PENERAPAN ANALISIS REGRESI ROBUST ESTIMASI-S TERHADAP

PERKEMBANGAN BEBERAPA INDIKATOR SOSIAL-EKONOMI

INDONESIA TAHUN 2020 DENGAN PEMBOBOT WELSCH DAN TUKEY
BISQUARE

Ditulis guna Memenuhi Ujian Tengah Semester Mata Kuliah Kapita Selekta
Statistika

Dosen Pengampu: Epha Diana Supandi, M.Sc.

Disusun Oleh:
Uswatun Khasanah (20106010018)
Rulla Hanesya (20106010023)
Adelia Disty Nariswari (20106010037)

PROGRAM STUDI MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SUNAN KALIJAGA
YOGYAKARTA
2023
 DAFTAR ISI

DAFTAR ISI ................................................................................................................. ii

BAB I PENDAHULUAN ............................................................................................. 1

1.1. Latar Belakang ................................................................................................... 1

1.2. Rumusan Masalah .............................................................................................. 2

1.3. Tujuan Penelitian ................................................................................................ 3

1.4. Manfaat Penelitian .............................................................................................. 3

BAB II LANDASAN TEORI ....................................................................................... 4

2.1. Regresi Linear .................................................................................................... 4

2.2. Regresi Robust ................................................................................................... 4

2.3. Estimasi - S ( Scale Estimator)........................................................................... 5

2.4. Metode Kuadrat Terkecil .................................................................................... 5

2.5. R-Square ............................................................................................................. 6

2.6. Adjusted R-Square ............................................................................................. 6

2.7. Pembobot Welsch ............................................................................................... 6

2.8. Pembobot Tukey Bisquare ................................................................................. 7

2.9. Scatter Plot ......................................................................................................... 7

2.10. Jarak Cook ........................................................................................................ 7

BAB III METODE PENELITIAN................................................................................ 8

3.1. Jenis dan Sumber Data ....................................................................................... 8

3.2. Alat Pengolahan Data ......................................................................................... 8

3.3. Metode Pengumpulan Data ................................................................................ 8

ii
 3.4. Variabel Penelitian ............................................................................................. 8

3.5. Metode Analisis Data ......................................................................................... 8

BAB IV PEMBAHASAN ........................................................................................... 10

4.1. Mendeskripsikan Data Penelitian ..................................................................... 10

4.2. Estimasi Parameter 𝛽 dengan Metode Kuadrat Terkecil.................................. 13

4.3. Uji Asumsi Klasik ............................................................................................ 13

4.3.1. Uji Autokorelasi ......................................................................................... 13

4.3.2. Uji Heterokedastisitas ................................................................................ 14

4.3.3. Uji Multikolinearitas .................................................................................. 15

4.3.4. Uji Normalitas............................................................................................ 16

4.4. Pendeteksian Outlier ......................................................................................... 16

4.4.1 Leverage...................................................................................................... 16

4.4.2. Cook’s Distance ......................................................................................... 18

4.5. Regresi Robust ................................................................................................. 18

4.5.1. Regresi Robust Estimasi-S Pembobot Welsch .......................................... 18

4.5.2. Regresi Robust Estimasi-S Pembobot Tukey Bisquare ............................. 19

4.6. Perbandingan Robust dengan Estimasi-S Pembobot Welsch dan Tukey

Bisquare ................................................................................................................... 20

BAB V PENUTUP...................................................................................................... 22

5.1 Kesimpulan ........................................................................................................ 22

5.2. Saran ................................................................................................................. 22

DAFTAR PUSTAKA ............................................................................................... a23

LAMPIRAN ................................................................................................................ 24

