MINI RISET

ANALISIS REGRESI ROBUST MENGGUNAKAN KUADRAT

TERKECIL TERPANGKAS UNTUK PENDUGAAN
PARAMETER

Disusun Oleh Kelompok 3:

Elysabeth Simanullang : 4192540005
Erlanda Y Simamora : 4192240002
Ruth T Simanihuruk : 4193240004

Kelas : Fisika A 2019

Strata : S-1
Mata Kuliah : Pengolahan Data Eksperimen

Jurusan Fisika
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
ALAM
UNIVERSITAS NEGERI MEDAN
(The Character Building University)
2021

1
 KATA PENGANTAR

Puji dan syukur kami panjatkan kehadirat Tuhan yang Maha Esa, atas segala
rahmat dan karunia-Nya sehingga makalah projek ini dapat terselesaikan tepat waktu.
Makalah ini diajukan guna memenuhi tugas mata kuliah Pengolahan Data
Eksperimen.
Penulis juga mengucapkan terimakasih kepada Bapak Prof. Dr. Nurdin Bukit,
M. Si. selaku dosen pengampu mata kuliah Pengolahan Data Eksperimen atas
bimbingannya kepada kami sehingga kami dapat menyelesaikan makalah mini riset
mengenai analisis regresi menggunakan kuadrat terkecil terpangkas dengan baik dan
tepat waktu.
Penulis menyadari bahwa makalah mini riset ini memiliki banyak kekurangan.
Oleh karena itu, kami sangat mengharapkan kritik serta saran yang mendukung dari
para pembaca untuk makalah ke depannya yang lebih baik lagi. Akhir kata kami
mengucapkan terimakasih.

Medan, Mei 2021

Penulis
Kelompok 3

2
 DAFTAR ISI

KATA PENGANTAR................................................................................................2
DAFTAR ISI...............................................................................................................3
BAB I. PENDAHULUAN..........................................................................................4
1.1.Latar Belakang..................................................................................................4
1.2.Rumusan Masalah.............................................................................................4
BAB II. KONSEP DAN HIPOTESIS.......................................................................5
2.1. Konsep...............................................................................................................5
2.2. Hipotesis............................................................................................................7
BAB III. TEKNIK PENGUMPULAN DATA..........................................................8
BAB IV. ANALISIS DATA.......................................................................................9
4.1. DATA................................................................................................................9
4.2. ANALISI DATA.............................................................................................10
BAB V. KESIMPULAN DAN SARAN...................................................................13
5.1. Kesimpulan.....................................................................................................13
5.2. Saran..............................................................................................................13
DAFTAR PUSTAKA................................................................................................14

3
 BAB I
PENDAHULUAN

1.1.Latar Belakang
Dalam penaksiran model regresi, baik pada analisis regresi linier sederhana
maupun analisis regresi linier berganda, dilakukan metode penaksiran titik tertentu,
diantaranya diperoleh dengan menggunakan metode Kuadrat Terkecil Biasa
(Ordinary Least Square) dan Metode Kemungkinan Maksimum (Maksimum
Likelihood).
Metode kuadrat terkecil biasa diketahui rentan terhadap pengaruh data
pencilan/outliers. Oleh karena itu diperlukan metode lain yang bersifat robust atau
tahan terhadap pengaruh pencilan. Metode robust yang dimaksud antara lain Metode
Kuadrat Terkecil Terboboti (Weighted Least Square/WLS), Metode Simpangan
Mutlak Terkecil (Least Absolute Value/LAV), Metode Median Kuadrat Terkecil
(Least Median Square/LMS), Metode Deviasi Mutlak Terkecil (Least Absolute
Deviations/LAD), Penduga M, Penduga S, dan Metode Kuadrat Terkecil Terpangkas
(Least Trimmed Square/LTS). Inti metode robust adalah memberikan bobot yang
berbeda pada setiap pengamatan, meskipun metode ini memiliki kelemahan dalam
teknik pemberian bobot pada setiap observasi. Pada metode kuadrat terkecil, setiap
data diberi bobot sama yaitu 1, sedangkan pada metode robust, setiap data diberi
bobot yang berbeda. Untuk pencilan, menyatakan untuk memberi bobot lebih kecil
dari 1 bahkan 0 (terpangkas). Namun demikian, pada penelitian ini akan dikaji satu
metode saja yaitu LTS, yang akan dibandingkan dengan metode klasik OLS.
1.2.Rumusan Masalah
Adapun rumusan masalah untuk penelitian ini yaitu:
1. Bagaimana penggunaan masing masing parameter metode regresi robust yang
digunakan
2. Apa model terbaik yang digunakan dengan metode regresi robust?
3. Bagaimana pengaruh variabel bebas terhadap variabel respon?

