Update Artikelilmiah: 48055

TARITA OKTA VIANA

NIM

Judul Artikel

Abstrak (Bhs. Indonesia)

Metode ordinary least square (OLS) merupakan salah satu metode yang digunakan untuk mengestimasi parameter dalam analisis regresi linier. Namun, kemunculan outlier dapat menyebabkan pelanggaran dalam asumsi klasik sehungga menghasilkan model yang tidak akurat. Oleh karena itu, diperlukan penanganan outlier yaitu membentuk model baru dengan regresi robust. Pada penelitian ini menggunakan dua metode estimasi parameter regresi robust, yaitu scale (S) dan last trimmed square (LTS). Model dievalusi berdasarkan tiga kriteria keputusan, diantaranya mean square error (MSE), mean absolute deviation (MAD), dan nilai koefisien determinasi (R^2). Tujuan dari penelitian ini untuk mengetahui penanganan model regresi linier berganda yang mengandung outlier menggunakan regresi robust estimasi S dan LTS dengan pembobot Tukey Bisquare serta mengetahui perbandingan dari kedua estimasi tersebut dengan data R-generated. Berdasarkan hasil penelitian, diperoleh bahwa estimasi S menghasilkan model yang paling direkomendasikan dengan nilai adjusted R^2 sebesar 86,6% dan MSE sebesar 450,2337.

Abtrak (Bhs. Inggris)

Ordinary least squares (OLS) method is one of the methods used to estimate parameters in linear regression analysis. However, the presence of outliers can cause violations of classical assumptions, resulting in an inaccurate model. Therefore, it is necessary to handle outliers by creating a new model with robust regression. In this study, two methods for estimating robust regression parameters were used, namely scale (S) and least trimmed squares (LTS). The model is evaluated based on three decision criteria, including mean square error (MSE), mean absolute deviation (MAD), and the coefficient of determination  (R^2) value. The purpose of this research is to understand the handling of multiple linear regression models containing outliers using robust regression with S and LTS estimators with Tukey Bisquare weights and to compare the two estimators with R-generated data. Based on the research results, it was found that the S estimation produced the most recommended model with an adjusted R^2 value of 86,6% and MSE of 450,2337.

Kata kunci

Pembimbing 1

Pembimbing 2

Pembimbing 3

Tahun

Jumlah Halaman