iii
 BAB I
PENDAHULUAN

1.1. Latar Belakang

Analisis regresi linier merupakan teknik dalam statistika yang digunakan untuk
memodelkan hubungan antara variabel dependen dan satu atau lebih variabel
independen. Salah satu tujuan dari analisis regresi adalah untuk memperkirakan rata-
rata populasi atau nilai rata-rata dari variabel dependen berdasarkan nilai yang
diketahui dari variabel independen. Hasil analisis regresi berupa koefisien regresi untuk
masing-masing variabel independen.
Pada umumnya, untuk mengestimasi koefisien regresi menggunakan Metode
Kuadrat Terkecil (MKT) dengan meminimalkan jumlah kuadrat galat. Metode Kuadrat
Terkecil (MKT) merupakan estimator yang tidak memihak dan tepat jika asumsi-
asumsi klasik terpenuhi. Uji asumsi klasik yang perlu dilakukan adalah uji normalitas,
uji multikolinearitas, dan uji heteroskedastisitas. Namun, jika terdapat outlier
(pencilan) pada data, Metode Kuadrat Terkecil akan kurang tepat. Outlier (pencilan)
merupakan pengamatan yang jauh dari pusat data, yang dapat menyebabkan estimasi
koefisien regresi yang diperoleh kurang tepat. Oleh karena itu, diperlukan alternatif
terhadap adanya outlier yaitu regresi robust.
Menurut Chen (2002), regresi robust dapat mengatasi outlier (pencilan) tanpa
menghapus outlier. Regresi robust digunakan ketika galat tidak berdistribusi normal
atau terdeteksi adanya outlier yang mempengaruhi model. Regresi robust terdapat
beberapa metode estimasi seperti estimasi M (Maximum Likelihood Type), estimasi
LTS (Least Trimmed Squares), estimasi MM (Method of Moment), dan estimasi S
(Scale). Dari beberapa metode tersebut memiliki kekurangan dan kelebihan masing-
masing, dilihat dari nilai breakdown point nya, estimasi-S memiliki nilai breakdown
point yang bisa mencapai 50%. Breakdown point adalah bagian terkecil dari outlier
yang dapat menyebabkan tingginya nilai estimator. estimasi-S memiliki beberapa
fungsi pembobot seperti Tukey Bisquare dan Welsch.

1
 Data yang digunakan dalam penelitian ini adalah data Indeks Pembangunan
Manusia menurut Provinsi di Indonesia tahun 2020. Indeks Pembangunan Manusia
memiliki tiga dasar yaitu usia harapan hidup dan kesehatan, pengetahuan, dan taraf
hidup yang layak. Berdasarkan tiga dimensi dasar tersebut mempunyai komponen-
komponen, antara lain rata-rata lama sekolah dan Upah Minimum Regional (UMR).
adapun konsep pembangunan manusia adalah pertumbuhan ekonomi dengan
penekanan pada Produk Domestik Regional Bruto (PDRB).
Penerapan analisis regresi robust dengan pembobot Welsch dan Tukey
Bisquare digunakan untuk menentukan model estimasi yang baik dan membandingkan
kinerja kedua metode dalam mengatasi outlier ditinjau dari nilai standard error dan adj
R Square pada data Indeks Pembangunan Manusia menurut provinsi di Indonesia tahun
2020. Ukuran kerobustan dari pembobot Welsch dan Tukey Bisquare dapat dilihat dari
nilai skala kekuatan yang didapat. Semakin kecil nilai skala yang dihasilkan dari suatu
pembobot, maka semakin robust terhadap outlier. Berdasaekan uraian di atas, maka
penulis mengangkat judul “Penerapan Analisis Regresi Robust Estimasi-S terhadap
Perkembangan Beberapa Indikator Sosial-Ekonomi Indonesia Tahun 2020 dengan
Pembobot Welsch dan Tukey Bisquare”.

1.2. Rumusan Masalah

Berdasarkan latar belakang yang telah diuraikan, maka permasalahan yang
timbul adalah sebagai berikut.
1. Bagaimana penerapan regresi Robust estimasi-S dalam kasus perkembangan
beberapa indikator sosial-ekonomi Indonesia tahun 2020?
2. Bagaimana hasil model regresi Robust dengan estimasi-S?
3. Bagaimana perbandingan pembobot Welsch dan Tukey Bisquare dalam
estimasi-S pada data perkembangan beberapa indikator sosial-ekonomi
Indonesia tahun 2020?

2
1.3. Tujuan Penelitian
Tujuan dari penulisan makalah ini adalah :
1. Untuk menganalisis regresi robust estimasi-S terhadap perkembangan
beberapa indikator sosial-ekonomi Indonesia tahun 2020.
2. Untuk mengetahui penggunaan regresi Robust dengan metode estimasi-S.
3. Untuk mengetahui metode yang lebih efektif antara pembobot Welsch dan
Tukey Bisquare dalam estimasi-S pada data perkembangan beberapa indikator
sosial-ekonomi Indonesia tahun 2020.

1.4. Manfaat Penelitian

Manfaat dari penelitian ini diantaranya adalah sebagai berikut :
1. Memberikan informasi penyelesaian permasalahan outlier dengan regresi
robust.
2. Menambah pengetehuan untuk penggunaan regresi Robust.
3. Dapat mengetahui model regresi dengan metode estimasi yang terbaik.