4
 BAB II
KONSEP DAN HIPOTESIS

2.1. Konsep

Analisis Regresi
Model regresi yang mengandung satu variabel atau peubah bebas X, peubah respon Y
dan fungsi regresinya linier, disebut model regresi linier sederhana. Pola hubungan
antara X dan Y dikatakan linier bila besar perubahan nilai Y yang diakibatkan oleh X
adalah konstan. Model tersebut dapat ditulis sebagai berikut :
Yi = β 0 + β 1 X i + ε i
dengan :
Yi adalah nilai peubah respon ke-i
β 0dan β 1 adalah parameter
Xi adalah nilai peubah penjelas X pada amatan ke-i (konstanta yang diketahui)
ε i adalah sisaan dari data ke-i yang bersifat acak (faktor acak)
Pencilan (Outliers)
Pencilan ialah data yang tidak mengikuti pola umum model, atau secara kasar sisaan
atau errornya berjarak tiga kali simpangan baku atau lebih jauh lagi dari rata-rata
sisaannya. Pencilan merupakan suatu keganjilan yang ada pada data dan menandakan
suatu titik yang sama sekali tidak tipikal dibandingkan data lainnya. Berbagai kaidah
telah diajukan untuk menolak pencilan, dengan kata lain mencoba menyisihkan
amatan tersebut dari data, untuk kemudian menganalisis kembali tanpa amatan
tersebut. Penolakan begitu saja suatu pencilan bukanlah prosedur yang bijaksana.
Ada kalanya pencilan memberikan informasi yang tidak bisa diberikan oleh data
lainnya, Kriteria pengambilan keputusan adanya pencilan dapat dilihat dengan
menggunakan grafik, plot residual, dan beberapa nilai kriteria pencilan yang
diberikan pada tabel berikut ini.

5
dengan : n = jumlah observasi (sampel)
p = jumlah parameter (p = k+1)
k = banyaknya variabel bebas

Metode Kuadrat Terkecil (Least Square)

Metode kuadrat terkecil merupakan teknik yang sangat popular digunakan untuk
menduga parameter dan pencocokan suatu data. Draper dan Smith (1992)
menyatakan metode kuadrat terkecil ini pertama kali ditemukan secara terpisah oleh
Carl Friedrich Gauss asal Jerman (1777-1855), dan Adrien Marie Legendre asal
Prancis (1752-1833).
Dewasa ini, metode kuadrat terkecil sangat luas digunakan untuk menemukan atau
menduga nilai numerik parameter pencocokan sebuah fungsi data khusus untuk
macam-macam penduga statistik, menganalisis data, dan mengambil kesimpulan
yang bermakna tentang hubungan kebergantungan yang ada (Herve, 2003).
Draper & Smith (1992) menyatakan persamaan fungsi linier dengan satu variabel
bebas dan variabel respon dapat dilihat pada persamaan (1) dan pendugaan parameter
diberikan pada persamaan berikut :
Yi = β 0 + β 1 X i
Persamaan di atas terdiri dari dua parameter bebas, dimana β 0 merupakan
intersep/titik potong,dan β 1 merupakan slope/kemiringan garis regresinya.
Metode Kuadrat Terkecil Terpangkas (Least Trimmed Square/LTS)
LTS merupakan suatu metode pendugaan parameter regresi robust yang tahan
terhadap adanya pencilan dengan meminimumkan jumlah kuadrat sisaan sub
himpunan data berukuran h.

6
Adapun tujuan yang ingin dicapai adalah menduga nilai parameter model regresi
yang robust terhadap adanya nilai.
Metode ini dikembangkan oleh Rousseeuw dan Leroy (1987). Ketika menggunakan
alat–alat analisis, biasanya langkah pertama adalah mencoba menghilangkan
pencilan kemudian mencocokkan data yang sudah bagus dengan menggunakan
metode kuadrat terkecil, tetapi analisis robust mencocokkan model regresi dengan
sebagian besar data dan kemudian mengatasi titik–titik pencilan yang memiliki nilai
sisaan yang besar sebagai solusi robust tersebut. Jadi metode ini tidak membuang
bagian dari data melainkan menemukan model fit dari mayoritas data. Adapun model
pendugaan parameter metode LTS disajikan sebagai berikut :

dengan :
2
≤ ε 2(2) ≤ …≤ ε (n)
2
ε (i)2 : Kuadrat sisaan yang diurutkan dari terkecil ke terbesar ε (1)
k : Banyaknya variabel bebas
p : Banyaknya parameter

