Implementasi Ridge Regression untuk Mengatasi Gejala Multikolinearitas pada Pemodelan Curah Hujan Berbasis Data Time Series Klimatologi

Abstract

Analisis regresi merupakan metode analisis yang digunakan untuk menganalisis data dan mengambil kesimpulan tentang hubungan ketergantungan variabel terikat terhadap variabel bebas. Dalam analisis Regresi Linear Berganda seringkali didapati bahwa data yang diolah mengandung gejala multikolinieritas, yaitu memiliki korelasi yang tinggi antar variabel bebasnya yang ditandai dengan nilai VIF lebih dari 10. Gejala multikolinearitas akan mengganggu hasil pemodelan regresi linier berganda, diantaranya adalah menyebabkan perubahan nilai koefisien yang berarti apabila dilakukan penambahan atau pengeluaran satu variabel bebas. dan nilai standard error untuk koefisien regresi menjadi lebih besar dari yang sebenarnya (overestimated). Gejala multikolinearitas dapat diatasi melalui metode Ridge Regression. Penelitian ini dilakukan bertujuan mengatasi gejala multikolinearitas. Perbandingan hasil prediksi model Regresi Linear Berganda dengan hasil model Ridge Regression dilakukan sehingga diperoleh model terbaik. Hasil analisis menunjukan model Regresi Linear Berganda dan model Ridge Regression memiliki nilai RMSE yang relatif sama yaitu sebesar 4, 26 dan 4,30, sedangkan berdasarkan nilai MAPE Ridge Regression memiliki nilai sedikit lebih baik yaitu sebesar 28,75 % sedangkan model Regresi Linear Berganda sebesar 28, 82 %. Berdasarkan nilai dari ukuran kebaikan model tersebut dapat disimpulkan bahwa model Ridge Regression memberikan hasil prediksi yang lebih baik dari model Regresi Linier Berganda..