlt instrumental

YBlt instrumental

LAPt instrumental

MOD_4

Model Summary


R Square .630



ANOVA


Equation 1 Regression 3.246E12 3 1.082E12 6.814 .006

Residual 1.905E12 12 1.588E11

Total 5.151E12 15

Coefficients



Equation 1 (Constant) 2289869.339 851187.893 2.690 .020

PBlt -1.027 .375 -.551 -2.742 .018

HBDt 448.367 403.006 .490 1.113 .288

HBlt -29.021 194.783 -.069 -.149 .884

28


PBlt HBDt HBlt

Equation 1 Correlations PBlt 1.000 -.216 .380

HBDt -.216 1.000 -.907

HBlt .380 -.907 1.000

Validasi

FREQUENCIES VARIABLES=FIT_1 FIT_2 FIT_3 FIT_4 /STATISTICS=MEAN

/ORDER=ANALYSIS.

Frequencies

[DataSet0]

Statistics

Fit for DBlt,

MOD_1 Equation 1

Fit for PBlt,

MOD_2 Equation 1

Fit for HBlt,

MOD_3 Equation 1

Fit for MBlt,

MOD_4 Equation 1

N Valid 16 16 16 16

Missing 0 0 0 0

Mean 3.5690959E6 1.9929076E6 2.4796875E3 9.4218944E5

Frequency Table

Fit for DBlt, MOD_1 Equation 1

Frequency Percent Valid Percent

Cumulative

Percent

Valid 3362391.90586545 1 6.2 6.2 6.2

3388943.03043378 1 6.2 6.2 12.5

3420097.52848555 1 6.2 6.2 18.8

3457743.41953907 1 6.2 6.2 25.0

3485800.58678754 1 6.2 6.2 31.2

3534124.94995997 1 6.2 6.2 37.5

3536604.79153205 1 6.2 6.2 43.8

3557150.99668346 1 6.2 6.2 50.0

29

3574061.835776 1 6.2 6.2 56.2

3575200.36841984 1 6.2 6.2 62.5

3612580.31552106 1 6.2 6.2 68.8

3637961.71807396 1 6.2 6.2 75.0

3674117.51216297 1 6.2 6.2 81.2

3690229.89853461 1 6.2 6.2 87.5

3769606.79246875 1 6.2 6.2 93.8

3828918.34975593 1 6.2 6.2 100.0

Total 16 100.0 100.0

Fit for PBlt, MOD_2 Equation 1


Cumulative

Percent

Valid 1486516.99024614 1 6.2 6.2 6.2

1634801.38955798 1 6.2 6.2 12.5

1716232.60622276 1 6.2 6.2 18.8

1793349.44217431 1 6.2 6.2 25.0

1812123.25476764 1 6.2 6.2 31.2

1838362.96066124 1 6.2 6.2 37.5

1860981.94438377 1 6.2 6.2 43.8

1883335.6305913 1 6.2 6.2 50.0

1995047.53283056 1 6.2 6.2 56.2

2110837.80689665 1 6.2 6.2 62.5

2201244.00392974 1 6.2 6.2 68.8

2237060.09457543 1 6.2 6.2 75.0

2293831.17337858 1 6.2 6.2 81.2

2303911.45672774 1 6.2 6.2 87.5

2357814.79255437 1 6.2 6.2 93.8

2361070.9205018 1 6.2 6.2 100.0

Total 16 100.0 100.0

30

Fit for HBlt, MOD_3 Equation 1


Cumulative

Percent

Valid 887.74539911816 1 6.2 6.2 6.2

1061.14850221246 1 6.2 6.2 12.5

1192.20518513122 1 6.2 6.2 18.8

1289.08276187603 1 6.2 6.2 25.0

1324.47804868756 1 6.2 6.2 31.2

1459.21596507144 1 6.2 6.2 37.5

1597.70424712607 1 6.2 6.2 43.8

1728.9380411718 1 6.2 6.2 50.0

2336.78313940043 1 6.2 6.2 56.2

2525.53707906362 1 6.2 6.2 62.5

3220.01403828123 1 6.2 6.2 68.8

3625.94440758805 1 6.2 6.2 75.0

3865.51089166692 1 6.2 6.2 81.2

3908.49550458201 1 6.2 6.2 87.5

4383.75493929005 1 6.2 6.2 93.8

5268.44184973295 1 6.2 6.2 100.0

Total 16 100.0 100.0

Fit for MBlt, MOD_4 Equation 1


Cumulative

Percent

Valid 275867.508085915 1 6.2 6.2 6.2

401669.126853205 1 6.2 6.2 12.5

409340.60461774 1 6.2 6.2 18.8

428240.236575884 1 6.2 6.2 25.0

531098.867863336 1 6.2 6.2 31.2

651601.56204904 1 6.2 6.2 37.5

726138.081297164 1 6.2 6.2 43.8

749605.286450259 1 6.2 6.2 50.0

31

1056158.97992021 1 6.2 6.2 56.2

1296824.25328834 1 6.2 6.2 62.5

1306456.85835197 1 6.2 6.2 68.8

1316748.55819247 1 6.2 6.2 75.0

1329220.27274159 1 6.2 6.2 81.2

1420812.31985884 1 6.2 6.2 87.5

1570925.98963006 1 6.2 6.2 93.8

1604322.49422397 1 6.2 6.2 100.0

Total 16 100.0 100.0

32

Documents

SiMultan