BAB 1
PENDAHULUAN
1.1 Latar Belakang
Hal pertama yang dilakukan dalam analisis data adalah tahap persiapan yang meliputi pengumpulan dan pemeriksaan data. Proses pemeriksaan dilakukan untuk
menghindari kekeliruan dan ketidakcocokan data.
Data yang diperoleh tidak jarang ditemukan satu atau beberapa yang jauh dari pola kumpulan data keseluruhan yang lazim didefenisikan sebagai pencilan outlier.
Pencilan dapat dilihat sebagai pengamatan dengan sisaan yang cukup besar Aunuddin, 1989. Pencilan adalah yang nilai mutlaknya jauh lebih besar daripada
sisaan-sisaan lainnya dan bisa jadi terletak tiga atau empat simpangan baku atau lebih jauh lagi dari rata-rata sisaannya. Pencilan merupakan suatu keganjilan dan
menandakan suatu titik data yang sama sekali tidak tipikal dibandingkan data lainnya. Oleh karenanya, suatu pencilan patut diperiksa secara seksama, berangkali saja alasan
dibalik keganjilan itu dapat diketahui.
Berbagai kaidah telah diajukan untuk menolak pencilan dengan kata lain untuk memutuskan menyisihkan amatan tersebut dari data, untuk kemudian
menganalisis kembali tanpa amatan tersebut. Penolakan begitu saja suatu pencilan bukanlah prosedur yang bijaksana. Adakalanya pencilan memberikan informasi yang
tidak bisa diberikan oleh titik data lainnya, misalnya karena pencilan timbul dari kombinasi keadaan yang tidak biasa yang mungkin saja sangat penting dan perlu
diselidiki lebih jauh. Sebagai kaidah umum, pencilan baru kita tolak jika setelah ditelusuri ternyata merupakan akibat dari kesalahan-kesalahan seperti kesalahan
mencatat amatan bersangkutan atau kesalahan ketika menyiapkan peralatan. Bila ternyata bukan akibat dari kesalahan-kesalahan semacam itu, penyelidikan yang
seksama harus dilakukan. N.Draper H.Smith, 1992
Universitas Sumatera Utara
Penilaian ketetapan model regresi tidak cukup hanya didasarkan pada besarnya koefisien determinasi atau koefisien regresi tetapi perlu pemeriksaan sisaan error
dengan lebih seksama yang menyangkut antara lain kemungkinan adanya pencilan. Identifikasi pencilan dan melihat bagaimana peranannya terhadap taksiran model
merupakan tahapan diagnosis yang perlu ditempuh terutama bila penaksiran modelnya dilakukan dengan metode kuadrat terkecil. Prosedur analisis yang diharapkan adalah
prosedur yang menghasilkan keluaran yang cukup baik meskipun beberapa asumsinya tidak terpenuhi secara sempurna. Metode lain yang dapat digunakan untuk mengatasi
pencilan adalah regresi robust. Prosedur ini dirancang untuk mengurangi pengaruh data-data yang mempunyai pengaruh tinggi jika metode kuadrat terkecil digunakan.
Prosedur regresi robust cenderung mengabaikan sisaan-sisaan error yang berhubungan dengan pencilan yang besar. Aunuddin, 1989.
Ada beberapa metode dalam regresi robust yang dapat digunakan untuk menangani data pencilan, salah satunya adalah metode Least Trimmed Squares
LTS.Olehnya itu, penulis tertarik melakukan penelitian lebih lanjut dengan judul
“MENGATASI OUTLIER DENGAN METODE LEAST TRIMMED SQUARES LTS PADA REGRESI ROBUST”.
1.2 Perumusan Masalah