Latar Belakang Masalah Nilai dari 1,5R=1,5x5,1=7,65

BAB 1 PENDAHULUAN

1.1 Latar Belakang Masalah

Regresi merupakan suatu metode statistika yang digunakan untuk menyelidiki pola hubungan antara dua atau lebih variabel.Bentuk atau pola hubungan variabel- variabel tersebut dapat diidentifikasi berdasarkan scatter plot atau pengalaman masa lalu yang memuat informasi tentang kurva regresi. Tujuan dari analisis regresi adalah untuk mengestimasi parameter model yang menyatakan pengaruh hubungan antara variabel prediktor dan variabel respon. Metode estimasi yang banyak digunakan untuk mengestimasi parameter model regresi adalah metode kuadrat terkecil Ordinary Least Squares. Metode ini mempunyai asumsi-asumsi yang beberapa diantaranya dalam penggunaan pada data riil sering tidak dapat dipenuhi. Salah satu asumsi tersebut adalah mengenai kenormalan residual i e yang sering dilanggar ketika adanya pengamatan yang bersifat outlier. Outlier tidak dapat dibuang atau dihapus begitu saja dari pengamatan.Menurut Draper dan Smith 1992, adakalanya outlier memberikan informasi yang tidak bisa diberikan oleh titik data lainnya, misalnya karena outlier timbul dari kombinasi keadaan yang tidak biasa yang mungkin saja sangat penting dan perlu diselidiki lebih jauh. Penolakan begitu saja terhadap suatu pencilan bukanlah prosedur yang bijaksana.Pencilan baru dapat ditolak setelah ditelusuri ternyata akibat dari kesalahan kesalahan seperti kesalahan mencatat amatan bersangkutan atau kesalahan ketika menyiapkan perlatan.Bila ternyata bukan akibat dari kesalahan kesalahan itu perlu diadakan penyelidikan. Universitas Sumatera Utara Akibat dari adanya outlier, residual tidak lagi berdistribusi normal atau variansi dari residualnya tidak lagi homogen.Model regresi yang baik memerlukan data yang baik pula. Suatu data dikatakan baik apabila data tersebut berada di sekitar garis regresi. OLS bukan merupakan prosedur regresi yang robust terhadap adanya outlier,karena estimasinya menjadi tidak sesuai meskipun hanya dengan kehadiran satu outlier dalam data Rousseeuw dan Leroy, 1987. Sehingga untuk mengatasi hal tersebut, dibutuhkan suatu estimator robust yang mempunyai kemampuan mendeteksi outlier sekaligus menyesuaikan taksiran parameter regresi. Ada beberapa metode dalam regresi robust yang dapat digunakan untuk menangani data pencilan,yaitu Estimasi M dengan Type Welsch dan Least Trimmed Square.Karena itu penulis tertarik untuk membandingkan kedua estimasi tersebut untuk mendapatkan estimasi yang lebih baik untuk menangani data pencilan tersebut dengan judul “STUDI PERBANDINGAN ANTARA ESTIMASI M DENGAN TYPE WELSCH DENGAN LEAST TRIMMED SQUARE DALAM REGRESI ROBUST UNTUK MENGATASI ADANYA DATA PENCILAN “

1.2 Rumusan Masalah