PERBANDINGAN METODE LEAST TRIMMED SQUARES
DAN PENDUGA-S DALAM MENGATASI DATA
PENCILAN DENGAN SIMULASI DATA
SKRIPSI
ANDOS NIKI S. M. SEMBIRING
090803032
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
PERBANDINGAN METODE LEAST TRIMMED SQUARES
DAN PENDUGA-S DALAM MENGATASI DATA PENCILAN DENGAN SIMULASI DATA
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Sains
ANDOS NIKI S. M. SEMBIRING 090803032
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
i
PERSETUJUAN
Judul : Perbandingan Metode Least Trimmed Squares
dan Penduga-S dalam Mengatasi Data Pencilan dengan Simulasi Data
Kategori : Skripsi
Nama : Andos Niki S. M. Sembiring
Nomor Induk Mahasiswa : 090803032
Program Studi : Sarjana (S1) Matematika
Departemen : Matematika
Fakultas : Matematika dan Ilmu Pengetahuan Alam
(FMIPA) Universitas Sumatera Utara
Disetujui di Medan, April 2015
Komisi Pembimbing:
Pembimbing 2, Pembimbing 1,
Asima Manurung, S.Si, M.Si NIP. 19730315 199903 2 001
Dr. Open Darnius, M.Sc NIP. 19641014 199103 1 004
Diketahui oleh:
Departemen Matematika FMIPA USU Ketua,
ii
PERNYATAAN
PERBANDINGAN METODE LEAST TRIMMED SQUARES
DAN PENDUGA-S DALAM MENGATASI DATA PENCILAN DENGAN SIMULASI DATA
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri. Kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, April 2015
iii
PENGHARGAAN
Pujian dan syukur penulis panjatkan kepada Tuhan Yesus atas kasih dan
penyertaanNya yang dirasakan penulis dalam menyelesaikan penyusunan skripsi
ini dengan judul Perbandingan Metode Least Trimmed Squares dan Penduga-S
dalam Mengatasi Data Pencilan dengan Simulasi Data.
Terimakasih penulis sampaikan kepada Bapak Dr. Open Darnius, M.Sc
selaku pembimbing 1 dan Ibu Asima Manurung, S.Si, M.Si selaku pembimbing 2
yang telah dengan sabar meluangkan waktunya untuk membimbing penulis
selama penulisan skripsi ini. Penulis juga mengucapkan terima kasih kepada
Bapak Dr. Faigiziduhu Bu’ulolo, M.Si dan Bapak Dr. Pasukat Sembiring, M.Si
selaku dosen penguji penulis yang telah memberikan kritik dan saran yang sangat
penting dalam penyempurnaan penulisan skripsi ini. Terimakasih kepada Bapak
Prof. Dr. Tulus, M.Si dan Ibu Dr. Mardiningsih, M.Si selaku ketua dan Sekretaris
Departemen Matematika FMIPA USU, kepada Bapak Dr. Sutarman, M.Sc selaku
Dekan FMIPA USU, Pembantu Dekan FMIPA USU, seluruh Staf dan Dosen
Matematika FMIPA USU, Pegawai FMIPA USU dan rekan-rekan kuliah
khususnya Matematika 2009. Penulis mengucapkan terimakasih yang teristimewa
kepada kedua orang tua tercinta Bapak N. Sembiring dan Ibu R. Br. Ginting
beserta keluarga atas dukungan doa, dukungan moril dan materil, yang menjadi
motivasi bagi penulis dalam penulisan skripsi ini. Tuhan yang membalas atas
iv
PERBANDINGAN METODE LEAST TRIMMED SQUARES
DAN PENDUGA-S DALAM MENGATASI DATA PENCILAN DENGAN SIMULASI DATA
ABSTRAK
Analisis regresi digunakan untuk mengetahui hubungan antar variabel. Salah satu metode penduga parameter dalam model regresi adalah metode kuadrat terkecil (OLS). Dalam penelitian ini digunakan empat model kelompok data dengan letak pencilan berbeda-beda dengan lima kali perulangan setiap modelnya. Kemudian
tulisan ini bertujuan untuk membandingkan dua metode regresi robust yaitu
penduga least trimmed squares (LTS) dan penduga-S. Pada pencilan yang terletak
di tengah garis regresi regresi robust penduga-LTS memberikan hasil yang lebih
baik dari pada penduga-S, sebaliknya penduga-S lebih baik pada pencilan yang berada di ujung. Kriteria pembandingannya menggunakan rata-rata kuadrat sisa.
v
THE COMPARISON OF ROBUST REGRESSION LEAST TRIMMED SQUARES AND S-ESTIMATORS OVERCOMING OUTLIERS
WITH SIMULATION OF DATA
ABSTRACT
Regression analysis was used to determine the relationship between variables. One of method parameter estimator in the regression model is ordinary least squares (OLS). In this study used four groups of data models with different outlier layout with five repetitions of each model. Then, this paper aims to compare the two methods, namely robust regression of least trimmed squares (LTS) and S-estimators. In the outliers are located amid robust regression line regression LTS-estimators provides better results than the S-LTS-estimators, otherwise S-LTS-estimators is better at outliers are located end. The comparison criteria using the average squared residual.
