DAFTAR ISI

Prosiding Seminar Nasional Sains dan Teknologi Nuklir Tema: Pemanfaatan Sains dan Teknologi Nuklir serta
PTNBR - BATAN Bandung, 04 Juli 2013 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. PENDAHULUAN yang tebentuk menjadi kurang valid.

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
Dalam banyak kasus, tidak jarang ditemui
data yang diperoleh tidak sesuai dengan syarat-
syarat 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

624
Prosiding Seminar Nasional Sains dan Teknologi Nuklir
PTNBR - BATAN Bandung, 04 Juli 2013
regresinya. Data tersebut adalah produksi
batubara pada lokasi tertentu, di mana lokasi
tersebut dinyatakan dalam bentuk koordinat.
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 adalah kuadrat error hasil taksiran
dengan MKT
Untuk mendapatkan nilai M1, dicari
himpunan bagian data dari matriks X sejumlah
pengamatan, yaitu :
di mana n adalah banyaknya data, dan p
banyaknya parameter ditambah satu, dalam hal
ini p=3.
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 :
di mana n = h1 dan p = 3.
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
Tema: Pemanfaatan Sains dan Teknologi Nuklir serta
peranan MIPA di Bidang Kesehatan, Lingkungan dan
Industri untuk Pembangunan Berkelanjutan
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 :
dengan
. (2)
),
Setelah bobot dihitung, dapat dibentuk
matriks W sebagai berikut :
w11 w12 w1n
w w22 w2 n
W 21 (3)
n1 wn 2
w wnn
dengan entri matriks wi j = 0 , dimana i j .
Setelah terbentuk matriks W, maka penaksir
parameter regresi LMS dapat dihitung dengan
menggunakan rumus
(4)
2.2 Hasil Implementasi
2.2.1. Model Regresi Kandungan Batubara
dengan MKT
Analisis data tentang kaitan antara
produktifitas/kandungan batubara dengan
menggunakan MKT dan dibantu program R,
menghasilkan estimasi parameter sebagai
berikut:
yang berarti bahwa model regresinya adalah
(5)
dengan scatter plot adalah
625
Prosiding Seminar Nasional Sains dan Teknologi Nuklir Tema: Pemanfaatan Sains dan Teknologi Nuklir serta
PTNBR - BATAN Bandung, 04 Juli 2013 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 = = 55.

Artinya pada iterasi ke-3 akan diambil 55

pengamatan yang jarak nilai ei2 ke M2 nya
Gambar 1. Data Batu Bara 208 lokasi minimum. Dengan kata lain akan
dihilangkan sebanyak 51 pengamatan (dalam
tabel diberi warna merah) yang jarak ei2 ke
2.2.2. Model Regresi Kandungan M2 nya maksimum. Scatter plotnya terlihat
Batubara dengan Metode LMS pada gambar di bawah ini

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
Gambar 3. Hasil Iterasi 2
h1 = = 106.

Artinya pada iterasi ke-2 akan diambil 3. Iterasi ke-3 dengan n = 55, melalui MKT
106 pengamatan yang jarak nilai ei2 ke M1 diperoleh model regresi
nya minimum. Dengan kata lain akan
dihilangkan sebanyak 102 pengamatan
(dalam tabel diberi warna merah) yang jarak
ei2 ke M1 nya maksimum. dengan sebaran ei2 sebagai berikut

Scatter plotnya terlihat pada gambar di No. ei 2 No. ei 2

bawah ini 1 0,0132 14 0,079
2 0,007 15 0,091
3 0,0735 16 0,0265
4 0,0971 17 0,0477
5 0,0934 18 0,165
6 0,0253 19 0,0178
7 0,0495 20 0,0788
8 0,0626 21 0,126
9 0,0892 22 0,096
10 0,1876 23 0,0578
11 0,0588 24 0,1025
12 0,0463 25 0,069
13 0,0001 26 0,0695

Gambar 2. Hasil Iterasi 1

626
Prosiding Seminar Nasional Sains dan Teknologi Nuklir Tema: Pemanfaatan Sains dan Teknologi Nuklir serta
PTNBR - BATAN Bandung, 04 Juli 2013 peranan MIPA di Bidang Kesehatan, Lingkungan dan
Industri untuk Pembangunan Berkelanjutan

