PEMODELAN SPATIAL AUTOREGRESSIVE ERROR DENGAN PENALTI LEAST ABSOLUTE SHRINKAGE AND SELECTION OPERATOR MENGGUNAKAN ALGORITMA COORDINATE DESCENT

Latar belakang. Angka Melek Huruf (AMH) merupakan salah satu indikator penting dalam menggambarkan kualitas sumber daya manusia dan keberhasilan pembangunan sektor pendidikan. Perbedaan kondisi sosial ekonomi antarwilayah dapat menyebabkan variasi nilai AMH serta membentuk pola keterkaitan antarwilayah. Dalam analisis data spasial, ketergantungan geografis dan hubungan antarvariabel prediktor yang kompleks dapat menyebabkan ketidakstabilan estimasi model regresi. Model Spatial Autoregressive Error (SAE) mampu mengakomodasi pengaruh spasial pada residual, sedangkan penalti LASSO dapat mengatasi multikolinearitas melalui seleksi variabel. Tujuan. Penelitian ini bertujuan memperoleh estimasi parameter model SAE dengan penalti LASSO menggunakan algoritma Coordinate Descent serta menentukan faktor yang memengaruhi angka melek huruf di Provinsi Sulawesi Selatan. Metode. Estimasi parameter spasial SAE dilakukan menggunakan Maximum Likelihood Estimation. Parameter spasial yang diperoleh digunakan untuk melakukan transformasi spasial terhadap variabel respon dan prediktor. Selanjutnya, estimasi koefisien regresi dilakukan menggunakan penalti LASSO dengan algoritma Coordinate Descent melalui fungsi cv.glmnet. Hasil. Estimasi model dengan algoritma Coordinate Descent mampu melakukan seleksi variabel yang kuat dibandingkan dengan model lain seperti LARS, namun tetap mampu memberikan performa yang paling baik dengan perolehan nilai AIC dan BIC yang diperoleh berturut-turut 28,654 dan 40,435. Kesimpulan. Pendekatan SAE dengan penalti LASSO menggunakan algoritma Coordinate Descent mampu melakukan seleksi variabel pada pemodelan angka melek huruf di Sulawesi Selatan, sehingga diperoleh faktor yang berpengaruh adalah Produk Domestik Regional Bruto (PDRB), Kepadatan Penduduk, Tingkat Pengangguran Terbuka (TPT), Rata-rata Lama Sekolah (RLS), dan Harapan Lama Sekolah (HLS).