Jurusan Matematika FMIPA Universitas Padjajaran, Jalan Raya Bandung Sumedang km. 21,
Jatinangor
ABSTRAK
MODEL REGRESI KANDUNGAN BATUBARA MENGGUNAKAN METODE LEAST
MEDIAN OF SQUARES. Dalam makalah ini akan disajikan suatu metode untuk menentukan model
regresi tentang kandungan batubara di lokasi dengan koordinat tertentu. Metode yang dimaksud adalah
Least Median of Square (LMS) yaitu salah satu metoda estimasi dalam regresi robust yang bekerja
dengan cara meminimumkan nilai median dari error kuadrat hasil dari taksiran parameter melalui
Metode Kuadrat Terkecil (MKT). Akan diperlihatkan bagaimana metode ini memperlakukan pencilan
yang terdapat dalam data, mengolahnya, dan kemudian mengieliminir pencilan tersebut sebagian demi
sebagian melalui suatu proses iterasi. .
Kata kunci: LMS, MKT, pencilan, robust, kuadrat error
ABSTRACT
REGRESSION MODEL FOR COAL CONTENT USING LEAST MEDIAN OF SQUARES
METHOD. In this paper presented a method to determine regression model about the coal deposits in a
locations with spesific cordinates. The method is the Least Median of Square (LMS) that is estimation
methode in robust regression in which work to minimaze the median value of the squared error of
estimated parameter results through Least Square Method. It will be shown how this method treats
outliers that present in the data, process it, and then eliminate it piecemeal with itteracy process.
Key words: LMS, Least Square Method, outlier, robust, error square
1.
PENDAHULUAN
624
2.
PEMBAHASAN
dengan
.
(2)
Setelah bobot
dihitung, dapat dibentuk
matriks W sebagai berikut :
w11 w12
w
w22
W 21
w
n1 wn 2
dengan
adalah kuadrat error hasil taksiran
dengan MKT
Untuk mendapatkan nilai M1, dicari
himpunan bagian data dari matriks X sejumlah
pengamatan, yaitu :
w1n
w2 n
wnn
(3)
di mana n = h1 dan p = 3.
yang berarti bahwa model regresinya adalah
(5)
dengan scatter plot adalah
625
h2 =
2.2.2.
= 55.
= 106.
No.
1
2
3
4
5
6
7
8
9
10
11
12
13
626
ei 2
0,0132
0,007
0,0735
0,0971
0,0934
0,0253
0,0495
0,0626
0,0892
0,1876
0,0588
0,0463
0,0001
No.
14
15
16
17
18
19
20
21
22
23
24
25
26
ei 2
0,079
0,091
0,0265
0,0477
0,165
0,0178
0,0788
0,126
0,096
0,0578
0,1025
0,069
0,0695
Dengan demikian
No.
ei 2
No.
ei 2
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
0,05
0,0782
0,1248
0,0903
0,1386
0,1941
0,113
0,0867
0,0453
0,0666
0,0214
0,0279
0,1307
0,0694
0,0438
42
43
44
45
46
47
48
49
50
51
52
53
54
55
0,0569
0,0211
0,0312
0,1478
0,0573
0,0494
0,14
0,1334
0,2938
0,0861
0,0079
0,2626
0,2498
0,2216
M8 = median { ei2 : i = 1, 2, . . ., 6}
= 0,006678, dan
h8 =
= 5.
Dengan demikian
M3 = median { ei2 : i = 1, 2, . . ., 55}
= 0,07354, dan
h23 =
(pembulatan ke atas).
30
Gambar 4. Hasil Iterasi 8
2.2.3.
ei2
0,0014
0,013393
0,006959
0,015237
0,006397
0,001465
4,64604
0,11757
0,07354
0,06623
0,05594
0,02506
0,01213
0,00668
0,00668
627
3.
regresi
menurut
4.
3. KESIMPULAN
5.
Apabila dibandingkan, model regresi hasil
metode LMS ini lebih baik dari pada model
hasil metode MKT. Dengan demikian metode
LMS ini cukup layak untuk dijadikan alternatif
dalam mencari model regresi untuk data yang
mengandung pencilan.
6.
7.
4.
DAFTAR PUSTAKA
628