Perbandingan Metode Regresi Robust Estimasi Least Trimmed Square , Estimasi Scale, dan Estimasi Method Of Moment

Main Article Content

Muhammad Bohari Rahman
Edy Widodo

Abstract

Analisis regresi adalah metode analisis yang digunakan untuk mencari bentuk hubungan antar variabel melalui sebuah persamaan. Salah satu tujuan analisis regresi adalah mengestimasi koefisien regresi dalam model regresi. Metode yang umum digunakan dalam mengestimasi koefisien regresi adalah Metode Kuadrat Terkecil (MKT). Penggunaan metode ini harus memenuhi asumsi-asumsi yang ada. Asumsi yang sering tidak terpenuhi adalah asumsi normalitas. Terdapatnya pencilan (outlier) menjadi salah satu penyebab tidak terpenuhinya asumsi ini sehingga diperlukan metode lain untuk menangani outlier, metode tersebut adalah metode regresi robust. Metode estimasi parameter regresi robust antara lain Least Trimmed Square (LTS), Scale (S), dan Method Of Moment (MM). Ketiga metode estimasi tersebut merupakan penduga dengan high breakdown point. Penelitian ini bertujuan untuk membandingkan manakah dari ketiga metode estimasi tersebut yang lebih baik dalam melakukan estimasi koefisien regresi ditinjau dari nilai residual standard error dan adjusted r-square. Semakin kecil nilai residual standard error dan semakin besar adjusted r-square maka semakin baik metode estimasi tersebut. Data yang digunakan pada penelitian ini merupakan simulasi data dari Badan Pusat Statistik (BPS) Indonesia tentang produksi jagung di Indonesia tahun 2015, dimana variabel-variabel independennya meliputi luas lahan (X1) dan produktivitas jagung (X2). Hasil penelitian ini menunjukkan bahwa regresi robust estimasi S memiliki nilai residual standard error yang lebih kecil dan adjusted r-square yang lebih besar dibandingkan metode estimasi LTS maupun estimasi MM sehingga metode estimasi S lebih baik dalam mengestimasi parameter regresi dibandingkan metode estimasi LTS maupun estimasi MM.

Article Details

How to Cite
Rahman, M. B., & Widodo, E. (2018). Perbandingan Metode Regresi Robust Estimasi Least Trimmed Square , Estimasi Scale, dan Estimasi Method Of Moment. PRISMA, Prosiding Seminar Nasional Matematika, 1, 426-433. Retrieved from https://journal.unnes.ac.id/sju/prisma/article/view/19689
Section
Articles

References

Chen, C. 2002. Robust Regression and Outlier Detection with ROBUSTREG Procedure. SAS Institute Inc. (Online). (https://pdfs.semanticscholar.org/ccb3/3dfc93f60dd-b9f488533b8d85081c550a7d8.pd, diakses 13 Maret 2017)
Dewayanti, Amalia A. 2016. Perbandingan Metode Estimasi LTS, Estimasi M, dan Estimasi MM pada Regresi Robust. (Skripsi). Universitas Islam Indonesia. Yogyakarta.
Fox, J. & Weisberg, S. 2010. Robust Regression in R . Apendix to An R and S-Plus Companion to Applied Regression, Second Edition. (Online). (https://soc-serv.socsci.mcmaster.ca/jfox/Books/Companion/appendix/Appendix-Robust-Regression.pdf, diakses 5 Agustus 2017)
Pratitis, Wening Dyah. 2016. Perbandingan Metode Estimasi-M, Estimasi-S, dan Estimasi-MM pada Regresi Robust untuk Memprediksi Produksi Kedelai di Indonesia. (Skripsi). Universitas Negeri Yogyakarta. Yogyakarta.
Rousseeuw, P.J., & Leroy, A.M. 1987. Robust Regression and Outlier Detection. New York: John Wiley and Sons.
Ryan, T.P. 1997. Modern Regression Analysis for Scientists and Engineers. Ghaitersburg: NIST.
Yohai, Victor J. 1987. High Breakdown Point and High Efficiency Robust Estimates For Regression. The Annals of Statistics, 642-656.