Electronic Theses and Dissertation

Generalized Ridge Regression (GRR) dengan pendekatan Least Median of Squares (LMS) digunakan untuk mengatasi multikolinearitas dan pencilan dalam data ekonomi sehingga menghasilkan model regresi yang lebih stabil dan robust dalam menganalisis faktor-faktor yang memengaruhi PDRB per kapita di Indonesia. Penelitian ini bertujuan untuk menentukan model regresi Generalized Ridge Regression (GRR) dengan Least Median of Squares (LMS) serta mengetahui faktor-faktor yang memengaruhi PDRB per kapita. Data yang digunakan merupakan data sekunder dari Badan Pusat Statistik (BPS) tahun 2023, mencakup 34 provinsi di Indonesia. Variabel dependen dalam penelitian ini adalah PDRB per kapita, sedangkan variabel independen meliputi rata-rata lama sekolah, indeks pembangunan gender, indeks pembangunan manusia, tingkat partisipasi angkatan kerja, angka harapan hidup, tingkat pengangguran terbuka, dan pengeluaran per kapita. Hasil penelitian menunjukkan bahwa model Generalized Ridge Regression dengan Least Median of Squares (GRR-LMS) memiliki kinerja yang lebih baik dengan nilai R² sebesar 79,98% dan AIC sebesar 811,0551, dibandingkan model Ordinary Least Squares (OLS) dengan R² sebesar 0,6944 dan AIC sebesar 823,4299. Secara parsial, variabel rata-rata lama sekolah, Angka Harapan Hidup, dan pengeluaran per kapita berpengaruh signifikan terhadap PDRB per kapita.

Generalized Ridge Regression (GRR) with the Least Median of Squares (LMS) approach is used to overcome multicollinearity and outliers in economic data, resulting in a more stable and robust regression model for analyzing factors that affect per capita GRDP in Indonesia. This study aims to determine the Generalized Ridge Regression (GRR) model with Least Median of Squares (LMS) and identify the factors that influence per capita GRDP. The data used is secondary data from the Badan Pusat Statistik (BPS) for 2023, covering 34 provinces in Indonesia. The dependent variable in this study is GRDP per capita, while the independent variables include average length of schooling, gender development index, human development index, labor force participation rate, life expectancy, open unemployment rate, and per capita expenditure. The results show that the Generalized Ridge Regression with Least Median of Squares (GRR-LMS) model performs better with an R² value of 79.98 % and an AIC of 811.0551, compared to the Ordinary Least Squares (OLS) model with an R² of 0.6944 and an AIC of 823.4299. Partially, the variables of average length of schooling, life expectancy, and per capita expenditure have a significant effect on per capita GRDP.