Penerapan LASSO Least Trimmed Squares Untuk Mengidentifikasi Peubah Yang Berpengaruh Penyebaran Penyakit Di Sulawesi Selatan

Trigarcia Maleachi Randa

doi:10.35580/jmathcos.v6i2.43129

Penerapan LASSO Least Trimmed Squares Untuk Mengidentifikasi Peubah Yang Berpengaruh Penyebaran Penyakit Di Sulawesi Selatan

Trigarcia Maleachi Randa^(1*),

(1) Hasanuddin University
(*) Corresponding Author

DOI: https://doi.org/10.35580/jmathcos.v6i2.43129

Abstract

Tuberkulosis merupakan penyakit menular kronis yang masih menjadi masalah kesehatan masyarakat di dunia. Indonesia merupakan negara dengan beban Tuberkulosis tertinggi ketiga setelah India dan Cina. Sulawesi Selatan merupakan salah satu provinsi yang menyumbang tingginya angka kasus tuberkulosis di Indonesia pada tahun 2020. Analisis regresi linier dapat diterapkan pada data tuberkulosis untuk mengetahui variabel-variabel yang mempengaruhi jumlah kasus tuberkulosis di Sulawesi Selatan. Masalah yang sering muncul dalam analisis regresi adalah masalah multikolinearitas dan pencilan pada data. Salah satu metode yang dapat digunakan untuk menyelesaikan masalah multikolinearitas dan pencilan adalah regresi LASSO LTS. Regresi LASSO LTS merupakan modifikasi dari metode regresi LASSO berdasarkan penduga LTS dari regresi kekar. Variabel pada data tuberkulosis di Sulawesi Selatan memiliki permasalahan multikolinearitas dan terdapat pencilan sehingga dalam penelitian ini digunakan pendekatan dengan metode LASSO LTS untuk mengatasinya. Hasil penelitian menunjukkan metode LASSO LTS dapat mengatasi masalah multikolinearitas dan pencilan dalam menduga parameter regresi yang dibuktikan dengan nilai koefisien determinasi tertinggi sebesar 89.41%.

Full Text:

PDF

References

Alfons, A., Croux, C., & Gelper, S. (2013). Sparse least trimmed squares regression for analyzing high-dimensional large data sets. The Annals of Applied Statistics, 226-248.

BPS. (2020). Sulawesi Selatan Dalam Angka 2020. Makassar: Badan Pusat Stasitik Provinsi Sulawesi Selatan.

Deria, A. D., Hoyyi, A., & Mustafid, M. (2019). Regresi Robust Estimasi-M Dengan Pembobot Andrew, Pembobot Ramsay Dan Pembobot Welsch Menggunakan Software R. Jurnal Gaussian, 377-388.

Dzikrullah, A. A. (2022). Pengelompokan Provinsi Berdasarkan Kualitas Jaringan Internet Dengan Metode Centroid Linkage. JMathCos (Journal of Mathematics, Computations, and Statistics), 48-57.

Ihsan, H., Sanusi, W., & Ulfadwiyanti, R. (2020). Model Generalized Poisson Regression (GPR) dan Penerapannya pada Angka Pengangguran bagi Penduduk Usia Kerja di Provinsi Sulawesi Selatan. JMathCos (Journal of Mathematics, Computations, and Statistics), 109-117.

Kemenkes RI. (2021). Profil Kesehatan Indonesia 2020 (Indonesian Health Profile 2020). Jakarta: Kementrian Kesehatan Republik Indonesia.

Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). Introduction to linear regression analysis. USA: John Wiley & Sons.

Prisma, R. H., Pramesti, W., & Gangga, A. (2020). Penggunnaan Analisis Klaster K-Means Dalam Pemodelan Regresi Spasial Pada Kasus Tuberkulosis Di Jawa Timur Tahun 2007. Indonesian Journal of Statistics and Its Applications, 164-178.

Tibshirani, R. (2011). Regression Shrinkage And Selection Via The Lasso: A Retrospective. ournal of the Royal Statistical Society: Series B (Statistical Methodology) , 273-282.

WHO. (2020). Global tuberculosis report 2020. Geneva: World Health Organization.