Pandu, Ario and Nisa, Khoirin (2018) PERBANDINGAN MVE-BOOTSTRAP DAN MCD-BOOTSTRAP DALAMANALISIS REGRESI LINEAR BERGANDA PADA DATA BERUKURAN KECIL YANG MENGANDUNG PENCILAN. In: Seminar Nasional Metode Kuantitatif II Jurusan Matematika FMIPA Unila, 19 -20 November 2018, Emersia Hotel dan Resort.

[img] Text
Artikel Prosiding Semnas MK 2018 AP_KN.pdf

Download (585kB)

Abstract

Dalam analisis regresi, metode penduga tak bias terbaik (best linier unbiased estimator) yang digunakan untuk pendugaan parameter adalah Metode Kuadrat Terkecil (MKT). Namun, ketika terdapat pencilan pada data pengamatan, MKT menjadi bias dan tidak efisien. Hal ini dikarenakan MKT sangat sensitif terhadap pencilan. Metode yang tepat digunakan untuk mengatasi masalah tersebut adalah metode robust. Minimum Volume Ellipsoid (MVE) dan Minimum Covariance Determinant (MCD) merupakan dua metode robust yang dikenal memiliki ketegaran yang baik terhadap pencilan. Tetapi, penggunaan MVE dan MCD diragukan apabila dihadapkan pada data yang berukuran kecil. Oleh sebab itu, perlu penerapan metode bootstrap/resampling pada kedua metode tersebut agar diperoleh hasil pendugaan yang lebih baik. Tujuan dari penelitian ini adalah membandingkan ketegaran metode MVE-Bootstrap dan MCD-Bootstrap untuk mengatasi pengaruh pencilan pada data yang berukuran kecil dalam analisis regresi linear berganda. Efektivitas masing-masing metode dapat diketahui berdasarkan nilai bias dan Mean Square Error (MSE) dari pendugaan parameter yang dihasilkan. Hasil penelitian menunjukkan bahwa MVE-Bootstrap lebih baik dari MCD-Bootstrap dalam menduga parameter regresi pada data berukuran kecil yang mengandung pencilan.

Item Type: Conference or Workshop Item (Paper)
Subjects: H Social Sciences > HA Statistics
Divisions: Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) > Prodi Matematika
Depositing User: DR. KHOIRIN NISA
Date Deposited: 09 May 2019 03:07
Last Modified: 09 May 2019 03:07
URI: http://repository.lppm.unila.ac.id/id/eprint/11782

Actions (login required)

View Item View Item