ANALISIS REGRESI ROBUST ESTIMASI-M PEMBOBOT HUBER DAN TUKEY BISQUARE PADA TINGKAT KEMISKINAN INDONESIA

Adelia Damayanti, Universitas Negeri Yogyakarta, Indonesia
Mathilda Susanti, Universitas Negeri Yogyakarta, Indonesia

Abstract


Abstrak

Regresi robust merupakan metode yang penting untuk menganalisis data yang mengandung outlier. Untuk mengetahui faktor-faktor yang mempengaruhi tingkat kemiskinan di Indonesia, dapat diterapkan analisis regresi linear dengan melihat pencilan atau outlier. Metodenya, yaitu dengan metode estimasi regresi robust estimasi M. Penelitian ini bertujuan untuk membandingkan keefektifan antara model regresi robust estimasi-M pembobot huber dan tukey bisquare untuk mengatasi outlier serta mengetahui faktor yang mempengaruhi tingkat kemiskinan di Indonesia tahun 2021. Berdasarkan uji signifikansi yang dilakukan, variabel independen yang paling berpengaruh terhadap tingkat kemiskinan di Indonesia adalah penduduk dengan sumber penerangan listrik PLN dan tingkat pengangguran terbuka. Dari dua metode estimasi-M yang dipilih, metode estimasi-M pembobot huber menghasilkan nilai RSE 3,706 dan adj R-square 53,15% sedangkan pembobot tukey bisquare menghasilkan nilai RSE 3,294 dan adj R-square 51,59%. Berdasarkan data tersebut, dapat disimpulkan bahwa metode regresi robust estimasi-M pembobot huber lebih efektif digunakan untuk mengatasi outlier pada data tingkat kemiskinan di Indonesia.

Kata kunci: kemiskinan, pencilan (outlier), regresi robust, estimasi-M.


Full Text:

PDF

References


Aflakhah, Z., Jajang, J., & Br. Sb., A. T. (2019). Kajian Metode Ordinary Least Square Dan Robust Estimasi M Pada Model Regresi Linier Sederhana Yang Memuat Outlier. Jurnal Ilmiah Matematika Dan Pendidikan Matematika, 11(1), 21.

Amrin, A. (2016). Data Mining Dengan Regresi Linier Berganda Untuk Peramalan Tingkat Inflasi. Jurnal Techno Nusa Mandiri, XIII(1), 74–79.

Azizah, R. J., & Wachidah, L. (2022). Regresi Robust Estimasi-M dengan Pembobot Huber dan Tukey Bisquare pada Data Tingkat Pengangguran di Indonesia Menurut Provinsi Tahun 2020. Bandung Conference Series: Statistics, 2(2), 18–26.

BPS Indonesia. (2021). Statistik Indonesia 2021. Jakarta: Badan Pusat Statistik.

Cahyandari, R., & Hisani, N. (2012). Model Regresi Linier Berganda Menggunakan Penaksir Parameter Regresi Robust M-Estimator (Studi Kasus: Produksi Padi Di Provinsi Jawa Barat Tahun 2009). 6(1), 1–2.

Candraningtyas, S., Safitri, D., & Ispriyanti, D. (2013). Regresi Robust MM-Estimator Untuk Penanganan Pencilan Pada Regresi Linier Berganda. Jurnal Gaussian, 2(4), 395–404.

Chen, C. (2002). Robust Regression and Outlier Detection with the ROBUSTREG Procedure. SAS Institute Inc., September, 265–27.

Kurniawan, R., & Yuniarto, B. (2016). ANALISIS REGRESI: Dasar dan Penerapannya (Edisi Pertama). Jakarta: Kencana.

Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). Introduction to linear regression analysis 5th ed. John Wiley & Sons.

Pradewi, E. D., & Sudarno, S. (2012). Kajian Estimasi-M IRLS Menggunakan Fungsi Pembobot Huber dan Bisquare Tukey Pada Data Ketahanan Pangan di Jawa Tengah. Media Statistika, 5(1), 1-10.

Santosa, P. B. & Ashari (2005). Analisis Statistik Dengan Microsoft Excel Dan SPSS. Yogyakarta: Andi.

Siregar, Syofian. (2017). Statistika Terapan Untuk Perguruan Tinggi. Jakarta: Kencana.

Soemartini. (2007). Pencilan (Outlier). Jatinangor: Universitas Padjajaran.

Tisniwati, B. (2012). Analisis Faktor-Faktor Yang Mempengaruhi Tingkat Kemiskinan Di Indonesia. Jurnal Ekonomi Pembangunan, 10(1), 33.

Yu, C., & Yao, W. (2017). Robust linear regression: A review and comparison. Communications in Statistics: Simulation and Computation, 46(8), 6261–6282.


Refbacks

  • There are currently no refbacks.


 

Online ISSN (e-ISSN): 3031-1152

Creative Commons LicenseJurnal Kajian dan Terapan Matematika by https://journal.student.uny.ac.id/index.php/jktm/index is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.