Perbandingan Metode Robust M, S, dan MM pada Regresi Linier terhadap Keberadaan Outlier

Metode Kuadrat Terkecil (MKT) merupakan metode penduga parameter yang paling banyak digunakan pada analisis regresi. MKT merupakan metode penduga parameter tak bias yang baik selama asumsi komponen galatnya terpenuhi. Namun dalam aplikasinya sering ditemui terjadinya pelanggaran asumsi. Diantaranya, pelanggaran asumsi galat berdistribusi normal disebabkan adanya outlier pada data amatan. Oleh karena itu, dibutuhkan suatu metode yang kekar terhadap keberadaan outlier. Metode pendugaan parameter yang kekar terhadap keberadaan outlier pada regresi linier diantaranya ialah metode robust M, robust LMS, robust S, robust LTS, dan robust MM yang masing-masing memiliki keunggulan dari segi efisiensi dan breakdown point yang tinggi. Pada penelitian ini, metode robust M, S, dan MM akan dibandingkan menggunakan data simulasi. Simulasi dilakukan untuk tiga ukuran sampel yang berbeda ketika terdapat 20% dan 45% outlier pada variabel bebas dan variabel terikat. Metode terbaik ialah metode dengan Standard Error (SE) dan Mean Square Error (MSE) terkecil. Hasil yang diperoleh menunjukkan bahwa metode robust MM lebih baik dibandingkan metode robust M dan metode robust S