2.2. Hipotesis
Untuk melihat apakah peubah X berpengaruh terhadap peubah Y dapat diuji
dengan menggunakan uji t-student. Uji ini digunakan karena variansi ( σ 2 ) populasi
data tidak diketahui. Hipotesis dari pernyataan di atas adalah :
H0: β =0
H1 : β ≠0
Statistik uji dari hipotesis di atas dituliskan sebagai berikut :

Teknik penarikan kesimpulan dari uji t-student adalah jika t-hitung > t-
tabelα/2;db=n-2,maka H0 ditolak atau tidak ada alasan yang cukup untuk menerima
H0. Kesimpulan yang diambil adalah β ≠ 0 atau βsignifikan

7
 BAB III
TEKNIK PENGUMPULAN DATA

Adapun jenis data yang digunakan dalam penelitian ini adalah data sekunder
tentang pengaruh berat tubuh mencit yang meminum obat, berat hati mencit yang
meminum obat, dandosis obat yang diminum terhadap konsentrasi obat dalam hati
mencit. Data ini diperoleh dari skripsi dengan judul “Analisis Pencilan Pada
Kecocokan Model Regresi” oleh Muhammad Hardoyo (NIM-89 03 020) tahun 1997.
Indikator/parameter yang diamati dalam penelitian ini diberikan pada tabel berikut.

8
 BAB IV
ANALISIS DATA

4.1. DATA

Dari tabel tersebut terlihat bahwa rata-rata konsentrasi obat dalam hati adalah
0,3353 mg.Variansi konsentrasi obat dalam hati adalah 0,0885. Konsentrasi obat
dalam hati maksimum 0,56 mg dan minimum 0,21 mg. Distribusi jumlah pasien
menurut berat tubuh, rata-rata berat tubuh adalah 171,53 kg dengan variansi 16,49.
Berat tubuh maksimum yaitu 200 kg dan minimum 146 kg. Dari Tabel 4 ditunjukkan
bahwa distribusi mencit menurut berat hati, rata-rata berat hati adalah 7,811 g dengan
variansi 1,223. Berat hati maksimum 10 gram dan minimum 5,2 g. Distribusi mencit
menurut dosis relatif obat, rata-rata adalah 0,8621 mg dengan variansi 0,0858. Dosis
relatif obat maksimum 1 mg dan minimum 0,73 mg.
Tabel.Deskripsi Variabel untuk Data Konsentrasi Obat Dalam Hati

Data Berpengaruh
Nilai parameter-parameter yang diperoleh dengan menggunakan metode OLS
berdasarkan kombinasi data yang dicurigai sebagai data pencilan disajikan sebagai
berikut.

9
Tabel 4. Nilai Pendugaan Parameter Menggunakan Metode OLS

4.2. ANALISI DATA

Pengujian Parsial Parameter Regresi

Nilai t-hitung dari masing-masing parameter yang dihitung disajikan pada tabel di
bawah ini.
Nilai t-hitung untuk Pendugaan Parameter dengan Metode OLS dan LTS

Ket : * = signifikan (berpengaruh)

**= sangat signifikan
Hipotesis yang akan diuji adalah: H0 :β=¿ 0dan H1 : β ≠0, dengan ttabel (0,025;17)
= 2,110ttabel (0,025;16) = 2,120, ttabel (0,025;15) = 2,131. Selanjutnya dari Tabel

