PERBANDINGAN METODE ROBUST GENERALIZED-M SCHWEPPE

ONE-STEP ESTIMATOR (GM-S1S) DAN METODE ROBUST M-ESTIMATOR

UNTUK MENANGANI PENCILAN PADA REGRESI LINIER BERGANDA
Teguh Prasetyo, Ni Wayan Surya Wardhani, Waego Hadi Nugroho
Jurusan Matematika, F.MIPA, Universitas Brawijaya
Email: teguhprasetyo08@gmail.com
Abstrak. Metode Kuadrat Terkecil membutuhkan asumsi yang harus dipenuhi untuk menghasilkan penduga yang
bersifat BLUE (Best Linear Unbiased Estimator); salah satu asumsi adalah sisaan menyebar normal. Keberadaan
pencilan dapat menyebabkan asumsi kenormalan sisaan menjadi tidak terpenuhi. Metode Penduga -M banyak
digunakan untuk mengatasi pengaruh pencilan, tetapi memiliki nilai breakdown rendah. Metode Robust
Generalized-M Schweppe One-Step Estimator (GM-S1S) atau dikenal dengan Metode Reweighted Least Trimmed
Square (RLTS), merupakan pengembangan metode Penduga-M. Penelitian ini bertujuan membandingkan hasil
analisis metode Penduga-GM S1S, Penduga MKT dan Penduga-M untuk memilih metode pendugaan terbaik. Data
yang digunakan mengandung pencilan sebesar 1.72%, 3.33%, 6.45% dan 8.57%. Berdasarkan nilai Root Mean
Square Error (RMSE), disimpulkan metode Penduga-M dan Penduga-GM S1S lebih baik dibanding PendugaMKT. Selain itu, dari nilai Akaikes Information Criterion Robust (AICR) disimpulkan metode Penduga-GM S1S
lebih baik dibanding Penduga-M. Semakin besar persentase pencilan, selisih nilai AICR antara metode Penduga GM S1S dengan Penduga-M juga semakin besar.
Kata Kunci: Analisis Regresi, Pencilan, Metode Kuadrat Terkecil, Metode Penduga-M, Penduga-GM S1S

1. PENDAHULUAN
Analisis Regresi merupakan metode statistika yang paling banyak diterapkan dan bertujuan
untuk membentuk model hubungan antara peubah prediktor dengan peubah respon dengan dasar
kedua peubah memiliki hubungan sebab akibat (causality). Metode yang digunakan dalam proses
pendugaan parameter model adalah Metode Kuadrat Terkecil (MKT). Metode ini sederhana dan
mudah, tetapi rentan oleh pencilan (outlier) berpengaruh terhadap penduga parameter. Keberadaan
pencilan dapat menyebabkan asumsi kenormalan sisaan menjadi tidak terpenuhi.
Oleh karena itu, diperlukan suatu metode pendugaan yang tahan terhadap keberadaan pencilan;
salah satunya adalah metode Penduga-GM S1S, yang merupakan pengembangan dari metode
Penduga-M. Kelemahan metode Penduga-M yakni memiliki nilai breakdown rendah. Bertolak dari
penjelasan tersebut, pada penelitian ini diterapkan metode Penduga-GM S1S serta membandingkan
hasil analisis dengan Metode Kuadrat Terkecil dan metode Penduga-M menggunakan data berpencilan
untuk memilih metode pendugaan terbaik.
2. TINJAUAN PUSTAKA
Metode Kuadrat Terkecil (MKT) banyak digunakan dalam pendugaan parameter model regresi,
tetapi asumsi dari MKT harus dipenuhi. Keberadaan pencilan menyebabkan asumsi kenormalan sisaan
yang merupakan salah satu asumsi MKT menjadi tidak terpenuhi. Terdapatnya pencilan akan
memperbesar ragam sisaan dan salah baku dari penduga (Yafee, 2002). Untuk mengatasi masalah ini,
teknik statistika yang tahan terhadap pencilan berpengaruh telah dikembangkan yang disebut dengan
metode Robust. Karena diterapkan dalam analisis regresi, maka metode Robust dinamakan metode
regresi Robust, yang hasil analisisnya shahih meskipun data mengandung pencilan berpengaruh.
Tujuan utama dari regresi Robust adalah menghasilkan penduga yang tahan terhadap kehadiran
pencilan berpengaruh. Salah satu metode penduga Robust yang relatif baru ditemukan adalah metode
Penduga Generalized-M Schweppe One-Step Estimator (GM-S1S).
2.1 Penduga Generalized-M Schweppe One-Step Estimator (GM-S1S)
Bai (2010) menjelaskan bahwa metode Penduga-GM S1S menyempurnakan kelemahan
Penduga-M dengan cara memberi pengaruh seminimal mungkin terhadap pencilan. Metode PendugaGM S1S memiliki dua tahap pendugaan parameter. Pada tahap pertama, pengamatan yang
diindikasikan pencilan akan dipangkas atau tidak diikutkan dalam proses pendugaan parameter.
Kemudian pada tahap yang kedua dilakukan pembobotan pada pengamatan dengan nilai sisaan besar.
Prosedur pendugaan parameter Metode Penduga-GM S1S:

