Metode Least Median Squares (LMS) pada Analisis Regresi dengan Pencilan

Abstract

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.