vi
DAFTAR ISI
Halaman
PERSETUJUAN i
PERNYATAAN ii
PENGHARGAAN iii
ABSTRAK iv
ABSTRACT v
DAFTAR ISI vi
DAFTAR TABEL viii
DAFTAR GAMBAR x
DAFTAR LAMPIRAN xi
BAB 1 Pendahuluan 1
1.1. Latar Belakang 1
1.2. Perumusan Masalah 2
1.3. Pembatasan Masalah 2
1.4. Tinjauan Pustaka 3
1.5. Tujuan Peneletian 4
1.6. Kontribusi Peneletian 4
1.7. Metodologi Peneletian 4
BAB 2 Landasan Teori 6
2.1. Regresi Linier 6
2.2. Metode Kuadrat Terkecil 7
2.3. Rataan Kuadrat Sisa (Mean Square Error) 8
2.4. Pencilan 9
2.4.1. Pengertian Pencilan 9
2.4.2. Dampak Pencilan 9
2.4.3. Pendeteksian Pencilan 10
2.5. Regresi Robust 12
2.5.1. Regresi Robust Penduga-S 13
2.5.2. Regresi Robust Penduga Least Trimmed
Square (LTS)
17
BAB 3 Pembahasan 18
3.1. Data 18
3.2. Pendeteksian Pencilan/ Outlier 21
3.3. Metode Kuadrat Terkecil 24
3.4. Regresi Robust Penduga Least Trimmed Square
(LTS) 27
3.4.1. Rataan Kuadrat Sisa (Mean Square Error)
untuk Penduga-LTS 31
vii
3.5.1. Rataan Kuadrat Sisa (Mean Square Error)
untuk Penduga-S 43
BAB 4 Kesimpulan dan Saran 50
4.1. Kesimpulan 50
4.2. Saran 50
FTAR PUSTAKA 51
viii
3.6 Perkalian Variabel Bebas dan Variabel Terikat untuk
Data 1 25
3.7 Sisaan Kuadrat Semua Data dengan Metode Kuadrat
Terkecil 26
3.8 Sisaaan Kuadrat yang Diurutkan 28
3.9 Data yang Terbentuk dari Sisaan Kuadrat Sudah
Diurutkan
29
3.10 Perkalian Variabel untuk Data 1 dengan Penduga-LTS 30
3.11 Nilai Jumlah Kuadrat Regresi dan Jumlah Kuadrat Total
Menggunakan Penduga-LTS untuk Data 1 31
3.12 Nilai Jumlah Kuadrat Regresi dan Jumlah Kuadrat Total
Menggunakan Penduga-LTS untuk Data 2 32
3.13 Nilai Jumlah Kuadrat Regresi dan Jumlah Kuadrat Total
Menggunakan Penduga-LTS untuk Data 3 34
3.14 Nilai Jumlah Kuadrat Regresi dan Jumlah Kuadrat Total
Menggunakan Penduga-LTS untuk Data 4 35
3.15 Hasil Perhitungan Koefisien Regresi Iterasi ke-1 37
3.16 Hasil Perhitungan Koefisien Regresi Iterasi ke-2 37
3.17 Nilai Koefisien Regresi Penduga-M 38
3.18 Sisaan dari Persamaan Penduga-M 39
3.19 Hasil Perhitungan Koefisien Regresi Iterasi ke-1 40
3.20 Hasil Perhitungan Koefisien Regresi Iterasi ke-2 41
3.21 Nilai Koefisien Regresi Penduga-S 42
3.22 Nilai Jumlah Kuadrat Regresi dan Jumlah Kuadrat Total
Menggunakan Penduga-S untuk Data 1 43
3.23 Nilai Jumlah Kuadrat Regresi dan Jumlah Kuadrat Total
Menggunakan Penduga-S untuk Data 2 44
3.24 Nilai Jumlah Kuadrat Regresi dan Jumlah Kuadrat Total
Menggunakan Penduga-S untuk Data 3 45
3.25 Nilai Jumlah Kuadrat Regresi dan Jumlah Kuadrat Total
Menggunakan Penduga-S untuk Data 4 47
3.26 Hasil Estimasi Koefisien Regresi dan Rata-rata Kuadrat
ix
3.27 Hasil Estimasi Koefisien Regresi dan Rata-rata Kuadrat
x
DAFTAR GAMBAR
Nomor Judul Halaman
Gambar
2.1 ma Identifikasi Data Pencilan dengan IQR atau Box Plot
11
2.2 Kriteria Pengambilan Keputusan Adanya Pencilan atau
Tidak 12
3.1 Scatterplot Data 1 21
3.2 Scatterplot Data 1 22
3.3 Scatterplot Data 1 22
xi
DAFTAR LAMPIRAN
Nomor Judul Halaman
Lampiran
1 mbangkitkan Data dengan Program R 53
2 amaan dengan Metode Kuadrat Terkecil dan Mendeteksi
Pencilan dengan MINITAB 53
3 amaan Penduga-LTS dengan Metode Kuadrat Terkecil 54
4 gram Macro MINITAB Regresi Robust dengan Pembobot
Fungsi Huber (dengan r=1) 55
5 il Output Program macro MINITAB Data 1, Data 2, Data 3
dan Data 4 56
6 amaan Penduga-S Data 1, Data 2, Data 3 dan Data 4 dengan
R
70