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)

    Rizal Padhilah, - (2023) 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). S1 thesis, Universitas Pendidikan Indonesia.

    Abstract

    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.

    Baca Full Text klik disini
    [thumbnail of S_MAT_1900826_Title.pdf] Text
    S_MAT_1900826_Title.pdf
    Download (634kB)
    [thumbnail of S_MAT_1900826_Chapter1.pdf] Text
    S_MAT_1900826_Chapter1.pdf
    Download (80kB)
    [thumbnail of S_MAT_1900826_Chapter2.pdf] Text
    S_MAT_1900826_Chapter2.pdf
    Restricted to Staf Perpustakaan
    Download (422kB)
    [thumbnail of S_MAT_1900826_Chapter3.pdf] Text
    S_MAT_1900826_Chapter3.pdf
    Download (396kB)
    [thumbnail of S_MAT_1900826_Chapter4.pdf] Text
    S_MAT_1900826_Chapter4.pdf
    Restricted to Staf Perpustakaan
    Download (781kB)
    [thumbnail of S_MAT_1900826_Chapter5.pdf] Text
    S_MAT_1900826_Chapter5.pdf
    Download (137kB)
    [thumbnail of S_MAT_1900826_Appendix.pdf] Text
    S_MAT_1900826_Appendix.pdf
    Restricted to Staf Perpustakaan
    Download (263kB)
    Official URL: http://repository.upi.edu
    Item Type: Thesis (S1)
    Additional Information: Link Google Scholar : https://scholar.google.com/citations?hl=en&user=CZOK15sAAAAJ
    Subjects: L Education > L Education (General)
    Divisions: Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Program Studi Matematika - S1 > Program Studi Matematika (non kependidikan)
    Depositing User: Rizal Padhilah
    Date Deposited: 03 May 2023 21:59
    Last Modified: 03 May 2023 21:59
    URI: http://repository.upi.edu/id/eprint/89821

    Actions (login required)

    View Item View Item