You are on page 1of 16

BAB II

Tinjauan Pustaka

2.1 Metode Kuadrat Terkecil (MKT)

Analisis regresi adalah analisis statistika yang bertujuan untuk memodelkan

hubungan antara variabel bebas dengan variabel tak bebas. Istilah regresi pertama

kali dikenalkan oleh Francis Galton melalui artikelnya yang berjudul Regression

Towards Mediocrity In Hereditary Stature. Apabila kita dihadapkan pada suatu

masalah penaksiran atau peramalan nilai suatu variabel, katakanlah Y, berdasarkan

variabel lain, X. Secara umum, variabel tak bebas dapat dihubungkan oleh k buah

variabel bebas, X1, X2, โ€ฆ, Xk, maka model yang digunakan adalah:

๐‘Œ = ๐›ฝ0 + ๐›ฝ1๐‘‹1 + ๐›ฝ2 ๐‘‹2 + โ‹ฏ + ๐›ฝ๐‘˜ ๐‘‹๐‘˜ + ๐œ€ (2.1)

Model di atas yang disebut sebagai model regresi linier berganda karena

melibatkan lebih dari satu variabel bebas. Jika dinyatakan dalam bentuk matriks,

maka model regresi dapat ditulis sebagai berikut :

Y = Xฮฒ + ฮต, atau

๐‘Œ1 1 ๐‘‹11 โ€ฆ ๐‘‹1๐‘˜ ๐›ฝ0 ๐œ€1
๐‘Œ 1 ๐‘‹21 โ€ฆ ๐‘‹2๐‘˜ ๐›ฝ ๐œ€2
[ 2] = [ ] [ 1] + [โ€ฆ]
โ€ฆ โ€ฆ โ€ฆ โ€ฆ
๐‘Œ๐‘˜ 1 ๐‘‹๐‘–1 ๐‘‹๐‘–๐‘˜ ๐›ฝ๐‘˜ ๐œ€๐‘–
dimana Y adalah vektor berdimensi n dan X adalah matriks berukuran n x p dengan

pangkat (rank) sama dengan p=k+1, ฮฒ adalah vektor koefisien regresi, E (ฮต) = 0 dan

Var (ฮต) = ๐œŽ 2 ๐ผ. Koefisien regresi ฮฒ dapat ditaksir menggunakan MKT dengan rumus,

๐›ฝฬ‚ = (๐‘‹ ๐‘ก ๐‘‹)โˆ’1 (๐‘‹ ๐‘ก ๐‘Œ)

MKT merupakan metode penaksiran parameter yang meminimalkan jumlah

kuadrat sisaan (galat). Metode ini merupakan kelas penaksir yang memiliki sifat

6

repository.unisba.ac.id

Galat pada suatu observasi saling bebas atau tidak berkorelasi. Galat berdistribusi normal dengan rata-rata nol. Asumsi ini menyatakan bahwa varians ๐œ€๐‘– adalah suatu angka konstan positif yang sama dengan ๐œŽ 2 . Pengujian normalitas dapat repository. untuk iโ‰ j. ๐œ€๐‘– ~N(0. E(๐œ€๐‘– ) ~ 0. 2.2 Pemeriksaan Asumsi Normalitas dan Multikolinieitas Berikut merupakan beberapa cara untuk mendeteksi pelanggaran asumsi MKT yang dapat dilakukan dengan cara sebagai berikut. Normalitas Uji normalitas dimaksudkan untuk mengetahui apakah galat berdistribusi normal atau tidak berdistribusi normal.id . 7 BLUE. Dalam melakukan penaksiran interval dan pengujian parameter regresi. 3. Tidak ada hubungan linier (multikolinieritas) diantara variabel. 4.unisba. ๐œ€๐‘— ) = 0. Galat mempunyai varians konstan untuk semua observasi.variabel bebas. 2. Menurut teorema Gauss-Markov. Asumsi ini menyatakan bahwa galat ke-i dan ke-j tidak berkorelasi. Cov(๐œ€๐‘– . Model regresi dikatakan terkena multikolinieritas bila terjadi hubungan linier yang sempurna dan pasti. Asumsi regresi dengan menggunakan MKT adalah : 1. diantara beberapa atau semua variabel bebas dari model regresi. Asumsi ini dikenal dengan asumsi homoskedastisitas.๐œŽ๐œ€2 ). setiap penaksir MKT yang asumsinya terpenuhi akan bersifat BLUE (Best Linear Unbiased Estimator). ada asumsi-asumsi yang harus dipenuhi. Ini berarti bahwa untuk setiap Y yang berhubungan dengan berbagai nilai X mempunyai varians yang sama. atau varians yang sama. Asumsi ini dikenal dengan asumsi tidak adanya autokorelasi.ac. a. Var(๐œ€๐‘– ) = ๐œŽ 2 .

