Adapun langkah-langkahnya sebagai berikut : a.
Mengambil data dari hasil pengamatan team marketing di sebuah Bank. b.
Menguji data kemudian menggunakan dua metode regresi robust yakni penaksir least trimmed squares dan penaksir M untuk mengatasi outlier.
c. Mengolah data menggunakan bantuan software.
d. Membandingkan hasil penyelesaian dan pengolahan data antara kedua metode.
e. Menyimpulkan hasil perbandingan.
1.7. Tinjauan Pustaka
Metode regresi robust terus berkembang dan banyak digunakan dalam meneliti berbagai permalasahan, seperti : pengoptimalan kekuatan torque pada lampu TL yaitu
menggunakan metode penduga parameter LTS, dengan alasan terdapat pencilan pada data kekuatan torque Akbar dan Maftukhah, 2007.
Pada penelitian Sugiarti 2010 mengenai tingkat efisiensi penaksir M terhadap penaksir LMS dalam menaksir koefisien garis regresi, menyebutkan bahwa efisiensi
dari dua penaksir tersebut adalah rasio dari ukuran sampel yang diperlukan untuk mendapatkan keakuratan yang sama. Dalam penelitian tersebut, juga disimpulkan
bahwa secara umum metode LMS memberikan penaksir koefisien garis regresi yang tidak jauh berbeda dengan metode M. Dalam hal data tidak mengandung outlier,
metode LMS kurang efisien dibanding metode M dalam menaksir koefisien garis regresi, namun metode LMS sangat efisien dibanding metode M dalam menaksir
koefisien garis regresi jika data mengandung outlier. Secara khusus, jika model tidak sesuai dengan data meskipun data mengandung outlier maka metode LMS menjadi
tidak efisien dibanding metode M dalam menaksir koefisien garis regresi.
Selanjutnya, Ardiyanti, 2011 menyebutkan dalam penelitiannya bahwa proses analisis tingkat keefektifan Estimasi-M dan Estimasi-MM dimulai dengan
menggunakan metode kuadrat terkecil, identifikasi outlier, dan analisis dua metode robust yakni Estimasi-M dan Estimasi-MM. Apabila standar eror yang dihasilkan
Universitas Sumatera utara
metode regresi robust lebih kecil dari OLS, maka regresi robust dapat menganalisis data tanpa membuang outlier dan menghasilkan estimasi yang resisten terhadap
outlier. Dalam penelitiannya menyimpulkan bahwa baik Estimasi-M maupun Estimasi-MM mempunyai keefektifan yang sama dalam mengatasi outlier pada OLS,
karena keduanya dapat mengecilkan standar eror yang dihasilkan outlier.
Universitas Sumatera utara
BAB 2
LANDASAN TEORI
Pada bab ini akan diuraikan beberapa konsep dan metode yang menjadi dasar penulisan tugas akhir ini. Beberapa konsep dan metode tersebut ialah pencilan, tata
cara mendeteksi pencilan, metode OLS, menentukan rata-rata kuadrat terkecil dan penaksir dalam regresi robust yakni penaksir Least Trimmed Squares dan penaksir M.
2.1. Pengertian dan Dampak Pencilan