Pemodelan Penerimaan Pajak Hotel di Indonesia Tahun 2019 dengan Menggunakan Analisis Regresi Ridge

Nurfahmi Zaynun, Anneke Iswani Achmad

Abstract


Abstract.Linear regression analysis is a method used to express the pattern of the relationship between the response variable (Y) and the predictor variable (X). If there is more than one predictor variable, multiple linear regression analysis is used. There are several assumptions that must be met, one of which is that there is no multicollinearity problem (there is a high correlation between the independent variables). In the multicollinearity test, if the VIF value is > 10, it is assumed that there is a multicollinearity problem. To overcome this problem can use the ridge regression analysis method. In this analysis, the ridge regression minimizes the residual by adding the value of the bias constant (c) to the least squares method so that the regression coefficient decreases and approaches zero. There are several methods used to determine the value of the bias constant (c), one of which is according to Hoerl, Kennard, and Baldwin. In this thesis, we will discuss ridge regression analysis in overcoming the problem of multicollinearity in the case of hotel tax receipts in Indonesia in 2019. The results of the research using ridge regression analysis using the Hoerl, Kennard & Baldwin (HKB) method, the VIF value is smaller than the Least Square Method. so that the ridge regression analysis can overcome the problem of multicollinearity in the case of hotel tax receipts in Indonesia in 2019. So that we get a multiple regression equation model with ridge regression analysis using the Hoerl, Kennard & Baldwin (HKB) method, namely: Y = -1.056.464.258.554,37 – 191.822.725,690931X1 + 27.254.959,8057296X2 – 37.684,5049929737X3 + 319.732.608.358,349X5.

Keywords: Multiple Linear Regression, Multicolinearity, Ridge Regression, and Hotel Tax Receipts.

Abstrak. Analisis regresi linier adalah suatu metode yang digunakan untuk menyatakan pola hubungan antara variabel respon (Y) dengan variabel prediktor (X). Apabila variabel prediktor lebih dari satu maka digunakan analisis regresi linier berganda. Ada beberapa asumsi yang harus dipenuhi salah satunya tidak ada masalah multikolinearitas (terdapat korelasi tinggi diantara variabel independent). Pada pengujian multikolinearitas, jika nilai VIF > 10 diasumsikan terdapat masalah multikolinearitas. Untuk mengatasi masalah tersebut dapat menggunakan metode analisis regresi ridge. Pada analisis ini, regresi ridge meminimumkan residual dengan menambahkan nilai tetapan bias (c) pada metode kuadrat terkecil sehingga koefisien regresi berkurang dan mendekati nol. Terdapat beberapa metode yang digunakan untuk menentukan nilai tetapan bias (c), salah satunya yaitu menurut Hoerl, Kennard, dan Baldwin. Dalam skripsi ini akan dibahas mengenai analisis regresi ridge dalam mengatasi masalah multikolinearitas pada kasus penerimaan pajak hotel di Indonesia tahun 2019. Hasil penelitian dengan analisis regresi ridge menggunakan metode Hoerl, Kennard & Baldwin (HKB) diperoleh nilai VIF yang lebih kecil dibandingkan dengan Metode Kuadrat Terkecil sehingga analisis regresi ridge dapat mengatasi masalah multikolinearitas pada kasus penerimaan pajak hotel di Indonesia tahun 2019. Sehingga didapatkan model persamaan regresi berganda dengan analisis regresi ridge menggunakan metode Hoerl, Kennard & Baldwin (HKB) yaitu: Y = -1.056.464.258.554,37 – 191.822.725,690931X1 + 27.254.959,8057296X2 – 37.684,5049929737X3 + 319.732.608.358,349X5.

Kata Kunci: Regresi Linier Berganda, Multikolinearitas, Regresi Ridge, dan Penerimaan Pajak Hotel.


Keywords


Regresi Linier Berganda, Multikolinearitas, Regresi Ridge, dan Penerimaan Pajak Hotel

Full Text:

PDF

References


Badan Pusat Statistik. (t.thn.). Indonesia. Dipetik Mei 20, 2021, dari https://www.bps.go.id/

Ghozali, I. (2013). Statistik Nonparametrik. Semarang: Badan Penerbit UNDIP.

