Thesis dari Hartatik,M.

Si ITS Surabaya

KESALAHAN PENGUKURAN DALAM ANALISA REGRESI

HOW TO MODELLING …

BAB I
PENDAHULUAN

1.1 Latar Belakang

Dalam kehidupan sehari-hari banyak sekali kejadian yang bisa dijelaskan
dalam suatu kurva regresi. Kurva regresi adalah kurva yang menjelaskan
hubungan antara suatu variabel prediktor, X, dan variabel respon, Y. Misal
diberikan suatu data (X,Y), model regresinya dapat dituliskan sebagai
Y  gX    (1.1)

di mana X adalah varaibel prediktor, Y variabel respon, g adalah suatu

fungsi tertentu, dan ε adalah sesatan random independent berdistribusi (0 ,  2 ).

Variabel X yang merupakan variabel prediktor dari hasil pengamatan

biasanya merupakan konstanta tertentu, tidak ada kesalahan pengukuran, namun
terkadang juga dijumpai X yang bukan konstanta tertentu tetapi variabel random
atau variabel X diukur dengan kesalahan. Namun hal ini sering diabaikan untuk
alasan praktis dan kemudahan perhitungan. Sebagai contoh, ingin diamati masalah
pendapatan. Jika responden yang di wawancara tidak bisa menyebutkan
pendapatannya secara tepat, tentunya hasil catatan penelitian akan lebih tinggi
atau lebih rendah dari nilai yang sebenarnya. Hal ini dikenal dengan kesalahan
pengukuran. Kasus ini bisa dijumpai di antaranya dalam masalah epidemiologi,
geologi, dan survival.
Kesalahan pengukuran (measurement error) adalah kesalahan yang
muncul manakala suatu nilai dicatat tidak persis sama dengan nilai sebenarnya
dalam kaitan dengan suatu proses pengukuran. Sehingga berkaitan dengan definisi
ini, ada 3 variabel di dalam model kesalahan pengukuran, yaitu variabel yang
menyatakan data hasil pengamatan, variabel yang menyatakan data sesungguhnya
yang tidak terukur, dan variabel kesalahan pengukuran. Secara matematis, model
kesalahan pengukuran dapat dituliskan sebagai berikut

1
Thesis dari Hartatik,M.Si ITS Surabaya

W  XU (1.2)
dengan W adalah variabel yang menyatakan hasil pengamatan yang disebut
dengan variabel pengganti (surrogate), X adalah prediktor yang tidak teramati
(latent variable), dan U adalah kesalahan pengukuran yang diasumsikan normal
independent dengan mean 0 dan variansi  u2 .

Berdasarkan model regresi (1.1) dan (1.2), ada dua pendekatan

digunakan untuk menduga kurva regresi yaitu pendekatan parametrik dan
nonparametrik. Pendekatan parametrik merupakan pendekatan yang sering
digunakan untuk menduga kurva regresi. Namun pendekatan parametrik memiliki
keterbatasan untuk menduga pergerakan data yang tidak diharapkan. Jika salah
satu asumsi dari pendekatan parametrik tidak dipenuhi, maka kurva regresi dapat
diduga dengan menggunakan metode regresi nonparametrik.
Berhubungan dengan pendugaan kurva regresi, menurut pendapat Fuller
kesalahan pengukuran berpengaruh terhadap slope dari kurva regresi. Caroll, et. al
(1995) menyatakan bahwa kesalahan pengukuran dapat menyebabkan bias dalam
penduga regresi, dan juga kesalahan pengukuran dapat menyebabkan model yang
dibangun tidak tepat atau tidak mewakili populasi.
Penelitian yang berkaitan dengan model regresi parametrik dengan adanya
kesalahan pengukuran telah banyak dibahas, diantaranya Carrol (1995), Fuller dan
Hidiroglou (1976). Sedangkan yang berkaitan dengan model regresi
nonparametrik dengan kesalahan pengukuran diantaranya telah dikembangkan
oleh Fan dan Truong (1993) yaitu mengestimasi parameter model kesalahan
pengukuran dengan metode dekonvolusi kernel. Dan Estimator yang diperoleh
rata-rata kekonvergensinya sangat lambat. Selain itu, Carrol, et. al (1999) telah
melakukan penelitian untuk mengestimasi parameter pada model kesalahan
pengukuran dengan metode spline dimodifikasi. Dan diperoleh hasil bahwa fungsi
dasar W berkorelasi tinggi dan fungsi estimasinya tidak stabil.
Besag (1986) memperkenalkan metode suatu alternative estimasi fungsi,
yaitu suatu metode estimasi yang merupakan kombinasi metode Bayes dengan
Likelihood. Berdasarkan penelitian Besag (1986) tersebut didapatkan bahwa
dengan metode ICM didapatkan estimasi yang konvergen dengan cepat.

