Pendugaan Parameter Model Regresi Linier Berganda Berbasis Pencilan Sel Menggunakan Metode Detecting Deviating Cells

Abstract

Salah satu proses dalam pemodelan regresi adalah pendugaan parameter. Pendugaan parameter umumnya menggunakan metode ordinary least squares (OLS). Akan tetapi, metode ini kurang baik saat digunakan terhadap data yang mengandung pencilan. Pencilan umumnya mengacu pada pencilan baris (rowwise outliers) dan pencilan sel (cellwise outliers). Pencilan baris menangani dengan menghapus suatu baris data jika pada baris tersebut terdapat pencilan. Sementara pencilan sel menanganai pencilan hanya pada data yang terdeteksi pencilan saja tanpa menghapus baris data. Metode untuk menanganai data dengan memakai prinsip pencilan sel adalah metode detecting deviating cells (DDC). Tujuan dari penelitian adalah menganalisis pengaruh pencilan sel terhadap pendugaan parameter model regresi. Hasil analisis menunjukkan bahwa pendugaan parameter regresi pada data yang tidak mengandung pencilan tidak memiliki perbedaan baik menggunakan OLS saja ataupun dengan DDC. Namun jika data mengandung pencilan, metode OLS dengan DDC lebih unggul dibandingkan dengan OLS tanpa DDC. Hal ini didukung oleh hasil perbandingan nilai Mean Square Error pada OLS dengan DDC lebih kecil dibandingkan OLS serta R2 dan R2adj

One of the processes in regression modeling is parameter estimation. Parameter estimation generally uses the ordinary least squares (OLS) method. However, this method is not good when used with data containing outliers. Outliers generally refer to rowwise outliers and cellwise outliers. Row outliers handle by deleting a row of data if there are outliers in that row. While cell outliers handle outliers only on data detected by outliers without deleting rows of data. The method for handling data using the principle of cell outliers is the detecting deviating cells (DDC) method. The purpose of the study was to analyze the effect of cell outliers on estimating regression model parameters. The results of the analysis showed that the estimation of regression parameters in data that did not contain outliers had no difference either using OLS alone or with DDC. However if the data contains outliers, the OLS method with DDC is superior to OLS without DDC. This is supported by the comparison of the Mean Square Error value in OLS with DDC smaller than OLS and R2 and R2adj closer to 1.