2.1.1 Penduga Schweppe One-Step Estimator (S1S)

Metode Penduga-S1S merupakan pengembangan dari metode Penduga-Least Trimmed Square
(LTS) yang termasuk dalam Bounded Influence. Pengembangan ini bertujuan untuk meningkatkan
efisiensi Penduga-LTS dengan cara pembobotan kembali pada sisaan bernilai besar dengan metode
Penduga-GM. Cizek dan Visek (2003) mendefinisikan metode Penduga-S1S sebagai:
(S1S) =
min Q
di mana:
Arg
= argument
h
= konsanta pemotongan, di mana h = * + + *
+ atau * + + *
+
Q
p
n

= jumlah kuadrat sisaan dari sejumlah h statistik peringkat =

= banyaknya peubah prediktor
= banyaknya pengamatan.

2.1.2 Penduga Generalized-M

Penduga-GM menambahkan pembobot pada fungsi kriteria sehingga pengaruh pencilan
semakin kecil. Penduga-GM terdiri dari dua fungsi kriteria, yaitu 0 dan 1, yang menentukan nilai
breakdown dan efisiensi. Metode Penduga-GM merupakan penyelesaian dari:

atau

3. METODOLOGI PENELITIAN
3.1 Sumber Data
Pada penelitian ini, digunakan empat data sekunder hasil penelitian mahasiswa Universitas
Brawijaya. Data pertama merupakan hasil penelitian terhadap tingkat produktivitas tenaga kerja
perempuan pada perusahaan rokok Delapan Wijaya (Windo, 2007). Data kedua adalah hasil penelitian
tentang efisiensi usaha tani padi Desa Tegal Gondo dan Ngenep Kecamatan Karangploso Kabupaten
Malang (Rachmawati, 2006). Data ketiga merupakan hasil penelitian terhadap produktivitas agen
asuransi AJB Bumiputera 1912 kantor cabang Magetan (Dewi, 2009). Data keempat adalah hasil
penelitian tentang pendapatan pengusaha kecil yang menjadi nasabah penerima kredit BPR Gunung
Ringgit Kecamatan Kedung Kandang Kota Malang (Evelyn, 2007).
3.2 Metode Analisis
Langkah pertama adalah mendeteksi keberadaan pencilan sekaligus pengamatan berpengaruh,
kemudian menguji asumsi klasik Metode Kuadrat Terkecil. Dilanjutkan dengan menduga parameter
menggunakan metode Penduga-MKT, Penduga-M dan Penduga-GM S1S menggunakan perangkat
lunak SAS 9.1, serta dipilih metode pendugaan terbaik berdasarkan nilai Root Mean Square Error
(RMSE) dan Akaikes Information Criterion Robust (AICR).
4. HASIL DAN PEMBAHASAN
Hasil pendeteksian pencilan dan pengamatan berpengaruh pada empat data disajikan pada Tabel
1 sebagai berikut:
Tabel 1. Pendeteksian Pencilan dan Pengamatan Berpengaruh
Pengamatan Berpengaruh
Data
Pencilan
Uji Jarak Cook
Uji DFITS
1
1.72%
0%
5.17%
2
3.33%
13.33%
0%
3
6.45%
6.45%
0%
4
8.57%
11.43%
0%

