Perpustakaan Digital ITB

Adaptive Ridge Regression Selection Operator (ARSO) merupakan pengembangan dari Ridge Regression dengan menerapkan seleksi variabel. Pada ARSO pembobotan dilakukan dengan menggunakan Ordinary Least Squares (OLS) serta formulasi pembobotannya masih menggunakan konvensional. Oleh karenanya pada penelitian ini dilakukan perubahan pada teknik pembobotannya dengan harapan meningkatkan akurasi maupun kemampuan ARSO dalam melakukan seleksi variabel. Teknik pembobotan yang dilakukan pada penelitian ini menggunakan beberapa metode fitur seleksi seperti lasso, RReliefF dan Correlation Feature Selection (CFS) serta formulasi pembobotannya dilakukan dengan menormalisasi nilai dari hasil fitur seleksi. Eksperimen dilakukan dengan studi kasus pada prediksi Produk Domestik Bruto (PDB) Indonesia dengan memanfaatkan Google Trends. Studi kasus ini dipilih karena kebutuhan akan informasi PDB sangat diperlukan untuk perencanaan kebijakan yang lebih baik. Kondisi saat ini dalam memperkirakan PDB Indonesia dengan menggunakan variabel-variabel ekonomi datanya tidak lengkap dan frekuensi rilis dari variabel ekonomi bervariasi per-bulan dan per-tiga bulan. Oleh karenanya dibutuhkan data yang mudah, banyak serta tersedia secara real-time, salah satu solusinya adalah dengan menggunakan Google Trends sebagai variabel prediktor pada prediksi PDB Indonesia. Penggunaan variabel seleksi pada Google trends dimaksudkan untuk mengambil variabel paling signifikan dari sekian besar data Google Trends. Salah satu variabel seleksi yang digunakan adalah lasso dengan melakukan pinalti terhadap variabel-variabel yang tidak berpengaruh secara signifikan pada PDB Indonesia. Dalam melakukan pinalti terhadap variabel nilai lambda (????) sangat mempengaruhi hasil dari variabel seleksinya. Penentuan nilai lambda pada lasso biasanya menggunakan crossvalidation dengan nilai setiap ???? pada range tertentu akan dievaluasi seluruhnya untuk kemudian diambil nilai ???? yang memiliki error paling rendah. Penentuan ???? dengan cara tersebut kurang efisien sehingga dilakukan pengembangan sebuah algoritme yang menentukan nilai ???? berdasarkan jumlah variabel terseleksi dari setiap iterasi serta perubahan pada kriteria konvergensi lasso yaitu ketika sudah ada variabel yang terseleksi iterasi untuk nilai ???? tersebut dihentikan. Sehingga diharapkan dengan pencarian ???? yang lebih cepat dapat meningkatkan waktu eksekusi dan nilai akurasinya. Eksperimen dilakukan sebanyak 14 skenario yang merupakan kombinasi dari metode dan fitur seleksinya untuk dilakukan pengujian. Hasil pengujian menunjukkan dari 14 skenario yang dilakukan didapatkan hasil iii bahwa metode ARSO dengan menggunakan pembobotan ternormalisasi menjadi metode dengan nilai prediksi yang paling baik dengan nilai RMSE 0.74 dibandingkan dengan ARSO menggunakan pembobotan konvensional mencapai 1.19. Selain itu ARSO dengan pembobotan ternormalisasi berhasil menangkap pola krisis ekonomi yang terjadi pada masa pandemik tahun 2020. Hasil ARSO ternormalisasi ini didapatkan menggunakan fitur seleksi lasso sebagai pembobotan dengan nilai ???? diperoleh dari algoritme yang diajukan pada penelitian ini. Jika dibandingkan dengan cross-validation algoritme yang diajukan dalam melakukan pencarian ???? berhasil mengungguli baik dari sisi waktu eksekusi maupun hasil akurasi akhir metode yaitu untuk waktu eksekusi mencapai 0.047 detik dan nilai RMSE pada angka 0.74 yang jika dibandingkan dengan cross-validation yaitu 3.9 detik dan nilai RMSE 1.16. Selain itu dari penelitian ini dapat dilihat bahwa data dari Google Trends mampu merefleksikan peristiwa yang sedang terjadi di Indonesia. Dari hasil eksperimen kata kunci pencarian yang secara tidak langsung merefleksikan bahwa keadaan ekonomi Indonesia sedang menurun berdasarkan metode prediksi paling baik adalah dana_blt dan pandemik.