Perbandingan Metode Regresi OLS, Ridge, dan Lasso dalam Memodelkan Kemiskinan di Indonesia Tahun 2024
Journal of Data Analysis · 18.12.2025 · 93-100
DOI: 10.24815/jda.v8i2.365 ↗Kurz gefasst
Fachartikel in der Zeitschrift Journal of Data Analysis, online erschienen am 18.12.2025. Verfasst von Syarifah Raihannatul Jannah und 2 weiteren Autor:innen.
Abstract (Originalsprache)
Penelitian ini bertujuan untuk membandingkan kinerja tiga metode regresi yaitu Ordinary Least Square (OLS), Ridge Regression, dan Lasso Regresision dalam memodelkan tingkat kemiskinan antar provinsi di Indonesia tahun 2024. Analisis difokuskan pada efektivitas masing-masing metode dalam menjelaskan variasi kemiskinan dan mengidentifikasi determinan utama yang berpengaruh. Data bersifat cross-section mencakup 38 provinsi dengan variabel dependen berupa persentase penduduk miskin. Variabel independen meliputi Produk Domestik Regional Bruto (PDRB) per kapita, tingkat pengangguran terbuka, rata-rata lama sekolah, angka harapan hidup, akses listrik, akses air minum layak, indeks gini, proporsi tenaga kerja di sektor pertanian, serta ketersediaan rumah sakit di tingkat desa/kelurahan. Model OLS menghasilkan nilai Adjusted R² sebesar 0,768 dengan F-statistic 14,65 (p-value < 0,01), menandakan model signifikan secara simultan. Namun, hasil Variance Inflation Factor (VIF) menunjukkan beberapa variabel memiliki nilai di atas 5, mengindikasikan adanya multikolinearitas sedang hingga tinggi. Nilai Root Mean Square Error (RMSE) OLS sebesar 2,704 menunjukkan ketelitian prediksi yang moderat. Model Ridge menunjukkan R² sebesar 0,5127 dengan RMSE 4,53, menandakan stabilitas tinggi meski dengan akurasi lebih rendah. Sementara itu, model Lasso memberikan hasil terbaik dengan R² sebesar 0,8068 dan RMSE 2,85, sekaligus melakukan seleksi otomatis terhadap variabel yang paling relevan. Uji ANOVA dan uji parsial menunjukkan bahwa angka harapan hidup, akses listrik, dan proporsi tenaga kerja sektor pertanian berpengaruh signifikan terhadap tingkat kemiskinan. Hasil ini menunjukkan bahwa peningkatan kualitas hidup dan transformasi ekonomi dari sektor pertanian ke sektor produktif menjadi faktor penting dalam pengentasan kemiskinan. Berdasarkan performa model, metode Lasso direkomendasikan ketika tujuan penelitian adalah identifikasi variabel determinan utama kemiskinan, sedangkan Ridge lebih sesuai digunakan untuk mengatasi multikolinearitas dan meningkatkan stabilitas model. This study aims to compare the performance of three regression methods are Ordinary Least Squares (OLS), Ridge Regression, and Lasso Regression in modeling provincial poverty levels in Indonesia for the year 2024. The analysis focuses on assessing each model’s ability to explain poverty variation and identify key influencing factors. The study uses cross-sectional data from 38 provinces, with the dependent variable being the percentage of the poor population. Independent variables include Gross Regional Domestic Product (GRDP) per capita, open unemployment rate, average years of schooling, life expectancy, access to electricity, access to safe drinking water, Gini index, agricultural labor proportion, and the number of villages/urban wards with hospitals. The OLS model yielded an Adjusted R² of 0.768 and an F-statistic of 14.65 (p < 0.01), indicating overall model significance, although several predictors exhibited multicollinearity with VIF values exceeding 5. The Root Mean Square Error (RMSE) of OLS is 2,704 suggests moderate predictive accuracy. The Ridge model achieved an R² of 0.5127 and an RMSE of 4.53, highlighting model stability under correlated predictors. The Lasso model outperformed others with an R² of 0.8068 and an RMSE of 2.85, while automatically selecting the most relevant predictors. ANOVA and partial tests indicate that life expectancy, electricity access, and the share of agricultural labor significantly affect poverty levels. These results underscore that improving quality of life and promoting economic transformation from agriculture to productive sectors are key to poverty reduction. Therefore, Lasso regression is recommended when the goal is to identify main determinants of poverty, while Ridge regression is more suitable for handling multicollinearity and ensuring model robustness.
Zitieren
APA
Jannah, S. R., Rusyana, A., & Ramadhani, E. (2025). Perbandingan Metode Regresi OLS, Ridge, dan Lasso dalam Memodelkan Kemiskinan di Indonesia Tahun 2024. Journal of Data Analysis, 93-100. https://doi.org/10.24815/jda.v8i2.365
Vancouver
Jannah SR, Rusyana A, Ramadhani E. Perbandingan Metode Regresi OLS, Ridge, dan Lasso dalam Memodelkan Kemiskinan di Indonesia Tahun 2024. Journal of Data Analysis. 2025:93-100. doi:10.24815/jda.v8i2.365
BibTeX
@article{Jannah2025,
author = {Jannah, Syarifah Raihannatul and Rusyana, Asep and Ramadhani, Evi},
title = {Perbandingan Metode Regresi OLS, Ridge, dan Lasso dalam Memodelkan Kemiskinan di Indonesia Tahun 2024},
journal = {Journal of Data Analysis},
year = {2025},
pages = {93--100},
doi = {10.24815/jda.v8i2.365}
}
EUVIMED