2
Thesis dari Hartatik,M.Si ITS Surabaya

Untuk itulah dalam penelitian ini, akan dikaji estimasi parameter dalam
model regresi khususnya regresi nonparametrik dengan adanya kesalahan
pengukuran dalam variabel predikor dengan menggunakan metode Iterative
Conditional Modes (ICM) serta naïve methode. Naïve Methode yaitu metode
estimasi dengan mengabaikan adanya kesalahan pengukuran dan mengambil
estimasi variabel prediktornya dengan rata-rata perulangan data hasil pengamatan.
(Berry, et al, 2002).
Untuk estimasi parameter pada model regresi nonparametrik jika
mengabaikan adanya kesalahan pengukuran atau “naïve estimator” ekivalen
dengan mengestimasi parameter pada model regresi nonparametrik standart.
Menurut Eubank (1988), ada beberapa metode yang bisa digunakan untuk
menyelesaikan permasalahan regresi nonparametrik diantaranya Histogram
(Green, 1994), Regresi Fourier (Eubank, 1988), Metode Kernel (Hardle, 1990),
Spline (Wahba, 1978), dan Pendekatan Bayesian (Hastie dan Tibshirani, 1990).
Menurut Eubank (1988), Regresi Spline memberikan fleksibilitas yang lebih
besar dalam analisa fungsi regresi karena mempunyai bentuk kurva yang memiliki
sifat tersegmen, sehingga memungkinkan untuk menyesuaikan diri secara efektif
terhadap karaketeristik lokal dari suatu fungsi. Spline merupakan estimator yang
diperoleh dengan meminimumkan Penalized Least Square, yaitu kriteria yang
menggabungkan goodness of fit (kecocokan terhadap data) dengan kemulusan
kurva. Umumnya ukuran kecocokan terhadap data dituliskan dengan
n 2

 Yi  g  X i  dan ukuran kemulusan yang berkaitan dengan g  W2h a ,b

i 1

xn

 L gx dx , di mana Lx merupakan operator differensial.

2
adalah x
x1

Dalam penelitian ini akan dikaji estimasi parameter dari model

nonparametrik dengan mengabaikan kesalahan pengukuran dan model dengan
kesalahan pengukuran. Estimasi model regresi nonparametrik dengan
mengabaikan kesalahan pengukuran akan diestimasi dengan metode smoothing
spline, sedangkan fungsi nonparametrik dengan kesalahan pengukuran diestimasi
menggunakan metode Iterative Conditional Modes(ICM).

3
Thesis dari Hartatik,M.Si ITS Surabaya

1.2 Perumusan Masalah

Berdasarkan latar belakang di atas, maka permasalahan yang muncul adalah:
1. bagaimana efek model kesalahan pengukuran pada kurva regresi dan
estimasi parameternya.
2. Bagaimana menetukan estimator dari model regresi nonparametrik dengan
mengabaikan adanya kesalahan pengukuran dengan metode smoothing
spline
3. Bagaimana menentukan estimasi dari model kesalahan pengukuran dengan
metode ICM.
4. Mengkaji pengaruh kesalahan pengukuran pada regresi nonparametrik
berdasarkan data simulasi .

1.3 Tujuan Penelitian

Berdasarkan rumusan masalah di atas, maka tujuan yang ingin dicapai adalah:
1. menentukan bagaimana efek model kesalahan pengukuran pada kurva
regresi dan estimasi parameternya
2. menetukan ĝ estimator dari model dengan mengabaikan adanya kesalahan
pengukuran menggunakan metode smoothing spline, yaitu
b
2
n
meminimumkan S  g   i 1Yi  g  X i     g "  x  dx  
2

3. menentukan   g , X , 2 , u2 ,  , estimasi dari model kesalahan

pengukuran dengan metode ICM pada masalah kesalahan pengukuran ,

 
yaitu memaksimumkan  Y , W   Y g , X , 2 W X , u2 g    u2 X    
4. membandingkan Mean Square Error (MSE) hasil estimasi parameter
dengan naïve metode dan ICM pada model regresi nonparametrik dengan
data simulasi.

4
Thesis dari Hartatik,M.Si ITS Surabaya

4.3 Manfaat Penelitian

Manfaat yang ingin dicapai dari hasil kajian ini yaitu untuk mengembangkan
wawasan analisis statistika, khususnya yang berkaitan dengan estimator yang baik
dari suatu parameter dalam model nonparametrik bila ada kesalahan pengukuran.

4.4 Batasan Masalah Penelitian

Berdasarkan pada permasalahan yang ada, maka dalam penelitian ini dibatasi
pada beberapa hal, antara lain sebagai berikut:
1. untuk spline smoothing dengan knot tertentu hanya dibatasi untuk 1
variabel prediktor dan k knots, serta h=2 (kubik Spline).
2. Kesalahan pengukuran hanya dibatasi pada variabel prediktornya dan
distribusi prior untuk U diasumsikan normal.