ac. Multikolinieritas Analisis multikolinieritas bertujuan untuk melihat apakah dalam model regresi ditemukan adanya kekolinieran antar variabel bebas. Salah satu cara untuk mendeteksi adanya masalah multikolinieritas yaitu menggunakan Variance Inflation Factors (VIF).3 Multikolinieritas Istilah multikolinieritasitas pertama kali ditemukan oleh Ragnar Frisch pada tahun 1934 yang berarti adanya hubungan linier diantara beberapa atau semua variabel bebas dalam model regresi. karena akan menghasilkan penaksir yang tidak stabil dan mungkin jauh dari nilai sasaran (Gunst and Mason. Model regresi yang baik seharusnya tidak ada multikolinieritas di antara variabel bebas. 2. akibatnya akan berbahaya. Tetapi sebaliknya bila nilai p-value lebih kecil dari ฮฑ yang telah ditentukan. Jika terdapat masalah multikolinieritas diantara variabel bebas. Ketentuan dalam pengujian normalitas Kolmogorov-Smirnov yaitu apabila nilai p-value yang dihasilkan melalui Kolmogorov-Smirnov adalah lebih besar dari ฮฑ yang telah ditentukan yaitu sebesar 0.05 maka galat berdistribusi normal. 1990). Masalah multikolinieritas hanya akan muncul pada model regresi linier berganda.id . Karena multikolinieritas disebabkan adanya satu atau lebih variabel bebas yang berhubungan linier sempurna atau repository. maka galat tidak berdistribusi normal. Suatu model yang bebas multikolinieritas adalah model yang memiliki nilai Faktor Variance Inflation Factors (VIF) > 10 mengindikasikan terdapatnya multikolinieritas (Myers. 8 dilakukan menggunakan uji Kolmogorov-Smirnov. 1980).unisba. b. Model yang baik adalah model yang bebas multikolinieritas.

1990. Suatu pengamatan dapat dikatakan sebagai data pencilan dikarenakan oleh variabel tak bebas atau satu atau lebih variabel bebas mempunyai nilai yang jauh lebih besar atau jauh lebih kecil dari nilai-nilai lainnya.unisba.2) ๐‘˜ Nilai VIF yang lebih besar dari 10 dapat dijadikan indikasi bahwa ada masalah multikolinieritas diantara variabel bebas (Neter. istilah data yang berpotensi sebagai data berpengaruh digunakan pada suatu pengamatan yang merupakan data pencilan dalam satu atau lebih variabel bebas. Salah satu asumsi tersebut adalah mengenai kenormalan yang sering dilanggar ketika adanya pengamatan yang bersifat pencilan. Pendeteksian pencilan dapat dilakukan dengan melihat leverage value dan nilai TRES.. 9 mendekati sempurna dengan variabel bebas lainnya.4 Pemeriksaan Data Berpengaruh Istilah pencilan (outliers) merujuk pada suatu pengamatan yang dalam beberapa hal tidak konsisten dengan observasi lainnya yang ada dalam suatu data. Misalkan ๐‘…๐‘˜2 adalah koefisien determinasi yang diperoleh dari regresi ๐‘‹๐‘˜ sebagai variabel bebas terhadap variabel bebas X yang lainnya. salah satu cara untuk mengetahuinya adalah dengan meregresikan setiap variabel bebas terhadap variabel bebas lainnya. et.ac. 2. al. Dengan demikian penggunaan istilah menjadi jelas apakah data pencilan itu merujuk pada nilai dari variabel tak bebas atau galat. Metode kuadrat terkecil biasa mempunyai asumi-asumsi yang beberapa diantaranya sering tidak dapat dipenuhi. Myers. Sedangkan istilah pencilan dalam galat merujuk pada titik data yang galat pengamatannya lebih besar daripada apa yang diharapkan dari keragaman acak itu sendiri. repository. Kemudian.id . 1998). Rumus VIF adalah 1 ๐‘‰๐ผ๐น๐‘˜ = 1โˆ’๐‘…2 (2.

. โ„Ž๐‘–๐‘– = ๐‘ฅ๐‘–๐‘ก (๐‘‹ ๐‘ก ๐‘‹)โˆ’1 ๐‘ฅ๐‘– (2. ๐œ€๐‘– = ๐‘Œ๐‘– โˆ’ ๐‘Œฬ‚๐‘– ๐‘› = banyaknya pengamatan k = banyaknya variabel bebas JKS = Jumlah Kuadrat Sisa. ๐‘– = 1. 10 Akibat dari adanya pencilan.ac. ๐’™๐‘ป๐’Š = [๐‘‹๐‘–1 ๐‘‹๐‘–2 โ€ฆ ๐‘‹๐‘–๐‘˜ ] adalah vektor baris yang berisi nilai โ€“ nilai dari k variabel bebas pada pengamatan ke-i. .3) Dengan i = 1. Dengan kondisi demikian. Jika โ„Ž๐‘–๐‘– lebih besar dari ๐‘› . Nilai pengaruh (โ„Ž๐‘–๐‘– ) dari pengamatan (๐‘‹๐‘– . Nilai โ„Ž๐‘–๐‘– berada diantara 0 2๐‘ dan 1. Hipotesis untuk menguji adanya pencilan: ๐ป0 โˆถ Pengamatan ke โ€“ i bukan pencilan ๐ป1 โˆถ Pengamatan ke โ€“ i merupakan pencilan repository. โ€ฆ .4) ๐ฝ๐พ๐‘†(1โˆ’โ„Ž๐‘–๐‘– )โˆ’๐œ€๐‘–2 Dimana. Metode yang digunakan dalam mengidentifikasi pencilan terhadap variabel X adalah nilai pengaruh (leverage value).id . Menurut Draper dan Smith (1998) metode yang digunakan dalam mengidentifikasi pencilan terhadap variabel Y adalah Studentized Deleted Residual (TRES) yang didefinisikan sebagai: 1 ๐‘›โˆ’๐‘˜ 2 ๐‘‡๐‘…๐ธ๐‘†๐‘– = ๐œ€๐‘– [ ] . 2. yaitu 0 โ‰ค โ„Ž๐‘–๐‘– โ‰ค 1. pengujian signifikansi parameter regresi selang kepercayaan akan menjadi tidak valid (Rousseeuw. . ๐‘› (2. n. dengan ๐‘ = ๐‘˜ + 1 maka pengamatan ke-i dikatakan pencilan terhadap X. .2. galat ๐œ€๐‘– tidak lagi berdistribusi normal. ๐‘Œ) menunjukkan besarnya peranan๐‘Œ terhadap ๐‘Œฬ‚ dan didefinisikan sebagai. 1984).unisba.

