Least Absolute Shringkage and Selection Operator (LASSO) pada Data dengan Multikolinieritas

Abstract

Analisis regresi adalah suatu alat dalam statistika yang digunakan untuk mengidentifikasi hubungan antar peubah. Analisis ini akan menghasilkan suatu model hubungan antara peubah respon dengan peubah penjelas yang disebut sebagai model regresi. Pada model regresi terdapat parameter yang perlu diduga. Metode yang umum digunakan untuk menduga parameter model regresi adalah Metode Kuadrat Terkecil atau MKT. Pada metode ini terdapat asumsi yang perlu dipenuhi salah satunya adalah tidak adanya mulitkolinieritas atau korelasi antar peubah penjelas. Jika asumsi ini tidak terpenuhi maka pada saat pendugaan parameter akan menghasilkan parameter yang tidak unik serta interpretasi yang dilakukan menjadi tidak valid. Beberapa metode yang umum digunakan untuk mengatasi hal ini adalah regresi bertatar langkah maju, regresi gulud, dan pemilihan subset terbaik. Pada tahun 1996, Tibshirani memperkenalkan suatu metode baru yaitu LASSO. Metode LASSO mengatasi masalah multikolinieritas pada data dengan cara menyusutkan koefisien parameter dan melakukan seleksi peubah penjelas. Pada penelitian ini digunakan data tahun 2009 dari 33 provinsi di Indonesia dengan peubah penjelas angka harapan hidup (AHH) dengan sembilan peubah penjelas. Dari hasil analisis menunjukkan bahwa metode LASSO menghasilkan model yang sederhana karena secara tidak langsung akan mengeliminasi peubah penjelas dengan multikolinieritas. Oleh karena itu, LASSO dapat dijadikan sebagai alternatif metode untuk mengatasi data dengan multikolinieritas dan pemilihan model terbaik.