190

Tabel 1 memperlihatkan persentase pencilan dan pengamatan berpengaruh dari empat data,
yaitu 1.72%, 3.33%, 6.45% dan 8.57%. Berdasarkan Uji Jarak Cook disimpulkan semua data tidak
memiliki pengamatan berpengaruh terhadap koefisien regresi. Hasil uji DFITS memperlihatkan bahwa
semua data memiliki pengamatan berpengaruh terhadap nilai duga peubah respon. Apabila pencilan
diabaikan dan tetap digunakan Metode Kuadrat Terkecil untuk menduga koefisien regresi, maka hasil
pendugaan tidak layak.
Setelah diketahui persentase pencilan dan pengamatan berpengaruh tiap data, kemudian
dilanjutkan dengan pengujian asumsi klasik dan pendugaan parameter menggunakan metode PendugaMKT, Penduga-M, dan Penduga-GM S1S. Tabel 2 menunjukkan hasil pendugaan parameter dalam
model regresi dengan tiga jenis metode pendugaan:
Tabel 2. Model Regresi Setiap Metode Pendugaan
Data
Metode Pendugaan
Model Regresi
= 34939 + 1586.891 X1 + 1966.244 X2 + 952.62 X3 +
Penduga-MKT
0.034 X4
= 33092.95 + 1490.279 X1 + 2026.007 X2 + 1019.582
1
Penduga-M
X3 + 0.035 X4
= 33408.93 + 1507.475 X1 + 2013.814 X2 + 1007.621
Penduga-GM S1S
X3 + 0.035 X4
= 5.33 0.207 X1 + 0.07 X2 + 0.453 X3 0.834 X4
Penduga-MKT
0.354 X5 + 0.632 X6
= 5.312 0.275 X1 + 0.033 X2 + 0.445 X3 0.758 X4
2
Penduga-M
0.406 X5 + 0.649 X6
= 5.327 0.221 X1 + 0.056 X2 + 0.453 X3 0.813 X4
Penduga-GM S1S
0.363 X5 + 0.629 X6
= 0.00832 + 0.00010254 X1 + 0.00004185 X2
Penduga-MKT
0.00000378 X3 + 0.00208 X4
3
= 0.0069 + 0.0001 X1 + 0.0005 X2 + 0.0003 X4
Penduga-M
= 0.0074 + 0.0001 X1 + 0.0005 X2 + 0.0003 X4
Penduga-GM S1S
= 2077087 + 0.235 X1 + 80712 X2 + 79797 X3 +
Penduga-MKT
104729 X4 + 13717 X5
= 1845123 + 0.277 X1 + 92372.05 X2 + 47299.38 X3
4
Penduga-M
+ 57549.99 X4 + 15645.46 X5
= 1866250 + 0.277 X1 + 92972.26 X2 + 44969.93 X3
Penduga-GM S1S
+ 63278.9 X4 + 15473.12 X5
Dari Tabel 2 disimpulkan pada data yang sama, nilai penduga parameter regresi berbeda-beda
untuk setiap metode pendugaan. Penduga parameter yang dihasilkan oleh metode Penduga-MKT
relatif jauh berbeda dari penduga parameter yang dihasilkan oleh metode Penduga Robust (Penduga-M
dan Penduga-GM S1S). Pencilan menyebabkan penduga parameter berbeda, sehingga kesimpulan
yang dihasilkan akan berbeda pula. Sedangkan penduga parameter yang dihasilkan oleh Penduga-M
relatif tidak jauh berbeda dari penduga parameter yang dihasilkan oleh metode Penduga-GM S1S. Hal
ini dikarenakan baik Penduga-M maupun Penduga-GM S1S termasuk dalam metode pendugaan yang
tahan terhadap pencilan.
Pemilihan metode pendugaan terbaik didasarkan pada nilai Root Mean Square Error (RMSE)
dan Akaikes Information Criterion Robust (AICR) yang hasilnya disajikan pada Tabel 3 dan Tabel 4:
Tabel 3. Perbandingan Nilai RMSE
Data

Pencilan

1
2
3
4

1.72%
3.33%
6.45%
8.57%

Penduga-MKT
11511
0.16832
0.00549
209322

Metode Pendugaan
Penduga-M
Penduga-GM S1S
13341.99
14415.21
0.1147
0.1266
0.0033
0.0048
150253.6
202953.1

