Pemodelan Generalized Fused Least Absolute Shrinkage and Selection Operator Regression Pada Indeks Pembangunan Manusia = Generalized Fused Least Absolute Shrinkage and Selection Operator Regression Modeling of the Human Development Index

Latar Belakang. Indeks Pembangunan Manusia (IPM) merupakan indikator komposit yang menggambarkan kualitas pembangunan manusia pada suatu wilayah. Pemodelan IPM sering menghadapi dua permasalahan utama, yaitu multikolinearitas antarvariabel prediktor serta keterkaitan spasial antarwilayah yang tidak mampu ditangani secara optimal oleh regresi klasik. Selain itu, estimasi parameter yang tidak mempertimbangkan struktur spasial dapat menghasilkan model yang kurang stabil. Generalized Fused Least Absolute Shrinkage and Selection Operator (GF-LASSO) hadir sebagai metode yang mampu melakukan seleksi variabel sekaligus menangkap pola spasial melalui penalti fused. Tujuan. Penelitian ini bertujuan untuk memperoleh model GF-LASSO pada data IPM kabupaten/kota di Provinsi Sulawesi Selatan tahun 2023 serta mengidentifikasi variabel-variabel yang berpengaruh terhadap IPM dan mengklasterkan wilayah berdasarkan kemiripan karakteristik pembangunan manusia. Metode. Penelitian ini bertujuan untuk membangun model GF-LASSO pada data IPM kabupaten/kota di Provinsi Sulawesi Selatan tahun 2023, mengidentifikasi variabel-variabel yang berpengaruh signifikan terhadap IPM, serta membentuk klaster spasial wilayah berdasarkan kemiripan karakteristik pembangunan manusia. Data yang digunakan terdiri atas IPM sebagai variabel respon dan sepuluh variabel prediktor yang merepresentasikan dimensi pendidikan, kesehatan, dan ekonomi. Analisis dilakukan melalui pemodelan Generalized LASSO dan GF-LASSO, dengan pemilihan parameter penalti optimal menggunakan k-fold cross validation serta pembentukan adjacency matrix untuk merepresentasikan hubungan ketetanggaan antarwilayah. Hasil. GF-LASSO memberikan performa terbaik dengan nilai koefisien determinasi 99.5% dan nilai Root Mean Square Error (RMSE) sebesar 24.3, lebih baik dibandingkan model Generalized LASSO. Variabel yang berpengaruh terhadap IPM adalah Rata-rata Lama Sekolah, Harapan Lama Sekolah, Angka Harapan Hidup, Pengeluaran Per Kapita, dan Produk Domestik Regional Bruto. Selain itu, penalti fused pada GF-LASSO menghasilkan klaster spasial kabupaten/kota yang menunjukkan kemiripan pola pembangunan manusia antarwilayah bertetangga. Kesimpulan. Model GF-LASSO menghasilkan estimasi parameter yang stabil, akurat, dan mampu menangkap struktur spasial pada data IPM. Metode ini efektif untuk mengidentifikasi faktor-faktor penting yang memengaruhi IPM serta menentukan klaster wilayah berdasarkan kemiripan karakteristik pembangunan manusia.

Keyword : GF-LASSO, IPM, Penalti Fused, Spasial, Multikolinearitas, Klasterisasi.