Kajian Model Prediksi Metode Least Absolute Shrinkage and Selection Operator (LASSO) pada Data Mengandung Multikolinearitas

Abstract

Indonesia dan semua negara di dunia masih berkutat dengan penanganan masalah Covid-19. Pengeluaran anggaran pemerintah terhadap penanganan di bidang kesehatan serta penyaluran bantuan sosial untuk masyarakat dapat mempengaruhi tingkat inflasi di Indonesia. Analisis yang digunakan adalah analisis regresi. Metode kuadrat terkecil (MKT) merupakan salah satu metode pendugaan parameter yang mensyaratkan ketiadaan multikolinearitas antar peubah bebas. Jika terdapat multikolinearitas maka Least Absolute Shrinkage and Selection Operator (LASSO) merupakan metode alternatif yang dapat menyeleksi peubah sekaligus menduga parameter. Tujuan penelitian ini adalah membandingkan performa LASSO dengan MKT dilihat dari root mean squared error (RMSEP) dan nilai mean absolute error (MAE) serta menentukan model regresi inflasi sejumlah kota besar di Indonesia dengan menggunakan metode LASSO. Data yang digunakan adalah data simulasi yang dibangkitkan dengan bantuan aplikasi dan data real yaitu inflasi 90 kota besar di Indonesia tahun 2020. Hasil penelitian menunjukkan bahwa LASSO menghasilkan nilai RMSEP dan nilai MAE yang jauh lebih baik dari MKT serta LASSO dapat menghasilkan model regresi untuk inflasi sejumlah kota besar di Indonesia dengan baik. Indonesia and all countries in the world are still struggling with the handling of the Covid-19 problem. The government's budget expenditure on handling in the health sector and the distribution of social assistance to the community can affect the inflation rate in Indonesia. The analysis used is regression analysis. The least squares method is a parameter estimation method that requires the absence of multicollinearity between independent variables. If there is multicollinearity, the Least Absolute Shrinkage and Selection Operator (LASSO) is an alternative method that can select variables as well as estimate parameters. The purpose of this study was to compare the performance of LASSO with MKT in terms of the root mean squared error (RMSEP) and the mean absolute error (MAE) and to determine the inflation regression model for a number of major cities in Indonesia using the LASSO method. The data used are simulation data generated with the help of applications and real data, namely inflation in 90 major cities in Indonesia in 2020. The results show that LASSO produces RMSEP and MAE values which are much better than least square method and LASSO can produce regression models for inflation of a number of big cities in Indonesia.