Perbandingan Performa Parameter Ridge-K pada Regresi Ridge untuk Mengatasi Multikolinearitas

Abstract

Multikolinearitas terjadi ketika antar peubah bebas terdapat hubungan linear. Multikolinearitas dapat membuat hasil pendugaan koefisien regresi menggunakan analisis regresi linear berganda tidak akurat. Salah satu cara mengatasi multikolinearitas adalah regresi ridge. Regresi ridge merupakan modifikasi dari metode kuadrat terkecil dengan penambahan nilai tetapan bias k. Nilai parameter k pada regresi ridge mempunyai peran penting untuk mengontrol bias regresi terhadap rata-rata peubah tak bebas. Penelitian ini menerapkan regresi ridge menggunakan nilai parameter yang diusulkan oleh Hoerl, Lawless dan Wang serta Dorugade pada data simulasi yang memiliki tingkat multikolinearitas rendah, sedang, tinggi, sangat tinggi dan pada data riil yaitu data indeks pembangunan manusia (IPM) di Pulau Jawa. Hasil analisis pada data simulasi menunjukkan bahwa regresi ridge merupakan metode terbaik pada data dengan tingkat multikolinearitas sedang, tinggi, dan sangat tinggi. Penerapan pada data IPM menunjukkan bahwa regresi ridge dengan parameter Hoerl merupakan metode terbaik pada data dengan tingkat multikolinearitas tinggi.

Multicollinearity occurs when there is linear relation among independent variables. Multicollinearity can effect the estimation of regression coefficients using multiple linear regression inaccurate. Ridge regression is one of the ways that can be used to overcome multicollinearity. It is a modification of the least-square method with adding the value of constant k. The parameter k on the ridge regression has important roles to control the regression bias to the average of dependent variable. The ridge regression in this research is applied using the parameter that proposed by Hoerl, Lawless and Wang, and also Dorugade on the simulation data that has low, moderate, high, very high multicollinearity levels and also applied on the riil data, Human Development Index (HDI) in Java Island. The result on the simulation data shows that ridge regression is the best way for the data in low, moderate, high, and very high multicollinearity levels. The application on HDI data shows that the ridge regression with Hoerl's parameter is the best method for high multicollinearity data.