3
 BAB II
LANDASAN TEORI

2.1 Regresi Linear

Regresi Linear merupakan teknik analisis statistika yang digunakan untuk
memprediksi nilai suatu variabel dependen (Y) berdasarkan nilai variabel independen
(X). Jika variabel X dan Y memiliki korelasi, maka nilai dari variabel X dapat
digunakan untuk memperkirakan nilai variabel Y.

Model regresi linear dengan p variabel bebas dirumuskan dengan:

𝑌0 = 𝛽0 + 𝛽1 + 𝑋𝑖1 + 𝛽2 𝑋𝑖2 + ⋯ + 𝛽𝑝 𝑋𝑖𝑝 + 𝜀𝑖
Keterangan:
𝑖 = 1, 2, 3, .., n
𝑌𝑖 = variabel dependen pengamatan ke-𝑖
𝑋𝑗 = variabel independen ke-𝑗; 𝑗 = 1, 2, . . . , 𝑝
𝛽𝑗 = parameter
𝜀𝑖 = faktor error pengamatan ke-𝑖
Analisis regresi merupakan salah satu alat statistika yang digunakan dalam
pembangunan model matematis. Perkembangan ilmu pengetahuan yang begitu pesat
memerlukan model matematis yang andal yang akan mempermudah proses identifikasi
variabel kunci, peramalan, maupun dalam merancang suatu proyek simulasi
(Sembiring, 1995).

2.2 Regresi Robust

Regresi Robust digunakan untuk mengurangi pengaruh dari pencilan yang
mempunyai pengaruh tinggi jika metode OLS (Ordinary Least Square) digunakan.
Metode ini merupakan alat penting untuk menganalisis data yang dipengaruhi oleh
pencilan sehingga dihasilkan model yang kekar terhadap pencilan (Draper and Smith,

4
1998). Saat peneliti menyusun model regresi dan melakukan uji asumsi, sering
ditemukan asumsi dilanggar, transformasi yang dilakukan tidak akan menghilangkan
atau melemahkan pengaruh dari pencilan yang akhirnya prediksi menjadi bias. Dalam
kasus ini, regresi robust yang tahan terhadap pengaruh pencilan merupakan model
terbaik. Regresi robust digunakan untuk mendeteksi pencilan dan memberikan hasil
yang resisten terhadap adanya pencilan (Chen, 2002).

2.3 Estimasi - S ( Scale Estimator)

Salah satu metode regresi robust yang terkenal adalah estimasi - s. Estimasi - s
pertama kali diperkenalkan oleh Rousseeuw dan Yohai (1984). Disebut estimasi - s
karena estimasi ini berdasarkan pada skala sisaan dari estimasi - m. Estimasi - s dapat
mencapai breakdown point hingga 50%, yakni setengah dari outlier dapat diatasi serta
memberikan pengaruh yang baik bagi pengamatan lainnya.
Estimasi - s didefinisikan sebagai 𝛽̂𝑠 = 𝑚𝑖𝑛𝛽 𝛿̂𝑠 (𝑒1 , 𝑒2 , . . . , 𝑒𝑛 ) dengan
menentukan skala minimum estimasi robust 𝛿̂𝑠 :

𝑦𝑖 −∑𝑘
𝑗 = 0 𝑥𝑖𝑗 𝛽𝑗 𝑛 ∑𝑘 2 𝑘
𝑗=0(𝑒𝑖 ) −(∑𝑗=0 𝑒𝑖 )
2
𝑚𝑖𝑛Σ𝜌 ( ̂𝑠 ) , dengan 𝛿̂𝑠 = √
𝛿 𝑛(𝑛−1)

2.4 Metode Kuadrat Terkecil

MKT merupakan metode yang bertujuan untuk meminimumkan jumlah kuadrat
dari galat. Misal, terdapat 𝜌 parameter data dan 𝑛 pengamatan, maka model yang
diperoleh sebagai berikut:
𝑌 = 𝑋𝛽 + 𝜀
Estimasi parameter MKT diperoleh dengan meminimumkan
Σ𝑌 Σ𝑋𝑌
𝑎= 𝑑𝑎𝑛 𝑏 =
𝑁 Σ𝑋 2
Dengan:
Y = data berkala (time series) = taksiran nilai trend