Suatu pengamatan ke-i dikatakan berpengaruh apabila pengamatan tersebut memiliki nilai |DFFITSi| > 2/โˆš๐‘› (Hajarisman.5) ๐‘–๐‘– Dalam rumus di atas R-Student merupakan ukuran pencilan (dalam variabel y atau variabel tak bebas) dan โ„Ž๐‘–๐‘– yang merupakan indikator pencilan dalam variabel X atau variabel bebas. Cookโ€™s Distance dan Covratio. DFBETAS. 2 2 Secara umum pencilan tidak selalu merupakan pengamatan berpengaruh ataupun sebaliknya.unisba. DFFITS digunakan untuk mengetahui pengaruh suatu pengamatan ke-i terhadap model regresi yang ditinjau dari nilai taksirannya.i = (2. Besarnya nilai DFBETAS adalah: ๐‘๐‘˜ โˆ’๐‘๐‘˜. Pendeteksian pengamatan berpengaruh dapat ditentukan diantaranya melalui nilai DFFITS. (2004) menjelaskan bahwa pencilan berpengaruh merupakan pencilan sekaligus pengamatan berpengaruh.ac. Suatu pengamatan ke-i dikatakan berpengaruh repository.โˆ’๐‘– DFBETASk. Besarnya nilai DFFITS adalah: โ„Ž DFFITSi = (๐‘…๐‘†๐‘ก๐‘ข๐‘‘๐‘’๐‘›๐‘ก)๐‘– โˆš1โˆ’โ„Ž๐‘–๐‘– (2. al.i dapat diartikan sebagai besarnya perubahan yang terjadi terhadap koefisien regresi ๐‘๐‘˜ jika pengamatan ke-i tidak diikutsertakan dalam pendugaan model regresi. dan 2 terima ๐ป0 jika nilai |๐‘‡๐‘…๐ธ๐‘†๐‘– | > ๐‘ก(๐›ผ. DFBETAS digunakan untuk menyatakan pengaruh suatu pengamatan ke-i terhadap koefisien ke-k. maka DFBETASk.id . Kutner et. 2010).๐‘›โˆ’๐‘˜โˆ’1) . Dimana ๐‘ก๐›ผ adalah distribusi t-student.๐‘›โˆ’๐‘˜โˆ’1) . Kriteria uji yang melandasi keputusan adalah tolak ๐ป0 jika nilai |๐‘‡๐‘…๐ธ๐‘†๐‘– | โ‰ค ๐‘ก(๐›ผ.โˆ’๐‘– adalah koefisien regresi variabel bebas ke-k yang diperoleh tanpa mengikutsertakan pengamatan ke-i. 11 TRES adalah statistik uji untuk mengetahui pencilan terhadap Y.6) ๐‘ ๐‘– โˆš๐‘๐‘˜๐‘˜ dimana ๐‘๐‘˜๐‘˜ adalah unsur diagonal ke-k matrik (๐‘‹ ๐‘ก ๐‘‹)โˆ’1 Karena ๐‘๐‘˜.

dan penggunaan metode penaksiran.id . Pendekatan umum termasuk mengumpulkan data tambahan. penaksiran parameter regresi ridge dilakukan dengan cara menstandarisasi variabel bebas dan variabel tak bebas dengan model: ๐‘ฆ๐‘–โˆ— = ๐›ฝ1โˆ— ๐‘ฅ๐‘–1 โˆ— โˆ— + ๐›ฝ2โˆ— ๐‘ฅ๐‘–2 โˆ— + โ‹ฏ + ๐›ฝ๐‘˜โˆ— ๐‘ฅ๐‘–๐‘˜ +๐œ€ (2. Menurut Kutner.8) ๐‘†๐‘ฆ ๐‘†๐‘ฆ repository.5 Penaksir Regresi Ridge Salah satu masalah utama dalam metode penaksir regresi adalah multikolinieritasitas. Metode regresi ridge dikembangkan oleh Hoerl dan Kennard dengan cara menambahkan konstanta yang bernilai positif ๐œ† terhadap elemen diagonal ๐‘‹ ๐‘ก ๐‘‹. 1970). maka akan diperoleh penaksir yang mendekati nilai parameter yang sebenarnya.unisba. 12 terhadap koefisien ke-k apabila pengamatan tersebut memiliki nilai |DFBETASk.ac. al. Meskipun metode ini menghasilkan penaksir koefisien regresi yang bias. Hal ini dapat diketahui dari perbandingan mean square error (MSE) antara penaksir Ridge dengan penaksir MKT.i| > 2โˆš๐‘โ„๐‘› (Hajarisman. Terdapat beberapa teknik atau metode untuk mengatasi masalah multikolinieritas. 2010). Jika MSE penaksir ridge lebih kecil daripada MSE MKT. Model regresi ridge telah dianjurkan dalam literatur sebagai alternatif penaksir MKT untuk masalah multikolinieritasitas (Hoerl & Kennard. 2. et. Multikolinieritas adalah istilah yang digunakan untuk menggambarkan kasus dimana variabel bebas terdapat suatu pola korelasi. (2005). modifikasi model. ๐‘ฆ๐‘– ๐‘Œ๐‘– โˆ’๐‘Œฬ… ๐‘ฆ๐‘–โˆ— = = (2. tetapi penaksir ini bisa mendekati nilai parameter yang sebenarnya. Metode penaksiran yang biasa digunakan untuk menangani masalah multikolinieritasitas diantaranya adalah metode regresi ridge.7) dimana.

