Pengaruh Outlier Terhadap Estimator Parameter Regresi dan Metode Regresi Robust
|
|
- Hartono Chandra
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Pengaruh Outlier Terhadap Estimator Parameter Regresi dan Metode Regresi Robust I GUSTI AYU MADE SRINADI Jurusan Matematika Universitas Udayana, srinadiigustiayumade@yahoo.co.id Abstrak. Metode kuadrat terkecil (MKT) adalah salah satu metode yang umum digunakan untuk mengestimasi parameter pada regresi linear. Akan tetapi estimasi dengan metode kuadrat terkecil mempunyai kelemahan ketika outlier/pencilan terdapat dalam data yang menyebabkan estimator dari parameter bersifat bias. MKT bukanlah prosedur regresi yang robust (tegar) terhadap adanya outliers. Sebagai alternatif, metode regresi robust dapat digunakan diantaranya: Maximum Likelihood Estimator (M-Estimator), Scale-Estimator (S-Estimator), dan Method of Moment Estimator (MM-Estimator). Pada penelitian ini digunakan data bangkitan beberapa kelompok data yang mengandung outliers minor maupun outliers mayor pada variabel respon sebesar 5%, 10%, dan 15%. M-Estimator dan S-Estimator menghasilkan estimator parameter yang bersifat bias, khususnya untuk jenis outliers minor/mayor 5% dan 15% pada M-Estimator, dan outliers minor/mayor 10% pada S-Estimator. Sedangkan MM-Estimator merupakan estimator yang memiliki sifat robust untuk estimasi parameter/koefisien regresi dan dapat mengatasi pengaruh outliers, karena metode ini menghasilkan estimator parameter yang tidak bias untuk tiap jenis pencilan. Kata Kunci: Metode Kuadrat Terkecil, Regresi Robust, M-Estimator, S-Estimator, MM-Estimator 1. Pendahuluan Outlier merupakan data yang tidak mengikuti pola umum atau pola data secara keseluruhan, Weisberg [1]. Outlier dapat memengaruhi hasil estimasi parameter regresi, juga dapat menimbulkan pelanggaran terhadap asumsi kenormalan data. Outliers dalam analisis regresi dapat menyebabkan sisaan yang besar dari model yang terbentuk, keragaman data menjadi lebih besar sehingga menyebabkan data tidak homogen, Montgomery [2]. Jika adanya outlier disebabkan karena kesalahan dalam mencatat amatan atau kesalahan menyiapkan peralatan, outlier tersebut dapat diabaikan atau dibuang sebelum dilakukan analisis data. Namun, bila outlier ada bukan karena kesalahan peneliti, tetapi memang merupakan informasi yang tidak bisa diberikan oleh data laiya maka data outlier tersebut tidak bisa diabaikan dan harus disertakan dalam analisis data. Metode Kuadrat Terkecil (MKT) atau Ordinary Least Square (OLS) sering digunakan dalam estimasi parameter model regresi linear. Estimator yang dihasilkan MKT akan bersifat tak bias dan efisien (Best Linear Unbiased Estimator/BLUE) jika komponen sisaan atau galat memenuhi beberapa asumsi klasik, yaitu: kenormalan, kehomogenan ragam, dan tidak terjadi autokorelasi, Myers [3]. Jika terdapat pelanggaran terhadap asumsi tersebut, estimator yang 1259
2 diperoleh bersifat bias dan tidak efisien sehingga model regresi yang diperoleh tidak cocok (fit) terhadap data yang dimodelkan. Metode yang digunakan untuk menghasilkan model regresi yang bersifat fit meskipun terdapat outlier dalam data adalah metode regresi robust. Menurut Ryan [4], metode regresi robust memiliki sifat : (1) sama baiknya dengan MKT ketika semua asumsi klasik terpenuhi; (2) dapat menghasilkan model yang lebih baik dari MKT ketika ada asumsi tidak terpenuhi; dan (3) estimasi dilakukan secara iteratif sampai diperoleh dugaan terbaik yang memiliki standar error parameter paling kecil. Dalam penelitian ini metode regresi robust yang digunakan adalah Scale-Estimator (S-Estimator), Maximum Likelihood Estimator (M-Estimator), dan Method of Moment Estimator (MM-Estimator). Outlier pada analisis regresi dapat terjadi pada variabel bebas/independent, variabel tak bebas/dependent, atau pada kedua variabel tersebut. Pada penelitian ini perhatian dipusatkan untuk outlier pada variabel tak bebas, menurut jenisnya (minor mayor outlier) dan banyaknya outlier (persentase outlier terhadap data keseluruhan). Penelitian ini bertujuan untuk melihat ketegaran terhadap sifat kenormalan sisaan sera sifat ketakbiasan estimator parameter regresi linear sederhana dari S- Estimator, M-Estimator, dan MM-Estimator pada data simulasi yang mengandung outlier menurut jenis dan banyaknya. 2. Tinjauan Pustaka 2.1 Regresi Linear Sederhana Regresi merupakan alat statistika yang memanfaatkan hubungan antara dua atau lebih variabel kuantitatif sehingga salah satu variabel dapat diramalkan dari variabel laiya. Regresi linear yang hanya melibatkan satu variabel respon dan satu variabel bebas disebut regresi linear sederhana. Model setiap pengamatan dinyatakan dengan rumus YY ii = ββ 0 + ββ 1 XX ii + εε ii dengan YY ii adalah nilai variabel respon dalam amatan ke-i; XX ii adalah variabel bebas yang diketahui nilainya dalam amatan ke-i; εε ii adalah nilai sisaan/galat yang memiliki sifat saling bebas dan menyebar normal: εε ii ~NN(0, σσ 2 ); ββ 0 dan ββ 1 adalah paremeter regresi. Salah satu metode dalam analisis regresi yang digunakan untuk mengestimasi parameter-paremeternya adalah Metode Kuadrat Terkecil (MKT). Prinsip dasar MKT adalah dengan meminimumkan jumlah kuadrat sisaan. 2.2 Outlier Dalam Regresi Outlier adalah suatu data yang tidak biasa, tidak cocok dari data laiya atau data yang tidak mengikuti pola umum dari keseluruhan, Weisberg [1]. Adanya outlier mungkin disebabkan karena kesalahan dalam melakukan observasi yang biasa disebut observasi terkontaminasi atau outlier merupakan data akurat dari kasus yang jarang. Analisis regresi memberikan suatu model yang menggambarkan hubungan variabel independent ( XX ii, ii = 1,2,, ) dengan variabel dependent ( YY ii, ii = 1,2,, ). Model regresi yang diperoleh dengan MKT mensyaratkan asumsi bahwa sisaan/galat dari model yang dihasilkan harus berdistribusi normal. Tetapi dengan adanya outlier menyebabkan asumsi kenormalan tidak terpenuhi. Dalam analisis regresi, terdapat satu variabel dependent yang digambarkan pada 1260