5
a = nilai trend pada tahun dasar
b = rata - rata trend nilai pertumbuhan tiap tahun
X = variabel waktu (hari, minggu, bulan atau tahun)

2.5 R-Square
Koefisien Determinasi, yakni suatu ukuran yang digunakan untuk menguji
kualitas suatu persamaan garis regresi. Sifat R-Square merupakan besaran non-
negative dan memiliki batas 0 ≤ 𝑅 2 ≤ 1
𝐽𝐾𝑆
𝑅2 = 1 −
𝐽𝐾𝑇
2.6 Adjusted R-Square
Adj R-Square secara objektif dapat melihat pengaruh penambahan variabel
independen. Apakah variabel tersebut mampu memperkuat variasi penjelasan variabel
terikat.
𝑛−1
𝑅=1 − (1 − 𝑅 2 )
𝑛−𝑘−1
2.7 Pembobot Welsch
Pendugaan parameter menggunakan metode regresi robust penduga Welsch
menghasilkan model regresi yang lebih baik dari metode kuadrat terkecil untuk
berbagai ukuran sampel dan banyak outlier (Abdiati, dkk 2009). Pembobot Welsch
merupakan salah satu pembobot dalam regresi robust dengan metode estimasi - s.
Fungsi Welsch dinyatakan sebagai berikut:

2
𝑐 𝑢
𝜌(𝑢) = [1 − 𝑒𝑥𝑝 (− ( )) ]
2 𝑐

Fungsi pembobot Welsch dinyatakan sebagai berikut

𝑢 2
𝑢 [𝑒𝑥𝑝 (− ( 𝑐 )) ] 2
𝜓(𝑢) 𝑢
𝑊(𝑢) = = = [𝑒𝑥𝑝 (− ( )) ]
𝑢 𝑢 𝑐

6
Dimana 𝜓(𝑢) merupakan turunan parsial dari fungsi welsch terhadap u serta c =
2.9846.

2.8 Pembobot Tukey Bisquare

Data yang mengandung pencilan akan menghasilkan nilai error yang besar,
maka untuk mengatasi hal tersebut umumnya akan diberikan bobot. Penggunaan
pembobot Bisquare Tukey untuk menghasilkan nilai skala pembobot dengan cara
melakukan iterasi estimator yang diperoleh konvergen.

2.9 Scatter Plot

Merupakan plot yang dapat mengindikasi adanya outlier, jika terdapat satu atau
beberapa data yang terletak dari pola kumpulan data.

2.10 Jarak Cook

Jarak Cook merupakan jarak antara penduga parameter untuk n pengamatan dan
penduga parameter tanpa pengamatan ke-i menggunakan metode kuadrat terkecil
(Montgomery, Pock 1992). Ukuran jarak Cook didefinisikan sebagai:
1 ℎ𝑖𝑖 𝜀𝑖 2
𝐷𝑖 = ( ) ( )( )
𝑘 1 − ℎ𝑖𝑖 𝑀𝑆𝐸(1 − ℎ𝑖𝑖 )

7
 BAB III
METODE PENELITIAN

3.1. Jenis dan Sumber Data

Data yang digunakan dalam penelitian ini adalah data sekunder, yang diperoleh
dari publikasi data Badan Pusat Statistik (BPS) melalui website https://bps.go.id. Data
yang diambil adalah data Indeks Pembangunan Manusia menurut provinsi di Indonesia
tahun 2020.

3.2. Alat Pengolahan Data

Alat bantu yang digunakan penulis dalam mengolah data yaitu dengan
software-R versi 4.2.3

3.3. Metode Pengumpulan Data

Metode pengumpulan data yang digunakan adalah metode non-participant
observation yang artinya tidak ikut serta dalam pengambilan data secara langsung,
peneliti hanya mengolah dan menganalisa data yang tersedia.

3.4. Variabel Penelitian

𝑌 ∶ Indeks Pembangunan Manusia
𝑋1 ∶ rata-rata lama sekolah
𝑋2 ∶ Upah Minimum Provinsi (UMP)
𝑋3 ∶ Produk Domestik Regional Bruto (PDRB)

3.5. Metode Analisis Data

Analisis data yang digunakan dalam penelitian ini adalah analisis regresi
berganda dan analisis robust. Dengan mengumpulkan dan mendeskripsikan data-data
penelitian yang termasuk variabel dependen dan independen. Lalu, melakukan estimasi

8
koefisien regresi menggunakan metode kuadrat terkecil. Kemudian melakukan uji
asumsi klasik analisis regresi linear. Selanjutnya melakukan deteksi dengan
menggunakan Leverage dan Cook’s Distance. Mengestimasi koefisien regresi robust
menggunakan estimasi-S. Dan yang terakhir adalah mencari model terbaik.

