DAFTAR ISI

Prosiding Seminar Nasional Sains dan Teknologi Nuklir

PTNBR - BATAN Bandung, 04 Juli 2013

Tema: Pemanfaatan Sains dan Teknologi Nuklir serta

peranan MIPA di Bidang Kesehatan, Lingkungan dan
Industri untuk Pembangunan Berkelanjutan

MODEL REGRESI KANDUNGAN BATUBARA

MENGGUNAKAN METODE LEAST MEDIAN OF SQUARES
Kankan Parmikanti1, Endang Rusyaman1 dan Emah Suryamah1
1

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.

yang tebentuk menjadi kurang valid.

Dalam banyak kasus, tidak jarang ditemui
data yang diperoleh tidak sesuai dengan syaratsyarat di atas, sehingga metode kuadrat terkecil
tidak cocok lagi digunakan. Sebagai alternatif
metode yang dapat digunakan untuk data yang
mengandung pencilan, dalam penelitian ini
akan dikaji tentang sebuah metode yang disebut
dengan Least Median of Square (LMS) salah
satu metoda estimasi dalam regresi robust, di
mana dengan metode ini data pencilan yang ada
tidak dibuang begitu saja, tetapi diproses dan
dieliminasi melalui sebuah iterasi.
Untuk menerapkan algoritma dalam metode
ini, akan disajikan sekelompok data yang
mengandung pencilan, kemudian diolah dengan
metode LMS untuk mendapatkan model

PENDAHULUAN

Dalam ilmu statistika, banyak sekali metode

yang dapat digunakan untuk menentukan suatu
model regresi yang didasarkan pada sekumpulan
data. Salah satu metode yang paling banyak
dikenal dalam masalah ini adalah Ordinary
Least Square (OLS) atau yang lebih dikenal
dengan nama Metode Kuadrat Terkecil (MKT).
Namun demikian, syarat bagi metode ini adalah
bahwa sisaan atau eror harus berdistribusi
normal, tidak terjadi autokorelasi, dan tidak ada
pencilan data. Jika data mempunyai beberapa
pencilan, maka dengan metode ini pencilan
tersebut dibuang begitu saja. Hal ini sangat
memungkinkan bahwa data tidak utuh dan
sudah tidak mewakili populasi, sehingga model

624

Prosiding Seminar Nasional Sains dan Teknologi Nuklir

PTNBR - BATAN Bandung, 04 Juli 2013

Tema: Pemanfaatan Sains dan Teknologi Nuklir serta

peranan MIPA di Bidang Kesehatan, Lingkungan dan
Industri untuk Pembangunan Berkelanjutan

regresinya. Data tersebut adalah produksi

batubara pada lokasi tertentu, di mana lokasi
tersebut dinyatakan dalam bentuk koordinat.

dengan penduga lain pada regresi robust, prinsip

dasar dari LMS adalah dengan memberikan
bobot wii pada data sehingga data pencilan tidak
mempengaruhi model parameter taksiran. Bobot
wii ditentukan berdasarkan taksiran robust
standard deviation yang didapat berdasarkan
hasil perhitungan MJ dan .
Berdasarkan Rousseeuw (1987), bobot
dirumuskan dengan ketentuan sebagai berikut :

2.

PEMBAHASAN

2.1 Least Median of Squares Estimator

(LMS)
Prinsip dasar metode regresi robust penduga
Least Median of Squares (LMS) adalah
mencocokkan sebagian besar data setelah
pencilan teridentifikasi sebagai titik yang tidak
berhubungan dengan data (Rosseeuw dan Leroy,
1987). Jika pada MKT hal yang perlu dilakukan
adalah meminimumkan kuadrat error (
),
maka pada LMS hal yang perlu dilakukan
adalah meminimumkan median kuadrat error,
yaitu

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)

dengan entri matriks wi j = 0 , dimana i j .

Setelah terbentuk matriks W, maka penaksir
parameter regresi LMS dapat dihitung dengan
menggunakan rumus
(4)

di mana n adalah banyaknya data, dan p

banyaknya parameter ditambah satu, dalam hal
ini p=3.

2.2 Hasil Implementasi

2.2.1. Model Regresi Kandungan Batubara
dengan MKT

Dalam proses perhitungan, nilai hi harus

selalu dalam bentuk bilangan bulat oleh karena
itu, jika nilai hi bukan dalam bentuk bilangan
bulat maka dilakukan pembulatan ke atas.
Selanjutnya untuk mencari M2, ditentukan
himpunan bagian data dari matriks X sejumlah
pengamatan, yaitu :

Analisis data tentang kaitan antara

produktifitas/kandungan
batubara
dengan
menggunakan MKT dan dibantu program R,
menghasilkan estimasi parameter sebagai
berikut:

di mana n = h1 dan p = 3.
yang berarti bahwa model regresinya adalah

Demikian seterusnya, sampai iterasi

berahir pada iterasi ke-s yaitu saat hs = hs+1 .
Jadi akan diperoleh nilai Mj seperti pada
persamaan (1).
Selanjutnya karena LMS merupakan
penduga pada regresi robust, maka sama hal nya

(5)
dengan scatter plot adalah

625

Prosiding Seminar Nasional Sains dan Teknologi Nuklir

PTNBR - BATAN Bandung, 04 Juli 2013

Tema: Pemanfaatan Sains dan Teknologi Nuklir serta

peranan MIPA di Bidang Kesehatan, Lingkungan dan
Industri untuk Pembangunan Berkelanjutan

2. Iterasi ke-2 dengan n = 106 , melalui MKT

diperoleh (lampiran-3), dengan model
Dengan
M2

= median { ei2 : i = 1, 2, . . ., 106}

= 0,117566, dan

h2 =

Artinya pada iterasi ke-3 akan diambil 55

pengamatan yang jarak nilai ei2 ke M2 nya
minimum. Dengan kata lain akan
dihilangkan sebanyak 51 pengamatan (dalam
tabel diberi warna merah) yang jarak ei2 ke
M2 nya maksimum. Scatter plotnya terlihat
pada gambar di bawah ini

Gambar 1. Data Batu Bara 208 lokasi

2.2.2.