3 scatterplot sebagai arah y, dan satu atau beberapa variabel independent pada scatterplot digambarkan sebagai arah x. Keberadaan data outlier mungkin terdapat pada arah y, pada arah x, atau pada arah keduanya. Outlier pada satu variabel, misalkan pada variabel dependent Y, dibedakan menjadi minor outlier dan mayor outlier yang didefinisikan sebagai berikut : 1. Minor Outlier (mild outlier) Suatu nilai y dikatakan minor outlier jika nilai y tersebut berada pada: QQ 1 3 JJJJ yy QQ 1 1,5 JJJJ atau QQ 3 + 1,5 JJJJ yy QQ JJJJ 2. Mayor Outlier (extreme outlier) Suatu nilai y dikatakan mayor outlier jika nilai y tersebut berada pada: yy < QQ 1 3 JJJJ atau yy > QQ JJJJ dengan: Q 1 adalah kuartil pertama; Q 3 adalah kuartil ketiga; JK adalah jangkauan antar kuartil (Q 3 - Q 1 ). Data outlier dapat dikenali dengan pemeriksaan secara visual dari data mentah (raw data) atau dari dari diagram pencar/scatterplot variabel independent dan variabel dependent. Pada kasus ketika terdapat lebih dari dua variabel independen, beberapa outlier mungkin sangat sulit dideteksi dengan pemeriksaan visual, diperlukan alat bantu yang dikenal dengan regresi diagnostik yang dapat membantu dalam mendeteksi outlier. 2.3 Regresi Robust Masalah outlier pada estimasi MKT dapat diatasi dengan menggunakan metode estimasi yang bersifat tegar terhadap outlier yang dikenal dengan regresi robust. Menurut Myers [3], regresi robust merupakan metode regresi yang digunakan ketika distribusi dari sisaan tidak normal dan adanya beberapa outlier yang berpengaruh pada hasil analisis regresi. Prosedur regresi robust ditujukan untuk mengakomodasi adanya keanehan data, sekaligus meniadakan identifikasi adanya data outlier. Chen [6] menyebutkan beberapa prosedur estimasi parameter dalam regresi robust, tiga diantaranya adalah M-Estimator (Maximum likelihood type estimator) yang diperkenalkan Huber tahun 1973, S-Estimator (Scale estimator) yang diperkenalkan oleh Rousseeuw dan Yohai pada tahun 1984 serta MM-Estimator (Method of Moment estimator) yang diperkenalkan oleh Yohai pada tahun (a) M-Estimator Estmasi parameter dengan metode ini menggunakan metode Iteratively Reweighted Least Squares (IRLS), meminimumkan fungsi ρρ (fungsi obyektif) dari sisaan. TABEL 1. Fungsi objektif, Influence Function dan Fungsi Pembobot M-Estimator Metode Fungsi Objektif Influence Function Fungsi Pembobot Kuadrat Terkecil ρρ(εε ii ) = 1 2 (εε ii ) 2 ψψ(εε ii ) = εε ii ww(εε ii ) =
4 Huber 1 ρρ(εε ii ) = 2 (εε ii ) 2, εε ii rr rr εε ii 1 2 rr2, εε ii > rr εε ii, εε ii rr ψψ(εε ii ) = rr, εε ii > rr rr, εε ii < rr 1, εε ii rr ww(εε ii ) = rr εε ii, εε ii > rr Tukey rr2 2 3 Bisquare ρρ(εε ii ) εε ii rr =, εε ii rr rr 2 6, εε ii > rr Sumber : Montgomery [2] Nilai r pada fungsi objektif, influence dan pembobot pada Tabel 1 adalah tuing constant dan εε ii = εε ii σσ, dimana σσ merupakan estimator skala sisaan yang sifatnya robust (tegar). Kuzmic et.al [6] menyebutkan bahwa M-Estimator efektif digunakan pada α=5% dengan r = untuk fungsi pembobot Huber dan r = 4,685 untuk pembobot Tukey Bisquare. Semakin besar r maka estimasi robust akan mendekati least square. M-Estimator dipandang baik dalam mengestimasi parameter yang disebabkan oleh data outlier dan memiliki breakdown point 1/n, dengan n adalah banyaknya data pengamatan. Breakdown point adalah proporsi minimal dari banyaknya data pencilan dibandingkan dengan seluruh data pengamatan. M-Estimator meminimumkan fungsi objektif : ii=1 ρρ(εε ii ) = ii=1 ρρ(εε ii σσ ) = ii=1 ρρ(( yy ii XX ii bb)/σσ ) (1) σσ merupakan estimator skala sisaan yang sifatnya robust (tegar). Nilai σσ diperoleh melalui iterasi: σσ ll = mmmmmm εε ii mmmmmmεε ii / (2) dengan l (l = 1, 2, ) adalah iterasi. Bila n besar dan sisaan berdistribusi normal, maka dengan konstanta menyebabkan σσ bersifat tak bias, Montgomery[2]. Dengan ψψ = ρρ adalah turunan pertama dari ρρ yang merupakan influence function, maka untuk meminimumkan persamaan (1) : ii=1 ψψ(( yy ii XX ii bb)/σσ )XX ii = 0 (3) ψψ(. ) merupakan influence function yang digunakan dalam memperoleh bobot (weight). Dengan fungsi pembobot ww ii = ψψ εε ii εε ii maka persamaan (3) menjadi: ii=1 ww ii (( yy ii XX ii bb)/σσ )XX ii = 0 (4) Persamaan (4) dinotasikan ke dalam matrik : ψψ(εε ii ) = εε ii 1 εε 2 2 ii rr εε ii rr 2 0, εε ii > rr 2 2 ww(εε ii ) = 1 εε ii rr, εε ii rr 0, εε ii > rr XX TT WWWWbb = XX TT WWWW (5) Persamaan (5) disebut weighted least. Weighted least squares tersebut dapat digunakan sebagai alat untuk mendapatkan M-Estimator, sehingga hasil dari estimasi parameter menjadi : 1262
5 bb = (XX TT WWWW) 1 XX TT WWWW (6) Secara umum prosedur untuk mendapatkan estimasi parameter dengan Iteratively Reweighted Least Squares (IRLS), adalah sebagai berikut: 1) Menaksir parameter regresi menggunakan least square, sehingga didapatkan yy ii,0 dan didapatkan residual εε ii,0, dimana εε ii,0 = yy ii yy ii,0 (i = 1, 2,... n) yang diperlakukan sebagai nilai awal 2) Dari nilai-nilai residual tersebut ditentukan σσ (0) dan fungsi pembobot awal εε ii,0 ww ii,0 = ψψ εε ii,0. Nilai ψψ(εε ii ) dihitung sesuai fungsi Huber 3) Mencari estimasi pada iterasi l ( l = 1, 2, ) dengan weighted least square: bb ll = (XX TT WW ll 1 XX) 1 XX TT WW ll 1 yy dengan WW ll 1 merupakan matriks diagonal dengan elemen diagonalnya adalah ww ii,ll 1. Sehingga estimasi parameter pada iterasi pertama ( l = 1 ) menggunakan εε ii,0 dan ww ii,0 4) Menghitung ii=1 yy ii yy ii,1 atau ii=1 εε ii,1 5) Mengulang tahap 2-4 hingga didapatkan ii=1 εε ii,ll yang konvergen (selisih bb ll+1 dan bb ll mendekati 0). (b) S-Estimator (Scale-Estimator) S-Estimator diperkenalkan oleh Rousseeuw dan Yohai pada tahun S- Estimator dapat mengidentifikasi bad observation yang berarti dapat membedakan good leverage point dan bad leverage point. Good