10
 ,
dapat dilihat bahwa berdasarkan hasil untuk penghitungan nilai t-hitung, variabel
bebas yang berpengaruh terhadap variabel respon untuk metode OLS dan metode
regesi robust dengan LTS yang digunakandisajikan sebagai berikut :
1. Metode OLS
 Keseluruhan data. Adalah variabel X3, karena t-hitung=2,74> ttabel = 2,110.
Artinya variabel X3 (dosis relatif obat) berpengaruh terhadap variabel respon
Y (konsentrasi obat dalam hati).
 Penghilangan data ke-13. Adalah variabel X3, karena t-hitung=3,00> ttabel
= 2,110.Artinya variabel X3 (dosis relatif obat) berpengaruh terhadap
variabel respon Y(konsentrasi obat dalam hati).
 Penghilangan data ke-19. Adalah variabel X3, karena t-hitung=2,87> ttabel
= 2,120.Artinya variabel X3 (dosis relatif obat) berpengaruh terhadap
variabel respon Y(konsentrasi obat dalam hati).
 Penghilangan data ke-13+ke-19. Adalah variabel X3, karena t-hitung=3,01 >
ttabel = 2,131.Artinya variabel X3 (dosis relatif obat) berpengaruh terhadap
variabel respon Y(konsentrasi obat dalam hati).
2. Metode LTS
 Keseluruhan data. Adalah variabel X2 dan X3, karena t-hitung = 116,34 dan
t-hitung =9063,56 > ttabel = 2,110. Artinya variabel X2 (berat hati/liver) dan
X3 (dosis relatif obat) berpengaruh terhadap variabel respon Y (konsentrasi
obat dalam hati).
 Penghilangan data ke-13. Adalah variabel X2 dan X3, karena t-hitung=17,65
dan thitung=1456,48 > ttabel = 2,110. Artinya variabel X2 (berat hati/liver)

11
 dan X3 (dosis relatif obat) berpengaruh terhadap variabel respon Y
(konsentrasi obat dalam hati).
 Penghilangan data ke-19. Adalah variabel X1, karena t-hitung=18,01 >
ttabel = 2,120. Artinya variabel X1 (berat tubuh) berpengaruh terhadap
variabel respon Y (konsentrasi obat dalam hati).
 Penghilangan data ke-13+ke-19. Adalah variabel X2 dan X3, karena t-
hitung=21,88 dan t-hitung=1805,37 > ttabel = 2,131. Artinya variabel X2
(berat hati/liver) dan X3 (dosis relatif obat) berpengaruh terhadap variabel
respon Y (konsentrasi obat dalam hati).
3. Metode OLS dan LTS untuk Amatan yang Bukan Pencilan
 Untuk amatan yang bukan pencilan, perlu perhatian lebih mendalam terhadap
amatan ke-1 dan ke 15, karena dengan metode OLS dan LTS yang dicobakan
ternyata penghilangan amatan-amatan tersebut meningkatkan nilai kesesuaian
antara data dengan model.

12
 BAB V
KESIMPULAN DAN SARAN
5.1. Kesimpulan

Beberapa kesimpulan yang dapat ditarik dalam penelitian ini adalah dari nilai
pendugaan parameter diperoleh model terbaik untuk metode OLS dan kedua metode
regresi robust diberikan sebagai berikut :
a. Model terbaik untuk keseluruhan data
Y = 0,045- 0,02 X1 + 0,049 X2 + 3,818 X3, R2= 0,610 (LTS)
b. Model terbaik untuk penghilangan data ke-19
Y= 0,086- 0,021 X1 + 0,051X 2 + 4,048X , R2= 0,622 (LTS)
c. Model terbaik untuk penghilangan data ke13 +19
Y= 0,068 - 0,02X1 + 0,047 X2 + 3,846X3, R2= 0,518 (LTS)
Dari kedua metode regresi robust yang digunakan, diperoleh nilai R2 yang lebih baik
dibandingkan dengan menggunakan metode OLS. Dari segi kecocokan model secara
keseluruhan berdasarkan nilai R2, penggunaan metode LTS lebih baik terutama dari
segi penghilangan pencilan. Perlu perhatian lebih seksama terhadap amatan ke-1 dan
ke-15, yang bukan merupakan pencilan, karena penghilangan kedua amatan tersebut
meningkatkan nilai kesesuaian antara data dengan model yang digunakan. Dengan
menggunakan uji-t, variabel-variabel bebas yang berpengaruh terhadap variabel
respon untuk kedua metode regresi robust adalah variabel X2 (berat hati) dan X3
(dosis relatif obat). Adapun saran dari penulis supaya penelitian selanjutnya dapat
mengkaji lebih dalam lagi berbagai metode regresi robust yang dapat digunakan
untuk mengurangi pengaruh pencilan.

5.2. Saran
Demikianlah makalah mini riset yang sudah kami susun. Maaf apabila terdapat
kesalahan dalam penulisan maupun penyampaian. Kami mengharapkan kritik serta
saran yang membangun dari pembaca untuk pembuatan maklah projek yang lebih
baik lagi ke depannya

13
 DAFTAR PUSTAKA

Anisa., dkk. (2010). Analisis Regresi Robust Menggunakan Kuadrat

Terkecil Terpangkas untuk Pendugaan Parameter. Jurnal
Matematika, Statistika dan Komputasi. 6(2): 92 – 106.

14