PERBANDINGAN MODEL LAJU PERTUMBUHAN PRODUK DOMESTIK

REGIONAL BRUTO PROVINSI NUSA TENGGARA BARAT MENGGUNAKAN

REGRESI RIDGE DENGAN REGRESI KOMPONEN UTAMA

Abdurrahman Salim 1), Mustika Hadijati 2), dan Desy Komalasari 3)

1), 2), 3) Program Studi Matematika FMIPA Universitas Mataram, Jl. Majapahit No 62 Mataram 83125
Email : abdurrahmansalim18@gmail.com
1)

Abstrak : Berbagai cara dalam mengatasi mengatasi multikolinieritas antara lain dengan analisis
Regresi Ridge dan analisis Regresi Komponen Utama. Pada regresi ridge bertujuan untuk
mengatasi multikolinieritas antara variabel bebas di dalam model, kemudian
mentransformasikan parameter-nya dengan memilih tetapan bias yang optimum, sehingga
multikolinieritas dapat diatasi. Pada Regresi komponen utama juga dapat mengatasi
multikolinieritas dengan cara menghasilkan variabel-variabel baru yang merupakan kombinasi
linier dari variabel-variabel bebas dan antar variabel baru ini bersifat bebas.
AIC merupakan metode yang dapat digunakan untuk menentukan model regresi terbaik,
apabila nilai AIC kecil maka model tersebut dikatakan terbaik.
Hasil penelitian menunjukkan bahwa pada Regresi Ridge didapatkan tetapan bias c
sebesar 0,12, sehingga model laju pertumbuhan PDRB yang didapatkan adalah

dan untuk model Regresi Komponen Utama didapatkan model laju pertumbuhan PDRB sebagai
berikut

Dari kedua model laju pertumbuhan PDRB tersebut diperoleh bahwa nilai AIC untuk Regresi
Ridge lebih kecil dan koefisien determinasinya lebih besar daripada Regresi Komponen Utama.
Jadi, regresi ridge lebih tepat dalam memodelkan laju pertumbuhan PDRB.

Kata Kunci : Multikolinieritas, Regresi Ridge, Regresi Komponen Utama, dan AIC

THE MODEL COMPARISON OF THE GROWTH RATE OF GROSS REGIONAL

DOMESTIC PRODUCT IN PROVINCE OF WEST NUSA TENGGARA USING
RIDGE REGRESSION WITH PRINCIPLE COMPONENT REGRESSION

Abstract : Several method to overcome multicollinearity among others with Ridge Regression
analysis and Principle component regression analysis. In ridge regression aims to overcome
multikolinieritas between independent variables in the model, then to transform its parameters to
select an optimum refraction constant, so that multicollinearity can be overcome. In principle
component regression aims to overcome multikolinieritas too by way to obtain new variables that
are linier combination of independent variables and between the new variable is to be independent.
AIC is a method that can be used to determine the best regression model, if AIC value is
small then the model is said to be the best.
 The result of this study shows that ridge regression obtains a refraction constant ( c ) is
0.12, so that the model of rating growth of PDRB obtained is

and the principle component regression model to the model of rating growth of PDRB obtained is

From those two models are obtained that AIC value for ridge regression is smaller and its
determination coefficient is higher than principle component regression. So, ridge regression more
appropriate to use model of the growth rate of PDRB.

Key word : Multicollinearity, Ridge Regression, Principle Component Regression, and AIC