= 55.

Model Regresi Kandungan

Batubara dengan Metode LMS

Untuk menentukan nilai Mj yaitu median

dari error kuadrat pada iterasi ke-j, terlebih
dahulu dicari nilai error kuadrat dari MKT
dengan jumlah pengamatan pada iterasi ke-j.
Dengan demikian pada:
1. Iterasi ke-1 dengan n = 208 diperoleh
(lampiran-2) dengan model MKT seperti
pada (4). Dengan demikian diperoleh
M1 = median { ei2 : i = 1, 2, . . ., 208}
= 4,64604, dan
h1 =

Gambar 3. Hasil Iterasi 2

= 106.

Artinya pada iterasi ke-2 akan diambil

106 pengamatan yang jarak nilai ei2 ke M1
nya minimum. Dengan kata lain akan
dihilangkan sebanyak 102 pengamatan
(dalam tabel diberi warna merah) yang jarak
ei2 ke M1 nya maksimum.

3. Iterasi ke-3 dengan n = 55, melalui MKT

diperoleh model regresi

dengan sebaran ei2 sebagai berikut

Scatter plotnya terlihat pada gambar di

bawah ini

No.
1
2
3
4
5
6
7
8
9
10
11
12
13

Gambar 2. Hasil Iterasi 1

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

Prosiding Seminar Nasional Sains dan Teknologi Nuklir

PTNBR - BATAN Bandung, 04 Juli 2013

Tema: Pemanfaatan Sains dan Teknologi Nuklir serta

peranan MIPA di Bidang Kesehatan, Lingkungan dan
Industri untuk Pembangunan Berkelanjutan

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.

Scatter plotnya terlihat pada gambar di

bawah ini

Dengan demikian
M3 = median { ei2 : i = 1, 2, . . ., 55}
= 0,07354, dan
h23 =
(pembulatan ke atas).

30
Gambar 4. Hasil Iterasi 8

Artinya pada iterasi ke-3 akan diambil

30 pengamatan yang jarak nilai ei2 ke M3
nya minimum. Dengan kata lain akan
dihilangkan sebanyak 25 pengamatan (dalam
tabel diberi warna merah) yang jarak ei2 ke
M3 nya maksimum.

Dengan berakhirnya proses iterasi sebanyak

delapan kali, maka diperoleh 8 buah nilai Mj
yaitu:
M1
M2
M3
M4
M5
M6
M7
M8
Mj Min

Demikian seterusnya sampai iterasi

berahir pada iterasi ke-8, karena karena h8 =
h9. Hasil dari iterasi ke-8 tersebut adalah
4. Iterasi ke-8 dengan n = 6, melalui MKT
diperoleh model regresi

dengan sebaran ei2 sebagai berikut

No.
1
2
3
4
5
6

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

Penentuan Parameter Regresi LMS

Penentuan parameter regresi LMS didapat

berdasarkan hasil perhitungan MJ dan yang
kemudian dihitung bobot
.
Dengan mensubstitusikan nilai n = 208,
p = 3, dan MJ = 0.00668 ke dalam persamaan
(2) menghasilkan nilai
.
Selanjutnya dengan menggunakan rumus
(3) diperoleh nilai penaksir parameter

627

Prosiding Seminar Nasional Sains dan Teknologi Nuklir

PTNBR - BATAN Bandung, 04 Juli 2013

Tema: Pemanfaatan Sains dan Teknologi Nuklir serta

peranan MIPA di Bidang Kesehatan, Lingkungan dan
Industri untuk Pembangunan Berkelanjutan

3.

Dengan demikian model

metode LMS adalah

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

1. EFRON, B. dan TIBSHIRANI, R.J ,

1993,An
Introduction
to
Bootstrap,
Chapman and Hall, London
2. MIDI, H, 2009 , Dynamic Robust Bootstrap
Method Based on LTS Estimators,

628

European Journal of Scientific Research

ISSN 1450-216X Vol.32 No.3 (2009),
pp.277-287 Euro Journals Publishing, Inc.
2009 ,
http://www.eurojournals.com/ejsr.htm , 2 10-2012.
REFNIWIDIALISTUTI,
2010,
perbandingan pengaruh pencilan terhadap
Penduga Parameter Model Regresi dengan
metode MKT dan MM-Robust, Universitas
Andalas, Padang.
ROUSSEEUW, P.J , 1984 , Least Median
of Squares Regression , Jurnal of American
Statistical Association , (online) ,
http://web.ipac.caltech.edu/staff/finasci/hom
e/statistics_refs/LeastMedianofSquares.pdf ,
12/09/2011
ROUSSEEUW, P.J and LEROY, A.M,
1987, Robust Regression and Outlier
Detection , John Wiley & Sons, Inc ,
Canada.
SOEMARTINI , 2007 , Pencilan (outlier) ,
(online) ,
http://resources.unpad.ac.id/unpad-content/ .
. . /OUTLIER(PENCILAN).pdf , 20/11/2011
WEISSTEIN, ERIC, 2007 , Fractional
Derivative ,http://mathworld. wolfram.com
/fractionalDerivative.html,
Download
10/05/2007.