9
 BAB IV
PEMBAHASAN

4.1. Mendeskripsikan Data Penelitian

Berikut merupakan data perkembangan beberapa indikator sosial-ekonomi
yang penulis peroleh melalui publikasi Badan Pusat Statistik (BPS) yang diakses
melalui website www.bps.go.id berjudul “Indeks Pembangunan Manusia menurut
Provinsi di Indonesia tahun 2020”

Provinsi IPM RLS UMP PDRB

ACEH 71.99 9.71 3165031 166372.32

SUMATERA UTARA 71.77 9.83 2499423 811188.31

SUMATERA BARAT 72.38 9.34 2484041 241894.13

RIAU 72.71 9.47 2888564 727599.47

JAMBI 71.29 8.97 2630162 205081.99

SUMATERA SELATAN 70.01 8.68 3043111 454607.40

BENGKULU 71.40 9.20 2213604 73305.27

LAMPUNG 69.69 8.51 2432002 353025.09

KEP. BANGKA BELITUNG 71.47 8.49 3230024 75519.77

KEP. RIAU 75.59 10.22 3005460 254095.35

10
DKI JAKARTA 80.77 11.17 4276350 2767273.49

JAWA BARAT 72.09 8.96 1810351 2082107.26

JAWA TENGAH 71.87 8.19 1742015 1347222.49

DI YOGYAKARTA 79.97 9.95 1704608 138117.84

JAWA TIMUR 71.71 8.31 1768777 2299807.64

BANTEN 72.45 9.22 2460997 625895.38

BALI 75.50 9.31 2494000 224225.72

NUSA TENGGARA BARAT 68.25 8.08 2183883 133613.74

NUSA TENGGARA TIMUR 65.19 8.09 1950000 106482.45

KALIMANTAN BARAT 67.66 7.90 2399699 213950.35

KALIMANTAN TENGAH 71.05 8.95 2903145 152187.39

KALIMANTAN SELATAN 70.91 8.69 2877449 179162.02

KALIMANTAN TIMUR 76.24 9.99 2981379 607744.49

KALIMANTAN UTARA 70.63 9.30 3000804 100423.21

SULAWESI UTARA 72.93 9.74 3310723 132230.06

SULAWESI TENGAH 69.55 9.09 2303711 197440.78

11
SULAWESI SELATAN 71.93 8.86 3103800 504052.53

SULAWESI TENGGARA 71.45 9.41 2552015 130107.27

GORONTALO 68.68 8.26 2788826 41729.89

SULAWESI BARAT 66.11 8.33 2678863 46465.91

MALUKU 69.49 10.20 2604961 46263.47

MALUKU UTARA 68.49 9.42 2721530 42298.87

PAPUA BARAT 65.09 10.00 3134600 83588.64

PAPUA 60.44 6.96 3516700 199186.57

Variabel Keterangan Penjelasan

𝒀 Indeks Pembangunan Manusia Persentase yang menjelaskan bagaimana

penduduk dapat mengakses hasil
pembangunan dalam memperoleh pendapatan,
kesehatan, pendidikan, dan sebagainya.

𝑿𝟏 Rata-Rata Lama Sekolah Rata-rata lama sekolah penduduk umur ≥ 15

tahun

𝑿𝟐 Upah Minimum Provinsi Upah minimum yang berlaku untuk seluruh

kabupaten/kota di satu provinsi

𝑿𝟑 Produk Domestik Regional Bruto Nilai pasar semua barang dan jasa yang

12
 diproduksi oleh suatu negara pada periode
tertentu

Tabel 1. Deskripsi Data

Dari variabel diatas menjelaskan bahwa variabel Y yakni Indeks Pembangunan

Manusia yang merupakan variabel respon atau variabel dependen. Dan variabel
𝑋1 , 𝑋2 , 𝑋3 yang berisi Rata-Rata Lama sekolah, Upah Minimum Provinsi (UMP) dan
Produk Domestik Regional Bruto (PDRB) merupakan variabel prediktor atau variabel
independen.

