2
kriteria untuk mengevaluasi pemilihan model terbaik dalam Best Subset Regrression.
Salah satu diantaranya dapat menggunakan statistik C-p Mallow (Hanum, 2011).
Statistik C-p Mallow
dikembangkan oleh Colin Mallows sebagai alat dalam
mengestimasi jumlah variabel penjelas regresi. Statistik C-p Mallow
membandingkan ketepatan dan bias dari model penuh dengan model subset terbaik
dari jumlah variabel penjelas. Sebuah model dengan terlalu banyak variabel penjelas
dapat menghasilkan model yang tidak tepat (Nirmalraj dan Malliga, 2011). Pada
statistik C-p Mallow, model yang baik memiliki nilai statistik C-p Mallow mendekati
jumlah parameter. Selain itu, diketahui juga model dengan nilai C-p Mallow
yang
kecil yang akan digunakan (Lindsey dan Sheather, 2010).
Regresi linier menghasilkan model-model berdasarkan hasil analisis statistik
yang dapat memberikan
manfaat jika model yang benar telah dipilih dan asumsi lain
yang mendasari
model terpenuhi (Freund, Wilson, and Sa, 2006:119). Dalam model
regresi linier terdapat asumsi klasik yang
diperlukan untuk mendapatkan estimator
Ordinary Least Squared (OLS) yang bersifat Best Linear Unbiased Estimator
(BLUE). Terdapat empat asumsi klasik yang harus terpenuhi yaitu uji normalitas
residual, uji autokorelasi residual, uji heteroskedastisitas residual dan uji
multikolinearitas (Rosadi, 2011:71-75).
Pada setiap uji asumsi, seringkali terjadi pelanggaran-pelanggaran.
Pelanggaran pada uji normalitas yaitu residual tidak berdistribusi normal. Salah satu
cara yang dilakukan untuk mengatasi residual yang tidak berdistribusi normal adalah
dengan mentransformasikan variabel dependen ke dalam bentuk Logaritma Natural
(Priatinah dan Kusuma, 2012). Pelanggaran terhadap uji heteroskedastisitas yaitu
residual
variance
berubah-ubah. Salah satu metode estimasi parameter yang bisa
mengatasi hal tersebut adalah metode regresi kuantil median (Uthami, Sukarsa,
 |