Penanganan Masalah Multikolinieritas Pada Pemodelan Faktor yang Berpengaruh Terhadap Gini Ratio menggunakan Regresi Ridge (Studi Kasus : Gini Ratio di Provinsi Daerah Istimewa Yogyakarta Tahun 2018 - 2023)

Abstract

Dampak dari pembangunan yang tidak merata adalah ketimpangan ekonomi yang dicerminkan melalui gini ratio. Ketimpangan dapat menyebabkan inefisiensi ekonomi, menambah jumlah kemiskinan, dan memperkuat golongan tertentu sehingga menimbulkan ketidakadilan bagi masyarakat. Provinsi Daerah Istimewa Yogyakarta merupakan provinsi dengan gini ratio paling tinggi di Indonesia pada tahun 2023 sehingga penting untuk meneliti faktor yang berpengaruh pada gini ratio di provinsi tersebut dengan melakukan pemodelan menggunakan regresi data panel. Namun, dalam pemodelannya terdapat masalah multikolinieritas pada model common effect sehingga perlu dilakukan penanganan pada multikolinieritas karena dapat menyebabkan model menjadi tidak stabil. Penanganan dilakukan dengan metode regresi ridge untuk mengurangi variansi dari model common effect akibat dari multikolinieritas. Pemodelan pada regresi ridge menggunakan dua metode penentuan nilai tetapan bias, yaitu metode iterasi Hoerl, Kennard, & Balwin dan cross validation. Hasil yang didapatkan adalah metode cross validation memiliki performa yang lebih baik dibandingkan dengan metode iterasi Hoerl, Kennard, & Balwin. Metode cross validation menghasilkan model dengan MSE sebesar 0,2709 sedangkan metode iterasi Hoerl, Kennard, & Balwin sebesar 0,3382. Kemudian model cross validation mampu menurunkan variansi model common effect sebesar 0,0527 meskipun dengan menambahkan MSE sebesar 0,0285 akibat dari penambahan nilai bias. Namun dengan penurunan variansi yang terjadi, model cross validation memiliki kemampuan generalisasi yang lebih baik dibandingkan dengan model common effect karena model lebih stabil dalam menduga nilai parameter. Hasil ini dibuktikan dengan pengujian model menggunakan data di luar data pemodelan. Pengujian menunjukkan, bahwa model cross validation memiliki MSE lebih kecil, yaitu sebesar 0,1032 sedangkan model common effect sebesar 0,1061. Hasil ini menunjukkan, bahwa model dengan penanganan multikolinieritas memiliki performa lebih baik dibandingkan dengan model sebelum penanganan multikolinieritas.