Analisis Regresi Robust Estimasi Least Trimmed Square dan Estimasi Maximum Likelihood pada Pemodelan IPM di Pulau Sulawesi

Ingka Rizkyani Akolo; Asriyati Nadjamuddin

doi:10.34312/euler.v10i2.16708

Analisis Regresi Robust Estimasi Least Trimmed Square dan Estimasi Maximum Likelihood pada Pemodelan IPM di Pulau Sulawesi

Ingka Rizkyani Akolo, Asriyati Nadjamuddin

Abstract

Sulawesi Island is one of the islands in Indonesia with the second lowest HDI after Papua in 2011-2018, so it is necessary to study more deeply the factors that affect the HDI on Sulawesi Island. One of the methods in modeling is the robust regression method that can be used even though there are outliers in the data. This study aimed to determine the factors that affect HDI in Sulawesi Island using a robust regression model of Least Trimmed Square (LTS) estimation and Maximum Likelihood (M) estimation and to find out the best method for modeling HDI in Sulawesi Island. The robust regression of the LTS estimate has a reasonably high breakdown point value compared to other estimates, while the M-estimate has a high efficiency. The results showed that the factors that affect HDI on the island of Sulawesi are Life Expectancy (UHH), Expected Years of Schooling (HLS), Average Years of Schooling (RLS), and Real Expenditures per capita (PPP). The best model in HDI modeling in Sulawesi Island is a robust regression model with LTS estimation where the standard error is 0.1513, and the R-Square is 99.78%. A very high R-Square value indicates that the ability of the UHH, HLS, RLS, and PPP variables to explain HDI is very good.

Keywords

HDI; Sulawesi Island; Robust Regression; LTS-Estimation; M-Estimasion

Full Text:

PDF

References

R. Raharti, H. Sarnowo, and L. N. Aprillia, “Analisis Pertumbuhan Ekonomi Dan Indeks Pembangunan Manusia Di Daerah Istimewa Yogyakarta,” J. Perspekt. Ekon. Darussalam, vol. 6, no. 1, pp. 36–53, 2020, doi: 10.24815/jped.v6i1.16364.

Badan Pusat Statistik, Indeks Pembangunan Manusia 2021. Jakarta, 2022.

Z. Khikmah, S. N. Sarfiah, and P. K. Prasetyanto, “Pengaruh Kemiskinan, Pertumbuhan Ekonomi dan Belanja Modal terhadap IPM di Pulau Sulawesi Tahun 2011-2018,” Din. Dir. J. Econ., vol. 2, no. 4, pp. 1127–1142, 2020.

T. Faizia, A. Prahutama, and H. Yasin, “Pemodelan Indeks Pembangunan Manusia Di Jawa Tengah Dengan Regresi Komponen Utama Robust,” J. Gaussian, vol. 8, no. 2, pp. 253–271, 2019, doi: 10.14710/j.gauss.v8i2.26670.

Tahan Upoyo Trisno, Munajat, and Yetty Oktarina, “Pengaruh Pertumbuhan Ekonomi Terhadap Indeks Pembangunan Manusia (IPM) Di Provinsi Sumatera Selatan Tahun 2016-2020,” J. Bakti Agribisnis, vol. 8, no. 01, pp. 7–16, 2022, doi: 10.53488/jba.v8i01.133.

Z. Aflakhah, J. Jajang, and A. T. Br. Sb., “Kajian Metode Ordinary Least Square Dan Robust Estimasi M Pada Model Regresi Linier Sederhana Yang Memuat Outlier,” J. Ilm. Mat. dan Pendidik. Mat., vol. 11, no. 1, p. 21, 2020, doi: 10.20884/1.jmp.2020.12.1.1934.

Yaziz, Dadan Kusnandar, and S. W. Rizki, “Analisis Regresi Robust Estimasi M dengan Menggunakan Pembobotan Bisquare Tukey dan Welsc dalam Mengatasi Data Outlier,” Bul. Ilm. Mat.Stat dan Ter., vol. 08, no. 4, pp. 799–804, 2019.

