<![CDATA[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.]]>
Copyrights © 2024
