Ismah, - and Aji, Hamim Wigena and Anik, Djuraidah (2009) PENDEKATAN REGRESI KUADRAT TERKECIL PARSIAL ROBUST MULTIRESPONS DALAM MODEL KALIBRASI. Seminar Nasional Penelitian, Pendidikan, dan Penerapan MIPA 2009. ISSN 978-979-96880-5-7
|
Text
M_Stat_8_Ismah.pdf Download (123kB) | Preview |
Abstract
Regresi Kuadrat Terkecil Parsial (RKTP) merupakan sebuah tehnik prediktif yang mampu mengatasi peubah bebas yang berdimensi besar, khususnya ketika terdapat masalah multikolinearitas. Skor dalam RKTP dihitung dengan memaksimalkan kriteria koragam antara peubah x dan y sehingga dalam teknik ini respons telah dilibatkan dalam analisis sejak awal. SIMPLS merupakan salah satu algoritma RKTP yang dikenalkan oleh De Jong (1993). Karena SIMPLS didasari dari matriks koragam silang empirik antara peubah respon dan peubah bebas dan dalam regresi linier kuadrat terkecil, maka SIMPLS tidak resisten terhadap pengamatan pencilan (outlier). Untuk mengatasi masalah pencilan diperlukan suatu metode penduga yang tegar terhadap pencilan yang disebut sebagai metode robust. Dua metode RKTP robust, RSIMCD dan RSIMPLS, yang dibangun dari matriks koragam robust untuk data berdimensi besar dan regresi linier robust, mampu mengatasi pengaruh pengamatan pencilan. Selanjutnya nilai RMSECV robust diperoleh untuk membangun model kalibrasi dan RMSEP robust digunakan untuk validasi model. Diagnosa plot akan dibuat sebagai visualisasi dan klasifikasi pencilan.
Item Type: | Article |
---|---|
Uncontrolled Keywords: | RKTP, SIMPLS, regresi robust, regresi MCD, regresi ROBPCA. |
Subjects: | Prosiding > Seminar Nasional Penelitian, Pendidikan, dan Penerapan MIPA 2009 |
Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) > Pendidikan Matematika > Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) > Pendidikan Matematika > Pendidikan Matematika |
Depositing User: | Eprints |
Date Deposited: | 04 Mar 2015 02:24 |
Last Modified: | 08 Mar 2019 06:19 |
URI: | http://eprints.uny.ac.id/id/eprint/12195 |
Actions (login required)
View Item |