scholarly journals ANALISIS TINGKAT KEMISKINAN DI PROVINSI SUMATERA BARAT MELALUI PENDEKATAN REGRESI TERKENDALA (RIDGE REGRESSION, LASSO, DAN ELASTIC NET)

2021 ◽  
Vol 21 (1) ◽  
pp. 29-36
Author(s):  
Fitri Mudia Sari ◽  
Khairil Anwar Notodiputro ◽  
Bagus Sartono
Keyword(s):  
Ridge Regression ◽  
High Dimensional Data ◽  
Elastic Net ◽  
High Dimensional

Pandemi Covid-19 yang mulai menyerang Indonesia semenjak Maret 2020 menyebabkan krisis ekonomi dan sosial di Indonesia, termasuk Sumatera Barat. Data BPS Sumatera Barat menyebutkan bahwa jumlah penduduk miskin bertambah sebanyak 20.056, dari 344.023 orang pada Maret 2020, menjadi 364.079 pada September 2020. Masalah kemiskinan merujuk pada konsep high dimensional data yang melibatkan banyak peubah sehingga digunakan Regresi Ridge, LASSO, dan Elastic Net yang dapat mengatasi masalah multikolinieritas. Penelitian ini bertujuan untuk melihat peubah yang memiliki pengaruh yang penting terhadap tingkat kemiskinan di Sumatera Barat menggunakan model terbaik yang terpilih dari Regresi Ridge, LASSO, dan Elastic Net. Hasil penelitian menunjukkan bahwa tingkat buta huruf merupakan peubah penting yang mempengaruhi tingkat kemiskinan di Sumatera Barat dengan model terbaik yaitu Regresi Ridge.

scholarly journals ANALISIS KEMISKINAN DAN KERENTANAN KEMISKINAN DENGAN REGRESI RIDGE, LASSO, DAN ELASTIC-NET DI PROVINSI JAWA TENGAH TAHUN 2017

2020 ◽  
Vol 2019 (1) ◽  
pp. 503-513
Author(s):  
Guntur Wahyu Kusuma ◽  
Ika Yuni Wulansari
Keyword(s):  
High Dimensional Data ◽  
Elastic Net ◽  
High Dimensional

Kemiskinan bukanlah kondisi yang statis melainkan kondisi yang dinamis. Seseorang yang dianggap miskin saat ini bisa saja tidak miskin di masa mendatang, begitu juga sebaliknya. Berdasarkan metode BPS, pada tahun 2017 Provinsi Jawa Tengah memiliki persentase penduduk rentan miskin tertinggi di Pulau Jawa. Perhitungan kerentanan kemiskinan oleh BPS belum bisa menjelaskan kemiskinan yang dinamis, metode yang dapat menjelaskan adalah Vulnerability as Expected Poverty (VEP). Analisis kemiskinan dan kerentanan kemiskinan bersifat multidimensi sehingga digunakan Regresi Ridge, LASSO, dan Elastic-net yang dapat mengatasi multikolinieritas yang sering muncul pada high dimensional data dan menghasilkan model yang parsimoni. Penelitian ini bertujuan untuk menduga persentase rumah tangga miskin maupun rentan miskin dengan metode VEP dan mengetahui variabel-variabel yang memengaruhi kemiskinan dan kerentanan kemiskinan di Provinsi Jawa Tengah tahun 2017 menggunakan model terbaik yang terpilih dari Regresi Ridge, LASSO, dan Elastic-net. Hasil penelitian menunjukkan bahwa 10,4 persen rumah tangga di Provinsi Jawa Tengah miskin dan 4,8 persen rumah tangga rentan miskin. Model terbaik untuk kemiskinan dan kerentanan kemiskinan adalah Elastic-net. Variabel-variabel yang signifikan memengaruhi kemiskinan adalah AHH, pertanian, pengeluaran non makanan, jenis lantai, jenis kloset, dan upah minimum. Sedangkan variabel yang signifikan memengaruhi kerentanan kemiskinan adalah RLS, angka morbiditas, pengeluaran makanan, dan jenis kloset.

scholarly journals The Higher-Order of Adaptive Lasso and Elastic Net Methods for Classification on High Dimensional Data

Mathematics ◽  
2021 ◽  
Vol 9 (10) ◽  
pp. 1091
Author(s):  
Autcha Araveeporn
Keyword(s):  
Logistic Regression ◽  
Categorical Data ◽  
High Dimensional Data ◽  
Higher Order ◽  
Elastic Net ◽  
Adaptive Lasso ◽  
High Dimensional ◽  
Independent Variables ◽  
Dependent Variables ◽  
Adaptive Elastic Net

The lasso and elastic net methods are the popular technique for parameter estimation and variable selection. Moreover, the adaptive lasso and elastic net methods use the adaptive weights on the penalty function based on the lasso and elastic net estimates. The adaptive weight is related to the power order of the estimator. Normally, these methods focus to estimate parameters in terms of linear regression models that are based on the dependent variable and independent variable as a continuous scale. In this paper, we compare the lasso and elastic net methods and the higher-order of the adaptive lasso and adaptive elastic net methods for classification on high dimensional data. The classification is used to classify the categorical data for dependent variable dependent on the independent variables, which is called the logistic regression model. The categorical data are considered a binary variable, and the independent variables are used as the continuous variable. The high dimensional data are represented when the number of independent variables is higher than the sample sizes. For this research, the simulation of the logistic regression is considered as the binary dependent variable and 20, 30, 40, and 50 as the independent variables when the sample sizes are less than the number of the independent variables. The independent variables are generated from normal distribution on several variances, and the dependent variables are obtained from the probability of logit function and transforming it to predict the binary data. For application in real data, we express the classification of the type of leukemia as the dependent variables and the subset of gene expression as the independent variables. The criterion of these methods is to compare by the average percentage of predicted accuracy value. The results are found that the higher-order of adaptive lasso method is satisfied with large dispersion, but the higher-order of adaptive elastic net method outperforms on small dispersion.

A Fast Clustering Algorithm for Large-scale and High Dimensional Data

2009 ◽  
Vol 35 (7) ◽  
pp. 859-866
Author(s):  
Ming LIU ◽  
Xiao-Long WANG ◽  
Yuan-Chao LIU
Keyword(s):  
Large Scale ◽  
Clustering Algorithm ◽  
High Dimensional Data ◽  
High Dimensional
Sign in / Sign up

Export Citation Format

Share Document