4 besar dan tidak jatuh pada garis regresi. dan yang terakhir nilai influence
merupakan kombinasi
dari ukuran
leverage dan
discrepancy yang
menginformasikan mengenai bagaimana perubahan dari persamaan regresi jika kasus ke-i dihilangkan dari himpunan data.
1.2 Permasalahan
1. Bagaimana pengidentifikasian outlier dengan menggunakan leverage, nilai discrepancy, dan nilai influence dari data regresi.
2. Bagaimana cara mengestimasi nilai-nilai parameter model regresi
dengan adanya data outlier dengan menggunakan Least trimmed square LTS dan MM-Estimasi pada data regresi tersebut.
3. Bagaimana perbandingan model regresi yang dihasilkan dengan
menggunakan Least trimmed square LTS dan MM-Estimasi. 1.3
Pembatasan Masalah
Pada skripsi ini, permasalahan akan dibatasi, yaitu sebagai berikut: 1. Data outlier diasumsikan bukan berasal dari sumber kesalahan
sampling, akan tetapi data outlier tersebut merupakan kejadian yang khusus atau jarang.
2. Pengidentifikasian outlier menggunakan metode h-matriks untuk mengidentifikasi nilai leverage, metode externally studentized
residual untuk mengidentifikasi nilai discrepancy, dan metode DFFIT’S dan Cook’sD untuk mengidentifikasi niali influence.
5 3. Penanganan data outlier pada regresi akan digunakan metode MM-
Estimasi dan Least Trimmed Square, kemudian perbandingannya hanya dengan melihat estimasi skala residualnya.
4. Asumsi regresi yang dipakai hanya asumsi kenormalan.
1.4 Tujuan Penulisan
1. Mengidentifikasikan data outlier dengan menggunakan leverage, nilai discrepancy, dan nilai influence dari data regresi, sehingga diketahui
data yang menjadi outlier dari sekumpulan data regresi. 2. Mengetahui cara mengestimasi nilai-nilai model parameter regresi
dengan adanya data outlier dengan menggunakan Least trimmed square LTS dan MM-Estimasi pada data regresi.
3. Membandingkan model regresi yang dihasilkan dengan menggunakan
Least trimmed square LTS dan MM-Estimasi. 1.5
Manfaat Penulisan
1. Dapat mengetahui
cara pengidentifikasian
outlier dengan
menggunakan leverage, nilai discrepancy, dan nilai influence dari data regresi.
2. Dapat mengetahui pengestimasian nilai-nilai model parameter regresi
dengan adanya data outlier dengan menggunakan Least trimmed square LTS dan MM-Estimasi pada data regresi.
3. Dapat mengetahui perbandingan model regresi yang dihasilkan
dengan menggunakan Least trimmed square LTS dan MM- Estimasi
.
6
BAB II LANDASAN TEORI
