Pemodelan Regresi LASSO pada Produk Domestik Bruto Global Menggunakan Deteksi Pencilan dan Imputasi Data Hilang dengan DDC dan KNN

Abstract

Produk domestik bruto (PDB) merupakan indikator makroekonomi yang lazim digunakan untuk mengukur kinerja ekonomi suatu negara. Dalam pengambilan keputusan kebijakan ekonomi, diperlukan ketepatan dalam penghitungan PDB. Kompleksnya aktivitas ekonomi global meningkatkan kesulitan dalam penghitungan dan mendorong dilakukannya prediksi PDB dengan menggunakan banyak faktor ekonomi yang berkontribusi. Selain itu, tingginya variasi data memungkinkan terdapat data hilang atau pencilan di dalamnya. Dalam hal ini, LASSO merupakan salah satu metode yang mampu menangani kasus atau kendala yang dihadapi dengan memberikan solusi yang sederhana. Namun, LASSO tidak robust terhadap pencilan sehingga pencilan harus diatasi.

Data yang digunakan dalam penelitian ini merupakan data berdimensi tinggi (ukuran peubah melebihi observasi) dan tidak berdimensi tinggi. Lebih lanjut, masing-masing gugus data dilakukan Detecting Deviating Data Cells dan imputasi K-Nearest Neighbors sehingga tersedia empat dataset yang berbeda. Tujuan penelitian ini adalah membangun model LASSO menggunakan keempat dataset tersebut, lalu membandingkan ukuran kebaikan modelnya. Model terbaik adalah persamaan regresi LASSO yang dibangun dari data berdimensi tinggi tanpa data hilang dan dilakukan deteksi pencilan menggunakan Z-score serta substitusi pencilan menggunakan KNN. RMSE dan MAE model tersebut cenderung rendah serta nilai ??2 yang stabil apabila dibandingkan dengan persamaan regresi LASSO yang dibangun dari dataset lainnya, baik pada data latih maupun data uji.

Gross domestic product (GDP) is a macroeconomic indicator commonly used to measure a country's economic performance. In making economic policy decisions, accuracy in calculating GDP is required. The complexity of global economic activity increases the difficulty in calculating and encourages GDP predictions using many contributing economic factors. In addition, the high variation in data allows for missing data or outliers in it. In this case, LASSO is one method that can handle obstacles faced by providing simple solutions. However, LASSO is not robust to outliers so outliers must be overcome.

The data used are high-dimensional data (variable size exceeds observation) and are not high-dimensional. Furthermore, each data cluster is subjected to DDC and KNN imputation so that four different datasets are available. The purpose of this study is to build a LASSO model using the four datasets, then compare the evaluation metrics. The best model is the LASSO regression equation built from high-dimensional data without missing data, outlier detection using Z-score, and outlier substitution using KNN. The RMSE and MAE of the model tend to be low and the ??2 value is stable when compared to the LASSO regression equation built from other datasets, both on training and test data.