leverage point merupakan pengamatan yang terpencil pada variabel X tetapi terletak dekat dengan garis regresi (pengamatan x i menjauh, tetapi y i cocok dengan garis regresi), sedangkan bad leverage point merupakan pengamatan yang terpencil pada variabel bebas X dan terletak jauh dari garis regresi. Untuk mengatasi hal tersebut diperlukan high breakdown point, Chen [5]. S-Estimator merupakan estimator yang memiliki high breakdown point untuk mengestimasi skala sisaan σσ. S-Estimator meminimumkan skala M-Estimator terhadap sisaan (σσ ). Bentuk S- Estimator adalah: bb SS = mmmmmm ββ σσ (εε 1 (bb),, εε (bb)) (6) dimana σσ adalah penduga skala robust yang memenuhi 1 ρρ(εε ii ii=1 = δδ, dimana δδ adalah konstanta yang didefinisikan sebagai δδ = EE(ΦΦ, ρρ( )) dimana ΦΦ berdistribusi normal standar. (c) MM-Estimator (Method of Moment Estimator) MM-Estimator merupakan estimator yang mempunyai sifat robust yang tinggi dan efektif terhadap outlier. Metode MM-Estimator melalui dua tahap. Pertama, mengestimasi parameter regresi awal dan menghitung scale estimate dengan metode S-Estimtor. Kedua, mengestimasi parameter regresi akhir dengan M-Estimator. pada umumnya MM-Estimator menggunakan metode Tukey Bisquare. MM-Estimator juga menggunakan IRLS (Iteratively Reweighted Least σσ ) 1263
6 Square) untuk mencari estimasi parameter regresi. Langkah-langkah estimasi parameter pada MM-Estimator adalah sebagai berikut: 1. Menghitung estimator awal bb ii,0 dan εε ii,0 dengan menggunakan S-Estimator (high breakdown point) 2. Dari nilai residual εε ii,0 yang diperoleh pada langkah 1, ditentukan estimator skala σσ ss, dihitung pula pembobot awal ww ii,0 = ψψ εε ii,0, εε ii = εε ii σσ ss, dan ww ii,0 dihitung sesuai fungsi Tukey Bisquare 3. Nilai residual εε ii,0 dengan estimator skala σσ ss pada langkah 2 digunakan dalam iterasi awal: bb ll = (XX TT WW ll 1 XX) 1 XX TT WW ll 1 yy dengan WW ll 1 merupakan matriks diagonal dengan elemen diagonalnya adalah ww ii,ll 1. Sehingga estimasi parameter pada iterasi pertama (nilai l = 1) menggunakan εε ii,0 dan ww ii,0 4. Menghitung ii=1 yy ii yy ii,1 atau ii=1 εε ii,1 5. Mengulangi langkah 2 sampai 4 hingga didapatkan ii=1 εε ii,ll yang konvergen (selisih bb ll+1 dan bb ll mendekati 0), dengan l adalah banyaknya iterasi. 3. Hasil dan Pembahasan Berdasarkan tujuan dalam penelitian ini yaitu melihat sifat ketakbiasan estimator parameter regresi linear sederhana dari MKT, S-Estimator, M- Estimator, dan MM-Estimator pada data simulasi yang mengandung outlier menurut jenis dan banyaknya, dalam penelitian ini outlier hanya terjadi pada peubah dependent Y. Kumpulan data yang dianalisis mencakup data yang mengandung minor-outlier sebesar 5%, 10%, dan 15% serta data-data yang mengandung mayor-outlier sebesar 5%, 10%, dan 15%. Data simulasi awal (tanpa outlier) dibangkitkan data berdistribusi normal dengan EE(YY XX) = 2 + XX, selanjutnya untuk memenuhi kriteria data mengandung jenis dan banyak outlier tertentu, dilakukan dengan mengganti sejumlah data dengan data outlier sesuai jenis dan banyaknya. Karena MKT tidak memenuhi asumsi kenormalan, maka sifat ketakbiasan estimator dari parameter regresi dilihat pada S-Estimator, M-Estimator, dan MM- Estimator. Sifat ketakbiasan dilihat pada selang kepercayaan 95% parameter regresi, apabila nilai harapan parameter regresi, yaitu EE ββ 1 = ββ 1 = 1 berada pada selang kepercayaan yang disusun berdasarkan nilai ββ 1 maka dikatakan estimator ββ 1 bersifat tidak bias. Demikian juga, apabila EE ββ 0 = ββ 0 = 2 berada pada selang kepercayaan yang disusun berdasarkan nilai ββ 0 maka estimator ββ 0 bersifat tidak bias. Sifat ketakbiasan S-Estimator, M-Estimator, dan MM- Estimator secara rinci diuraikan pada Tabel 2, Tabel 3, dan Tabel 4. εε ii,0 TABEL 2. Selang Kepercayaan 95% ββ 0 dan ββ 1 dari S-Estimator Posisi Jenis Outlier BB 0 Ket. BB 1 Ket. Outlier Batas Batas Batas Batas Atas Bawah Atas Bawah Bawah Minor 5% T T 1264
7 Minor 10% T B Minor 15% T T Mayor 5% T T Mayor 10% T B Mayor 15% T T Atas Minor 5% T T Minor 10% T T Minor 15% T T Mayor 5% T T Mayor 10% T T Mayor 15% T T Tengah Minor 5% T T Minor 10% T B Minor 15% T T Mayor 5% T T Mayor 10% T B Mayor 15% T T TABEL 3. Selang Kepercayaan 95% ββ 0 dan ββ 1 dari M-Estimator Posisi Outlier Jenis Outlier BB 0 Ket. BB 1 Ket. Batas Bawah Batas Atas Batas Bawah Batas Atas Bawah Minor 5% T T Minor 10% T T Minor 15% T T Mayor 5% T T Mayor 10% T T Mayor 15% T T Atas Minor 5% T B Minor 10% T T Minor 15% T B Mayor 5% T B Mayor 10% T T Mayor 15% T B Tengah Minor 5% T T Minor 10% T T Minor 15% T T Mayor 5% T T Mayor 10% T T Mayor 15% T T TABEL 4. Selang Kepercayaan 95% ββ 0 dan ββ 1 dari MM-Estimator Posisi Outlier Jenis Outlier BB 0 Ket. BB 1 Ket. Batas Batas Batas Batas Atas Bawah Atas Bawah Bawah Minor 5% T T Minor 10% T T Minor 15% T T Mayor 5% T T Mayor 10% T T Mayor 15% T T Atas Minor 5% T T 1265
8 Minor 10% T T Minor 15% T T Mayor 5% T T Mayor 10% T T Mayor 15% T T Tengah Minor 5% T T Minor 10% T T Minor 15% T T Mayor 5% T T Mayor 10% T T Mayor 15% T T Ket. : T = tidak bias, B = bias Berdasarkan hasil yang diuraikan dalam Tabel 2, 3, dan 4 maka terlihat bahwa ketiga metode regresi robust menghasilkan estimator tidak bias untuk parameter pada semua jenis dan banyak outlier dalam data. Sedangkan untuk estimator parameter pada S-Estimator diperoleh estimator yang bias pada data yang mengandung outlier sebanyak 10% untuk jenis minor dan mayor pada posisi bawah dan tengah data. Pada M-Estimator, estimator yang bias untuk parameter diperoleh pada data yang mengandung outlier sebanyak 5% untuk jenis minor dan mayor pada posisi atas dari data. Sedangkan MM-Estimator memberikan estimator tak bias untuk parameter pada semua jenis dan banyak outlier di semua posisi data. Hal ini memperlihatkan bahwa diantara ketiga metode regresi robust yang diamati, MM-Estimator merupakan metode yang memiliki kekekaran yang paling tinggi dalam mengatasi pengaruh outlier pada analisis regresi linier. 