SELEKSI VARIABEL DENGAN REGRESI LASSO (LEAST ABSOLUTE SHRINKAGE AND SELECTION OPERATOR) DAN ELASTIC NET
Aldila Nafida Prabaningrum, Dr. Adhitya Ronnie Effendie, M.Sc
2024 | Skripsi | STATISTIKA
Seleksi
Variabel dengan Regresi LASSO (Least Absolute Shrinkage and Selection Operator) dan
Elastic Net
Oleh
Aldila
Nafida Prabaningrum
17/412735/PA/18054
Regresi adalah metode statistik yang
digunakan untuk memodelkan dan menganalisis hubungan antara satu variabel
dependen dan satu atau lebih variabel independen. Jenis-jenis dari regresi
diantaranya yaitu regresi linear sederhana, regresi linear berganda dan regresi
logistik. Regresi linear sederhana adalah regresi dengan satu variabel dependen
dan satu variabel independen. Regresi linear berganda adalah regresi dengan
satu variabel dependen dan ada lebih dari satu variabel independen.
Untuk menghasilkan model regresi yang
valid dibutuhkan asumsi-asumsi yang harus dipenuhi. Salah satu asumsi yang
sering tidak terpenuhi adalah terjadinya multikolinearitas antar variabel
independen. Metode regresi yang dapat menangani multikolinearitas diantaranya
adalah regresi LASSO (Least
Absolute Shrinkage and Selection Operator) dan regresi Elastic Net.
Dengan menggunakan RMSE, diperoleh hasil bahwa metode regresi Elastic Net
lebih baik dibandingkan dengan metode LASSO.
Kata kunci: Regresi,
multikolinearitas, regresi LASSO (Least Absolute Shrinkage and Selection Operator), regresi Elastic
Net
Variable Selection with LASSO (Least Absolute Shrinkage and Selection Operator) Regression and Elastic Net
By
Aldila Nafida Prabaningrum
17/412735/PA/18054
Regression is a statistical method used to model and analyze the relationship between one dependent variable and one or more independen variables. Types of regression include simple linear regression, multiple linear regression and logistic regression. Simple linear regression is a regression with one dependent variable and one independen variable. Multiple linear regression is a regression with one dependent variable and more than one independen variable.
To produce a valid regression model requires assumptions that must be met. One assumption that is often not met is the occurrence of multicollinearity between independen variables. Regression methods that can handle multicollinearity include LASSO (Least Absolute Shrinkage and Selection Operator) regression and Elastic Net regression. By using RMSE, it is found that the Elastic Net regression method is better than the LASSO method.
Key words: regression, multicollinearity, LASSO (Least Absolute Shrinkage and Selection Operator) Regression, Elastic Net regression
Kata Kunci : Regresi, multikolinearitas, regresi LASSO (Least Absolute Shrinkage and Selection Operator), regresi Elastic Net