I. PENDAHULUAN
Produk Domestik Regional Bruto (PDRB) merupakan salah satu perangkat data
ekonomi makro yang banyak digunakan untuk mengetahui tingkat keberhasilan
pembangunan, sebagai masukan dalam perencanaan pembangunan, perumusan
kebijaksanaan sekaligus bahan evaluasi pembangunan di berbagai sektor pada tingkat
regional. Laju pertumbuhan PDRB itu sendiri dipengaruhi oleh beberapa hal, yaitu
pertanian; pertambangan dan penggalian; industri pengolahan; listrik, gas dan air
bersih; bangunan; perdagangan, hotel dan restoran; pengangkutan dan komunikasi;
bank, usaha persewaan dan jasa perusahaan; dan jasa-jasa (PDRB BPS NTB, 2005).
Pada penelitian ini terdapat beberapa faktor yang mempengaruhi laju
petumbuhan PDRB, sehingga diperlukan analisis regresi berganda dalam
menyelesaikan masalah tersebut. Analisis regresi berganda merupakan salah satu
analisis dalam analisis regresi yang dapat membuat model statistik antara variabel
terikat (Y) dan lebih dari satu variabel bebas (X). Analisis regresi ini bertujuan
menganalisis besarnya pengaruh variabel bebas terhadap variabel terikat dalam sebuah
model yang didapatkan.
Pada persamaan regresi linier berganda tersebut terdapat parameter-parameter
yang akan diduga menggunakan metode kuadrat terkecil. Salah satu masalah yang
terjadi dalam menduga parameter adalah adanya multikolinieritas. Multikolinieritas
adalah situasi dimana terdapat korelasi atau hubungan linier antar variabel bebas di
antara satu dengan yang lainnya sehingga variabel-variabel bebas tersebut tidak
bersifat orthogonal. Jika terdapat multikolinieritas di dalam persamaan regresi linier
berganda, maka akan mengakibatkan estimasi parameter dengan metode kuadrat
terkecil akan terganggu dan juga mengakibatkan standard error-nya jadi besar, variansi
dan kovariansi parameter tidak terhingga.
Dalam menyelesaikan masalah multikolinieritas ini ada beberapa cara
diantaranya adalah regresi ridge dan regresi komponen utama. Keduanya dapat
digunakan dalam mengatasi multikolinieritas serta mempunyai kelebihan masing-
masing dalam menyelesaikan masalah multikolinieritas. Sehingga penelitian ini sangat
menarik untuk membandingkan kedua metode tersebut dalam memodelkan laju
pertumbuhan PDRB Provinsi Nusa Tenggara Barat.

II. LANDASAN TEORI

2.1 Regresi Ridge
Regresi ridge bertujuan untuk mengatasi kondisi buruk yang diakibatkan oleh
korelasi yang tinggi antara variabel bebas di dalam model.Dalam bentuknya yang paling
sederhana, prosedur regresi ridge (gulut) adalah sebagai berikut. Selanjutnya, untuk
model penuh dengan semua r variabel bebas Z1, Z2, ..., Zr, dapat dihitung vektor nilai
dugaan menurut rumus :
(2.29)
Dimana adalah sebuah bilangan positif > 0, umumnya terletak antara interval 0 <
< 1(Draper and Smith, 1992).
Umumnya sifat dari penduga ridge ini memiliki variansi yang minimum sehingga
diperoleh nilai VIF-nya yang merupakan diagonal utama dari matriks :
(2.30)

2.2 Regresi Komponen Utama

Dalam menganalisa teknik analisis komponen utama, pertama-tama tentukan
komponen-komponen utama yang mewakili k buah variabel bebas tersebut. Pada
analisis komponen utama yuang dibentuk kombinasi linier dari sebagai
berikut :
Bila ditulis dengan notasi matriks : W=AZ.
Cov(Z) adalah matriks korelasi R. Kemudian formula yang telah diturunkan
berdasarkan variabel-variabel dengan matriks R. Sehingga diperoleh
komponen utama pertama :

Harga yang merupakan akar karakteristik terbesar dari R dan

merupakan vektor karakteristik yang bersesuaian dengan . Demikian juga untuk
komponen utama ke dua dan seterusnya, secara umum komponen utama ke-j :

Vektor adalah vektor normal yang dipilih sehingga komponen utama ke-j
maksimum, serta orthogonal terhadap dengan ij dan diperoleh :
yang merupakan akar karakteristik terbesar ke-j.
Pentingnya suatu komponen utama ke-j diukur dengan persentase keragaman total

yang mampu diterangkan oleh komponen utama ke-j yaitu sama dengan . Dalam

analisis komponen utama yang telah mampu menerangkan keragaman cukup tinggi,
sekitar 80%-90%. Selanjutnya ditentukan persamaan regresi dari peubah tak bebas Y
dengan komponen utama tersebut. Diperlukan perhitungan skor komponen utama dari
setiap pengamatan dengan menggunakan rumus :

Dengan :
adalah skor komponen ke-i untuk pengamatan ke-h.
adalah vektor pembobot komponen utama ke-i.
adalah skor baku dari variabel yang diamati pada pengamatan ke-h.
Bentuk umum model persamaan regresi komponen utama adalah :
2.3 Metode AIC
Metode AIC adalah metode yang dapat digunakan untuk memilih model regresi
terbaik yang ditemukan oleh Akaike dan Schwarz (Grasa, 1989). Untuk menghitung
nilai AIC digunakan rumus sebagai berikut :

(2.51)

dengan :
k = jumlah parameter yang diestimasi dalam model regresi
n = jumlah observasi
e = 2.718
u = sisa (residual)
Persamaan diatas dapat juga ditulis sebagai :

(2.52)

Menurut metode AIC, model regresi terbaik adalah model regresi yang mempunyai AIC
terkecil (Widarjono, 2007).