191

Tabel 4. Perbandingan Nilai AICR

Data

Pencilan

1
2
3
4

1.72%
3.33%
6.45%
8.57%

Metode Pendugaan
Penduga-M
Penduga-GM S1S
Nilai AICR
Nilai AICR
42.925
37.174
51.512
44.803
38.162
22.9
45.511
29.879

Metode penduga Robust (Penduga-M dan Penduga-GM S1S) menghasilkan nilai RMSE yang
lebih kecil dibanding nilai RMSE dari metode Penduga-MKT, sehingga metode Penduga-MKT tidak
lebih baik dibandingkan metode Penduga Robust (Penduga-M dan Penduga-GM S1S). Oleh karena itu
penggunaan metode Penduga-MKT tidak disarankan pada data yang mengandung pencilan.
Sedangkan untuk memilih metode Penduga Robust terbaik digunakan nilai AICR. Dari Tabel 4
disimpulkan metode Penduga-GM S1S menghasilkan nilai AICR yang lebih kecil dari nilai AICR
metode Penduga-M, sehingga metode Penduga-GM S1S lebih baik untuk menduga parameter regresi
dibanding metode Penduga-M pada data yang mengandung pencilan. Selain itu, metode Penduga-GM
S1S dapat menjadi pilihan untuk menangani data dengan pencilan berpengaruh, baik pada peubah
respon maupun peubah prediktor.
5. KESIMPULAN
Berdasarkan hasil perbandingan nilai RMSE antara metode Penduga-MKT dengan metode
Penduga Robust (Penduga-M dan Penduga-GM S1S) untuk persentase pencilan sebesar 1.72%, 3.33%,
6.45% dan 8.57%, disimpulkan metode Penduga Robust (Penduga-M dan Penduga-GM S1S)
menghasilkan RMSE yang lebih kecil daripada metode Penduga-MKT. Sedangkan hasil perbandingan
nilai AICR antara metode Penduga-M dengan Penduga-GM S1S, disimpulkan metode Penduga-GM
S1S menghasilkan AICR yang lebih kecil dibanding metode Penduga-M. Semakin besar persentase
pencilan, selisih nilai AICR antara metode Penduga-GM S1S dengan Penduga-M juga semakin besar.
DAFTAR PUSTAKA
Bai, X., (2010), Robust Linear Regression, Kansas State University, Kansas, hal 14.
Cizek, P., and Visek, J.A., (2003), Least Trimmed Square, http://www.quantlet.com/mdstat/scripts/
xag/html/xaghtmlnode10.pdf, Diakses tanggal 8 Oktober 2012.
Dewi, K.M., (2009), Pengaruh Intensitas Komunikasi, Lama Kerja dan Pelatihan Terhadap
Peningkatan Produktivitas Agen Asuransi (Studi Kasus pada Agen AJB Bumiputera 1912
Kantor Cabang Magetan), Skripsi, Universitas Brawijaya, Malang, Indonesia.
Evelyn, Y.L., (2007), Analisis Pengaruh Kredit Pemodalan dan Faktor-Faktor Internal terhadap
Pendapatan Pengusaha Kecil yang Menjadi Nasabah Penerima Kredit BPR Gunung Ringgit
KKP Ranugati Kecamatan Kedung Kandang Malang, Skripsi, Universitas Brawijaya,
Malang, Indonesia.
Rachmawati, Y., (2006), Analisis Efisiensi Usaha Tani Padi di Desa Tegal Gondo dan Desa Ngenep
Kecamatan Karangploso Kabupaten Malang, Skripsi, Universitas Brawijaya, Malang,
Indonesia.
Windo, T.M., (2007), Variabel-Variabel yang Mempengaruhi Tingkat Produktivitas Tenaga Kerja
Perempuan Pada PR. Delapan Wijaya, Skripsi, Universitas Brawijaya, Malang, Indonesia.
Yafee, R.A., (2002), Robust Regression Analysis: Some Popular Statistical Package Options,
www.nyu.edu/its/sosci/Docs/Robust Regression.pdf, Diakses tanggal 5 Oktober 2012.

192