4. Kesimpulan Adanya outlier pada suatu data dalam analisis regresi linier mengakibatkan pelanggaran terhadap asumsi kenormalan, sehingga MKT tidak tepat digunakan dalam estimasi parameter. Metode regresi robust digunakan sebagai alternatifnya. Dari ketiga metode regresi robust, yaitu S- Estimator, M-Estimator, dan MM-Estimator diperoleh bahwa MM- Estimator merupakan metode yang memiliki kekekaran yang paling tinggi dalam mengatasi pengaruh outlier pada analisis regresi linier. Daftar Pustaka [1] Weisberg, S., Applied Linear Regression. John Wiley and Sons Inc., [2] Montgomery,D.C. and Peck, E.A., Introduction to Linear Regression Analysis, 2 nd Edition, John Wiley and Sons Inc., [3] Myers, R.H., Classical and Modern Regression With Application, 2 nd Edition, Duxbury/Thompson Learning, [4] Ryan, T.P., Modern Regression Methods, A Wiley-Interscience Publication, [5] Chen, C., The Robust Regression and Outlier Detection With The Robustreg Procedure. Paper SAS Institute. Cary, NC, [6] Kuzmic, Petr, et al., Practical Robust Fit of Enzyme Inhibition Data. Methods in Enzymology. 383: ,
PERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN
E-Jurnal Matematika Vol. 3, No.2 Mei 2014, 45-52 ISSN: 2303-1751 PERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN NI PUTU NIA IRFAGUTAMI 1, I GUSTI
Lebih terperinciTINJAUAN PUSTAKA. Dalam proses pengumpulan data, peneliti sering menemukan nilai pengamatan
4 II. TINJAUAN PUSTAKA 2.1 Definisi Pencilan Dalam proses pengumpulan data, peneliti sering menemukan nilai pengamatan yang bervariasi (beragam). Keberagaman data ini, di satu sisi sangat dibutuhkan dalam
Lebih terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS)
FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENDUDUK DI JAWA TENGAH MENGGUNAKAN MODEL REGRESI ROBUST DENGAN ESTIMASI LEAST MEDIAN OF SQUARES (LMS) Yuditia Ari Prabowo, Yuliana Susanti, dan Santoso Budi Wiyono
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah metode statistika yang digunakan untuk mengetahui hubungan antara variabel terikat (dependen, respon, YY) dengan satu atau lebih variabel bebas
Lebih terperinciBAB I PENDAHULUAN. dependen disebut dengan regresi linear sederhana, sedangkan model regresi linear
BAB I PENDAHULUAN A. Latar Belakang Analisis regresi linear merupakan metode statistika yang digunakan untuk membentuk model hubungan antara variabel dependen (terikat; respon) dengan satu atau lebih variabel
Lebih terperinciANALISIS REGRESI ROBUST ESTIMASI-S MENGGUNAKAN PEMBOBOT WELSCH DAN TUKEY BISQUARE
48 Jurnal Matematika Vol 6 No 1 Tahun 2017 ANALISIS REGRESI ROBUST ESTIMASI-S MENGGUNAKAN PEMBOBOT WELSCH DAN TUKEY BISQUARE S-ESTIMATION OF ROBUST REGRESSION ANALYSIS USES WELSCH AND TUKEY BISQUARE WEIGHTING
Lebih terperinciBAB I PENDAHULUAN. untuk membentuk model hubungan antara variabel dependen dengan satu atau
BAB I PENDAHULUAN A. Latar Belakang Analisis regresi linier merupakan teknik dalam statistika yang digunakan untuk membentuk model hubungan antara variabel dependen dengan satu atau lebih variabel independen.
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan metode analisis yang menjelaskan tentang
BAB I PENDAHULUAN A. Latar Belakang Analisis regresi merupakan metode analisis yang menjelaskan tentang hubungan antara dua atau lebih variabel. Variabel dalam analisis regresi, dibedakan menjadi dua yaitu
Lebih terperinciJurnal EKSPONENSIAL Volume 7, Nomor 2, Nopember 2016 ISSN
Metode Regresi Robust Dengan Estimasi Method of Moment (Estimasi-MM) Pada Regresi Linier Berganda (Studi Kasus : Data Indeks Harga Konsumen (IHK) Provinsi Kalimantan Timur) Method of Robust Regression
Lebih terperinciBAB I PENDAHULUAN. lebih variabel independen. Dalam analisis regresi dibedakan dua jenis variabel
BAB I PENDAHULUAN A. Latar Belakang Analisis regresi linier merupakan teknik dalam statistika yang digunakan untuk membentuk model hubungan antara variabel dependen dengan satu atau lebih variabel independen.
Lebih terperinci1. PENDAHULUAN PADA PRODUKSI JAGUNG DI JAWA TENGAH
MODEL REGRESI ROBUST ESTIMASI DENGAN PEMBOBOT FAIR PADA PRODUKSI JAGUNG DI JAWA TENGAH Oktaviana Wulandari, Yuliana Susanti, dan Sri Sulistijowati Handajani Program Studi Matematika FMIPA UNS ABSTRAK.
Lebih terperinciREGRESI ROBUST UNTUK MENGATASI OUTLIER PADA REGRESI LINIER BERGANDA. Isma Hasanah
REGRESI ROBUST UNTUK MENGATASI OUTLIER PADA REGRESI LINIER BERGANDA Isma Hasanah isma_semangat@yahoo.co.id Agustini Tripena, Br. Sb Universitas Jenderal Soedirman ABSTRACT. Regression analysis is statistic
Lebih terperinciREGRESI ROBUST MM-ESTIMATOR UNTUK PENANGANAN PENCILAN PADA REGRESI LINIER BERGANDA
REGRESI ROBUST MM-ESTIMATOR UNTUK PENANGANAN PENCILAN PADA REGRESI LINIER BERGANDA SKRIPSI Disusun Oleh : SHERLY CANDRANINGTYAS J2E 008 053 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS
Lebih terperinciEFISIENSI ESTIMASI SCALE (S) TERHADAP ESTIMASI LEAST TRIMMED SQUARES (LTS) PADA PRODUKSI PADI DI PROVINSI JAWA TENGAH
EFISIENSI ESTIMASI SCALE (S) TERHADAP ESTIMASI LEAST TRIMMED SQUARES (LTS) PADA PRODUKSI PADI DI PROVINSI JAWA TENGAH May Cristanti, Yuliana Susanti, dan Sugiyanto Program Studi Matematika FMIPA UNS ABSTRAK.
Lebih terperinciBAB II LANDASAN TEORI. metode kuadrat terkecil (MKT), outlier, regresi robust, koefisien determinasi,
BAB II LANDASAN TEORI Beberapa teori yang diperlukan untuk mendukung pembahasan diantaranya adalah regresi linear berganda, pengujian asumsi analisis regresi, metode kuadrat terkecil (MKT), outlier, regresi
Lebih terperinciTINJAUAN PUSTAKA. Gambar 1 Plot jenis pengamatan pencilan.
TINJAUAN PUSTAKA Pencilan Aunuddin (1989) mendefinisikan pencilan sebagai nilai ektstrim yang menyimpang agak jauh dari kumpulan pengamatan lainnya, yang secara kasar berada pada jarak sejauh tiga atau
Lebih terperinciUJM 3 (2) (2014) UNNES Journal of Mathematics.
