LOMBA DAN SEMINAR MATEMATIKA XXIX Prosiding Pendidikan Matematika dan Matematika Volume 3 (2021) e-ISSN No. 2721-6802 Performa Metode Elastic-Net dalam Kasus Multikolinearitas pada Analisis Linear Berganda Hizkia Edwar Sinaga 1 , Dewi Retno Sari Saputro 2 Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Sebelas Maret Surakarta , Jl. Ir. Sutami 36 A Kentingan Jebres Surakarta Jawa Tengah, 57126, Indonesia hizkiaedwarsinaga@gmail.com Abstrak—Analisis linear berganda umum digunakan untuk menganalisis data dengan variabel yang banyak. Selama proses menganalisa terdapat masalah umum yang sering dijumpai yaitu multikolinearitas. Multikolinearitas dapat diartikan sebagai adanya korelasi antara dua atau lebih variabel bebas. Multikolinearitas dapat dideteksi dengan cara: menghitung koefisien korelasi antara sesama variabel bebas, menghitung nilai Variance Inflation Factor (VIF), menghitung nilai TOL yaitu suatu ukuran tolerance untuk deteksi multikolinearitas, dan menghitung Condition Number (CN). Multikolinearitas dapat diatasi dengan cara: menambah data baru, menerapkan analisis komponen utama, menggunakan regresi gulud, menggunakan metode LASSO, dan menggunakan metode Elastic-Net. Metode Elastic-Net merupakan salah satu cara terbaik yang dapat digunakan. Elastic-Net menggabungkan penalti penyusutan regresi gulud dan LASSO sehingga membuatnya lebih efisien. Apabila  = 0, penalti penyusutan Elastic-Net menjadi penlati penyusutan regresi gulud. Apabila  = 1, penalti penyusutan Elastic-Net menjadi penaltipenyusutan LASSO. Hasil penelitian menunjukkan performa metode Elastic-Net dapat menangani multikolinearitas pada analisis linear berganda. Kata kunci: Analisis Linear Berganda, Multikolinearitas, Elastic-Net I. PENDAHULUAN Analisis regresi merupakan metode statistika yang digunakan untuk membentuk model hubungan antara variabel terikat (Y) dengan satu atau lebih variabel bebas (X) [1]. Pada umumnya analisis regresi dibagi menjadi dua jenis, yaitu analisis linier sederhana dan analisis linear berganda. Analisis regresi linier sederhana memiliki satu variabel bebas sedangkan analisis regresi linier berganda memiliki dua atau lebih variabel bebas didalamnya. Analisis regresi linier sederhana bertujuan untuk memprediksi nilai variabel terikat terhadap satu variable bebas, sedangkan analisis regresi linear berganda bertujuan untuk memprediksi nilai variabel terikat terhadap dua atau lebih variabel bebas [2]. Seiring berkembangnya zaman, banyak data di dunia semakin berkembang. Data yang beredar dalam masyarakat masa kini biasanya berupa data kompleks yang memiliki banyak variabel. Sehingga analisis linier berganda lebih umum digunakan untuk menganalisa suatu data yang kompleks. Dalam proses menganalisa data bervariabel banyak biasanya terdapat permasalahan umum yang sering ditemui yaitu multikolinearitas. Menurut [3] dan [4] dikatakan bahwa multikolinearitas merupakan situasi dimana adanya korelasi atau hubungan yang kuat antara dua atau lebih variabel bebas dalam analisis regresi. Muktikolinearitas pada variabel bebas dapat mengakibatkan ragam penduga menjadi besar [5]. Dalam referensi [6] dijelaskan bahwa adanya multikolinearitas yang tinggi tidak memungkinkan melihat pengaruh variabel bebas terhadap variabel respon secara terpisah. Variabel respon merupakan nama lain untuk variabel terikat. Pada prinsipnya multikolinieritas tidak mengurangi nilai prediksi secara simultan namun mempengaruhi nilai prediksi dari suatu variabel bebas. Salah satu besaran yang dapat digunakan untuk mendeteksi adanya multikolinearitas adalah faktor Variance Inflation Factor (VIF). Nilai VIF lebih besar dari 10 mengidentifikasi adanya masalah multikolinearitas yang serius [7]. Multikolinearitas dapat diatasi dengan berbagai cara, antara lain penggunaan regresi terbaik [8], mencari tambahan data baru, penerapan analisis komponen utama [9],