4.2. Estimasi Parameter 𝜷 dengan Metode Kuadrat Terkecil

Analisis dimulai dengan regresi berganda mengguakan metode kuadrat terkecil
terlebih dahulu. Metode ini akan menghasilkan model terbaik jika memenuhi uji
asumsi klasik pada tahap selanjutnya. Berdasarkan perhitungan dengan bantuan
software R diperoleh model regresi antara variabel dependen dan variabel independen
data perkembangan beberapa indikator sosial-ekonomi Indonesia tahun 2020 sebagai
berikut :

𝑌̂ = 11,89792 + 3,267𝑋1 − 0,002890𝑋2 + 0,004052𝑋3 + 𝜀

4.3. Uji Asumsi Klasik

Pada penelitian ini, uji asumsi klasik yang digunakan adalah uji autokorelasi,
uji heterokedastisitas, uji multikolinearitas, dan uji normalitas

4.3.1. Uji Autokorelasi

Uji autokorelasi bertujuan untuk mendeteksi adanya korelasi antara kesalahan
pengganggu pada periode sebelumnya. Autokorelasi muncul karena observasi yang

13
berurutan sepanjang waktu berkaitan satu sama lainnya. Uji autokorelasi dapat
dideteksi dengan uji Durbin Watson.
1. Hipotesis
H0 : Tidak ada autokorelasi
H1 : Ada autokorelasi
2. Taraf Signifikansi
𝛼 = 0.05
3. Kriteria Keputusan
H0 ditolak jika nilai Durbin Watson tidak di antara -2 sampai 2
4. Statistik Uji
Berdasarkan perhitungan dengan bantuan software R diperoleh nilai
𝐷𝑢𝑟𝑏𝑖𝑛 𝑊𝑎𝑡𝑠𝑜𝑛 = 1.3223
5. Kesimpulan
Karena diperoleh nilai Durbin Watson sebesar 1.3223 dimana nilai tersebut
berada diantara -2 sampai 2, maka H0 ditolak. Artinya data penelitian
menunjukkan adanya autokorelasi.

4.3.2. Uji Heterokedastisitas

Uji Heterokedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi
ketidaksamaan variansi dari residual satu pengamatan ke pengamatan yang lain. Jika
variansi dari residual satu pengamatan ke pengamatan lain tetap, maka disebut
homokedastisitas. Jika berbeda maka disebut heterokedastisitas. Uji heterokedastisitas
dapat menggunakan uji Breusch Pagan.
1. Hipotesis
H0 : Tidak ada heterokedastisitas
H1 : Ada heterokedastisitas
2. Taraf Signifikansi
𝛼 = 0.05

14
 3. Kriteria keputusan
H0 ditolak jika nilai p-value ≤ 0.05
4. Statistik Uji
Berdasarkan perhitungan dengan bantuan software R diperoleh nilai
𝐵𝑟𝑒𝑢𝑠𝑐ℎ 𝑃𝑎𝑔𝑎𝑛 = 5.0263 dengan nilai p-value = 0.1699, dimana
0.1699 > 0.05 maka H0 tidak ditolak. Artinya data penelitian menunjukkan
tidak ada heterokedastisitas pada residual.

4.3.3. Uji Multikolinearitas

Uji multikolinearitas bertujuan untuk menguji apakah terdapat korelasi yang
tinggi antar variabel independent dalam model regresi. Model regresi yang baik tidak
terjadi multikolinearitas. Uji multikolinearitas dapat menggunakan uji VIF (Variance
Inflation Factors).
1. Hipotesis
H0 : Tidak ada multikolinearitas
H1 : Ada multikolinearitas
2. Taraf Signifikansi
𝛼 = 0.05
3. Kriteria Keputusan
H0 ditolak jika nilai VIF > 10
4. Statistik Uji
Berdasarkan perhitungan dengan bantuan software R diperoleh nilai VIF untuk
variabel RLS = 1.157588, nilai VIF untuk variabel UMP = 1.119639, nilai
VIF untuk variabel PDRB = 1.041766.
5. Kesimpulan
Karena nilai VIF untuk seluruh variabel independen < 10 maka H0 diterima.
Artinya, data penelitian menunjukkan seluruh variabel independen tidak ada
multikolinearitas.

