Académique Documents
Professionnel Documents
Culture Documents
BAB I
PENDAHULUAN
variabel-variabel
adalah analisi regresi. Data longitudinal adalah pengamatan berulang pada unit
eksperimen, berbeda dengan data cross sectional yaitu data dari masingmasing
individu diamati dalam sekali waktu. Penelitian longitudinal memiliki cakupan
pengertian serta karakteristik seperti data dikumpulkan untuk setiap variabel pada
dua atau lebih periode waktu tertentu, subjek atau kasus yang dianalisis sama, atau
setidaknya dapat diperbandingkan, antara satu periode dengan periode berikutnya.
Ada beberapa keuntungan dari studi mengenai data longitudinal
dibandingkan dengan data cross section. Pertama, studi longitudinal lebih
powerful dari studi cross section untuk sejumlah subyek yang tetap. Dengan kata
lain, untuk memperoleh kekuatan uji statistik yang sama, studi longitudinal
membutuhkan subyek yang lebih sedikit. Kedua, dengan jumlah subyek yang
sama, hasil pengukuran error menghasilkan penaksir efek perlakuan yang lebih
efisien dari data cross section. Ketiga, data longitudinal mampu menyediakan
informasi tentang perubahan individu, sedangkan data cross section tidak. Studi
data longitudinal mampu membedakan keragaman respon yang disebabkan karena
pengukuran yang dilakukan berulangkali terhadap suatu subyek dengan
keragaman yang disebabkan oleh perbedaan antar subyek.
Dalam studi tentang data longitudinal, pada umumnya pengamatan
dilakukan terhadap n subyek yang saling independen, dimana setiap subyek
diamati secara berulang (repeated measurement) dalam kurun waktu berbeda.
Teknik peramalan yang dikembangkan dari berbagai disiplin ilmu dipilih untuk
berbagai maksud. Setiap teknik yang akan dipilih memiliki sifat tertentu dan
biyaya tersendiri yang harus dipertimbangkan. Dan pemodelan ini digunakan
untuk menjelaskan hubungan tak linier antar variabel dan beberapa prosedur
pengujian untuk mendeteksi adanya keterkaitan tak linier.
Dalam suatu estimasi model seharusnya konstan sehingga varians sama
(homogen) tetapi seringkali justru berubah-ubah, hal ini biasa terjadi pada data
cross section. Estimasi diartikan menaksir ciri-ciri terntentu dari populasi
(parameter) dengan nilai sampel.
Cara pengambilan kesimpulan tentang parameter berhubungan dengan
cara menaksir harga parameter. Jadi harga parameter sebenarnya tidak diketahui
akan diestimasi berdasar statistik sampel yang diambil dari populasi yang
bersangkutan.
Estimasi nilai parameter memiliki dua cara yaitu estimasi titik dan estimasi
selang. Estimasi titik dengan menyebut satu nilai sedangkan estimasi selang
adalah estimasi dengan menyebutkan daerah pembatasan dimana ditentukan batas
minimum dan maksimum suatu estimator.
Korelasi muncul ketika sejumlah data longitudinal dari objek yang sama
dianalisis. Berbagai metode metode dikembangkan untuk mengevaluasi efek dari
kovariat dari variabel responnya. Estimator fungsi koefisien yang tidak diketahui
diperoleh dengan metode kuadrat terkecil. Estimasi kuadrat terkecil paling pasti
memiliki beberapa sifat yang baik, khususnya ketika kesalahan acak mengikuti
distribusi normal. Namun, seperti yang diketahui dalam literatur ketahanan,
estimasi dan kesimpulan berdasarkan kuadrat sangat sensitif
terhadap outlier
dalam data. Regresi robu diperlukan untuk mengatasi adanya outlier tersebut.
1.2
Perumusan Masalah
1.3
Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk mengkaji prsedur M-estimasi
dengan weight least square dapat memberi optimasi pada regresi tak linier untuk
mengatasi adanya outlier pada data longitudinal yang lebih baik dari metode
kuadrat terkecil..
55
BAB 2
TINJAUAN PUSTAKA
2.1 Analisis Regresi
Analisis regresi merupakan salah satu analisis dalam statistika yang banyak digunakan
untuk mengetahui hubungan antara variabel-variabel prediktor dengan variabel respon.
Berdasarkan bentuk kurva atau pola hubungan antara variabel-variabel prediktor dengan
variabel respon, pendekatan model regresi diklasifikasikan menjadi tiga yaitu :
1. Regresi Parametrik
Regresi parametrik merupakan metode yang digunakan untuk mengetahui pola
hubungan antara variabel respon dan variabel prediktor, yang diketahui bentuk kurva
regresinya.
