Performa Metode Elastic-Net dalam Kasus Multikolinearitas pada Analisis Linear Berganda
DOI:
https://doi.org/10.21831/pspmm.v3i0.123Keywords:
Elastis-NetAbstract
Analisis linear berganda umum digunakan untuk menganalisis data dengan variabel yang banyak. Selama proses menganalisa terdapat masalah umum yang sering dijumpai yaitu multikolinearitas. Multikolinearitas dapat diartikan sebagai adanya korelasi antara dua atau lebih variabel bebas. Multikolinearitas dapat dideteksi dengan cara: menghitung koefisien korelasi antara sesama variabel bebas, menghitung nilai Variance Inflation Factor (VIF), menghitung nilai TOL yaitu suatu ukuran tolerance untuk deteksi multikolinearitas, dan menghitung Condition Number (CN). Multikolinearitas dapat diatasi dengan cara: menambah data baru, menerapkan analisis komponen utama, menggunakan regresi gulud, menggunakan metode LASSO, dan menggunakan metode Elastic-Net. Metode Elastic-Net merupakan salah satu cara terbaik yang dapat digunakan. Elastic-Net menggabungkan penalti penyusutan regresi gulud dan LASSO sehingga membuatnya lebih efisien. Apabila 0, penalti penyusutan Elastic-Net menjadi penlati penyusutan regresi gulud. Apabila 1, penalti penyusutan Elastic-Net menjadi penaltipenyusutan LASSO. Hasil penelitian menunjukkan performa metode Elastic-Net dapat menangani multikolinearitas pada analisis linear berganda. Kata kunci: Analisis Linear Berganda, Multikolinearitas, Elastic-NetReferences
Greene, W. H., “Econometric Analysis Ed ke-7”, New York: Pearson, 2012.
Montgomery, D.C. and E.A. Peack., Introduction to Linear Regression Analysis, New York: John Willey & Sons, 2nd edition, 1991.
Sartika, I., N.N. Debataraja, dan N. Imro’ah, Analisis Regresi dengan Metode Least Absolute Shrinkage and Selection Operator(LASSO) dalam Mengatasi Multikolinieritas, Bimaster, 09(1), 31-38, 2020.
Sriningsih, M., D. Hatidja, dan J.D. Prang, Penanganan Multikolinieritas Dengan Menggunakan Analisis Regresi Komponen Utama pada Kasus Impor Beras di Provinsi Sulut, Jurnal Ilmiah Sains, 18(01), hal. 19-24, 2018.
Mela, C. F. and P. K. Kopalle, The impact of collinearity on regression analysis: the asymmetric effect of negative and positive correlation, Applied Economics 34, pp. 667–677, 2002.
Gujarati, D., Ekonometri Dasar (Terjemahan), Edisi Ke-2, Alih Bahasa Zeinn S., Jakarta: Erlangga, 1992.
Ryan, T.P., Modern Regression Methods, Georgia: John Willey & Sons, 1997.
Triwinasis, A., Pemilihan Model Regresi Terbaik dengan Metode regresi Semua Kemungkinan, Metode Eliminasi Langkah Mundur dan Metode Regresi Bertatar. Skripsi, Jember:MIPA Jember, 2003.
Adriyani, V. D., Penggunaan Analisis Komponen Utama untuk Mengatasi Multikolinearitas dalam Analisis Regresi Linear Berganda. Skripsi, Jember: MIPA Jember, 2003.
Dinanti, D.F., “Regularisasi Elastic-Net dalam Statistical Downs untuk Pendugan Curah Hujan”. Skripsi, Bogor: Statistika IPB, 2016.
Aunuddin, Statistika: Rancangan dan Analisis Data, Bogor: IPB Press, 2005.
Draper, N. dan H. Smith, Analisis Regresi Terapan(Terjemahan), Edisi ke-2, Alih Bahasa Bambang Sumantri, Jakarta: Gramedia, 1992.
Mendelhall, W. and Sinich T., A Second Course In Statistics Regression Analysis, 5th edition, New Jersey, 1996.
Gasperrsz, V., Ekonomi Terapan I, Bandung: Tarsito bandung, 1991.
Naes, T., Isaksson, T., Fearn, T., & Davies, T., Multivariate calibration and classification. West Sussex: NIR Publication, 2002.
Kusuma, G. W. dan I. Y. Wulansari, Analisis Kemiskinan dan Kerentanan Kemiskinan dengan Regresi Ridge, LASSO, dan Elstic-Net di Provinsi Jawa Tengah Tahun 2017, Seminar Nasional Official Statistics 2019: Pengembangan Official Statistics dalam mendukung Implementasi SDG’S, 2019.
Fanny, R., “Pendugaan Produktivitas Penangkapan Bagan Perahu di Pantai Carocok Tarusan Sumatera Barat dengan Regresi Gulud, LASSO dan Elastic-Net”. Skripsi, Bogor: Statistika IPB, 2018.
Zou, H. and T. Hastie, Regularization and variable selection via the elastic-net, Journal of the Royal Statistical Society Series, B 67, 301-320, 2005.
Hastie, T., R. Tibshirani, and J. Friedman, The Elements of Statistical Learning. Data Mining, Inference, and Prediction, New York: Springer, 2008.