15
4.3.4. Uji Normalitas
Uji normalitas bertujuan untuk mengetahui apakah data berdistribusi normal
atau tidak. Data yang berdistribusi normal dapat diketahui melalui bentuk histogram
seperti lonceng. Terdapat banyak uji normalitas untuk mengetahui distribusi data. Pada
penelitian ini menggunakan uji shapiro-wilk.
1. Hipotesis
H0 : Residual berdistribusi normal
H1 : Residual tidak berdistribusi normal
2. Taraf Signifikansi
𝛼 = 0.05
3. Kriteria Keputusan
H0 ditolak jika p-value < 0.05
4. Statistik Uji
Berdasarkan perhitungan dengan bantuan software R diperoleh nilai Wilk =
0.9414 dengan p-value = 0.06789
5. Kesimpulan
Karena nilai p-value = 0.06789 > 0.05, maka H0 diterima. Artinya, residual
berdistribusi normal.

Hasil dari uji asumsi klasik terdapat autokorelasi, tidak ada heterokedastisitas,
tidak ada multikolinearitas, berdistribusi normal.

4.4. Pendeteksian Outlier

Suatu data dinyatakan sebagai outlier dapat dilakukan dengan beberapa metode.
Beberapa metode diantaranya sebagai berikut.

4.4.1 Leverage
Berdasarkan perhitungan dengan menggunakan software R, diperoleh :

16
 Gambar 1. Leverage Plot

Gambar 2. Hasil Output R Outlier

Berdasarkan gambar diatas terlihat bahwa data ke 11, 15, dan 33 mempunyai
residual yang besar dan ketiga data tersebut jauh dari pola kumpulan data.

17
4.4.2. Cook’s Distance
Data diduga sebagai outlier Cook’s Distance > 4/𝑛, dengan 𝑛 adalah
banyaknya data. Pada data penelitian ini 𝑛 = 34 sehingga suatu data dikatakan outlier
4
jika nilai Cook’s Distance > (𝑛) = 0,11764 . Berdasarkan program R, diperoleh plot

seperti dibawah ini :

Gambar 3. Hasil Deteksi Outlier Metode Cooks Distance

4.5. Regresi Robust

Regresi Robust merupakan alat penting dalam menganalisis data yang terdapat
outlier. Pada penelitian ini, data pengamatan yang terdapat outlier akan dikenakan
regresi robust dengan funsi pembobot Welsch dan Tukey Bisquare untuk menentukan
model regresi terbaik dalam mengestimasi parameter atau koefisien regresi untuk
model data pengamatan.

4.5.1. Regresi Robust Estimasi-S Pembobot Welsch

Berdasarkan ouput software R diperoleh nilai Welsch sebagai berikut :

18
 Variabel Koefisien

Konstanta 12,72971

𝛽𝟏 2,52

𝛽𝟐 5,61172

𝛽𝟑 0,00323

Tabel 2. Output Nilai Welsch

Dari tabel di atas, diperoleh model regresi robust yang sesuai adalah :
𝑌̂ = 12,72971 + 2,52𝑋1 + 5,61172𝑋2 + 0.00323𝑋3

Kemudian diperoleh nilai Standar Error dan Adjusted R-Squared sebagai berikut :

Standar Error 1,72

Adj R-Squared 0,9239

Tabel 3. Output Nilai Standard Error dan Adjusted R-Square pembobot Welsch

4.5.2. Regresi Robust Estimasi-S Pembobot Tukey Bisquare

Berdasarkan ouput software R diperoleh nilai Tukey Bisquare sebagai berikut:

Variabel Koefisien

Konstanta 12,87922

𝛽𝟏 2,348

19
 𝛽𝟐 0,00732

𝛽𝟑 0,00332

Tabel 4. Output Nilai Tukey Bisquare

Dari tabel di atas, diperoleh model regresi robust yang sesuai adalah :
𝑌̂ = 12,87922 + 2,348𝑋1 + 0.00732𝑋2 + 0,00332𝑋3

Kemudian diperoleh nilai Standar Error dan Adjusted R-Squared sebagai berikut :

Standar Error 1,696

Adj R-Squared 0,9092

Tabel 5. Output Nilai Standard Error dan Adjusted R-Square pembobot Tukey
Bisquare