D. I. Perihatini, “Perbandingan Metode Estimasi LTS, M, S Pada Regresi robust,” Universitas Islam Indonesia, 2018.

N. A. Atamia, Y. Susanti, and S. S. Handajani, “Perbandingan Analisis Regresi Robust Estimasi-S dan Estimasi-M dengan Pembobot Huber dalam Mengatasi Outlier,” Pros. Semin. Nas. Mat., vol. 4, pp. 673–679, 2021, [Online]. Available: https://journal.unnes.ac.id/sju/index.php/prisma/

A. Nurbaroqah, B. Pratikno, and Supriyanto, “Pendekatan Regresi Robust dengan Fungsi Pembobot Bisquare Tuket Pada Estimasi- M dan Estimasi-S,” vol. 14, no. 1, pp. 19–30, 2022.

E. T. K. Dewi, A. Agoestanto, and Sunarmi, “Metode Least Trimmed Square (Lts) Dan Mm-Estimation Untuk Mengestimasi Parameter Regresi Ketika Terdapat Outlier,” J. Math., vol. 5, no. 1, pp. 47–54, 2016.

E. Setyowati, R. Akbarita, and R. R. Robby, “Perbandingan Regresi Robust Metode Least Trimmed Square (Lts) Dan Metode Estimasi-S Pada Produksi Padi Di Kabupaten Blitar,” J. Mat. UNAND, vol. 10, no. 3, p. 329, 2021, doi: 10.25077/jmu.10.3.329-341.2021.

R. J. Azizah and L. Wachidah, “Regresi Robust Estimasi-M dengan Pembobot Huber dan Tukey Bisquare pada Data Tingkat Pengangguran di Indonesia Menurut Provinsi Tahun 2020,” Bandung Conf. Ser. Stat., vol. 2, no. 2, pp. 18–26, 2022, doi: 10.29313/bcss.v2i2.2648.

N. Apriliyana, “Estimasi Iindikator Kemiskinan Tingkat Kecamatan Menggunakan Regresi Kekar M-Kuantil,” J. Litbang Sukowati, vol. 3, no. 2, pp. 1–17, 2020.

B. Nurcahyo and R. Riskayanto, “Analisis Dampak Penciptaan Brand Image Dan Aktifitas Word of Mouth (Wom) Pada Penguatan Keputusan Pembelian Produk Fashion,” J. Nusant. Apl. Manaj. Bisnis, vol. 3, no. 1, p. 14, 2018, doi: 10.29407/nusamba.v3i1.12026.

I. R. Akolo, “Perbandingan Matriks Pembobot Rook dan Queen Contiguity dalam Analisis Spatial Autoregressive Model (SAR) dan Spatial Error Model (SEM),” Jambura J. Probab. Stat., vol. 3, no. 1, 2022.

R. P. Ayuwardani, “Pengaruh Informasi Keuangan dan Non Keuangan Terhadap Underpricing Harga Saham Pada Perusahaan yang Melakukan Initial Public Offering (Studi Empiris Perusahaan Go Public yang terdaftar di Bursa Efek Indonesia Tahun 2011-2015),” vol. VII, no. 1, 2018.

I. Nurdin, Sugiman, and Sunarmi, “Penerapan Kombinasi Metode Ridge Regression (RR) dan Metode Generalized Least Square (GLS) untuk Mengatasi Masalah Multikolinearitas dan Autokorelasi,” J. Mipa, vol. 41, no. 1, pp. 58–68, 2018.

F. Alfiah, A. Almadayani, D. Al Farizi, and E. Widodo, “Analisis Clustering K-Medoids Berdasarkan Indikator Kemiskinan di Jawa Timur Tahun 2020,” J. Ilm. Sains, vol. 22, no. 1, p. 1, 2021, doi: 10.35799/jis.v22i1.35911.

DOI: https://doi.org/10.34312/euler.v10i2.16708