Penerapan Algoritma Genetika sebagai Metode Seleksi Peubah Penjelas Berkorelasi Tinggi pada Regresi Linier.
View/ Open
Date
2015Author
Akyas, Fariz
Soleh, Agus Mohamad
Wigena, Aji Hamim
Metadata
Show full item recordAbstract
Metode kuadrat terkecil (MKT) adalah metode pendugaan parameter regresi tak bias yang terbaik. Nilai parameter peubah penjelas hasil pendungaan dapat diuji dengan menggunakan statistik uji-t. Adanya multikolinearitas akan mempengaruhi hasil pengujian. Semakin tinggi multikolinearitas dari setiap peubahnya dapat mengakibatkan hasil uji cenderung untuk menyatakan bahwa peubah tersebut tidak berpengaruh. Salah satu solusi untuk masalah ini adalah seleksi peubah penjelas yaitu metode LASSO. Algoritma genetika juga dapat diterapkan sebagai metode seleksi. Algoritma genetika yang digunakan pada penelitian ini ada dua jenis yaitu GA(AIC) dengan kriteria fitness AIC dan GA(BIC) dengan kriteria fitness BIC. Hasil simulasi menunjukkan bahwa GA(AIC) menghasilkan model dengan RMSE yang paling kecil dibandingkan dengan GA(BIC) maupun metode LASSO. Hasil penerapan ketiga metode dengan data aktual menunjukkan LASSO menghasilkan RMSEP yang lebih kecil diantara ketiga algoritma tetapi GA(AIC) dan LASSO cenderung menghasilkan model yang overfitting pada setiap simulasinya.