2. Regresi Nonparametrik
Pendekatan nonparametrik digunakan untuk mengestimasi kurva regresi karena model
tidak ditentukan bentuknya terlebih dahulu seperti pada regresi parametrik.
3. Regresi Semiparametrik
Regresi semiparametrik adalah gabungan antara regresi parametrik dan regresi
nonparametrik.
Pada umumnya, analisis regresi tak linier digunakan untuk mengestimasi parameter
prediktor
dengan f i
(2. 1)
fungsi merupakan kurva regresi dan i error random yang diasumsikan identik,
2 ( Linke, 2016).
diperkirakan terdistorsi. M-estimator mencoba untuk mengurangi efek dari outlier dengan
mengganti fungsi kuadrat dengan yang lain.
X ij
Y ij
menyatakan
X
T
sehingga ( ij 1 , , X ijm) maka data longitudinal diberikan oleh ( Y ij , X ij , j = 1, ..., n
X ij =
ni
; i = 1, ... , dimana
dengan
i
f i ()
( 2. 2)
error random yang diasumsikan identik, independen, berdistribusi normal dengan mean
2
nol dan varians
2.4 M-Estimasi
Regresi robust adalah metode regresi yang digunakan ketika distribusi residual tidak
normal atau ada beberapa outlier yang mempengaruhi model. Metode ini merupakan alat
penting untuk menganalisa data yang dipengaruhi oleh outlier sehingga model yang kekar
terhadap pencilan. Ketika peneliti menyusun model regresi dan melakukan uji asumsi sering
ditemui bahwa asumsi regresi dilanggar, transformasi yang dilakukan tidak akan
menghilangkan atau melemahkan pengaruh dari pencilan yang akhirnya prediksi menjadi
bias. Dalam keadaan ini, regresi robust yang tahan terhadap pengaruh pencilan adalah metode
yang terbaik. Regresi robust digunakan untuk mendeteksi pencilan dan memberikan hasil
yang resisten terhadap adanya outlier.
Dalam regresi robust salah satu metode estimasi yang terkenal adalah estimasi-M.
Huruf M menunjukkan bahwa estimasi-M adalah estimasi tipe maksimum likelihood.
Estimasi-M memenuhi sifat sebagai estimator tak bias dan memiliki variansi minimum dalam
kumpulan estimator. Jadi estimator M emiliki variansi terkecil dibandingkan dengan variansi
estimator yang lain. ( Susanti, 2014 )
Estimator fungsi koefisien yang tidak diketahui diperoleh dengan metode kuadrat
terkecil. Estimasi kuadrat terkecil memiliki beberapa sifat yang baik, khususnya ketika
kesalahan acak mengikuti distribusi normal. Namun, seperti yang diketahui dalam literatur
ketahanan, estimasi dan kesimpulan berdasarkan kuadrat sangat sensitif terhadap outlier
dalam data. metode estimasi yang lebih kuat diperlukan. Dalam Penelitian, M-estimasi
digunakan untuk mendekati parameter koefisien yang tidak diketahui
. Dalam kondisi
. Akan
109
BAB 3
METODOLOGI PENELITIAN
Pada penulisan ini dilakukan studi literatur dengan menganalisa pendekatan Sceike
yang mejelaskan pendekatan M-Estimasi, dimana asumsi normal dari parameter yang belum
diketahui pada model regresi non linier untuk data longitudinal pada proses pengamatan yang
berulang di gunakan weigthed least square method. Least square method klasik tidak akan
stabil jika terdapat outlier pada data. M-estimator mencoba untuk mengurangi efek dari
outlier dengan mengganti fungsi kuadrat dengan bentuk yang lain ( orsakova, 2006 ).
Selanjutnya adalah menyajikan model yang lebih tepat dan asumsi yang diberikan.
Kemudian membukti konsistensi asumsi normalitas dari M-estimasi. Akhirnya sifat Mestimasi ditampilkan untuk kasus varians bersyarat diketahui.
10
11
0
BAB IV
JADWAL PELAKSANAAN
Penelitian ini dimulai dengan pengumpulan informasi tentang teori-teori dan literaturliteratur yang berkaitan dengan data longitudinal, estimasi, regresi non linier, pembuatan
proposal, penelusuran lebih lanjut mengenai literatur, kemudian seminar proposal, pembuatan
teori, dan diakhiri dengan seminar hasil dan sidang. Selanjutnya akan dilakukan publikasi
ilmiah untuk melengkapi persyaratan kelulusan. Tabel dibawah ini memberikan rencana kerja
yang akan dilakukan peneliti.
Penelusuran Literatur
Pembuatan Proposal
Seminar Proposal
Pembuatan Teori
Seminar
Publikasi Ilmiah
12