Analisis Data Spasial Menggunakan Generalized LASSO Regression dengan Pendekatan K-Nearest Neighbors Pada Persentase Penduduk Miskin = Spatial Data Analysis Using Generalized LASSO Regression with a K-Nearest Neighbors Approach on Poverty Rate

Latar Belakang. Generalized LASSO Regression merupakan pengembangan dari metode LASSO dengan memberikan penalti tidak hanya pada setiap parameter secara terpisah, tetapi juga pada kelompok parameter yang saling terkait. Pendekatan K-Nearest Neighbors (KNN) menentukan besaran penalti berdasarkan kedekatan data dalam ruang fitur sehingga model dapat memilih variabel yang berelasi secara lokal, meningkatkan kemampuan mengenali pola berurutan atau kelompok pada data berdimensi tinggi tanpa mengurangi kemudahan interpretasi. Tujuan. Penelitian ini bertujuan untuk memperoleh parameter tuning optimal pada model Generalized LASSO Regression dengan KNN dan mendapatkan variabel yang berpengaruh terhadap persentase penduduk miskin. Metode. Metode penelitian ini terdiri dari dua tahap umum, yakni 1) penentuan tetangga menggunakan KNN; 2) pemodelan Generalized LASSO Regression dengan pendekatan KNN untuk pendugaan persentase penduduk miskin. Hasil. Hasil analisis menunjukkan bawa model terbaik diperoleh pada KNN K=3 dengan nilai parameter tuning sebesar 0,028 menghasilkan koefisien determinasi 91,5% dan RMSE sebesar 0,130. Kesimpulan. Model Generalized LASSO Regression dengan pendekatan KNN terbukti dapat menangani masalah multikolinearitas dan efek wilayah untuk mengetahui variabel yang berpengaruh terhadap persentase penduduk miskin. Model ini dapat menjadi alat bantu dalam perencanaan kebijakan di Indonesia dengan fokus wilayah.