Oleh karena itu berbagai metode dalam menentukan ๐œ† telah muncul dalam literatur seperti yang dijelaskan Hoerl and Kennard (1970) dan Gibbons (1981).k ๐‘†๐‘ฅ๐‘˜ : โˆšโˆ‘๐พ๐‘˜=1(๐‘‹๐‘–๐‘˜ โˆ’ ๐‘‹ฬ…๐‘˜ )2 /(n โˆ’ 1) (2.k pengamatan ke.11) Penaksir regresi ridge bagi ๐›ฝฬ‚ untuk MKT adalah: ๐›ฝฬ‚๐‘… = (๐‘‹ โˆ—๐‘ก ๐‘‹ โˆ— + ๐œ†๐ฟ๐‘† ๐ผ)โˆ’1 ๐‘‹ โˆ—๐‘ก ๐‘Œ โˆ— (2.9) ๐‘†๐‘ฅ๐‘˜ ๐‘†๐‘ฅ๐‘˜ Keterangan: ๐‘ฆ๐‘–โˆ— : nilai variabel bebas pengamatan ke. โˆ— โˆ— โˆ— ๐‘ฆ1โˆ— ๐‘ฅ11 ๐‘ฅ12 โ‹ฏ ๐‘ฅ1๐‘˜ ๐‘ฆโˆ— ๐‘ฅโˆ— โˆ— ๐‘ฅ22 โ‹ฏ โˆ— ๐‘ฅ2๐‘˜ ๐‘Œโˆ— = ( 2 ) ๐‘‹ โˆ— = ( 21 ) โ‹ฎ โ‹ฎ โ‹ฎ โ‹ฑ โ‹ฎ ๐‘ฆ๐‘˜โˆ— โˆ— ๐‘ฅ๐‘–1 โˆ— ๐‘ฅ๐‘–2 โ‹ฏ โˆ— ๐‘ฅ๐‘–๐‘˜ ๐›ฝ1โˆ— ๐›ฝโˆ— ๐œท๐‘น = ( 2 ) โ‹ฎ ๐›ฝ๐‘˜โˆ— Dimana I adalah matriks identitas berukuran (k x k) dan ๐œ† adalah sebuah bilangan yang positif atau ๐œ† โ‰ฅ 0 .unisba.id .ac.i hasil transformasi ๐‘‹ฬ…๐‘˜ : rata-rata variabel bebas ke.10) โˆ— ๐‘ฅ๐‘–๐‘˜ : nilai variabel bebas ke. umumnya ๐œ† terletak antara interval 0 < ๐œ† < 1. repository. nilai optimal ๐œ† tidak diketahui. 13 ๐‘ฅ๐‘˜ ๐‘‹๐‘˜ โˆ’๐‘‹ฬ…๐‘˜ ๐‘ฅ๐‘˜โˆ— = = (2. Dalam prakteknya.i hasil transformasi ๐‘Œ๐‘– : nilai variabel tak bebas pengamatan ke-i ๐‘Œฬ… : rata-rata variabel tak bebas ๐‘› : Jumlah Observasi ๐‘†๐‘ฆ : โˆšโˆ‘๐‘›๐‘–=1(๐‘Œ๐‘˜ โˆ’ ๐‘Œฬ…)2 /(n โˆ’ 1) (2.12) Dimana.

