Melola Discovery

← Melola Discovery

Proceedings

PENAKSIRAN PARAMETER REGRESI SEDERHANA DENGAN METODE THEIL

Seminar Nasional Teknologi Terapan Berbasis Kearifan Lokal · Vol. 2 No. 1 (2021)

Published
2021-02-20
Publisher
Seminar Nasional Teknologi Terapan Berbasis Kearifan Lokal
Language
eng

Abstract

ABSTRAKMetode Kuadrat Terkecil (MKT) merupakan metode penaksir parameter yang biasa digunakan dalam regresi sederhana. Penaksir ini mensyaratkan asumsi bahwa galat model regresi harus berdistribusinormal. Namun dalam penerapannya seringkali ditemui kasus data regresi yang tidak memenuhi asumsitersebut. Penelitian ini mengkaji efisiensi metode Theil dalam penaksiran parameter regresi sederhanaapabila galat berdistribusi log-normal dengan μ = 0 dan σ2 = 0,35 serta σ2 = 2. Data penelitiandibangkitkan dengan simulasi pada ukuran sampel n = 15, 35, 60, dan 150 yang diulang 1000 kali. Dataregresi dibentuk dengan mengambil β0 = 10, β1 = 2, dan X berdistribusi seragam. Hasil penaksirandievaluasi dengan statistik KTG. Hasil penelitian menunjukkan bahwa metode Theil lebih baik digunakanuntuk berbagai ukuran sampel ketika galat model berdistribusi log-normal dibandingkan dengan MKT.Kata kunci: metode Theil, penaksiran parameter, regresi sederhana

Collaboration network of the authors

40 authors · 146 co-authorship links · 26 across different organisations · showing the 40 most connected

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

  • Universitas Halu Oleo
  • Institut Agama Islam Negeri Kendari
  • State University of Makassar
  • Affiliation unknown
  • Different organisations
  • Same organisation
  • Affiliation unknown
  • Thicker line = more joint articles · bigger circle = more articles
Show as table
Co-authorOrganisationJoint articles
Lilis LaomeAffiliation unknown13
Gusti Ngurah Adhi WibawaUniversitas Halu Oleo9
Agusrawati AgusrawatiUniversitas Halu Oleo6
Lilis LaomeUniversitas Halu Oleo6
Gusti Ngurah Adhi WibawaAffiliation unknown6
Andi Tenri AmpaUniversitas Halu Oleo4
Gusti N.A. WibawaAffiliation unknown4
Ida UsmanAffiliation unknown4
Rahmaliah SahupalaAffiliation unknown3
Mukhsar MukhsarAffiliation unknown3
Lestari DaswanInstitut Agama Islam Negeri Kendari2
Fahinu FahinuAffiliation unknown2
Kodirun KodirunUniversitas Halu Oleo2
Ahid HidayatUniversitas Halu Oleo2
Wayan SomayasaAffiliation unknown2
Irma YahyaUniversitas Halu Oleo2
Dian Christien ArisonaUniversitas Halu Oleo2
Busnawir BusnawirUniversitas Halu Oleo2
Safira Nur AdhanUniversitas Halu Oleo1
Ruslan RuslanUniversitas Halu Oleo1
Andi PatombongiAffiliation unknown1
Baharuddin BaharuddinAffiliation unknown1
La Ode SaidiUniversitas Halu Oleo1
Amirullah AmirullahState University of Makassar1
Hartini HartiniUniversitas Halu Oleo1
M SetiawanInstitut Agama Islam Negeri Kendari1
Nina ApriyantiInstitut Agama Islam Negeri Kendari1
Idul SetiawanInstitut Agama Islam Negeri Kendari1
Indiyanti IndiyantiAffiliation unknown1
Cici ImayantiAffiliation unknown1
Nana SumarnaAffiliation unknown1
Sitti Kurnia Purnama AksanAffiliation unknown1
Hafiludin SamparadjaUniversitas Halu Oleo1
Hartono HartonoUniversitas Halu Oleo1

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

Metadata source: OAI-PMH (metadata jurnal) https://ojs.uho.ac.id/index.php/snt2bkl/oai, first harvested 31 Oct 2026, last seen 8 Nov 2026.
Original metadata (oai_dc) 
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en-US">PENAKSIRAN PARAMETER REGRESI SEDERHANA DENGAN METODE THEIL</dc:title>
	<dc:creator>Marliani, Marliani</dc:creator>
	<dc:creator>Baharuddin, Baharuddin</dc:creator>
	<dc:creator>Abapihi, Bahriddin</dc:creator>
	<dc:creator>Yahya, Irma</dc:creator>
	<dc:creator>Makkulau, Makkulau</dc:creator>
	<dc:creator>Agusrawati, Agusrawati</dc:creator>
	<dc:description xml:lang="en-US">ABSTRAKMetode Kuadrat Terkecil (MKT) merupakan metode penaksir parameter yang biasa digunakan dalam regresi sederhana. Penaksir ini mensyaratkan asumsi bahwa galat model regresi harus berdistribusinormal. Namun dalam penerapannya seringkali ditemui kasus data regresi yang tidak memenuhi asumsitersebut. Penelitian ini mengkaji efisiensi metode Theil dalam penaksiran parameter regresi sederhanaapabila galat berdistribusi log-normal dengan μ = 0 dan σ2 = 0,35 serta σ2 = 2. Data penelitiandibangkitkan dengan simulasi pada ukuran sampel n = 15, 35, 60, dan 150 yang diulang 1000 kali. Dataregresi dibentuk dengan mengambil β0 = 10, β1 = 2, dan X berdistribusi seragam. Hasil penaksirandievaluasi dengan statistik KTG. Hasil penelitian menunjukkan bahwa metode Theil lebih baik digunakanuntuk berbagai ukuran sampel ketika galat model berdistribusi log-normal dibandingkan dengan MKT.Kata kunci: metode Theil, penaksiran parameter, regresi sederhana</dc:description>
	<dc:publisher xml:lang="en-US">Seminar Nasional Teknologi Terapan Berbasis Kearifan Lokal</dc:publisher>
	<dc:contributor xml:lang="en-US"></dc:contributor>
	<dc:date>2021-02-20</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:type xml:lang="en-US"></dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://ojs.uho.ac.id/index.php/snt2bkl/article/view/9854</dc:identifier>
	<dc:source xml:lang="en-US">Seminar Nasional Teknologi Terapan Berbasis Kearifan Lokal; Vol 2, No 1 (2019): Seminar Nasionar Teknologi Terapan Inovasi dan Rekayasa Teknologi</dc:source>
	<dc:language>eng</dc:language>
	<dc:relation>https://ojs.uho.ac.id/index.php/snt2bkl/article/view/9854/7091</dc:relation>
	<dc:relation>https://ojs.uho.ac.id/index.php/snt2bkl/article/downloadSuppFile/9854/884</dc:relation>
	<dc:rights xml:lang="en-US">Copyright (c) 2019 Seminar Nasional Teknologi Terapan Berbasis Kearifan Lokal</dc:rights>
</oai_dc:dc>