Penerapan Kombinasi Metode Ridge Regression (RR) dan Metode Generalized Least Square (GLS) untuk Mengatasi Masalah Multikolinearitas dan Autokorelasi

I Nurdin(1), S Sugiman(2), S Sunarmi(3),

DOI: https://doi.org/10.15294/ijmns.v41i1.16384


(1) Jurusan Matematika, FMIPA, Universitas Negeri Semarang, Indonesia
(2) Jurusan Matematika, FMIPA, Universitas Negeri Semarang, Indonesia
(3) Jurusan Matematika, FMIPA, Universitas Negeri Semarang, Indonesia

Abstract

Analisis regresi merupakan salah satu metode analisis data dalam statistika yang seringkali digunakan untuk mengkaji hubungan antara beberapa variabel dan meramal suatu variabel. Metode Generalized Least Square (GLS) merupakan salah satu metode yang digunakan untuk mengatasi masalah autokorelasi. Metode Ridge Regression (RR) merupakan salah satu metode yang digunakan untuk mengatasi masalah multikolinearitas. Tujuan penelitian ini adalah untuk menemukan model regresi terbaik dengan menggunakan metode RR dan metode GLS pada jumlah uang yang beredar.Tujuan lainnya yang ingin dicapai adalah menetapkan tetapan bias  untuk mengatasi masalah multikolinearitas, selanjutnya menentukan nilai koefisien autokorelasi  berdasarkan nilai , AR(1) residual dan Cochrane Orcutt Iterative Procedure serta dengan mentransformasikan variabel  dan . Hasil dari penelitian ini diperoleh nilai  dengan nilai VIF sebesar 4,6671 dan diperoleh persamaan model regresi berdasarkan nilai , AR(1) residual, dan Cochrane Orcutt Iterative Procedure. Model regresi berdasarkan nilai AR(1) residual merupakan model regresi terbaik karena mendekati selang  dengan nilai MSE 224506836,3 terkecil dan nilai  sebesar 72,3%.

Regression analysis is a statistical method of data analysis that often used to examine the relationship between several variables and predict a variable. Method of Generalized Least Square (GLS) is one of the method that used to overcome the problem of autocorrelation. Methods Ridge Regression (RR) is one method used to solve the problem of multicollinearity. The purpose of this research is to determine the best regression model of the amount of money in circulation by using RR and GLS method. The other purpose is to establish constant bias  to overcome the problem of multicollinearity, then determine the coefficient score of autocorrelation  based on the value , AR (1) residuals and Cochrane Orcutt Iterative Procedure and by transforming the variabel  and . The results of this study were obtained value   with VIF value of 4.6671 and equation regression model based on value , AR (1) residuals, and Cochrane Orcutt Iterative Procedure.  The regression model based on value is the best regression model for AR(1) residual approaching the hose  with a MSE (Mean Square Error) value 224506836,3 and the value  amounted to 72.3%.

Keywords

Analisis Regresi, Ridge Regression (RR), Generalized Least Square (GLS), Multikolinearitas, Autokorelasi

Full Text:

PDF

References

Draper N & Smith H. 1992. Analisis Regresi Terapan (2^nd ed.). Diterjemahkan oleh Bambang Sumantri. Jakarta: Gramedia Pustaka Utama.

Elfa DP. 2014. Perbandingan Metode Stepwise dan Ridge Regression dalam Menentukan Model Regresi Berganda Terbaik pada Kasus Multikolinearitas. Jurnal FMIPA Universitas Brawijaya, 2(5): 329-332.

Gujarati, DN. 2003. Basic Econometric (5^th ed.). New York: Mc Graw-Hill.

Hoerl AE & Kennard RW. 1970. Ridge regression: Biased estimation for nonorthogonal problems. Technometrics, 12(1): 55-67.

Hoerl AE, Kennard RW & Baldwin KF. 1975. Ridge Regression: Some Simulation. Commun. Stat. 4:104-123.

Iriawan N & Astuti S P. 2006. Mengolah Data Statistik dengan menggunakan Minitab 14. Yogyakarta: Andi.

Ketut NTU, Sukarsa KIG, & Kencana PIEN. 2013. Penerapan Metode Generalized Ridge Regression Dalam Mengatasi Masalah Multikolinearitas. ¬E-Jurnal Matematika, 2(1): 54-59.

Kutner MH, Nachtsheim CJ, & Neter J. 2004. Applied Linear Regression Models (4^th ed.). New York: McGraw-Hill Companies, Inc.

Markidakis S, Wheelwright SC, & McGee VE. 1999. Metode dan Aplikasi Peramalan (2^nded.). Jakarta: Erlangga.

Montgomery DC, Peck EA, & Vining AG. 2006. Introduction to Linear Regression Analysis (4^th ed.). New York: John Willey and Sons.

Novalia & Syazali M. 2014. Olah Data Penelitian Pendidikan. Bandar Lampung: Anugrah Utama Raharja (AURA).

Pasaribu M, Jalil A, & Lubis MR. 2015. Penerapan Analisis Regresi Ridge pada Data Pasien Hipertensi di Rumah Sakit Umum Daerah Sidikalang Tahun 2014. E-Jurnal Matematika, 1(2): 1-5.

Permana AT. 2014. Perbandingan Metode Trimmed Square (LTS) dan Penduga-S sebagai Metode Pendugaan Parameter Regresi Robust. Jurnal FMIPA Universitas Brawijaya, 2(2): 125-128.

Yusna NA, Sutikno, & Djumali. 2012. Pemodelan Faktor-Faktor yang Mempengaruhi Produksi dan Mutu Tembakau Temanggung dengan Kombinasi antara Generalized Least Square dan Regresi Ridge. Jurnal FMIPA Institusi Teknologi Sepuluh November, 1(1): 1-6.

Refbacks

  • There are currently no refbacks.


Bookmark and Share


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.