414)..K (2.17) dan (2. ๐›ฝฬ‚๐‘… = ๐›ฝฬ‚๐ฟ๐‘† . al.16) ๐‘†๐‘ฅ1 ๐‘†๐‘ฅ2 ๐‘†๐‘˜ Dari model di atas maka dapat diubah menjadi. Setelah nilai ๐›ฝฬ‚ didapatkan.18) merupakan rumus untuk mengembalikan model regresi ridge ke model asalnya.15) ๐‘†๐‘ฆ ๐‘†1 ๐‘†2 ๐‘†๐‘˜ ๐‘†๐‘ฆ ๐‘†๐‘ฆ ๐‘†๐‘ฆ ๐‘Œ๐‘– โˆ’ ๐‘Œฬ… = ๐›ฝ1โˆ— ๐‘†๐‘ฅ1 (๐‘‹1 โˆ’ ๐‘‹ฬ…1 ) + ๐›ฝ2โˆ— ๐‘†๐‘ฅ2 (๐‘‹2 โˆ’ ๐‘‹ฬ…2 ) + โ‹ฏ + ๐›ฝ๐‘˜โˆ— (๐‘‹๐‘– โˆ’ ๐‘‹ฬ…๐‘˜ ) ๐‘†๐‘ฅ๐‘˜ ๐‘†๐‘ฆ ๐‘†๐‘ฆ ๐‘†๐‘ฆ ๐‘Œ๐‘– = ๐‘Œฬ… โˆ’ (๐›ฝ1โˆ— ๐‘†๐‘ฅ1 ๐‘‹ฬ…1 + ๐›ฝ2โˆ— ๐‘†๐‘ฅ2 ๐‘‹ฬ…2 + โ‹ฏ + ๐›ฝ๐‘˜โˆ— ๐‘‹ฬ…๐‘˜ ) ๐‘†๐‘ฅ๐‘˜ ๐‘†๐‘ฆ ๐‘†๐‘ฆ ๐‘†๐‘ฆ +๐›ฝ1โˆ— ๐‘‹1 + ๐›ฝ2โˆ— ๐‘‹2 + โ‹ฏ + ๐›ฝ๐‘˜โˆ— (๐‘‹๐‘˜ โˆ’ ๐‘‹ฬ…๐‘˜ )๐‘‹๐‘˜ (2. Dari persamaan (2.13) ๐ฟ๐‘† ๐ฟ๐‘† ฬ‚๐ฟ๐‘† )๐‘‡ (๐‘Œโˆ’๐‘‹๐›ฝ (๐‘Œโˆ’๐‘‹๐›ฝ ฬ‚๐ฟ๐‘† ) 2 Dimana ๐‘ ๐ฟ๐‘† = (2. k = 1. ๐‘๐‘ 2 ๐œ†๐ฟ๐‘† = ๐›ฝฬ‚๐‘‡ ๐›ฝ๐ฟ๐‘† ฬ‚ (2. 14 Dalam persamaan (2.12) salah satu penaksir ๐œ† diusulkan oleh Hoerl et.18) ๐‘ฅ๐‘˜ Persamaan (2.2. ๐‘Œฬ‚๐‘– = ๐›ฝฬ‚0 + ๐›ฝฬ‚1 ๐‘‹1 + ๐›ฝฬ‚2 ๐‘‹2 + โ‹ฏ + ๐›ฝฬ‚๐‘˜ ๐‘‹๐‘˜ (2. (1975) seperti berikut ini.19) Sifat bias dari penaksir ๐›ฝฬ‚๐‘… : ๐ธ(๐›ฝฬ‚๐‘… ) = ๐ธ((๐‘‹ โˆ—๐‘ก ๐‘‹ โˆ— + ๐œ†๐ผ)โˆ’1 ๐‘‹ โˆ—๐‘ก ๐‘Œ โˆ— ) dengan ๐‘Œ โˆ— = ๐‘‹ โˆ— ๐›ฝฬ‚ = ๐ธ((๐‘‹ โˆ—๐‘ก ๐‘‹ โˆ— + ๐œ†๐ผ)โˆ’1 ๐‘‹ โˆ—๐‘ก ๐‘‹ โˆ— ๐›ฝฬ‚ ) repository.ac.. ๐›ฝฬ‚๐‘… bias tetapi lebih stabil dan tepat daripada penaksir MKT dan ketika ๐œ† โ†’ ~.unisba..7) dapat dibentuk menjadi: ฬ…๐‘– ๐‘Œ๐‘– โˆ’๐‘Œ ฬ…1 ๐‘‹1๐‘˜ โˆ’๐‘‹ ฬ…2 ๐‘‹2๐‘˜ โˆ’๐‘‹ ฬ…๐‘˜ ๐‘‹๐‘–๐‘˜ โˆ’๐‘‹ = ๐›ฝโˆ—1 ( ) + ๐›ฝโˆ—2 ( ) + โ‹ฏ + ๐›ฝโˆ—๐‘˜ ( ) (2. ๐›ฝฬ‚๐‘… โ†’ 0.id .17) ๐‘†๐‘ฆ ๐›ฝฬ‚๐‘˜ = (๐‘† ) ๐›ฝ๐‘˜โˆ— . jika ๐œ† > 0..14) ๐‘›โˆ’๐‘ƒ Saat ๐œ† = 0. ๐›ฝฬ‚0 = ๐‘Œฬ… โˆ’ ๐›ฝฬ‚1 ๐‘‹ฬ…1 + ๐›ฝฬ‚2 ๐‘‹ฬ…2 + โ‹ฏ + ๐›ฝฬ‚๐‘˜ ๐‘‹ฬ…๐‘˜ ๐›ฝฬ‚0 = ๐‘Œฬ… โˆ’ โˆ‘๐พ ฬ… ๐‘˜=1 ๐›ฝ๐‘˜ ๐‘‹๐‘˜ (2. maka model regresi berganda yang siap digunakan untuk penaksir (Neter hal.

