Perbandingan Regresi Ridge dan Partial Least Square Dalam Mengatasi Multikolinearitas Pada Faktor-faktor Yang Mempengaruhi Kemiskinan di Nusa Tenggara Barat

Baiq Desi Nurma Sari; Lisa Harsyiah; Zulhan Widya Baskara

doi:10.29303/ijasds.v2i2.8051

Penulis

Baiq Desi Nurma Sari Program Studi Matematika, Universitas Mataram
Lisa Harsyiah Program Studi Statistika, Universitas Mataram
Zulhan Widya Baskara Program Studi Statistika, Universitas Mataram

DOI:

https://doi.org/10.29303/ijasds.v2i2.8051

Kata Kunci:

Kemiskinan, Multikolinieritas, Regresi Ridge, Partial Least Square

Abstrak

Kemiskinan adalah salah satu masalah yang sangat serius dan harus segara diatasi. Adapun langkah untuk mengatasi kemiskinan adalah dengan menetukan faktor-faktor yang mempengaruhi. Salah satu teknik statistika yang digunakan untuk melihat hubungan variabel prediktor dengan variabel respon.adalah analisis regresi. Salah satu asumsi penting yang harus dipenuhi adalah tidak adanya multikolinearitas. Multikolinearitas merupakan terjadinya korelasi antara beberapa atau semua variabel prediktor yang menyebabkan keakuratam model berkurang. Oleh karena itu, multikolinearitas harus diatasi supaya menghasilkan model yang tepat. Pada penelitian ini metode yang digunakan adalah regresi Ridge dan Partial Least Square. Tujuannya yaitu untuk mengatasi masalah multikolinearitas. Nilai dari R²_adj adalah sebagai suatu kriteria pembanding. Kedua metode itu diterapkan pada data kemiskinan yang mempunyai multikolinieritas. Nilai R²_adj didapatkan dari hasil penelitian regresi Ridge yaitu adalah sebesar 68,57%. Sementara itu, model Partial Least Square (PLS) menghasilkan nilai R²_adj sebesar 75,1%. Dari hasil perbandingan dapat ditarik kesimpulan bahwa model PLS memberikan hasil yang lebih optimal dibandingkan regresi ridge dalam kasus multikolinearitas pada model faktor-faktor yang mempengaruhi tingkat kemiskinan di Provinsi Nusa Tenggara Barat.

Referensi

Annisa, H., Pradita, N. F., & Sukmawaty, Y. (2020). Analisis Kasus Kemiskinan di Provinsi Kalimantan Tengah dengan Pendekatan Principal Component Analysis. Jurnal Al-Qardh, 5(2), 134-141.

Astuti, A. D. (2014). Partial Least Square (PLS) dan Principal Component Regression (PCR) untuk Regresi Linear dengan Multikolineartas pada Kasus Indeks Pembangunan Manusia di Gunung Kidul. Skripsi. Universitas Negeri Yogyakarta.

Bastien, P., Vinzi, V., & Tenenhaus, M. (2004). Partial Least Square Generalized Linear Regression. Computational Statistics & Data Analysis 48, 17-46.

Basuki, T., & Prawoto. (2016). Analisis Regresi dalam Penelitian Ekonomi dan Bisnis: Dilengkapi Aplikasi SPSS dan Eviews. Jakarta: PT Raja Grafindo Persada.

Draper, N.R. dan Smith, H. (2014). Applied Regression Analysis,pp. 1–716.

Ghozali, I., (2008). Aplikasi Analisis Multivariate dengan Program IBM SPSS 23 (Edisi Kedelapan). Semarang: Universitas Diponegoro.

Hoerl, A. E., dan Kennard, R. W., (1970). Ridge regression: Biased estimation for nonorthogonal problems. Technometrics, 12(1), 55-67.

Montgomery, D. C., Peck, E. A., dan Vining, G. G., (2012). Introduction to Linear Regression Analysis (Fifth Edition). Wiley.

Nurhasanah, Subianto, M., dan Fitriani, R., (2012). Perbandingan metode Partial Least Square (PLS) dengan regresi komponen utama untuk mengatasi multikolinearitas. Statistika 12.1.

Younker, J., (2012). Ridge Estimation and its Modifications for Linear Regression for Linear Regression with Deterministic or Stochastic Predictors. Canada: University of Ottawa.