yang cukup pada x dan y, model parameter dapat diestimasi dengan metode least squares. Interpretasi dari koefisien regresi adalah menyediakan bentuk kedekatan
dimana tidak ada variabelyang menyimpangdari asumsi dasar regresi yang telah diketahui. Asumsi ini diperiksa dengan menganalisis regresi residual.
Analisis residu biasanya dimulai dengan grafik dari residu dengan variabel bebas x, dan memfitkannilai
y . Secara umum grafik ini dimulai dengan titik-titik untuk memeriksa simpangan dari model asumsi, seperti ketidakcukupan asumsi garis
lurus, kecukupan variansi konstan, ada tidaknya outlier dan korelasi kesalahan. Dalam kajian ini perhatian terbatas untuk mendeteksi outlier dan mengukur pengaruhnya
pada hasil regresi.Chatterje-Price,1977
Untuk mendeteksi outlier dapat dilakukan dengandiagramdan perhitungan nilai seperti :
1. Scatter Plot
Data observasi diplotkan dalam suatu grafis, jika terdapat data yang jauh dari kumpulan plot maka dapat dikatakan bahwa data tersebut termasuk pencilan.
2. Boxplot
Dengan menggunakan nilai kuartil 1,2 dan 3 yang akan membagi sebuah urutan data menjadi beberapa bagian.
IQR = Q3 - Q1 2.2
Dengan : Q1 = Kuartil ke 1
Q2 = Kuartil ke 2 Q3 = Kuartil ke 3
IQR = Interquartule Range Jangkauan Dengan batas bukan pencilan kurang dari 1,5xIQR atas dan besar dari
1,5xIQR bawah. [10]
Universitas Sumatera Utara
3. Leverage Values, DfFITS, Cook’s Distance, dan DfBETAs
• Leverage Values; menampilkan nilai leverage pengaruh terpusat.
Outlier yang disebabkan oleh variabel prediktor dinamakan leverage. Leverage sangat sulit
diketahui sejak awal karena : 1.
Visualisasi seperti scatter diagram tidak mampu menggambarkan secara utuh dalam satu gambar.
2. Beberapa pencilan dalam data membentuk efek masking tidak terlihat
mencolok.
• DfFITS atau Standardized DfFIT; menampilkan nilai perubahan dalam hargayang diprediksi bilamana data yang dianggap pencilan dikeluarkan,
yang sudah distandarkan. • Cook’s Distance; menampilkan nilai jarak Cook
• DfBETAs; menampilkan nilai perubahan koefisien regresi sebagai
hasilperubahan yang disebabkan oleh pengeluaran data yang dianggap pencilan. Digunakan untukmendeteksi pencilan pada variabel bebas.
Adapun ketentuan yang berlaku dalam pengambilan keputusan adanya pencilan atau tidak adalah sebagai berikut :
Ket. : n = Jumlah observasi sampel; p = Jumlah parameter
4. Internal Studenization Residu Yang Distudentkan
Umumnya outlier memiliki nilai y yang ekstrim. Untuk mendeteksi apakah terdapat outlier atau tidak, Internal Studenization Residu yang distudentkan
Hipotesis : H
: ∆
i
= o tidak terdapat outlier H
1
: ∆
i ≠
o terdapat outlier
Universitas Sumatera Utara
Uji Statistik :
1
1
− −
≈ −
=
p n
ii
t h
s r
t 2.3
Dengan :
∑
− =
2
1
i
r p
n s
Dengan: r = residu p= banyaknya variabel bebas
h
ii
= 2pn Kriteria uji :
H
O
ditolak jika t
i
≥t
α2;n-p-1
, dan H
O
diterima jika t
i
t
α2;n-p-1
, Dengan α = taraf nyata
2.2 Pengamatan Berpengaruh