III. METODE PENELITIAN

3.1 Data
Pada penelitian ini, data yang digunakan adalah data dari BPS NTB mengenai Laju
Pertumbuhan PDRB (Produk Domestik Bruto) di Nusa Tenggara Barat (NTB) dari tahun
2001-2012. Data pada penelitian ini berupa data sekunder, karena diambil dari data
BPS NTB. Data yang diperlukan pada penelitian adalah laju pertumbuhan PDRB, data
pertanian; pertambangan dan penggalian; industri pengolahan; listrik, gas dan air
bersih; bangunan; perdagangan, hotel dan restoran; pengangkutan dan komunikasi;
bank, usaha persewaan dan jasa perusahaan; dan jasa-jasa.

3.2 Langkah Penelitian

Secara singkat, langkah penelitian ini dapat dibagi menjadi beberapa tahap. Berikut
tahapan penelitian yang disajikan dalam bentuk bagan :
 Persiapan

Pengumpulan Data

tidak

Mendeteksi
Multikolinieritas
ya

mm
ya
Menyelesaikan Multikolinieritas dengan Model Regresi Ridge
dan Model Regresi Komponen Utama

Memilih Model Regresi Terbaik

Menggunakan AIC

Penarikan kesimpulan

Gambar 1. Diagram alir / flowchart dari tahapan penelitian

IV. HASIL DAN PEMBAHASAN
4.1 Analisis Regresi Ridge
Untuk menyelesaikan masalah multikolinieritas dengan regresi ridge, pertama-
tama memusatkan dan menskalakan variabel X yang mengalami korelasi menjadi
variabel Z yang terdapat pada lampiran. Kemudian menetapkan tetapan bias c yang
minimum agar nilai MSE lebih kecil, dengan menggunakan persamaan 2.30 mencari
nilai diagonal matriks VIF b*, diperoleh nilai VIF b* sebagai berikut:
Tabel 4.4 Nilai VIF b*
0<c<1 VIF b1 VIF b2 VIF b3 VIF b4 VIF b5 VIF b6 VIF b7 VIF b8 VIF b9
0.00 51.060 24.772 17.554 11.878 7.064 106.709 42.238 58.737 4.469
0.01 4.337 2.640 3.225 4.039 5.266 8.660 4.175 4.715 3.624
0.02 2.158 1.576 2.385 3.099 4.230 3.891 2.285 2.227 3.144
0.03 1.578 1.274 2.061 2.574 3.499 2.542 1.727 1.581 2.781
0.04 1.324 1.131 1.860 2.211 2.963 1.921 1.455 1.305 2.492
0.05 1.181 1.044 1.711 1.940 2.554 1.560 1.287 1.153 2.257
0.06 1.085 0.981 1.590 1.731 2.236 1.322 1.169 1.054 2.061
0.07 1.016 0.932 1.488 1.564 1.982 1.152 1.080 0.983 1.895
0.08 0.961 0.893 1.399 1.427 1.776 1.023 1.008 0.927 1.753
0.09 0.915 0.859 1.321 1.314 1.606 0.923 0.949 0.882 1.629
0.10 0.876 0.829 1.252 1.219 1.463 0.841 0.899 0.842 1.520
0.11 0.842 0.802 1.190 1.137 1.343 0.774 0.855 0.809 1.423
0.12 0.812 0.778 1.133 1.067 1.240 0.717 0.817 0.778 1.337
0.13 0.784 0.756 1.081 1.005 1.151 0.668 0.783 0.751 1.260
0.14 0.760 0.736 1.034 0.951 1.073 0.627 0.752 0.726 1.191
0.15 0.736 0.717 0.990 0.903 1.005 0.590 0.725 0.703 1.128
0.20 0.639 0.637 0.815 0.724 0.760 0.459 0.616 0.608 0.886
0.30 0.506 0.525 0.595 0.526 0.509 0.323 0.480 0.799 0.606
0.40 0.416 0.446 0.462 0.415 0.381 0.252 0.395 0.394 0.452
0.50 0.351 0.386 0.374 0.343 0.304 0.208 0.336 0.332 0.360
0.60 0.301 0.339 0.312 0.292 0.253 0.177 0.291 0.286 0.291
0.70 0.262 0.300 0.266 0.253 0.216 0.155 0.256 0.250 0.245
0.80 0.230 0.268 0.231 0.223 0.188 0.137 0.228 0.220 0.210
0.90 0.205 0.241 0.203 0.198 0.166 0.123 0.205 0.197 0.184
0.99 0.186 0.220 0.182 0.180 0.150 0.113 0.187 0.179 0.164