Dengan demikian
No. ei 2 No. ei 2
27 0,05 42 0,0569 M8 = median { ei2 : i = 1, 2, . . ., 6}
28 0,0782 43 0,0211 = 0,006678, dan
29 0,1248 44 0,0312
30 0,0903 45 0,1478 h8 = = 5.
31 0,1386 46 0,0573
32 0,1941 47 0,0494
33 0,113 48 0,14 Scatter plotnya terlihat pada gambar di
bawah ini
34 0,0867 49 0,1334
35 0,0453 50 0,2938
36 0,0666 51 0,0861
37 0,0214 52 0,0079
38 0,0279 53 0,2626
39 0,1307 54 0,2498
40 0,0694 55 0,2216
41 0,0438

Dengan demikian

M3 = median { ei2 : i = 1, 2, . . ., 55}

= 0,07354, dan

h23 = = 30
(pembulatan ke atas). Gambar 4. Hasil Iterasi 8

Artinya pada iterasi ke-3 akan diambil

30 pengamatan yang jarak nilai ei2 ke M3 Dengan berakhirnya proses iterasi sebanyak
nya minimum. Dengan kata lain akan delapan kali, maka diperoleh 8 buah nilai Mj
dihilangkan sebanyak 25 pengamatan (dalam yaitu:
tabel diberi warna merah) yang jarak ei2 ke
M3 nya maksimum. M1 4,64604
M2 0,11757
Demikian seterusnya sampai iterasi M3 0,07354
berahir pada iterasi ke-8, karena karena h8 = M4 0,06623
h9. Hasil dari iterasi ke-8 tersebut adalah
M5 0,05594
4. Iterasi ke-8 dengan n = 6, melalui MKT M6 0,02506
diperoleh model regresi M7 0,01213
M8 0,00668
Mj Min 0,00668

dengan sebaran ei2 sebagai berikut 2.2.3. Penentuan Parameter Regresi LMS

No. ei2 Penentuan parameter regresi LMS didapat

1 0,0014 berdasarkan hasil perhitungan MJ dan yang
2 0,013393 kemudian dihitung bobot .
3 0,006959 Dengan mensubstitusikan nilai n = 208,
4 0,015237 p = 3, dan MJ = 0.00668 ke dalam persamaan
5 0,006397 (2) menghasilkan nilai .
6 0,001465
Selanjutnya dengan menggunakan rumus
(3) diperoleh nilai penaksir parameter

627
Prosiding Seminar Nasional Sains dan Teknologi Nuklir Tema: Pemanfaatan Sains dan Teknologi Nuklir serta
PTNBR - BATAN Bandung, 04 Juli 2013 peranan MIPA di Bidang Kesehatan, Lingkungan dan
Industri untuk Pembangunan Berkelanjutan

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.
3. REFNIWIDIALISTUTI, 2010,
perbandingan pengaruh pencilan terhadap
Penduga Parameter Model Regresi dengan
metode MKT dan MM-Robust, Universitas
Dengan demikian model regresi menurut Andalas, Padang.
metode LMS adalah 4. 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 ,
3. KESIMPULAN 12/09/2011
5. ROUSSEEUW, P.J and LEROY, A.M,
Apabila dibandingkan, model regresi hasil 1987, Robust Regression and Outlier
metode LMS ini lebih baik dari pada model Detection , John Wiley & Sons, Inc ,
hasil metode MKT. Dengan demikian metode Canada.
LMS ini cukup layak untuk dijadikan alternatif 6. SOEMARTINI , 2007 , Pencilan (outlier) ,
dalam mencari model regresi untuk data yang (online) ,
mengandung pencilan. http://resources.unpad.ac.id/unpad-content/ .
. . /OUTLIER(PENCILAN).pdf , 20/11/2011
7. WEISSTEIN, ERIC, 2007 , Fractional
4. DAFTAR PUSTAKA Derivative ,http://mathworld. wolfram.com
/fractionalDerivative.html, Download
1. EFRON, B. dan TIBSHIRANI, R.J , 10/05/2007.
1993,An Introduction to Bootstrap,
Chapman and Hall, London
2. MIDI, H, 2009 , Dynamic Robust Bootstrap
Method Based on LTS Estimators,

628