15 = ๐ธ((๐‘‹ โˆ—๐‘ก ๐‘‹ โˆ— + ๐œ†๐ผ)โˆ’1 [(๐‘‹ โˆ—๐‘ก ๐‘‹ โˆ— ) + ๐œ†๐ผ โˆ’ ๐œ†๐ผ]๐›ฝฬ‚ ) = ๐ธ((๐‘‹ โˆ—๐‘ก ๐‘‹ โˆ— + ๐œ†๐ผ)โˆ’1 ๐‘‹ โˆ—๐‘ก ๐‘‹ โˆ— ๐›ฝฬ‚ + ๐œ†(๐‘‹ โˆ—๐‘ก ๐‘‹ โˆ— + ๐œ†๐ผ)โˆ’1 ๐›ฝฬ‚ โˆ’ ๐œ†(๐‘‹ โˆ—๐‘ก ๐‘‹ โˆ— + ๐œ†๐ผ)โˆ’1 ๐›ฝฬ‚ ) = ๐ธ((๐‘‹ โˆ—๐‘ก ๐‘‹ โˆ— + ๐œ†๐ผ)โˆ’1 (๐‘‹ โˆ—๐‘ก ๐‘‹ โˆ— ๐›ฝฬ‚ + ๐œ†๐ผ๐›ฝฬ‚ ) โˆ’ ๐œ†(๐‘‹ โˆ—๐‘ก ๐‘‹ โˆ— + ๐œ†๐ผ)โˆ’1 ๐›ฝฬ‚ ) = ๐ธ((๐‘‹ โˆ—๐‘ก ๐‘‹ โˆ— + ๐œ†๐ผ)โˆ’1 (๐‘‹ โˆ—๐‘ก ๐‘‹ โˆ— + ๐œ†๐ผ)๐›ฝฬ‚ โˆ’ ๐œ†(๐‘‹ โˆ—๐‘ก ๐‘‹ โˆ— + ๐œ†๐ผ)โˆ’1 ๐›ฝฬ‚) = ๐ธ(๐›ฝฬ‚ โˆ’ ๐œ†(๐‘‹ โˆ—๐‘ก ๐‘‹ โˆ— + ๐œ†๐ผ)โˆ’1 ๐›ฝฬ‚ ) = ๐›ฝ โˆ’ ๐œ†(๐‘‹ โˆ—๐‘ก ๐‘‹ โˆ— + ๐œ†๐ผ)โˆ’1 ๐›ฝ (2. Taksiran interval akan memiliki rentang yang lebar. a. 3. 2. Regresi robust diperkenalkan oleh Andrews (1978) sebagai model regresi yang digunakan apabila distribusi dari galat tidak normal atau adanya beberapa pencilan yang berpengaruh pada model. yaitu Minimum Absolute Deviation regression. dan penaksir Least Trimmed Square (LTS) (Chen. Galat yang besar dari model yang terbentuk atau E[๐œ€] โ‰  0.20) 2. Pencilan dapat menyebabkan halโ€“hal berikut: 1.6 Penaksir Regresi Robust Sebuah pengamatan yang berbeda dari sekumpulan data lainnya atau dikatakan pencilan. Penaksir Least Absolute Value (LAV) Least Absolute Value dikenal dengan berbagai nama.id . regresi Least Absolute Deviation (LAD). 1998). Dalam regresi robust terdapat beberapa metode penaksiran parameter seperti penaksir Least Absolute Value (LAV). penaksir Least Median Square (LMS). Metode ini merupakan alat penting untuk menganalisis data yang dipengaruhi oleh pencilan sehingga dihasilkan model yang robust terhadap pencilan (Draper and Smith. 2002). dan regresi repository.unisba.ac. Varians pada data tersebut menjadi lebih besar. dapat berpengaruh besar pada analisis regresi.

Menurut Venables dan Ripley (1999).. Penaksir Least Median Square (LMS) Metode Least Median Square (LMS) merupakan salah satu jenis regresi robust dengan high breakdown point. . Dielman (1984) menyatakan bahwa penaksir LAV untuk mendapatkan penaksir ฮฒ adalah meminimalkan jumlah nilai mutlak dari galat (๐œ€๐‘– ) yaitu: ๐›ฝฬ‚ = min โˆ‘๐‘›๐‘–=1|๐œ€๐‘– | = min โˆ‘๐‘›๐‘–=1|๐‘ฆ๐‘– โˆ’ ๐‘ฅ๐‘˜๐‘ก ๐›ฝ| (2. LAV tidak dapat melindungi terhadap pencilan x (leverage). Metode Least Trimmed Square (LTS) merupakan salah satu metode penaksiran parameter model regresi yang Robust terhadap kehadiran pencilan. LAV kuat untuk sebuah pencilan dalam y. ๐‘– = 1. Penaksir Least Trimmed Square (LTS) Menurut Rousseeuw dan Leroy (1987) dengan menggunakan regresi robust adanya pencilan tidak akan mempengaruhi penaksiran parameter. ๐‘› (2. b.unisba.21) dengan k = 1. โ‰คโ„Žโ‰ค๐‘› (2. Tetapi. Penaksir LTS adalah sebagai berikut: โ„Ž ๐›ฝฬ‚ = min (โˆ‘ ๐œ€๐‘–2 ) ๐‘–=1 (3๐‘›+๐‘+1) = min (โˆ‘โ„Ž๐‘–=1(๐‘ฆ๐‘– โˆ’ ๐‘ฆฬ‚๐‘– )2 ) . LTS digunakan untuk mendapatkan parameter dengan meminimalisasi jumlah kuadrat galatnya dari h pengamatan.ac. 2.id . 16 Minimum Sum of Absolute Errors. โ€ฆ . yaitu: ๐›ฝฬ‚ = min ๐‘š๐‘’๐‘‘๐‘–๐‘Ž๐‘› (๐œ€๐‘–2 ) = min ๐‘š๐‘’๐‘‘๐‘–๐‘Ž๐‘› (๐‘ฆ๐‘– โˆ’ ๐‘ฆฬ‚๐‘– )2 .2. K dan k adalah banyak variabel bebas. Jika k โ‰ฅ 2 maka untuk mendapatkan ๐›ฝ adalah dengan menggunakan metode regresi LAV berganda..22) c.3.23) 4 repository.. Algoritma ini meminimumkan median kuadrat galat dari i pengamatan untuk mendapatkan koefisien regresi ฮฒ .