Hastie, Trevor, Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: data mining, inference, and prediction (2 ed.). New York: Springer Science & Business Media.

Iswaril, B. (2020, Desember 9). APBD, Realisasi APBD, dan Neraca. Diambil kembali dari Direktorat Jendral Perimbangan Keuangan Kementrian Keuangan: http://www.djpk.kemenkeu.go.id/?p=5412#

Montgomery, D. C., Peck, E. A., Vining, G. G., & Vining, G. G. (2012). INTRODUCTION TO LINEAR REGRESSION ANALYSIS (5th ed.). (D. J. Balding, N. A. Cressie, G. M. Fitzmaurice, H. Goldstein, I. M. Johnstone, & G. Mol, Penyunt.) Hoboken: John Wiley & Sons, Inc.

Narimawati, U. (2008). Metodologi penelitian kualitatif dan kuantitatif, teori dan aplikasi. Bandung: Agung Media.

Netter, J., Wasserman, W., & Kutner, M. H. (1983). Applied Linear Regression Models. Homewood, Illinois: Richard D. Irwin, INC.

Pratiwi, N. B. (2016). Perbandingan Regresi Komponen Utama dengan Regresi Ridge untuk Mengatasi Masalah Multikolinearitas. Universitas Negeri Semarang, Fakultas Matematika dan Ilmu Pengetahuan Alam. Semarang: UNNES Repository. Diambil kembali dari http://lib.unnes.ac.id/id/eprint/26620

Ridha Ferdhiana, Ira Julita, Asep Rusyana, Nany Salwa. (2015). HUBUNGAN INDEKS PRESTASI KUMULATIF (IPK) DENGAN NILAI UJIAN AKHIR NASIONAL (UAN) (STUDI KASUS DI FMIPA UNSYIAH). HUBUNGAN INDEKS PRESTASI KUMULATIF (IPK) DENGAN NILAI UJIAN AKHIR NASIONAL (UAN) (STUDI KASUS DI FMIPA UNSYIAH).

Siregar, O. (2014). STUDI METODE REGRESI RIDGE DAN METODE ANALISIS KOMPONEN UTAMA DALAM MENYELESAIKAN MASALAH MULTIKOLINEARITAS. Universitas Sumatera Utara, MATEMATIKA. Medan: 123dok. Dipetik Juli 4, 2021, dari https://text-id.123dok.com/document/6qm6584y8-metode-centering-and-rescaling-menentukan-tetapan-bias-biasing-constant-c.html

Solekakh, N. A., Ispriyanti, D., & Sudarno. (2015). ESIMASI PARAMETER REGRESI RIDGEMENGGUNAKAN ITERASI HOERL, KENNARD, DAN BALDWIN (HKB) UNTUK PENANGANAN MULTIKOLINIERITAS. JURNAL GAUSSIAN, 4, 1109-1116. Diambil kembali dari https://docplayer.info/61896853-Esimasi-parameter-regresi-ridge-menggunakan-iterasi-hoerl-kennard-dan-baldwin-hkb-untuk-penanganan-multikolinieritas.html

Suyono. (2015). Analisis Regresi Untuk Penelitian. (H. Rahmadhani, & C. M. Sartono, Penyunt.) Sleman, Yogyakarta: Deepublish.

Tazliqoh, A. Z., Rahmawati, R., & Safitri, D. (2015). PERBANDINGAN REGRESI KOMPONEN UTAMA DENGAN REGRESI. JURNAL GAUSSIAN, 4, 1-10.

Walpole, R. E., & Myers, R. H. (1995). Ilmu peluang dan Statistika untuk Insinyur dan Ilmuwan. Bandung: ITB.

Widarjono, A. (2007). Ekonometrika: teori dan aplikasi untuk ekonomi dan bisnis. Yogyakarta: Ekonisia.

Utama Muhammad Bangkit Riksa, Hajarisman Nusar. (2021). Metode Pemilihan Variabel pada Model Regresi Poisson Menggunakan Metode Nordberg. Jurnal Riset Statistika, 1(1), 35-42.




DOI: http://dx.doi.org/10.29313/.v0i0.29011

Flag Counter