Analisis Regresi Linear Gerombol Dengan Algoritma Pertukaran (Exchange Algorithm).

Abstract

Analisis regresi linear pada suatu gugus data memiliki kemungkinan mempunyai lebih dari satu model regresi. Model-model regresi linear tersebut tidak dapat diduga dengan menggunakan satu model regresi, sehingga analisis regresi linear standar tidak dapat digunakan. Kondisi tersebut diduga disebabkan oleh adanya subpopulasi yang belum diketahui. Oleh karena itu, dibutuhkan metodologi lain untuk mendeteksi gerombol tersembunyi tersebut untuk menduga subpopulasi. Regresi linear gerombol merupakan salah satu jenis analisis regresi yang penting dalam pendugaan model untuk data yang memiliki subpopulasi yang belum diketahui. Regresi linear gerombol adalah teknik penggerombolan berdasarkan karakteristik parameter regresi untuk menemukan dan merekonstruksi struktur tersembunyi dari suatu contoh yang diambil secara acak dari populasi yang memiliki subpopulasi yang belum diketahui. Metode pendugaan parameter regresi yang digunakan pada penelitian ini adalah metode kuadrat terkecil. Pengoptimuman amatan yang masuk ke dalam gerombol digunakan algoritma pertukaran. Algoritma pertukaran menggerombolkan berdasarkan kemiripan karakteristik parameter regresi dengan kriteria optimumnya adalah minimum jumlah dari jumlah kuadrat galat (JJKG). Pada penelitian ini akan digunakan dua pendekatan yang berbeda pada proses inisialisasi. Inisialisasi pertama menggunakan inisialisasi acak dan inisialisasi yang kedua menggunakan inisialisasi regresi kekar yaitu least median of squares (LMS). Data pada penelitian ini terdiri dari dua sumber yaitu data simulasi dan data kasus terapan. Data simulasi terdiri dari 2 gugus data dengan 2 gerombol, 3 gugus data dengan 3 gerombol dan 1 gugus data tanpa gerombol. Data pada kasus terapan yang digunakan yaitu data ekonomi, kesehatan dan pendidikan pada anggaran pendapatan belanja daerah (APBD) terhadap data indeks pembangunan manusia (IPM) seluruh kota/kabupaten di Jawa Timur tahun 2013. Hasil simulasi menunjukkan bahwa inisialisasi acak lebih baik dalam pendugaan banyaknya subpopulasi dibandingkan inisialisasi LMS namun proses komputasi inisialisasi acak lebih lama dibandingkan dengan inisialisasi LMS karena inisialisasi acak menduga banyaknya subpopulasi dengan over-fitting. Inisialisasi dengan LMS juga tidak dapat mendeteksi jika tidak terdapat gerombol pada gugus data. Hasil pada kasus terapan menunjukkan bahwa gugus data memiliki 2 gerombol berdasarkan identifikasi data produk domestik regional bruto (PDRB) dan data pendidikan. Gerombol pertama merupakan gerombol kota dan gerombol kedua merupakan gerombol kabupaten.