UJM 3 (2) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm DETEKSI OUTLIER MENGGUNAKAN DIAGNOSA REGRESI BERBASIS ESTIMATOR PARAMETER ROBUST Suyanti, YL Sukestiyarno Jurusan
Lebih terperinciKAJIAN TELBS PADA REGRESI LINIER DENGAN KASUS PENCILAN
KAJIAN TELBS PADA REGRESI LINIER DENGAN KASUS PENCILAN Nurul Gusriani 1), Firdaniza 2), Novi Octavianti 3) 1,2,3) Departemen Matematika FMIPA Universitas Padjadjaran, Jalan Raya Bandung- Sumedang Km. 21
Lebih terperinciESTIMASI REGRESI ROBUST M PADA FAKTORIAL RANCANGAN ACAK LENGKAP YANG MENGANDUNG OUTLIER
ESTIMASI REGRESI ROBUST M PADA FAKTORIAL RANCANGAN ACAK LENGKAP YANG MENGANDUNG OUTLIER Siswanto 1, Raupong 2, Annisa 3 ABSTRAK Dalam statistik, melakukan suatu percobaan adalah salah satu cara untuk mendapatkan
Lebih terperinciREGRESI ROBUST MM-ESTIMATOR UNTUK PENANGANAN PENCILAN PADA REGRESI LINIER BERGANDA
JURNAL GAUSSIAN, Volume 2, Nomor 4, Tahun 2013, Halaman 395-404 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian REGRESI ROBUST MM-ESTIMATOR UNTUK PENANGANAN PENCILAN PADA REGRESI LINIER BERGANDA
Lebih terperinciMETODE ORDINARY LEAST SQUARES DAN LEAST TRIMMED SQUARES DALAM MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 03, No. 3 (2014), hal 163-168. METODE ORDINARY LEAST SQUARES DAN LEAST TRIMMED SQUARES DALAM MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER
Lebih terperinciBAB I PENDAHULUAN. hubungan ketergantungan variabel satu terhadap variabel lainnya. Apabila
BAB I PENDAHULUAN A. Latar Belakang Analisis regresi merupakan metode analisis yang dapat digunakan untuk menganalisis data dan mengambil kesimpulan yang bermakna tentang hubungan ketergantungan variabel
Lebih terperinciESTIMASI DATA HILANG MENGGUNAKAN REGRESI ROBUST S
ESTIMASI DATA HILANG MENGGUNAKAN REGRESI ROBUST S PADA RANCANGAN ACAK KELOMPOK Andi Fabiola Awalet 1, Raupong 2, Anisa 3 Program studi Statistika, Jurusan Matematika, FMIPA, Universitas Hasanuddin andiiiola@gmail.com
Lebih terperinciPerbandingan Metode Robust Least Trimmed Square Dengan Metode Scale
Perbandingan Metode Robust Least Trimmed Square Dengan Metode Scale Dalam Mengestimasi Parameter Regresi Linear Berganda Untuk Data Yang Mengandung Pencilan Musafirah 1, Raupong 2, Nasrah Sirajang 3 ABSTRAK
Lebih terperinciSTUDI KOMPARATIF METODE KUADRAT TERKECIL DENGAN METODE REGRESI ROBUST PEMBOBOT WELSCH PADA DATA YANG MENGANDUNG PENCILAN
Jurnal Matematika UNAND Vol. 2 No. 4 Hal. 18 26 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND STUDI KOMPARATIF METODE KUADRAT TERKECIL DENGAN METODE REGRESI ROBUST PEMBOBOT WELSCH PADA DATA YANG MENGANDUNG
Lebih terperinciBAB IV PEMBAHASAN. Proses estimasi pada metode IRLS ini dengan meminimumkan fungsi residu, yang dapat dituliskan sebagai berikut.
BAB IV PEMBAHASAN Pada bab ini akan dibahas mengenai estimasi parameter model Regresi M- kuantil, penurunan model Regresi M-kuantil, dan contoh penerapan model Regresi M-kuantil pada pengaruh pendapatan
Lebih terperinciPERBANDINGAN METODE MCD-BOOTSTRAP DAN LAD- BOOTSTRAP DALAM MENGATASI PENGARUH PENCILAN PADA ANALISIS REGRESI LINEAR BERGANDA
PERBANDINGAN METODE MCD-BOOTSTRAP DAN LAD- BOOTSTRAP DALAM MENGATASI PENGARUH PENCILAN PADA ANALISIS REGRESI LINEAR BERGANDA Ni Luh Putu Ratna Kumalasari 1, Ni Luh Putu Suciptawati 2,, Made Susilawati
Lebih terperinciBAB II TINJAUAN PUSTAKA. satu peubah prediktor dengan satu peubah respon disebut analisis regresi linier
BAB II TINJAUAN PUSTAKA 2.1 Analisis Regresi Linier Berganda Analisis regresi pertama kali dikembangkan oleh Sir Francis Galton pada abad ke-19. Analisis regresi dengan satu peubah prediktor dan satu peubah
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan suatu metode analisis dalam statistika yang digunakan untuk mencari hubungan antara suatu variabel terhadap variabel lain. Dalam
Lebih terperinciPERBANDINGAN REGRESI KOMPONEN UTAMA DAN ROBPCA DALAM MENGATASI MULTIKOLINEARITAS DAN PENCILAN PADA REGRESI LINEAR BERGANDA
E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 1-5 ISSN: 2303-1751 PERBANDINGAN REGRESI KOMPONEN UTAMA DAN ROBPCA DALAM MENGATASI MULTIKOLINEARITAS DAN PENCILAN PADA REGRESI LINEAR BERGANDA NI WAYAN
Lebih terperinciPENERAPAN METODE BOOTSTRAP RESIDUAL DALAM MENGATASI BIAS PADA PENDUGA PARAMETER ANALISIS REGRESI
PENERAPAN METODE BOOTSTRAP RESIDUAL DALAM MENGATASI BIAS PADA PENDUGA PARAMETER ANALISIS REGRESI Ni Made Metta Astari 1, Ni Luh Putu Suciptawati 2, I Komang Gde Sukarsa 3 1 Jurusan Matematika, Fakultas
Lebih terperinciMODEL REGRESI LINIER BERGANDA MENGGUNAKAN PENAKSIR PARAMETER REGRESI ROBUST M-ESTIMATOR (Studi Kasus: Produksi Padi di Provinsi Jawa Barat Tahun 2009)
MODEL REGRESI LINIER BERGANDA MENGGUNAKAN PENAKSIR PARAMETER REGRESI ROBUST M-ESTIMATOR (Studi Kasus: Produksi Padi di Provinsi Jawa Barat Tahun 2009) Rini Cahyandari, Nurul Hisani Jurusan Matematika Fakultas
Lebih terperinciTingkat Efisiensi Metode Regresi Robust dalam Menaksir Koefisien Garis Regresi Jika Ragam Galat Tidak Homogen
Tingkat Efisiensi Metode Robust dalam Menaksir Garis Jika Ragam Galat Tidak Homogen Harmi Sugiarti dan Andi Megawarni e-mail: harmi@mailutacid dan mega@mailutacid Abstract This paper aims to compare the
Lebih terperinciREGRESI ROBUST DENGAN METODE CONSTRAINED M ESTIMATION PADA PRODUKSI PADI SAWAH DI JAWA TENGAH. oleh IDA YUSWARA DYAH PITALOKA M
REGRESI ROBUST DENGAN METODE CONSTRAINED M ESTIMATION PADA PRODUKSI PADI SAWAH DI JAWA TENGAH oleh IDA YUSWARA DYAH PITALOKA M0108046 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh
Lebih terperinciJudul : Perbandingan Metode MCD Bootstrap dan. Analisis Regresi Linear Berganda. Pembimbing : 1. Dra. Ni Luh Putu Suciptawati,M.Si
Judul : Perbandingan Metode MCD Bootstrap dan LAD Bootstrap Dalam Mengatasi Pengaruh Pencilan Pada Analisis Regresi Linear Berganda Nama : Ni Luh Putu Ratna Kumalasari Pembimbing : 1. Dra. Ni Luh Putu