Dari tabel VIF b*, terlihat bahwa nilai yang mendekati satu terdapat tetapan bias
c yang digunakan adalah 0.12. Selanjutnya nilai koefisien regresi ridge dari persamaan
(2.29) diperoleh nilai parameter regresi ridge (b*) terlihat pada tabel di bawah:
Tabel 4.5 Nilai b*
0<c<1 b1 b2 b3 b4 b5 b6 b7 b8 b9
0.00 -0.415 0.711 -0.221 -0.169 0.079 0.629 0.420 0.371 0.017
0.01 -0.188 0.854 -0.093 -0.086 0.068 0.300 0.215 0.127 0.021
0.02 -0.154 0.865 -0.070 -0.077 0.070 0.251 0.184 0.091 0.014
0.03 -0.140 0.864 -0.059 -0.075 0.073 0.230 0.171 0.075 0.007
0.04 -0.132 0.858 -0.051 -0.074 0.075 0.219 0.163 0.068 0.001
0.05 -0.126 0.852 0.044 -0.074 0.077 0.211 0.157 0.062 -0.005
0.06 -0.122 0.844 -0.039 -0.074 0.079 0.206 0.152 0.058 -0.010
0.07 -0.119 0.837 -0.034 -0.074 0.080 0.202 0.148 0.056 -0.015
0.08 -0.116 0.829 -0.030 -0.073 0.081 0.198 0.145 0.053 -0.019
0.09 -0.114 0.821 -0.026 -0.073 0.082 0.195 0.142 0.051 -0.023
0.10 -0.111 0.814 -0.023 -0.073 0.082 0.193 0.139 0.050 -0.026
0.11 -0.110 0.807 -0.019 -0.073 0.083 0.191 0.137 0.049 -0.029
0.12 -0.108 0.799 -0.016 -0.073 0.083 0.189 0.134 0.048 -0.032
0.13 -0.106 0.792 -0.014 -0.073 0.084 0.187 0.132 0.047 -0.035
0.14 -0.105 0.785 -0.011 -0.072 0.084 0.185 0.130 0.046 -0.037
0.15 -0.103 0.778 -0.008 -0.072 0.084 0.184 0.128 0.045 -0.039
0.20 -0.097 0.746 0.002 -0.070 0.085 0.177 0.120 0.043 -0.048
0.30 -0.088 0.690 0.016 -0.066 0.084 0.166 0.107 0.040 -0.057
0.40 -0.080 0.642 0.025 -0.061 0.082 0.156 0.098 0.039 -0.061
0.50 -0.074 0.601 0.031 -0.057 0.080 0.148 0.090 0.038 -0.062
0.60 -0.069 0.565 0.035 -0.053 0.078 0.140 0.084 0.038 -0.061
0.70 -0.064 0.533 0.038 -0.050 0.076 0.133 0.078 0.037 -0.060
0.80 -0.060 0.505 0.040 -0.046 0.037 0.013 0.074 0.036 -0.059
0.90 -0.057 0.480 0.041 -0.044 0.072 0.121 0.070 0.036 -0.057
0.99 -0.054 0.459 0.042 -0.041 0.070 0.116 0.066 0.035 -0.055

Dari tabel 4.5 didapat nilai VIF yang relatif mendekati 1 (satu) terdapat pada tetapan
bias c = 0.12. Sehingga untuk memilih koefisien regresi ridge sesuai dengan tetapan bias
nilai VIF yang mendekati 1 yaitu c = 0.12.
 Oleh karena itu, model regresi ridge yang terbaik yang diperoleh dari tetapan
bias c = 0.12 adalah

4.2 Regresi Komponen Utama

Untuk menganalisa teknik analisis komponen utama, pertama-tama
menentukan komponen-komponen utama yang mewakili k buah peubah bebas
tersebut. Kemudian menganalisa dengan analisis komponen utama yang mendasarkan
pada korelasi.
Berdasarkan persamaan 2.38 untuk memperoleh nilai eigen dapat diperoleh
dari determinan (R I) = 0 diperoleh nilai Eigen seperti tabel di bawah ini:
Tabel 4.7 Nilai Eigen dan Proporsi
Variabel Eigenvalues Proportion Cumulative
X1 3.0037 0.334 0.334
X2 2.0167 0.224 0.558
X3 1.5771 0.175 0.733
X4 1.0948 0.122 0.855
X5 0.6041 0.067 0.922
X6 0.4196 0.047 0.968
X7 0.2144 0.024 0.992
X8 0.0662 0.007 1.000
X9 0.0034 0.000 1.000