Regresi Ridge Robust Least Absolute Value (RRLAV) Pfaffenberger dan Dielman (1984) dan Lawrence dan Arthur (1990) menyarankan regresi ridge robust dengan cara menggabungkan sifat-sifat Least Absolute Value (LAV) dan penaksir regresi ridge itu disebut sebagai LAV. Penaksir regresi RRLAV bagi ฮฒ adalah: ๐›ฝฬ‚๐‘…๐ฟ๐ด๐‘‰ = (๐‘‹ ๐‘ก ๐‘‹ + ๐œ†๐ฟ๐ด๐‘‰ โˆ— ๐ผ)โˆ’1 ๐‘‹ ๐‘ก ๐‘Œ (2. dan mengusulkan kombinasi regresi ridge dengan metode regresi yang robust.unisba.7 Penaksir Regresi Ridge Robust Dalam hal ini regresi ridge merupakan metode alternatif dalam menangani masalah multikolieritas. Analisis regresi ridge robust telah menarik perhatian beberapa peneliti dalam literatur.ac. maka regresi ridge yang biasa tidak dapat digunakan. ๐œ€12 < ๐œ€22 < ๐œ€32 < โ‹ฏ < ๐œ€๐‘–2 2.24) repository. Pfaffenberger dan Dielman (1981) yang memperkenalkan penaksir Ridge Least Absolut (RRLAV).id . tetapi jika terdapat pencilan dan pengamatan yang berpengaruh besar. Dimana penaksir RRLAV dapat meminimalkan jumlah nilai absolut dari galat terhadap vektor koefisien ฮฒ. a. Holland (1973) memberikan rumus untuk dari metode regresi ridge ketika beban yang terkait dengan masing- masing pengamatan. Ada penelitian tentang penaksiran dengan menggunakan penaksir regresi ridge robust seperti pada literatur Vinod dan Ullah (1990). 17 ๐œ€๐‘–2 = kuadrat galat (sisaan kuadrat) yang terurut dari terkecil hingga terbesar. Dikarenakan metode regresi ridge dan robust tidak dapat menangani masalah pencilan dan multikolinierits secara bersamaan.

dan ๐›ฝฬ‚๐ฟ๐ด๐‘‰ adalah penaksir ๐›ฝ dengan menggunakan metode LAV. Penaksir regresi RRLTS bagi ฮฒ adalah: ๐›ฝฬ‚๐ฟ๐‘‡๐‘† = (๐‘‹ ๐‘ก ๐‘‹ + ๐œ†๐ฟ๐‘‡๐‘† โˆ— ๐ผ)โˆ’1 ๐‘‹ ๐‘ก ๐‘Œ (2.25) ๐ฟ๐‘Ž๐‘ฃ ฬ‚๐ฟ๐ด๐‘‰ )๐‘‡ (๐‘Œโˆ’๐‘‹๐›ฝ (๐‘Œโˆ’๐‘‹๐›ฝ ฬ‚๐ฟ๐ด๐‘‰ ) 2 Dimana ๐‘ ๐ฟ๐ด๐‘‰ = (2.ac.26) ๐‘›โˆ’๐‘ƒ P adalah jumlah parameter dan n adalah ukuran sampel. al.unisba.(1975) dalam Persamaan (2. dan ๐›ฝฬ‚๐ฟ๐‘€๐‘† adalah penaksir ๐›ฝ dengan menggunakan metode LMS.28) ๐ฟ๐‘€๐‘† ฬ‚๐ฟ๐‘€๐‘† )๐‘‡ (๐‘Œโˆ’๐‘‹๐›ฝ (๐‘Œโˆ’๐‘‹๐›ฝ ฬ‚๐ฟ๐‘€๐‘† ) 2 Dimana ๐‘ ๐ฟ๐‘€๐‘† = (2. 2 ๐‘๐‘ ๐ฟ๐‘€๐‘† ๐œ†๐ฟ๐‘€๐‘† โˆ— = ๐›ฝฬ‚๐‘‡ ฬ‚๐ฟ๐‘€๐‘† ๐›ฝ (2.25). b.28). (1975) dalam Persamaan (2. c.13) dengan mengganti ๐œ†๐ฟ๐‘† dengan ๐œ†๐ฟ๐ด๐‘‰ * seperti dalam Persamaan (2. dimana LMS meminimalkan galat sebagai pengganti kuadrat terkecil biasa. al. 2 ๐‘๐‘ ๐ฟ๐ด๐‘‰ ๐œ†๐ฟ๐ด๐‘‰ โˆ— = ๐›ฝฬ‚๐‘‡ ฬ‚๐ฟ๐‘Ž๐‘ฃ ๐›ฝ (2. Penaksir regresi RRLMS bagi ฮฒ adalah: ๐›ฝฬ‚๐ฟ๐‘€๐‘† = (๐‘‹ ๐‘ก ๐‘‹ + ๐œ†๐ฟ๐‘€๐‘† โˆ— ๐ผ)โˆ’1 ๐‘‹ ๐‘ก ๐‘Œ (2.27) Nilai ๐œ†๐ฟ๐‘€๐‘† * ditentukan mirip dengan Hoerl et. Regresi Ridge Robust Least Median Square (RRLMS) Diusulkan LMS robust didasarkan pada konsep statistik robust. Regresi Ridge Robust Least Trimmed Square (RRLTS) Peter Rousseeuw memperkenalkan penaksir regresi robust Least Squares Trimmed (LTS) adalah metode high breakdown point diperkenalkan oleh Rousseeuw (1984).13) dengan mengganti ๐œ†๐ฟ๐‘† dengan ๐œ†๐ฟ๐‘€๐‘† * seperti dalam Persamaan (2.30) repository. Breakdown point adalah ukuran dari proporsi pencemaran prosedur tersebut bahwa dapat menahan dan masih mempertahankan kekokohannya. 18 Nilai ๐œ†๐ฟ๐ด๐‘‰ * ditentukan mirip dengan Hoerl et.29) ๐‘›โˆ’๐พ P adalah jumlah parameter dan n adalah ukuran sampel.id .