Lebih terperinciPENERAPAN BOOTSTRAP DALAM METODE MINIMUM COVARIANCE DETERMINANT (MCD) DAN LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI LINIER BERGANDA
PENERAPAN BOOTSTRAP DALAM METODE MINIMUM COVARIANCE DETERMINANT (MCD) DAN LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI LINIER BERGANDA Ni Putu Iin Vinny Dayanti 1, Ni Luh Putu Suciptawati 2, Made
Lebih terperinciANALISIS KETEGARAN REGRESI ROBUST TERHADAP LETAK PENCILAN: STUDI PERBANDINGAN
Bulletin of Mathematics Vol. 03, No. 01 (2011), pp. 49 60. ANALISIS KETEGARAN REGRESI ROBUST TERHADAP LETAK PENCILAN: STUDI PERBANDINGAN Netti Herawati, Khoirin Nisa dan Eri Setiawan Abstract. The effect
Lebih terperinciBAB 2 TINJAUAN PUSTAKA = (2.2) =
BAB 2 TINJAUAN PUSTAKA 2.1. Regresi Linear Berganda Regresi linear berganda adalah regresi dimana variabel terikatnya dihubungkan atau dijelaskan dengan lebih dari satu variabel bebas,,, dengan syarat
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 PENDAHULUAN Latar Belakang Analisis regresi berguna dalam menelaah hubungan antara sepasang peubah atau lebih, dan terutama untuk menelusuri pola hubungan yang modelnya belum diketahui sempurna sehingga
Lebih terperinciPENDETEKSIAN OUTLIER PADA CAPITAL ASSET PRICING MODEL (CAPM) MENGGUNAKAN LEAST TRIMMED SQUARES (LTS) Elis Ratna Wulan 1, Enung Nurhayati 2
Edisi Juli 014 Volume VIII No. 1 ISSN 1979-8911 PENDETEKSIAN OUTLIER PADA CAPITAL ASSET PRICING MODEL (CAPM) MENGGUNAKAN LEAST TRIMMED SQUARES (LTS) Elis Ratna Wulan 1, Enung Nurhayati 1, Jurusan Matematika,
Lebih terperinciPERBANDINGAN METODE LEAST TRIMMED SQUARES DAN PENAKSIR M DALAM MENGATASI PERMASALAHAN DATA PENCILAN
Saintia Matematika Vol. 1, No. 1 (2013), pp. 73 85. PERBANDINGAN METODE LEAST TRIMMED SQUARES DAN PENAKSIR M DALAM MENGATASI PERMASALAHAN DATA PENCILAN Sri Wulandari, Sutarman, Open Darnius Abstrak. Analisis
Lebih terperinciABSTRAK. Kata kunci: model regresi linier, pencilan (outlier), regresi robust, M-estimator
ABSTRAK Metode kuadrat terkecil merupakan salah satu metode estimasi parameter dalam model regresi. Metode ini menghasilkan estimator yang tak bias selama asumsi-asumsinya dipenuhi. Tetapi, ketika asumsi
Lebih terperinciEstimasi Parameter pada Regresi Spatial Error Model (SEM) yang Memuat Outlier menggunakan Iterative Z Algorithm
PRISMA 1 (2018) https://journal.unnes.ac.id/sju/index.php/prisma/ Estimasi Parameter pada Regresi Spatial Error Model (SEM) yang Memuat Outlier menggunakan Iterative Z Algorithm Yulia Sari, Nur Karomah
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah analisis statistik yang mempelajari bagaimana memodelkan sebuah model fungsional dari data untuk dapat menjelaskan ataupun meramalkan suatu
Lebih terperinciEfektivitas Metode Regresi Robust Penduga Welsch dalam Mengatasi Pencilan pada Pemodelan Regresi Linear Berganda
Jurnal Penelitian Sains Volume 1 Nomer 1(A) 1101 Efektivitas Metode Regresi Robust Penduga Welsch dalam Mengatasi Pencilan pada Pemodelan Regresi Linear Berganda Dian Cahyawati S. 1), Hadi Tanuji ), dan
Lebih terperinciUNNES Journal of Mathematics
UJM 5 (1) (2016) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm METODE LEAST TRIMMED SQUARE (LTS) DAN MM-ESTIMATION UNTUK MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER
Lebih terperinciBAB I PENDAHULUAN. menyelidiki hubungan di antara dua atau lebih peubah prediktor X terhadap peubah
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi linier berganda merupakan analisis yang digunakan untuk menyelidiki hubungan di antara dua atau lebih peubah prediktor X terhadap peubah respon Y yang
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab ini terdiri dari dua bagian. Pada bagian pertama berisi tinjauan pustaka dari penelitian-penelitian sebelumnya dan beberapa teori penunjang berisi definisi-definisi yang digunakan
Lebih terperinciMODEL REGRESI KANDUNGAN BATUBARA MENGGUNAKAN METODE LEAST MEDIAN OF SQUARES
PTNBR - BATAN Bandung, 04 Juli 013 MODEL REGRESI KANDUNGAN BATUBARA MENGGUNAKAN METODE LEAST MEDIAN OF SQUARES Kankan Parmikanti 1, Endang Rusyaman 1 dan Emah Suryamah 1 1 Jurusan Matematika FMIPA Universitas
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB TINJAUAN PUSTAKA.1 Regresi Linier Analisis regresi linier merupakan suatu metode yang digunakan untuk menganalisis hubungan antarvariabel. Hubungan tersebut dapat diekspresikan dalam bentuk persamaan
Lebih terperinciBAB 2 LANDASAN TEORI
19 BAB LANDASAN TEORI.1 Analisis Regresi Analisis regresi dalam statistika adalah salah satu metode untuk menentukan hubungan sebab-akibat antara satu variabel dengan variabel yang lain. Variabel penjelas,
Lebih terperinciOPTIMASI MODEL REGRESI ROBUST UNTUK MEMPREDIKSI PRODUKSI KEDELAI DI INDONESIA
OPTIMASI MODEL REGRESI ROBUST UNTUK MEMPREDIKSI PRODUKSI KEDELAI DI INDONESIA Yuliana Susanti 1, Hasih Pratiwi 2, Sri Sulistijowati H 3 1,2,3 Jurusan Matematika FMIPA, Universitas Sebelas Maret, Surakarta
Lebih terperinciPENDEKATAN WINSOR PADA ANALISIS REGRESI DENGAN PENCILAN MURIH PUSPARUM
PENDEKATAN WINSOR PADA ANALISIS REGRESI DENGAN PENCILAN MURIH PUSPARUM DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015 PERNYATAAN MENGENAI SKRIPSI
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan suatu metode yang digunakan untuk mengetahui hubungan satu arah antara variabel prediktor dan variabel respon yang umumnya dinyatakan
Lebih terperinciPERBANDINGAN METODE LEAST TRIMMED SQUARES DAN PENDUGA-S DALAM MENGATASI DATA PENCILAN DENGAN SIMULASI DATA SKRIPSI
PERBANDINGAN METODE LEAST TRIMMED SQUARES DAN PENDUGA-S DALAM MENGATASI DATA PENCILAN DENGAN SIMULASI DATA SKRIPSI ANDOS NIKI S. M. SEMBIRING 090803032 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciBAB I PENDAHULUAN. suatu metode yang disebut metode kuadrat terkecil (Ordinary Least Square OLS).
