%0 Generic
%A Nufus,  Aulia	
%C UNIVERSITAS LAMPUNG
%D 2024
%F eprints:84806
%I FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
%T PEMODELAN LOCALLY COMPENSATED RIDGE GEOGRAPHICALLY  WEIGHTED REGRESSION (LCR-GWR) DAN GEOGRAPHICALLY  WEIGHTED LASSO (GWL) DALAM MENGATASI  MULTIKOLINIERITAS PADA GROSS DOMESTIC PRODUCT (GDP)    AMERIKA SERIKAT TAHUN 2022
%U http://digilib.unila.ac.id/84806/
%X Geographically Weighted Regression (GWR) merupakan regresi berganda untuk  memodelkan data spasial untuk mengatasi masalah heterogenitas spasial.  Permasalahan lain sering muncul pada data spasial adalah masalah  multikolinieritas, dimana metode GWR tidak dapat menanganinya. Untuk  menangani masalah multikolinieritas dapat digunakan beberapa metode  diantaranya regresi Ridge dan regresi LASSO, kedua metode tersebut mampu  menyusutkan koefisien yang memiliki korelasi tinggi dan tidak signifikan menjadi  nol. Sedangkan dalam menangani multikolinieritas pada data spasial, diperlukan    metode yang sesuai di antaranya adalah metode Locally Compensated Ridge-  Geographically Weighted Regression (LCR-GWR) dan Geographically Weighted    Lasso (GWL). Penelitian ini bertujuan untuk melihat kemampuan antara LCR-  GWR dan GWL dalam mengatasi multikolinieritas. Hasil yang diperoleh adalah    metode GWL mampu memberikan solusi yang lebih baik dalam menangani  multikolinieritas dan heterogenitas spasial pada data GDP Amerika Serikat tahun  2022 dilihat dari nilai AIC dan RMSE yang lebih rendah dibandingkan dengan  LCR-GWR.    Kata Kunci: Regresi GWR, Multikolinieritas, Regresi LCR-GWR, Regresi GWL.  Geographically Weighted Regression (GWR) is a multiple regression to model  spatial data to overcome the problem of spatial heterogeneity. Another problem that  often arises in spatial data is the problem of multicollinearity, which the GWR  method cannot handle. To handle multicollinearity problems, several methods can  be used including Ridge regression and LASSO regression, both of which are able  to shrink highly correlated and insignificant coefficients to zero. While in dealing  with multicollinearity in spatial data, appropriate methods are needed, including the  Locally Compensated Ridge-Geographically Weighted Regression (LCR-GWR)  and Geographically Weighted Lasso (GWL) methods. This study aims to see the  ability between LCR-GWR and GWL in overcoming multicollinearity. The results  obtained are the GWL method is able to provide a better solution in handling  multicollinearity and spatial heterogeneity in the United States GDP data in 2022  seen from the lower AIC and RMSE values compared to the LCR-GWR.    Keywords: GWR Regression, Multicollinearity, LCR-GWR Regression, GWL  Regression