Jadi komponen utama W1, W2, W3 dan W4 telah mampu menjelaskan 85.5%
keragaman dari Y, sehingga cukup dipilih komponen utama pertama, kedua, ketiga dan
keempat saja untuk membentuk regresi komponen utama.
Selanjutnya ditentukan vektor pembobot x komponen utama W1, W2, W3 dan W4 dari
tabel di bawah ini:
Tabel 4.8 Nilai Vektor Eigen
Variabel W1 W2 W3 W4
X1 0.358 -0.317 -0.267 0.027
X2 -0.005 0.262 -0.121 -0.864
X3 0.322 0.463 -0.189 0.083
X4 -0.284 0.233 -0.529 0.273
X5 0.380 0.450 -0.132 0.094
X6 0.508 -0.182 -0.089 -0.275
X7 -0.072 -0.145 -0.725 -0.003
X8 -0.230 0.535 0.135 -0.003
X9 0.476 0.139 0.168 0.294

Berdasarkan 4 komponen tersebut, kemudian dibentuk persamaan regresi dari Y

dengan W1, W2, W3 dan W4 melalui skor W1, W2, W3 dan skor W4 yang diperoleh dengan
persamaan menggunakan metode kuadrat terkecil, persamaan regresi tersebut adalah :
Tabel 4.9 Model Regresi Komponen Utama
ZY = 0.0000 + 0.0201 skor W1 + 0.0714 skor W2 - 0.0488 skor W3 - 0.257
skor W4
Predictor Coef. SE Coef. T P VIF
constant 0.00001 0.02042 0 1
Skor W1 0.02012 0.01231 1.63 0.146 1
Skor W2 0.07138 0.01502 4.75 0.002 1
Skor W3 -0.0488 0.01699 -2.87 0.024 1
Skor W4 -0.25728 0.02039 -12.62 0 1

Dari perhitungan di atas, diperoleh model sebagai berikut ;

(4.2)
Dimana W1 = Skor W1, W2 = Skor W2, W3 = Skor W3 dan W4 = Skor W4, jika
disubsitusikan ke persamaan (4.2) didapat model regresi komponen utama, sebagai
berikut:
4.3 Metode AIC
1. Untuk Model Regresi Ridge
Menghitung nilai AIC :

Sedangkan untuk nilai koefisien determinasinya ( R2 ) adalah :

2. Untuk Model Regresi Komponen Utama

Menghitung nilai AIC :

Sedangkan untuk nilai koefisien determinasinya ( R2 ) adalah :

V. KESIMPULAN DAN SARAN

5.1. Kesimpulan
Dari hasil analisis dan pembahasan yang telah dilakukan, dapat ditarik beberapa
kesimpulan berikut.
a. Didapat model regresi Ridge dan model regresi komponen utama yang telah
bebas mengandung multikolinieritas sebagai berikut
Untuk regresi ridge

Untuk regresi komponen utama

b. Dapat dikatakan bahwa model regresi Ridge lebih baik karena memiliki nilai AIC
yang lebih kecil yakni 18.9027 dan nilai koefisien determinasi (R2) yang lebih
mendekati 1 yakni 0.9851 daripada model regresi Komponen Utama
5.2. Saran
Diharapkan penelitian selanjutnya, dapat dilakukan suatu metode lain untuk
mengatasi multikolinieritas dan mendapatkan model regresi terbaik, seperti regresi
akar laten, dan lain sebagainya.

DAFTAR PUSTAKA

[1] Draper, N and Smith, H. 1992. Analisis Regresi Terapan. Terjemahan Edisi Kedua. PT.
Gramedia Pustaka Utama, Jakarta.

[2] Grasa, A. A. 1989. Econometric Model Selection: A New Approach, Kluwer. Jurnal
Informatika Mulawarman, Vol. 4, No. 3.

[3] Widarjono, A. 2007. Ekonometrika: Teori dan Aplikasi untuk Ekonomi dan Bisnis.
Yogyakarta: Ekonisia Fakultas Ekonomi Universitas Islam Indonesia. Jurnal
Informatika Mulawarman, Vol. 4, No. 3.