BAB I

PENDAHULUAN
1.1 Latar Belakang dan Permasalahan
Analisis regresi merupakan komponen penting dalam menggambarkan
hubungan antara dua variabel atau lebih, sehingga salah satu variabel dapat diduga
dari variabel lainnya. Hubungan antara variabel prediktor (independen) dan
variabel respon (dependen) dinyatakan dengan persamaan estimasi yang disebut
model regresi. Untuk melihat hubungan antara variabel respon (dinotasikan
dengan Y) dan sejumlah variabel prediktor (dinotasikan dengan X) secara
simultan dapat digunakan analisis regresi linear dengan variabel respon diukur
dalam skala interval dan mempunyai distribusi normal.
Analisis regresi linear terbagi menjadi dua tipe, yaitu analisis regresi
linear sederhana dan analisis regresi linear ganda. Yang membedakan keduanya
hanya terletak pada jumlah variabel prediktornya. Regresi linear sederhana hanya
memuat satu variabel prediktor, sedangkan regresi lienar berganda memuat lebih
dari satu variabel prediktor. Akan tetapi dalam kehidupan sehari-hari dapat kita
temui analisis regresi dengan variabel respon yang lebih dari satu, untuk
menyelesaikan permasalahan tersebut kita gunakan analisis regresi linear
multivariat.
Analisis regresi linier multivariat adalah model regresi linier dengan
buah variabel respon 1 , 2 , , yang saling berkorelasi dan satu atau beberapa
variabel prediktor 1 , 2 , , . Analisis regresi linier univariat diasumsikan
bahwa variabel respon 1 , 2 , , adalah saling bebas, sedangkan pada analisis
regresi linier multivariat mempertimbangkan adanya hubungan ketergantungan di
antara 1 , 2 , , . Pada analisis regresi linier multivariat pemilihan model
terbaik merupakan hal yang penting. Hal ini dikarenakan tidak semua variabel
prediktor berpengaruh nyata terhadap model. Pemilihan model terbaik pada

analisis regresi linier multivariat tergantung banyaknya variabel prediktor yang

terlibat dalam model.
Dewasa ini, terdapat beberapa kriteria dalam pemilihan model terbaik
yang sudah umum digunakan dan salah satunya adalah AIC. AIC (Akaike
Information Criterion) merupakan estimator tak bias dari ekspektasi Jarak
Kullback-Leibler yang dibentuk berdasarkan jarak antara densitas model
sebenarnya dengan densitas model sementara untuk setiap model (Akaike, 1973).
Dalam perkembangannya, kriteria informasi AIC masih memiliki beberapa
kekurangan yaitu AIC tidak bekerja baik pada sampel kecil. Hal tersebut menjadi
pacuan untuk memperbaiki AIC, sehingga diformulasikan koreksi dari AIC yang
dikenal dengan nama AICC (Akaike Information Criterion Correction). AICC
untuk regresi multivariat dikembangkan oleh Bedrick dan Tsai pada tahun 1994
Seiring berkembangnya ilmu pengetahuan, Hafidi dan Khadri (2006)
memperkenalkan KICC (Kullbacks Information Criterion Correction). Mereka
menjelaskan tentang bagaimana kriteria koreksi AICC dan AIC memiliki
ketepatan prediksi yang lebih rendah jika dibandingkan KICC (Kullbacks
Information Criterion Correction) saat diterapkan pada sampel kecil. KICC
merupakan penyempurnaan dari kriteria AIC dan AICC, apabila AIC dan AICC
menggunakan Jarak Kullback-Leibler sebagai dasar pembentukan kriteria uji,
maka KICC menggunakan jumlahan jarak Kullback-Leibler atau yang biasa
disebut Jarak Simetris Kullback-Leibler.
Hal-hal tersebut diataslah yang mendorong penulis untuk mengangkat
bahasa tentang penggunaan KICC (Kullbacks Information Criterion Correction)
dalam regresi linear multivariat untuk menentukan variabel bebas apa saja yang
dapat dijadikan indikator dalam model regresi multivariat yang terbentuk.

1.2 Tujuan Penelitian

Tujuan yang ingin dicapai dari penulisan skripsi ini adalah:
1. Sebagai salah satu syarat untuk memperoleh gelar sarjana pada Program
Studi Statistika, Jurusan Matematika, Universitas Gadjah Mada.

