Regresi Elastic-Net dalam Analisis Faktor-Faktor yang Memengaruhi Kemiskinan di Indonesia

Musthafa Imran

doi:10.26877/imajiner.v8i2.27024

Regresi Elastic-Net dalam Analisis Faktor-Faktor yang Memengaruhi Kemiskinan di Indonesia

Musthafa Imran

Abstract

Penelitian ini bertujuan untuk menerapkan metode regresi penalized dengan pendekatan Elastic-Net dalam menganalisis faktor-faktor yang memengaruhi tingkat kemiskinan di Indonesia, mengidentifikasi variabel social ekonomi yang berpengaruh melalui mekanisme seleksi berbasis penalti, serta mengevaluasi kestabilan dan performa model dibandingkan regresi linier klasik. Data yang digunakan berupa data sekunder timer series tahunan periode 2015-2023 yang bersumber dari World Bank Open Data, dengan 13 variabel prediktor makroekonomi dan satu variabel respon, yaitu persentase penduduk miskin. Estimasi parameter dilakukan menggunakan Elastic-Net dengan penentuan parameter optimal melalui K-Fold Cross Validation. Hasil penelitian menunjukkan bahwa dari 13 variabel prediktor, hanya GDP per kapita dan Gini Index yang teridentifikasi berpengaruh terhadap tingkat kemiskinan. GDP per kapita berpengaruh negative, sedangkan Gini Index berpengaruh positif. Model diperoleh memiliki performa cukup baik dengan nilai R² = 0,4244 dan MAE sebesar 0,4274. Hasil ini menunjukkan bahwa Elastic-Net efektif digunakan pada data dengan potensi multikolinieritas dan jumlah observsi terbatas, serta relevan sebagai pendekatan alternatif dalam analisis kemiskinan berbasis pemodelan statistika modern.

Keywords

Elastic-Net; kemiskinan; multikolinieritas; regresi penalized; seleksi variabel.

References

Badan Pusat Statistik. (2025). Profil Kemiskinan di Indonesia, Maret 2025. In Berita Resmi Statistik (Issue 56).

Firdaus, A., Dawood, T. C., & Abrar, M. (2021). Determinants of Poverty in Indonesia: An Empirical Evidence using Panel Data Regression. International Journal of Global Operations Research, 2(4), 124–132.

Gujarati, D. N., & Porter, D. C. (2009). Basic Econometrics. In N. Fox (Ed.), Introductory Econometrics: A Practical Approach (5th ed.). Douglass Reiner.

Hastie, T., Tibshirani, R., & Friedman, J. (2017). The Elements of Statistical Learning (2nd ed.). Springer.

Hastie, T., Tibshirani, R., Friedman, J., & Franklin, J. (2005). The elements of statistical learning: data mining, inference and prediction. The Mathematical Intelligencer, 27(2), 83–85.

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2023). An Introduction to Statistical Learning.

Kohavi, R., & Edu, S. (1993). A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection. 1137–1143.

Todaro, M. P., & Smith, S. C. (2020). Economic Development (13th ed.). Pearson.

Wooldridge, J. M. (2020). Introductory Econometrics A Modern Approach (7th ed.). Cengage Learning.

Zou, H., & Hastie, T. (2005). Erratum: Regularization and variable selection via the elastic net (Journal of the Royal Statistical Society. Series B: Statistical Methodology (2005) 67 (301-320)). Journal of the Royal Statistical Society. Series B: Statistical Methodology, 67(5), 768.

DOI: https://doi.org/10.26877/imajiner.v8i2.27024