PERBANDINGAN REGRESI QUANTILE DENGAN REGRESI ROBUST LEAST TRIMMED SQUARE (LTS) PADA DATA MENGANDUNG PENCILAN

Kehadiran pencilan dalam data regresi dapat menyebabkan bias pada
estimasi parameter dan menurunkan akurasi prediksi. Oleh karena itu, diperlukan
metode regresi yang robust terhadap pencilan. Penelitian ini bertujuan untuk
membandingkan performa metode Regresi Quantile dan Regresi Robust Least
Trimmed Square (LTS) dalam mengestimasi parameter regresi pada data yang
mengandung pencilan. Data yang digunakan dibangkitkan secara simulatif
mengikuti distribusi normal, kemudian disisipi pencilan sebesar 10% dan 20%.
Analisis dilakukan dengan mengevaluasi koefisien determinasi (R²), Mean
Absolute Error (MAE), nilai bias, dan standar deviasi estimasi parameter dari
kedua metode. Hasil penelitian menunjukkan bahwa Regresi Quantile pada
quantile 0,5 (median) memberikan performa terbaik dalam hal akurasi prediksi
dengan nilai R² tertinggi dan MAE terendah, baik pada pencilan 10% maupun
20%. Sementara itu, metode LTS menunjukkan performa yang sangat stabil dan
efisien dalam menghadapi pencilan, ditunjukkan oleh nilai bias dan standar
deviasi yang rendah, meskipun R² sedikit lebih kecil dari Regresi Quantile. Di sisi
lain, metode OLS dan Regresi Quantile ekstrem (τ = 0,05 dan τ = 0,95) sangat
terpengaruh oleh pencilan dan menghasilkan estimasi yang tidak akurat.
Kesimpulannya, Regresi Quantile (τ = 0,5) direkomendasikan untuk akurasi
prediksi, sedangkan LTS lebih sesuai ketika kestabilan estimasi dihadapkan pada
pencilan tinggi.
Kata kunci: Regresi Quantile, Least Trimmed Square (LTS), Pencilan, Estimasi
Parameter, Regresi Robust, Simulasi Data.