Advance Search

Model Regresi Robust dengan Metode Estimasi M, Estimasi S dan Estimasi MM untuk Produksi Beras di Nusa Tenggara Timur

Katarina K. Gasul | Astri Atti Bio | Maria A. Kleden
DOI: https://doi.org/10.20956/ejsa.vi.24879
Article History

Submited : January 2, 2023
Published : February 14, 2023

Keywords:
In the regression analysis, the amount of rice production that far exceeds the general production can be categorized as outlier data. The existence of outliers causes the use of the least squares method to estimate parameters to be deemed inappropriate. To deal with outlier data, it is necessary to use methods that are robust or resistant to outlier data. Robust is defined as insensitivity or rigidity to outlier data. The purpose of this study is to obtain a robust regression model using the M estimation, S estimation and MM estimation methods and determine the factors that have a significant effect on rice production in East Nusa Tenggara Province. The model using the S estimation method is the best model, namely y = 3,895.023 + 1.870 X1 - 60.926 X5 and the factors that have a significant effect on rice production are harvested area and air temperature.

References

  1. Soetriono dan A. Suwandari. Pengantar Ilmu Pertanian Agraris Agribisnis Industri. Malang: Intimedia, 2016.
  2. Badan Pusat Statistik (BPS). 2021. Produksi Beras menurut Kabupaten/Kota (Ton).https://ntt.bps.go.id/indicator/53/934/1/produksi-beras-menurut-kabupaten-kota.html (diakses pada tanggal 16 Maret 2022, 12:57 PM)
  3. F. E. Teda, F. L. Benu dan Wiendiyati. Upaya Memperbaiki Ekonomi Beras di Provinsi Nusa Tenggara Timur Analisis Data Sekunder Tahun 2003-2017. Bul. Ilm. Impas, vol. 21(2), pp. 91–101, 2020.
  4. S. Candraningtyas, D. Safitri dan D. Ispriyanti. Regresi robust mm- estimator untuk penanganan pencilan pada regresi linier berganda. vol. 2(2005), pp. 395–404, 2013.
  5. C. Chen. Statistics and Data Analysis Paper 265-27 Robust Regression and Outlier Detection with the Robustreg Procedure.
  6. D. c Montgomery, E. A. Peck dan G. G. Vining. Introduction Linear Regression Analysis Fifth Edition. 2012.
  7. F. P. Hidayatulloh, D. Yuniarti dan S. Wahyuningsih. Regresi Robust Dengan Metode Estimasi-S Robust Regression Method To Estimate S. J. Eksponensial, vol. 6(2), pp. 163–170, 2015.
  8. N. Nurdin, Raupong dan A. Islamiyati. Penggunaan Regresi Robust pada Data yang Mengandung Pencilan Dengan Metode Momen. Jurnal Matematika Statistika dan Komputasi, vol. 10(2), pp. 114–123, 2014.
  9. E. D. Pradewi dan Sudarno. Kajian Estimasi- M IRLS Menggunakan Fungsi Pembobot Huber dan Bisquare Tukey pada data Ketahanan Pangan di Jawa Tengah. pp. 1–10.
  10. N. B. Hartono. Analisis Outlier dan Heteroskedastisitas dengan Menggunakan Regresi Robust Weight Least Square. Universitas Negeri Semarang. 2016.
  11. Mahananto, S. Sutrisno dan C. F. Ananda. Faktor-faktor yang Mempengaruhi Produksi Padi Studi Kasus di Kecamatan Nogosari , Boyolali , Jawa Tengah. Wacana, vol. 12(1), 2009.

Downloads

Download data is not yet available.
Fulltext
pdf
statcounter