repository.31) ๐ฟ๐‘‡๐‘† ฬ‚๐ฟ๐‘‡๐‘† )๐‘‡ (๐‘Œโˆ’๐‘‹๐›ฝ (๐‘Œโˆ’๐‘‹๐›ฝ ฬ‚๐ฟ๐‘‡๐‘† ) 2 Dimana ๐‘ ๐ฟ๐‘‡๐‘† = (2. volatile matters.13) dengan mengganti ๐œ†๐ฟ๐‘† dengan ๐œ†๐ฟ๐‘‡๐‘† * seperti dalam Persamaan (2.id . Analisis proksimat batubara bertujuan untuk menentukan kadar fixed carbon. nitrogen. hidrogen. Pada proses sedimentasi.32) ๐‘›โˆ’๐‘ƒ P adalah jumlah parameter dan n adalah ukuran sampel. Analisis ultimat dilakukan untuk menentukan kandungan unsur kimia pada batubara seperti : karbon. dan abu (ash). oksigen.ac. Proses pembentukan batubara dapat melalui proses sedimentasi dan skala waktu geologi.8 Proksimat Batu Bara Batubara adalah bahan bakar hidrokarbon padat yang terbentuk dari tumbuhan dalam lingkungan bebas oksigen yang dipengaruh oleh panas dan tekanan yang berlangsung lama di alam dengan komposisi yang komplek.(1975) dalam Persamaan (2. Sedangkan analisis petrografi dilakukan untuk mengidentifikasi suatu batuan dengan bantun mikroskop polaristor. kimia dan biokimia. al. 2. Proses sedimentasi. batubara terbentuk dari material tumbuh-tumbuhan. 2 ๐‘๐‘ ๐ฟ๐‘‡๐‘† ๐œ†๐ฟ๐‘‡๐‘† โˆ— = ๐›ฝฬ‚๐‘‡ ฬ‚๐ฟ๐‘‡๐‘† ๐›ฝ (2. ultimat dan petrografi.unisba. moisture. dan ๐›ฝฬ‚๐ฟ๐‘‡๐‘† adalah penaksir ๐›ฝ dengan menggunakan metode LTS.31). yang terendapkan di dalam suatu cekungan pada kondisi tertentu dan mengalami kompaksi serta transformasi baik secara fisik. kompaksi. Analisis batubara biasanya didasarkan pada basis air dried basis (adb). sulfur. Batubara memiliki beberapa karakteristik yang dapat dikategorikan menjadi proksimat. transformasi yang dialami oleh material dasar pembentuk sedimen menjadi batuan sedimen berjalan selama jutaan tahun. 19 Nilai ๐œ†๐ฟ๐‘‡๐‘† * ditentukan mirip dengan Hoerl et.

.ac. baik yang terikat secara kimiawi maupun akibat pengaruh kondisi luar seperti iklim. repository. Volatile matter (VM) ialah banyaknya zat terbang yang hilang atau bahan yang keluar bila sampel batubara dipanaskan pada suhu dan waktu yang telah ditentukan (setelah dikoreksi oleh kadar moisture). . Suhunya adalah 900oC. Dalam hal ini ada beberapa variabel yang akan dilihat. yaitu: . Ash (Abu) merupakan sisa pembakaran dari mineral-mineral yang tidak hangus dalam batubara. abu yang terbentuk akan meleleh dan menimbulkan penyumbatan di dalam reaktor (slagging).id .Total Moisture adalah banyaknya air yang terkandung dalam batubara sesuai dengan kondisi diterima. dengan waktu pemanasan tujuh menit tepat. . Dalam kadar air yang hanya dapat dihilangkan bila sampel batubara kering-udara yang berukuran lebih kecil dari 3 mm (-3 mm) dipanaskan hingga 105ยฐC. 20 Dalam skripsi ini analisis batubara yang dipakai adalah analisis proksimat. . . Gross Calorfic Value adalah nilai kalori batubara yang dianalisa atas sampel sebagaimana diterima di laboratorium dalam keadaan tertentu yang diterima oleh pembeli. Moisture in air-dried Sample atau residual moisture (ASTM) ialah kandungan air yang tetap berada dalam batubara setelah batubara dikeringkan dengan cara baku. Titik leleh abu merupakan suhu yang menunjukkan perubahan karakteristik abu batubara apabila dipanaskan pada kondisi standar. Apabila proses pembakaran terjadi pada temperatur di atas titik leleh abu. Fixed Carbon ialah kadar karbon tetap yang terdapat dalam batubara setelah volatile matters dipisahkan dari batubara.unisba.

. Indeks ini terdiri dari angka 0 โ€“ 100. Hardgrove grindability index (HGI) atau indeks kekerasan hardgrove.id . True Specific Gravity (TSG) merupakan perbandingan antara densitas batubara dengan densitas air pada suhu referensi tertentu (misalnya 60ยฐF atau 90ยฐF). 21 . repository.unisba. yakni ukuran/tingkat mudah atau sukarnya batubara digerus menjadi tepung batubara sebagai bahan bakar (khususnya pada PLTU).ac.