PENERAPAN GENERALIZED RIDGE REGRESSION (GRR) PADA METODE ESTIMASI ROBUST LEAST MEDIAN SQUARE (LMS) UNTUK MENGATASI OUTLIER DAN MULTIKOLINIERITAS

Evi Hastuti, NIM.: 20106010031 (2024) PENERAPAN GENERALIZED RIDGE REGRESSION (GRR) PADA METODE ESTIMASI ROBUST LEAST MEDIAN SQUARE (LMS) UNTUK MENGATASI OUTLIER DAN MULTIKOLINIERITAS. Skripsi thesis, UIN SUNAN KALIJAGA YOGYAKARTA.

	Text (PENERAPAN GENERALIZED RIDGE REGRESSION (GRR) PADA METODE ESTIMASI ROBUST LEAST MEDIAN SQUARE (LMS) UNTUK MENGATASI OUTLIER DAN MULTIKOLINIERITAS) 20106010031_BAB-I_IV-atau-V_DAFTAR-PUSTAKA.pdf - Published Version Download (3MB)
	Text (PENERAPAN GENERALIZED RIDGE REGRESSION (GRR) PADA METODE ESTIMASI ROBUST LEAST MEDIAN SQUARE (LMS) UNTUK MENGATASI OUTLIER DAN MULTIKOLINIERITAS) 20106010031_BAB-II_sampai_SEBELUM-BAB-TERAKHIR.pdf - Published Version Restricted to Registered users only Download (5MB) | Request a copy

Abstract

Analisis regresi linier berganda merupakan analisis regresi yang digunakan untuk menganalisis data tentang hubungan linier dari suatu variabel dependen terhadap beberapa variabel independen. Metode ridge-robust adalah salah satu penyelesaian yang digunakan untuk menangani permasalahan multikolinieritas dan outlier dalam data. Penggabungan kedua metode regresi tersebut menjadi pilihan yang efektif dibandingkan menerapkannya secara terpisah. Seperti pada data Indeks Pembangunan Manusia (IPM), usia harapan hidup saat lahir, harapan lama sekolah, rata-rata lama sekolah, pengeluaran perkapita disesuaikan, dan banyaknya puskesmas pada 35 kabupaten/kota di Provinsi Jawa Tengah pada tahun 2022 yang melanggar asumsi non multikolinieritas dan terdapat indikasi adanya outlier pada data. Berdasarkan permasalahan yang ada, penggunaan metode Generalized Ridge Regression (GRR) dengan estimasi Least Median Square (LMS) adalah pilihan yang tepat untuk menduga parameter regresi. Pengujian untuk menentukan model terbaik dilakukan dengan menggunakan standard error, (koefisien determinasi), dan AIC (Akaike Determination Criterion), didapat kesimpulan bahwa metode regresi ridge-robust menghasilkan model yang lebih baik dibandingkan dengan Ordinary Least Square (OLS).

Share this knowledge with your friends :

Actions (login required)

View Item