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam penaksiran koefisien-koefisien regresi linier, biasanya kita digunakan suatu metode yang disebut metode kuadrat terkecil (Ordinary Least Square OLS).
Lebih terperinci(R.14) METODE MINIMUM COVARIANCE DETERMINANT PADA ANALISIS REGRESI LINIER BERGANDA DENGAN KASUS PENCILAN
(R.14) MEODE MINIMUM COVARIANCE DEERMINAN PADA ANALISIS REGRESI LINIER BERGANDA DENGAN KASUS PENCILAN Dini Aderlina, Firdaniza, Nurul Gusriani Jurusan Matematika FMIPA Universitas Padjadjaran Jl. Raya
Lebih terperinciPERBANDINGAN REGRESI ROBUST DENGAN OLS PADA PRODUKSI UBI JALAR PROVINSI JAWA TENGAH TAHUN 2015
PERBANDINGAN REGRESI ROBUST DENGAN PADA PRODUKSI UBI JALAR PROVINSI JAWA TENGAH TAHUN 2015 Endah Suryaningsih Utami 1), Abdul Karim 2) 1 Program Studi Strata Statistika,, Universitas Muhammadiyah Semarang
Lebih terperinciREGRESI RIDGE-MM UNTUK MENGATASI MULTIKOLINIERITAS DAN PENCILAN : STUDI KASUS PADA DATA INDEKS PEMBANGUNAN MANUSIA
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 REGRESI RIDGE-MM UNTUK MENGATASI MULTIKOLINIERITAS DAN PENCILAN : STUDI KASUS PADA DATA INDEKS PEMBANGUNAN
Lebih terperinciTINJAUAN PUSTAKA. Analisis regresi adalah suatu metode analisis data yang menggambarkan
II. TINJAUAN PUSTAKA 2.1 Analisis Regresi Analisis regresi adalah suatu metode analisis data yang menggambarkan hubungan fungsional antara variabel respon dengan satu atau beberapa variabel prediktor.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Deret Fourier Dalam bab ini akan dibahas mengenai deret dari suatu fungsi periodik. Jenis fungsi ini sering muncul dalam berbagai persoalan fisika, seperti getaran mekanik, arus
Lebih terperinciPertemuan 4-5 ANALISIS REGRESI SEDERHANA
Pertemuan 4-5 ANALISIS REGRESI SEDERHANA Metode Kuadrat Terkecil (OLS) Persoalan penting dalam membuat garis regresi sampel adalah bagaimana kita bisa mendapatkan garis regresi yang baik yaitu sedekat
Lebih terperinciBAB 2 LANDASAN TEORI. mengetahui pola hubungan antara dua atau lebih variabel. Istilah regresi yang
8 BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Analisis regresi merupakan suatu model matematis yang dapat di gunakan untuk mengetahui pola hubungan antara dua atau lebih variabel. Istilah regresi yang
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Secara sederhana, ekonometrika berarti pengukuran indikator ekonomi. Meskipun pengukuran secara kuantitatif terhadap konsep konsep ekonomi seperti produk domestik
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Dalam sebuah penelitian di bidang statistika, peneliti akan berhubungan dengan data pengamatan, baik data kualitatif atau data kuantitatif yang akan diproses
Lebih terperinciPENERAPAN METODE GENERALIZED RIDGE REGRESSION DALAM MENGATASI MASALAH MULTIKOLINEARITAS
e-jurnal Matematika Vol. 2, No. 1, Januari 2013, 54-59 PENERAPAN METODE GENERALIZED RIDGE REGRESSION DALAM MENGATASI MASALAH MULTIKOLINEARITAS NI KETUT TRI UTAMI 1, I KOMANG GDE SUKARSA 2, I PUTU EKA NILA
Lebih terperinciBAB III PEMBAHASAN. Pada bab ini akan dijelaskan mengenai model regresi robust dengan
BAB III PEMBAHASAN Pada bab ini akan dijelaskan mengenai model regresi robust dengan metode estimasi-s. Kemudian akan ditunjukkan model regresi robust menggunakan metode estimasi-s untuk memprediksi Indeks
Lebih terperinciSKRIPSI ESTIMASI PARAMETER REGRESI LINEAR PADA KASUS DATA OUTLIER MENGGUNAKAN METODE ESTIMASI METHOD OF MOMENT NURFADILLAH S
SKRIPSI ESTIMASI PARAMETER REGRESI LINEAR PADA KASUS DATA OUTLIER MENGGUNAKAN METODE ESTIMASI METHOD OF MOMENT NURFADILLAH S JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PEGETAHUAN ALAM UNIVERSITAS
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB LANDASAN TEORI. Metode Kuadrat Terkecil Persamaan regresi linier yang biasa didefinisikan dengan menggunakan metode pendugaan parameter Ordinary Least Square (OLS), secara umum dapat dituliskan :
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Regresi Linier Sederhana Dalam beberapa masalah terdapat dua atau lebih variabel yang hubungannya tidak dapat dipisahkan karena perubahan nilai suatu variabel tidak selalu terjadi
Lebih terperinciPemodelan Faktor-faktor yang Mempengaruhi Produksi Padi di Jawa Timur Tahun 2012 dengan Kasus Pencilan dan Autokorelasi Error
Pemodelan Faktor-faktor yang Mempengaruhi Produksi Padi di Jawa Timur Tahun 22 dengan Kasus Pencilan dan Autokorelasi Error Ria Kumala Dewi dan Wiwiek Setya Winahju Statistika, FMIPA, Institut Teknologi
Lebih terperinciREGRESI LINIER BERGANDA
REGRESI LINIER BERGANDA 1. PENDAHULUAN Analisis regresi merupakan salah satu teknik analisis data dalam statistika yang seringkali digunakan untuk mengkaji hubungan antara beberapa variabel dan meramal
Lebih terperinciJurusan Statistika, FST, Institut Sains & Teknologi AKPRIND Yogyakarta
E-ISSN 57-9378 Jurnal Statistika Industri dan Komputasi Volume, No., Juli 7, pp. 6-35 ANALISIS REGRESI ROBUST DENGAN PENDUGA METHOD OF MOMENT (MM) UNTUK MENGATASI DATA ANG TERIDENTIFIKASI PENCILAN BERDASARKAN
Lebih terperinciAnalisis Regresi Ridge Robust (RR) untuk Mengatasi Masalah Multikolinearitas dan Pencilan pada Data Proksimat di Muara Niru, Jelawatan, dan Enim
Prosiding Statistika ISSN 2460-6456 Analisis Regresi Ridge Robust (RR) untuk Mengatasi Masalah Multikolinearitas dan Pencilan pada Data Proksimat di Muara Niru, Jelawatan, dan Enim 1 Asti Rahmatika, 2
Lebih terperinciAnalisis Perbandingan Berbagai Uji Pencilan Pada Analisis Regresi Admi Nazra Jurusan Matematika FMIPA Universitas Andalas
Analisis Perbandingan Berbagai Uji Pencilan Pada Analisis Regresi Admi Nazra Jurusan Matematika FMIPA Universitas Andalas Abstrak Dalam tulisan ini disimpulkan bahwa jika suatu data terdeteksi sebagai
Lebih terperinciPENERAPAN METODE LEAST MEDIAN SQUARE-MINIMUM COVARIANCE DETERMINANT (LMS-MCD) DALAM REGRESI KOMPONEN UTAMA
E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 6-10 ISSN: 2303-1751 PENERAPAN METODE LEAST MEDIAN SQUARE-MINIMUM COVARIANCE DETERMINANT (LMS-MCD) DALAM REGRESI KOMPONEN UTAMA I PUTU EKA IRAWAN 1, I KOMANG
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
17 BAB TINJAUAN PUSTAKA Pada bab ini akan diuraikan teori dan metode yang digunakan untuk mendukung analisis data. Teori dan metode itu diantaranya adalah rancangan faktorial, analisis regresi dan metode
