ANALISIS REGRESI LOGISTIK BINER DENGAN METODE GROUP LASSO DALAM DATA BERDIMENSI TINGGI : Studi Kasus Analisis Faktor-Faktor Capaian Indeks Pembangunan Manusia Kota/Kabupaten di Jawa Barat)

• Main Author: Rizal Padhilah, - (Author)
• Format: Book
• Published: 2023-04-17.
• Subjects: Thesis; NonPeerReviewed
• Online Access: Link Metadata
• Notes: http://repository.upi.edu/89821/1/S_MAT_1900826_Title.pdf; http://repository.upi.edu/89821/2/S_MAT_1900826_Chapter1.pdf; http://repository.upi.edu/89821/6/S_MAT_1900826_Chapter2.pdf; http://repository.upi.edu/89821/3/S_MAT_1900826_Chapter3.pdf; http://repository.upi.edu/89821/4/S_MAT_1900826_Chapter4.pdf; http://repository.upi.edu/89821/5/S_MAT_1900826_Chapter5.pdf; http://repository.upi.edu/89821/6/S_MAT_1900826_Appendix.pdf
• Keywords: L Education (General)

Data berdimensi tinggi merupakan data dengan karakteristik jumlah variabel bebas yang lebih banyak daripada amatan. Banyak variabel dalam data seperti ini seringkali memunculkan masalah, sehingga perlu pendekatan yang berbeda dalam analisis. Salah satu metode yang dapat mengatasi hal tersebut adalah metode Group LASSO. Group LASSO digunakan untuk mempermudah penyeleksian variabel yang membentuk sebuah kelompok. Group LASSO dapat diterapkan dalam analisis regresi, khususnya regresi logistik biner. Penelitian ini bertujuan untuk menerapkan model regresi logistik biner Group LASSO pada data capaian IPM Kota/Kabupaten di Jawa Barat tahun 2020, sehingga memperoleh faktor-faktor yang paling berpengaruh terhadap capaian IPM. Pada penelitian ini, jumlah amatan yang digunakan berupa banyak Kota/Kabupaten di Jawa Barat sebanyak 27 amatan. Adapun variabel bebas dalam penelitian ini digunakan kelompok variabel yang diduga berpengaruh terhadap capaian IPM, seperti pendidikan, kesehatan, ekonomi, lingkungan, kependudukan, dan penyandang masalah kesejahteraan sosial. Dari hasil analisis, diperoleh model regresi logistik biner Group LASSO dengan nilai λ yang optimal sebesar 0,0167 dari validasi silang. Dari model tersebut dihasilkan faktor yang berpengaruh terhadap capaian IPM Kota/Kabupaten di Jawa Barat tahun 2020, yaitu kelompok pendidikan, kelompok ekonomi, kelompok lingkungan, dan kelompok kependudukan dengan akurasi model prediksi 100%. High-dimensional data is data characterized by more independent variables than observations. Many variables in such data often lead to problems, so a different approach is needed in the analysis. One method that can overcome this is the Group LASSO method. Group LASSO is used to simplify the selection of variables that form a group of variables to obtain a simpler model. Group LASSO can be applied in regression analysis, especially binary logistic regression. This study aims to apply the Group LASSO binary logistic regression model to the data on HDI achievements of Cities/Regencies in West Java in 2020 to obtain factors that affect HDI achievements. In this study, the number of observations used in the form of many Cities/Regencies in West Java is 27 observations. The independent variables in this study used a group of variables that are thought to affect HDI achievements, such as education, health, economy, environment, population, and people with social welfare problems. The analysis obtained a Group LASSO binary logistic regression model with an optimal λ value of 0.0167 from cross-validation. From this model, the factors influencing the HDI achievement of Cities/Regencies in West Java in 2020 are the education, economic, environmental, and population groups with a 100% accurate prediction model.