Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal MES: Journal of Mathematics Education and Science
Nasution, Muhammat Rayyan
Unknown Affiliation
Mathematics

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
REGULARISASI REGRESI LINIER BERGANDA PADA DATA BERDIMENSI TINGGI UNTUK MENGATASI EFEK MULTIKOLINEARITAS Nasution, Muhammat Rayyan; Sutarman, S; Darnius, Open; Rosmaini, Elly
MES: Journal of Mathematics Education and Science Vol 10, No 1 (2024): Edisi Oktober (Progress)
Publisher : Universitas Islam Sumatera Utara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30743/mes.v10i1.9469

Abstract

Penelitian ini membahas model regresi linier berganda yang diberikan regularisasi dalam kasus data berdimensi tinggi (???? ≫ ????), bertujuan untuk mengatasi efek multikolinearitas yang terdiri dari efek singularitas dan kualitas model yang buruk. Dalam penelitian ini mengembangkan model regresi linier berganda dengan menambahkan parameter penalti pada fungsi tujuan. Adapun data yang digunakan adalah data primer yang dibangkitkan dengan bahasa pemrograman python dengan tiga skenario sesuai dari penelitian sebelumnya. Metode yang digunakan yaitu Ordinary Least Squared (OLS), Least Absolute Shrinkage and Selection Operator (LASSO) dan Ridge dalam mengestimasi parameter model regresi. Mean Squared Error (MSE) digunakan sebagai metrik evaluasi kinerja model yang dibangun. Dari hasil simulasi yang dilakukan, diperoleh bahwa metode LASSO memberikan kualitas model terbaik dengan memberikan nilai MSE terendah dibandingkan model lainnya.
REGULARISASI REGRESI LINIER BERGANDA PADA DATA BERDIMENSI TINGGI UNTUK MENGATASI EFEK MULTIKOLINEARITAS Nasution, Muhammat Rayyan; Sutarman, S; Darnius, Open; Rosmaini, Elly
MES: Journal of Mathematics Education and Science Vol 10, No 1 (2024): Edisi Oktober
Publisher : Universitas Islam Sumatera Utara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30743/mes.v10i1.9469

Abstract

Penelitian ini membahas model regresi linier berganda yang diberikan regularisasi dalam kasus data berdimensi tinggi (? ≫ ?), bertujuan untuk mengatasi efek multikolinearitas yang terdiri dari efek singularitas dan kualitas model yang buruk. Dalam penelitian ini mengembangkan model regresi linier berganda dengan menambahkan parameter penalti pada fungsi tujuan. Adapun data yang digunakan adalah data primer yang dibangkitkan dengan bahasa pemrograman python dengan tiga skenario sesuai dari penelitian sebelumnya. Metode yang digunakan yaitu Ordinary Least Squared (OLS), Least Absolute Shrinkage and Selection Operator (LASSO) dan Ridge dalam mengestimasi parameter model regresi. Mean Squared Error (MSE) digunakan sebagai metrik evaluasi kinerja model yang dibangun. Dari hasil simulasi yang dilakukan, diperoleh bahwa metode LASSO memberikan kualitas model terbaik dengan memberikan nilai MSE terendah dibandingkan model lainnya.
Co-Authors Elly Rosmaini Open Darnius Sutarman, S