2. Mempelajari model regresi linear multivariat.

3. Mempelajari KICC (Kullbacks Information Criterion Correction) sebagai
metode untuk memperoleh model terbaik pada analisis regresi linear
multivariat.

1.3 Manfaat Penelitian

Dari hasil penulisan skripsi ini diharapkan dapat memberikan informasi
kepada pembaca tentang KICC (Kullbacks Information Criterion Correction)
sebagai salah satu metode untuk mendapatkan model terbaik pada analisis regresi
linear multivariat.

1.4 Perumusan dan Pembatasan Masalah

Berdasarkan latar belakang dan kajian-kajian pendukung lainnya, maka
penulis hanya membatasi penulisan skripsi ini. Bahwa metode seleksi model
menggunakan KICC (Kullbacks Information Criterion Correction) pada skripsi
ini digunakan pada kasus regresi linear multivariat

1.5 Tinjauan Pustaka

Penulisan penelitian ini berangkat dari beberapa penelitian dengan tema
serupa yang telah dilakukan oleh pada tahun 2003 yang memperkenalkan KICC
untuk regresi linear sederhana.
Selanjutnya Bedrick dan Tsai pada tahun 1994 membahas kriteria uji
AICC (Akaike Information Criterion Correction) yang merupakan koreksi
terhadap AIC, karena dalam penelitiannya ditemukan kenyataan bahwa AIC tidak
bekerja baik pada sampel kecil. Sehingga dibentuklah formulasi AICC sebagai
penyempurnaan terhadap AIC.
Selain itu, Cavanaugh (1999) juga membentuk kriteria uji KIC (Kullback
Information Criterion) sebagai penyempurnaan AIC pada sampel besar. Seiring
berkembangnya ilmu pengetahuan, Hafidi dan Khadri (2006) memperkenalkan
kriteria seleksi dengan menggunakan KICC (Kullbacks Information Criterion

Correction)

. Mereka merumuskan KICC yang diterapkan dalam regresi

berganda, regresi linear multivariat dan juga data runtun waktu. KICC merupakan
estimator tak bias dari ekspektasi Jarak Simetris Kullback-Leibler yang dibentuk
berdasarkan jarak antara densitas model sebenarnya dengan densitas model
sementara untuk setiap model.

1.6 Metode Penulisan

Metode penulisan yang digunakan dalam karya tulis ini adalah
berdasarkan studi literatur yang didapatkan dari perpustakaan serta jurnal-jurnal
dan buku-buku yang berhubungan dengan tema dari tugas akhir ini. Sumber
lainnya juga diperoleh melalui situs-situs pendukung yang tersedia di internet.
Pengerjaan karya tulis ini juga ditunjang dengan beberapa perangkat lunak yaitu
Microsoft Excel 2010, dan R versi 3.2.2

1.7 Sistematika Penulisan

Sistematika penulisan tugas akhir ini terdiri dari lima bab, yaitu sebagai berikut:
BAB I

Pendahuluan
Bab ini membahas tentang latar belakang dan permasalahan,
tujuan, manfaat penulisan, perumusan dan batasan masalah,
tinjauan pustaka, metode penulisan dan sistematika penulisan.

BAB II

Dasar Teori
Bab ini membahas tentang teori-teori yang berhubungan dengan
tema tugas akhir ini, khususnya teori-teori yang berhubungan
dengan kriteria pemilihan model dan analisis regresi linear
multivariat

BAB III

KICC (Kullbacks Information Criterion Correction) dalam

Analisis Regresi Linear Multivariat. Bab ini membahas tentang
pembentukan kriteria KICC dalam pemilihan model terbaik pada
regresi linear multivariat.
4

BAB IV

Studi Kasus
Bab ini membahas tentang aplikasi KICC (Kullbacks Information
Criterion Correction) sebagai kriteria pemilihan model pada
Analisis Regresi Multivariat Indikator Kesehatan di Provinsi dan
Kota di Jawa Timur dengan menggunakan software R.

BAB V

Penutup
Bab ini membahas tentang kesimpulan yang diperoleh dari hasil
pembahasan pada bab-bab sebelumnya. Bab ini juga membahas
saran-saran yang diberikan penulis atas permasalahan yang terjadi.