REGRESI RIDGE PARSIAL UNTUK DATA YANG MENGANDUNG MASALAH MULTIKOLINEARITAS

Multikolinearitas merupakan kondisi dimana terdapat hubungan linear antar beberapa atau semua variabel bebas dari model regresi linear berganda. Multikolinearitas dapat mengakibatkan taksiran parameter koefisien regresi dari variabel-variabel tersebut tidak dapat ditaksir dengan pasti. Salah satu ca...

Full description

Saved in:
Bibliographic Details
Main Author: Ghaida Azzahra, - (Author)
Format: Book
Published: 2020-02-05.
Subjects:
Online Access:Link Metadata
Tags: Add Tag
No Tags, Be the first to tag this record!
Description
Summary:Multikolinearitas merupakan kondisi dimana terdapat hubungan linear antar beberapa atau semua variabel bebas dari model regresi linear berganda. Multikolinearitas dapat mengakibatkan taksiran parameter koefisien regresi dari variabel-variabel tersebut tidak dapat ditaksir dengan pasti. Salah satu cara untuk mengatasi permasalahan multikolinearitas adalah dengan menggunakan regresi ridge, namun terdapat keterbatasan dalam regresi ridge tersebut yaitu konstanta bias c diterapkan untuk semua variabel bebas terlepas dari tinggi rendahnya tingkat multikolinearitas. Dalam mengatasi keterbatasan tersebut, dibentuklah sebuah estimasi regresi ridge parsial. Regresi ridge parsial hanya menambahkan konstanta bias c untuk variabel yang mengandung kolinearitas tinggi. Penelitian ini menggunakan studi kasus mengenai angka kematian bayi di Provinsi Jawa Timur tahun 2018. Hasil penelitian menunjukkan adanya multikolinearitas pada data penelitian. Penyelesaian masalah multikolinearitas pada data penelitian dengan menggunakan regresi ridge memberikan nilai MSE sebesar 2214,491 dan untuk regresi ridge parsial sebesar 2004,45. Dari hasil tersebut dapat disimpulkan bahwa regresi ridge parsial lebih baik dalam mengatasi masalah multikolinearitas daripada regresi ridge, dengan model sebagai berikut. Y ̂=28,0636+0,0953X_2 Multicollinearity is a condition in which there is a linear relationship between some or all of the regressor variables of the multiple linear regression model. Multicollinearity can result in the estimated coefficient of regression coefficients of these variables that cannot be estimated with certainty. One way to overcome the multicollinearity problem is to use ridge regression, but there are limitations in the ridge regression that is the bias constant c is applied to all regressor variables regardless of the high or low levels of multicollinearity. In overcoming these limitations, a partial ridge regression estimation was formed. Partial ridge regression only adds bias c for variables containing high colinearity. This study uses a case study of infant mortality in East Java Province in 2018. The results of this study indicate the existence of multicollinearity in the research data. Solving multicollinearity problems in research data using ridge regression gives an MSE value of 2214,491 and for a partial ridge regression of 2004,45. From these results, it can be concluded that partial ridge regression is better at overcoming multicollinearity problems than ridge regression, with the following model. Y ̂=28,0636+0,0953X_2
Item Description:http://repository.upi.edu/46859/7/S_MAT_1604569_Title.pdf
http://repository.upi.edu/46859/2/S_MAT_1604569_Chapter1.pdf
http://repository.upi.edu/46859/3/S_MAT_1604569_Chapter2.pdf
http://repository.upi.edu/46859/4/S_MAT_1604569_Chapter3.pdf
http://repository.upi.edu/46859/5/S_MAT_1604569_Chapter4.pdf
http://repository.upi.edu/46859/6/S_MAT_1604569_Chapter5.pdf
http://repository.upi.edu/46859/1/S_MAT_1604569_Appendix.pdf