4.6. Perbandingan Robust dengan Estimasi-S Pembobot Welsch dan Tukey

Bisquare

Metode Standar Error Adjusted R-Square

Estimasi-S dengan pembobot 1,72 0,9236

Welsch

Estimasi-S dengan pembobot 1,696 0,9092

Tukey Bisquare

Tabel 6. Perbandingan Nilai Standard Error dan Adjusted R-Square

20
Dari tabel di atas digunakan dua nilai pembanding untuk masing-masing metode yaitu
standard error dan Adjusted R-Square. Metode dikatakan yang terbaik jika memiliki
nilai standard error paling kecil dan Adjusted R-Square paling besar. Dapat ditarik
kesimpulan bahwa analisis regresi robust dengan estimasi-S pembobot Tukey Bisquare
adalah metode yang terbaik, karena memiliki nilai standard error yang lebih rendah.
Didapat model yang terbaik dari pembobot Tukey Bisquare sebagai berikut :
𝑌̂ = 12,87922 + 2,348𝑋1 + 0.00732𝑋2 + 0,00332𝑋3
Model regresi tersebut dapat diartikan sebagai berikut:
a. Setiap peningkatan satu tahun rata-rata lama sekolah (X1) maka akan
meningkatkan Indeks Pembangunan Manusia (𝑌̂) sebesar 2,34% , apabila UMP
(X2) dan PDRB (X3) tetap.
b. Setiap peningkatan satu rupiah UMP (X2) maka akan meningkatkan Indeks
Pembangunan Manusia (𝑌̂) sebesar 0,007732% apabila rata-rata lama sekolah
(X1) dan PDRB (X3) tetap.
c. Setiap peningkatan satu rupiah PDRB (X3) maka akan meningkatkan IPM
(𝑌̂) sebesar 0,00332% apabila rata-rata lama sekolah (X1) dan UMP (X2) tetap.
d. Jika rata-rata lama sekolah (X1), UMP (X2), dan PDRB (X3) sama dengan 0
maka IPM (𝑌̂) sebesar 12,87%.

21
 BAB V
PENUTUP

5.1 Kesimpulan
Prosedur analisis regresi robust estimasi-S menggunakan fungsi pembobot
Welsch dan Tukey bisquare adalah sebagai berikut: (1) memilih estimator awal yang
diperoleh melalui metode kuadrat terkecil; (2) pada setiap iterasi ke- pada setiap iterasi
ke-t, dihitung residual, skala, dan residual terstandarisasi; (3) menghitung estimator
kuadrat terkecil terboboti; (4) langkah 2 dan 3 berulang hingga estimator yang
diperoleh konvergen. Berdasarkan perhitungan program R, analisis regresi robust
estimasi-S menggunakan regresi robust estimasi-S pembobot Welsch dan Tukey
Bisquare diperoleh nilai Standar Error pembobot Tukey Bisquare lebih rendah dari
pembobot Welsch yaitu 1,696 < 1,72. Oleh karena itu, dapat disimpulkan bahwa regresi
robust estimasi-S pembobot Tukey Bisquare dipilih sebagai model terbaik dalam
mengatasi outlier pada data perkembangan beberapa indikator sosial-ekonomi
Indonesia tahun 2020.

5.2. Saran
Untuk penelitian selanjutnya, dapat menggunakan metode-metode estimasi
regresi robust yang lain sebagai alternatif untuk mengatasi masalah outlier yang tidak
dapat diatasi dengan Metode Kuadrat Terkecil (MKT) , seperti estimasi M, estimasi
LTS, estimasi MM, dan estimasi LMS, dan memilih metode yang digunakan untuk
mendeteksu outlier sesuai dengan hal yang mendukung tujuan penelitian.

22
 DAFTAR PUSTAKA

Setiarini, Z. (2016). Analisis Regresi Robust Estimasi-S Menggunakan Pembobot

Welsch Dan Tukey Bisquare. 6(1), 48–55.
Setiawan W, Debataraja N.N, & Sulistianingsih E. (2019). Metode Estimasi-S Pada
Analisis Regresi Robust Dengan Pembobotan Tukey Bisquare. Vol 8(2), 289-
296
Puspitasari M.T.S., Susanti Y., & Handajani S.S. (2021). Model Regresi Robust untuk
Indeks Pembangunan Manusia di Jawa Timur dengan Estimasi-M. Vol 4, 659-
665
Badan Pusat Statistik. (2020). Perkembangan Beberapa Indikator Utama Sosial-
Ekonomi Indonesia tahun 2020. www.bps.go.id. Diakses pada tanggal 8 April
2020 pukul 05.00 WIB.
(2020). Indeks Pembangunan Manusia tahun 2015. www.bps.go.id. Diakses pada
tanggal 8 April 2016 pukul 09.45 WIB.

23
LAMPIRAN

24
25
26
27
28