I PENDAHULUAN
1.1 Latar Belakang
Penelitian ilmu pengetahuan dan teknologi dewasa ini tidak dapat terlepas
dari data dan pengamatan. Data ini kemudian diolah dengan beragam metode
untuk pengambilan berbagai keputusan seperti analisis, peramalan dan sebagainya.
Salah satu model yang banyak dipakai adalah model regresi linear. Regresi
biasanya digunakan untuk menduga nilai peubah tidak bebas dari nilai peubah bebas
yang diketahui. Namun terkadang hasilnya meleset, pada suatu gugus data tertentu.
Oleh karena itu banyak diadakan penelitian untuk mencari analisis teknik regresi untuk
mendapatkan hasil yang mendekati sebenarnya. Melesetnya dugaan nilai dari
hasil metode regresi ini dapat dipengaruhi oleh pencilan atau disebut juga outlier yang
menyebabkan koefisiennya menjadi tidak stabil.
Pada model regresi linear tanpa pencilan umumnya dapat diselesaikan dengan
menggunakan metode kuadrat terkecil Ordinary Least of Square yang biasa
disebut OLS atau Least of Square yang biasa disebut LS. Metode ini begitu populer
karena penggunanya dapat melakukan pendekatan secara kalkulus. Metode ini
menghitung penduga peubah takbebas, sehingga jumlah kesalahan kuadrat memiliki
nilai terkecil dan jumlah kuadrat jarak vertikal dari titik-titik pengamatan ke garis
regresi sekecil mungkin. Namun metode ini tidak cukup akurat untuk model dengan
pencilan, sehingga muncullah suatu kebutuhan akan regresi kekar robust yang
memiliki ketahanan terhadap nilai-nilai pencilan.
Sejak abad ke-18 banyak bermunculan metode regresi kekar. Salah satu dari metode
kekar tersebut adalah least absolute
deviations LAD atau metode simpangan mutlak terkecil yang datang dari Edgeworth
1887 sebagai solusi dari masalah yang berasal dari pengaruh outliers atau pencilan
terhadap OLS.
Penulis akan menggunakan suatu program aplikasi untuk membandingkan
model regresi linear antara metode kuadrat terkecil dengan metode simpangan mutlak
terkecil.
1.2 Tujuan
1. Mengkaji dan membandingkan metode regresi biasa dan regresi kekar LAD.
2. Mengimplementasikan metode regresi kekar LAD.
1.3 Ruang Lingkup Walaupun banyak jenis metode regresi
kekar robust namun tulisan ini hanya membahas perbandingan metode OLS
dengan metode LAD. Adapun metode- metode lain hanya dijelaskan secara singkat
ataupun hanya menjadi pembanding.
II LANDASAN TEORI
2.1 Persamaan Regresi
Menurut Sir Francis Galton, persamaan regresi adalah suatu persamaan matematis
yang memungkinkan untuk menduga nilai- nilai suatu peubah takbebas dari nilai-nilai
satu atau lebih peubah bebas.
[Myers 1990]
2.2 Persamaan Regresi Linear
Regresi linear dapat dituliskan dalam bentuk :
� = �� + � 1
dengan : � : vektor peubah takbebas berukuran
nx1 � : vektor parameter regresi berukuran
px1 � : matriks peubah bebas berukuran nxp
� : vektor galat berukuran nx1 [Myers 1990]
2.3 Pendugaan Koefisien Regresi Linear
Metode kuadrat terkecil adalah suatu metode untuk menghitung koefisien regresi
sampel � sebagai penduga koefisien
regresi populasi � , sedemikian sehingga
jumlah kesalahan kuadrat memiliki nilai terkecil. Secara matematis, dapat dinyatakan
sebagai berikut: Model sebenarnya adalah
� = �� + � Model estimasinya adalah
� = �� + � 2
Galat error adalah � = � − ��
3 Jumlah galat kuadrat adalah
�
�
� = � − ��
�
� − �� 4
Jadi metode kuadrat terkecil adalah metode menghitung
� sedemikian sehingga
persamaan 4 minimum. Caranya adalah dengan membuat turunan parsial mula-mula
terhadap � dan menyamakan dengan nol.
�
�
� = �
�
� − 2�
�
�
�
� + �
�
�
�
�� ��
�
� ��
= 0 ��
�
� − 2�
�
�
�
� + �
�
�
�
�� ��
= 0 2
�
�
� + 2�
�
�� = 0 �
�
�� = �
�
� 5 Kedua ruas dari persamaan 5 dikalikan
dengan �
�
�
−1
, maka akan diperoleh dugaan untuk vektor parameter regresi yaitu:
� = �
�
�
−1
�
�
� 6
[Rencher Schaalje 2008]
2.4 Pencilan
Pencilan outlier didefinisikan sebagai suatu pengamatan yang tampak bertentangan
atau tidak konsisten terhadap pengamatan yang lain.
[Barnett Lewis 1994] Metode kuadrat terkecil tidak tahan
terhadap data pencilan sehingga diperlukan pendekatan dengan metode lain.
2.5 Regresi Kekar
Regresi kekar adalah suatu regresi yang lebih tahan terhadap data pencilan. Beberapa
metode penduga parameter regresi kekar yang dapat digunakan adalah:
1. Metode Kuadrat Terkecil Tertimbang
Weighted Least Square 2. Metode Simpangan Mutlak Terkecil
Least Absolute Deviation 3. Metode Median Kuadrat Terkecil Least
Median Square 4. Metode Kuadrat Terpangkas Trimmed
Square [Yaffe 2002]
Dalam penulisan ini akan dibahas mengenai Metode Simpangan Mutlak
Terkecil.
2.6 Metode Simpangan Mutlak Terkecil