Kajian Evaluasi Metode Ridge Kekar untuk Data yang Mengandung Pencilan dan Multikolinieritas

Abstract

Pada regresi linier, Metode Kuadrat Terkecil (MKT) merupakan penduga parameter yang paling populer. Namun, MKT bersifat tidak kekar ketika dalam data terdapat pencilan, karena dapat menyebabkan penduga MKT menjadi bias. Masalah serius lainnya dalam menduga parameter model regresi berganda adalah adanya multikolinieritas. Adanya multikolinieritas mengakibatkan penduga koefisien regresi yang diperoleh dari MKT akan menghasilkan ragam penduga yang besar, meskipun tetap tidak bias. Masalah multikolinieritas dan adanya pencilan bisa terjadi secara bersamaan dalam satu set data. Seperti pada bidang kemometrik, pertanian, makroekonomi, dan lain sebagainya. Maka sangat penting untuk mengombinasikan metode-metode pendugaan yang dirancang untuk mengatasi masalah tersebut. Salah satu metode untuk mengatasi kedua masalah tersebut adalah Ridge kekar yang sangat berguna ketika diasumsikan bahwa semua koefisien regresi memiliki kepentingan yang sama dan bisa memboboti pencilan. Penelitian ini mengkaji metode Ridge kekar berdasarkan penduga M, S, dan MM untuk mengatasi pencilan dan multikolinieritas dalam satu set data. Kajian metode ini dilakukan pada data simulasi dengan berbagai proporsi pencilan dan skenario korelasi antar peubah bebas, kemudian diaplikasikan pada data angkatan kerja Indonesia. Mean Square Error (MSE), bias relatif mutlak, dan VIF (Variance Inflation Factor) digunakan sebagai kriteria untuk menjelaskan kebaikan dari penduga tersebut. Hasil kajian terhadap data simulasi menujukkan secara umum metode Ridge kekar (Ridge M, Ridge S, Ridge MM) dengan ��������=0 baik dalam melakukan pendugaan parameter regresi pada data yang mengandung pencilan. Metode Ridge dengan ��������=0.015 baik dalam menduga parameter regresi pada data yang terdapat masalah multikolinieritas. Sedangkan pada data yang mengandung kedua masalah tersebut (pencilan dan multikolinieritas), metode terbaik dalam melakukan pendugaan parameter regresi adalah Ridge kekar (Ridge M, Ridge S, Ridge MM) dengan ��������=0.015. Pada data angkatan kerja Indonesia, metode terbaik adalah Ridge M.