Metode Least Median of Squares (LMS) pada analisis regresi dengan pencilan
View/ Open
Date
2010Author
Dalimunthe, Amir A.
Sulvianti, Itasia Dina
Angraini, Yenni
Metadata
Show full item recordAbstract
Metode yang umum digunakan untuk menduga parameter dalam analisis regresi adalah
Ordinary Least Squares (OLS) karena memiliki perhitungan yang sederhana. Namun, ketika data
memiliki pencilan, metode ini menghasilkan dugaan parameter yang berbias. Karena itu
disusunlah metode regresi kekar untuk mengatasi pencilan. Salah satu metode dalam regresi kekar
adalah Least Median of Squares (LMS). Metode ini mampu mengatasi pencilan sehingga
dihasilkan dugaan yang tak bias.
Pada penelitian ini ingin diketahui persentase banyaknya pencilan yang mampu diatasi oleh
LMS. Model yang digunakan dalam penelitian ini adalah model regresi linier sederhana. Data
yang digunakan merupakan data hasil simulasi, dengan β0 dan β1 sebesar 5 dan 10. Nilai X
berkisar antara 1-30. Untuk setiap nilai X akan diberikan satu nilai Y. Sisaan yang digunakan
berasal dari sebaran Normal dengan μ= 0 dan σ2=3 yang nilai mutlak dari sisaan bakunya tidak
lebih dari 2. Ukuran data yang digunakan adalah 30 amatan, 60 amatan, 90 amatan, 120 amatan,
dan 150 amatan. Setiap ukuran data diberikan pencilan sebesar 0% (tanpa pencilan) , 5%, 10%,
15%, dan 20% pada peubah tak bebas Y dan diulang sebanyak 30 kali sehingga diperoleh 750
gugus data yang terbagi menjadi 25 subkelompok gugus data. Parameter regresi diduga dengan
metode OLS dan LMS. Hasil dugaan parameter masing – masing metode pada setiap subkelompok
gugus data diuji dengan metode Pitman’s Measure of Closeness untuk mengetahui metode mana
yang lebih baik.
Metode LMS lebih baik daripada metode OLS dalam menduga parameter regresi pada data
yang memiliki pencilan hingga persentase pencilan 20% untuk pencilan sebesar 4 × σ2. Metode
LMS lebih kekar dalam menduga parameter β1 daripada parameter β0. Semakin besar ukuran data,
kekekaran LMS semakin menurun terutama dalam pendugaan β0.