Putri, Tantiana Windy Nindya (2018) Perbandingan Regresi Robust Metode Least Trimmed Square Dan Ordinary Least Square Pencilan Dihilangkan Untuk Penanganan Kasus Pencilan. Sarjana thesis, Universitas Brawijaya.
Abstract
Analisis regresi linier berganda merupakan analisis yang melibatkan satu variabel respon dengan lebih dari satu variabel prediktor. Analisis regresi digunakan untuk memodelkan dan untuk mengetahui hubungan antara satu variabel respon dengan lebih dari satu variabel prediktor. Metode yang biasa digunakan dalam menduga parameter analisis regresi berganda adalah Ordinary Least Square (OLS) atau Metode Kuadrat Terkecil (MKT). Namun apabila terdapat pencilan dalam data maka penggunaan OLS akan memberikan kesimpulan yang kurang baik. Untuk mengatasi penggunaan OLS yang mengandung pencilan dalam data adalah dengan membuang pengamatan yang termasuk pencilan lalu dilakukan pemodelan dengan menggunakan OLS. Solusi lain yang dapat digunakan adalah diperlukan adanya suatu metode yang tidak mudah terpengaruh oleh adanya pencilan, yaitu dengan menggunakan regresi robust/kekar. Salah metode pendugaan parameter pada regresi robust adalah metode Least Trimmed Square. Metode LTS mempunyai prinsip yang sama dengan metode OLS namun pada metode LTS jumlah kuadrat galat yang akan diminimumkan adalah sebanyak h pengamatan. Pada penelitian ini akan dibandingkan model regresi robust/kekar dengan hasil pendugaan LTS dan OLS dengan menghilangkan pengamatan yang termasuk pencilan. Kriteria pemilihan metode pendugaan yang paling baik didasarkan pada nilai koefisien determinasi terkoreksi. Dari hasil penelitian disimpulkan bahwa metode Least Trimmed Square memberikan hasil yang lebih baik dalam menduga parameter regresi pada kasus pencilan dengan menghasilkan R2adjusted sebesar 88,23%
English Abstract
Multiple linear regression is a analysis of one response variable with more than one predictor variable. Regression analysis is used to model and to determine the relationship between one response variable with more than one predictor variable. The method commonly used in multiple regression analysis is Ordinary Least Square (OLS). However, if there are consist of outiers in data then the OLS method will give a poor conclusion. To overcome the use of OLS method that contains outliers in the data is to remove observations that include outliers and then do the modeling using OLS. Another solution that can be used to accommodate the influnce of outliers, that is by using robust regression. One method of parameter estimation on robust regression is Least Trimmed Square method. The LTS method has the same principle as the OLS method but the difference is in the LTS method the sum of the squares of the error to be minimized is h observed. In this study we will compare robust regression models with the estimation results of LTS and OLS by eliminating the observations including the outliers. The criteria for selecting the best estimation method is based on Radjusted2. The result of this research is concluded by Least Trimmed Square method gives better result in regression paremeter assumption in the case of outliers by gived the result of R2adjusted equal to 88,23%.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2018/88/051803493 |
| Uncontrolled Keywords: | Pencilan, Regresi Robust, Least Trimmed Square, Ordinary Least Square Outlier, Robust Regression, Least Trimmed Square, Ordinary Least Square |
| Subjects: | 500 Natural sciences and mathematics > 515 Analysis > 515.3 Differential calculus and equations > 515.35 Differential equations |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 11 Jun 2020 00:13 |
| Last Modified: | 18 Oct 2021 01:46 |
| URI: | http://repository.ub.ac.id/id/eprint/168380 |
Preview |
Text
Tantiana Windy Nindya Putri (2).pdf - Published Version Download (2MB) | Preview |
Actions (login required)
 |
View Item |