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Regresi merupakan salah satu teknik analisis statistika yang paling banyak digunakan. Banyak sekali teknik analisis statistika yang diturunkan atau didasarkan pada
Lebih terperinciPENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM
BIAStatistics (2015) Vol. 9, 2, hal. 28-32 PENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM Munawar Jurusan Matematika FMIPA Universitas Syiah
Lebih terperinciBAB I PENDAHULUAN. Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur
BAB I PENDAHULUAN 1.1 Latar Belakang Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur yang digunakan dalam pengumpulan, penyajian, analisis dan interpretasi data. Statistika
Lebih terperinciKata Kunci: Autokorelasi, Heteroskedastisitas, Metode Kuadrat Terkecil, Metode Newey West
Judul : Penerapan Metode Newey West dalam Mengoreksi Standard Error ketika Terjadi Heteroskedastisitas dan Autokorelasi pada Analisis Regresi Nama : Zakiah Nurlaila NIM : 1208405019 Pembimbing : 1. Made
Lebih terperinciREGRESI ROBUST DENGAN ESTIMASI-GS (GENERALIZED S-ESTIMATION ) PADA PENJUALAN TENAGA LISTRIK DI JAWA TENGAH TAHUN 2010
REGRESI ROBUST DENGAN ESTIMASI-GS (GENERALIZED S-ESTIMATION ) PADA PENJUALAN TENAGA LISTRIK DI JAWA TENGAH TAHUN 2010 oleh YURISTA WULANSARI NIM. M 0108073 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Metode Permukaan Respon (Response Surface Methodology/RSM), pertama kali diperkenalkan oleh Box dan Wilson (1951), metode ini sering digunakan untuk mencari
Lebih terperinciUNIVERSITAS NEGERI SEMARANG 2015
1 METODE LEAST TRIMMED SQUARE (LTS) DAN MM-ESTIMATION UNTUK MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER Skripsi disusun sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains Program
Lebih terperinciISSN: Vol. 1 No. 1 Agustus 2012
ISSN: 2303-1751 Vol. 1 No. 1 Agustus 2012 e-jurnal Matematika, Vol. 1, No. 1, Agustus 2012, 94-98 ISSN: 2303-1751 PEMODELAN ANGKA KEMATIAN BAYI DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION
Lebih terperinciKarakteristik Pendugaan Emperical Best Linear Unbiased Prediction (EBLUP) Pada Pendugaan Area Kecil
Prosiding Semirata FMIPA Universitas Lampung, 2013 Karakteristik Pendugaan Emperical Best Linear Unbiased M. Adi Sidauruk, Dian Kurniasari, Widiarti Jurusan Matematika, FMIPA Universitas Lampung E-mail:
Lebih terperinciREGRESI ROBUST. DENGAN ESTIMASI MM (Method of Moment) Program Studi Matematika
REGRESI ROBUST DENGAN ESTIMASI MM (Method of Moment) Skripsi untuk memenuhi sebagian persyaratan mencapai derajat Sarjana S-1 Program Studi Matematika diajukan oleh : EKO KURNIAWAN 06610032 Kepada PROGRAM
Lebih terperinciMetode Minimum Covariance Determinan Pada Analisis Regresi Linier Berganda Dengan Kasus Pencilan
Metode Minimum Covariance Determinan Pada Analisis Regresi Linier Berganda Dengan Kasus Pencilan Minimum Covariance Determinants Method On Multiple Linear Regression Analysis The Case Outliers Sifriyani
Lebih terperinciANALISIS REGRESI KUANTIL
Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 103 107 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND ANALISIS REGRESI KUANTIL SAIDAH, FERRA YANUAR, DODI DEVIANTO Program Studi Magister Matematika, Fakultas
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi merupakan salah satu teknik analisis statistika yang paling banyak digunakan. Pada kejadian sehari hari terdapat hubungan sebab akibat yang muncul,
Lebih terperinciBAB 1 PENDAHULUAN. Perkembangan dunia teknologi berkembang sangat pesat di dalam kehidupan
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan dunia teknologi berkembang sangat pesat di dalam kehidupan manusia. Perkembangan teknologi ini ditandai dengan ditemukannya banyak penemuan penemuan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 21 Pengertian Regresi Linier Pengertian Regresi secara umum adalah sebuah alat statistik yang memberikan penjelasan tentang pola hubungan (model) antara dua variabel atau lebih Analisis
Lebih terperinciHASIL DAN PEMBAHASAN. Algoritma Cepat Penduga GS
HASIL DAN PEMBAHASAN Algoritma Cepat Penduga GS Sebagaimana halnya dengan algoritma cepat penduga S, algoritma cepat penduga GS dikembangkan dengan mengkombinasikan algoritma resampling dan algoritma I-step.
Lebih terperinciPERMASALAHAN AUTOKORELASI PADA ANALISIS REGRESI LINIER SEDERHANA
Jurnal Matematika UNAND Vol. 2 No. 2 Hal. 26 34 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERMASALAHAN AUTOKORELASI PADA ANALISIS REGRESI LINIER SEDERHANA NADIA UTIKA PUTRI, MAIYASTRI, HAZMIRA
Lebih terperinciPEMODELAN ANGKA KEMATIAN BAYI DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION DI PROVINSI BALI
PEMODELAN ANGKA KEMATIAN BAYI DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION DI PROVINSI BALI M ARRIE KUNILASARI ELYNA 1, I GUSTI AYU MADE SRINADI 2, MADE SUSILAWATI 3 1,2,3, Jurusan Matematika,
Lebih terperinciSIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS
SIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS Joko Sungkono 1, Th. Kriswianti Nugrahaningsih 2 Abstract: Terdapat empat asumsi klasik dalam regresi diantaranya asumsi normalitas.
Lebih terperinciBAB I PENDAHULUAN. hubungan antara dua variabel yang terdiri dari variabel tak bebas (Y ) dengan
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi adalah metode statistika yang paling sering digunakan dalam segala bidang ilmu pengetahuan, analisis ini bertujuan untuk memodelkan hubungan antara
Lebih terperinciESTIMASI-MM PADA REGRESI ROBUST (Studi Kasus Produksi Kedelai di Indonesia Tahun 2010)
ESTIMASI-MM PADA REGRESI ROBUST (Studi Kasus Produksi Kedelai di Indonesia Tahun 2010) oleh ENDAH KRISNA MURTI M0106039 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar
Lebih terperinciEstimasi Model Seemingly Unrelated Regression (SUR) dengan Metode Generalized Least Square (GLS)
Estimasi Model Seemingly Unrelated Regression (SUR) dengan Metode Generalized Least Square (GLS) Ade Widyaningsih Jurusan Matematika, FMIPA, Universitas Udayana e-mail: ade.strobery@gmail.com Made Susilawati
Lebih terperinciSarimah. ABSTRACT
PENDETEKSIAN OUTLIER PADA REGRESI LOGISTIK DENGAN MENGGUNAKAN TEKNIK TRIMMED MEANS Sarimah Mahasiswa Program Studi S1 Matematika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lebih terperinci